小紅書對于人們日常瀏覽行為的影響分析

◎黃 丹

(廣州航海學院，廣東 廣州 510725)

一、引言

借助于互聯網，人們的社交圈越來越大。本文以小紅書為例，闡述互聯網媒體給用戶帶來的與傳統社交媒體平臺的不同體驗。另外，小紅書雖然給用戶提供了豐富的內容資源，但是每個用戶都有著自己的喜好。當用戶進行搜索查找內容時，往往會出現許多無關的信息甚至是干擾的信息。這不僅僅給用戶造成時間上的浪費，而且也讓用戶耗費了更多的精力篩選出符合自己的信息。這些將給用戶帶來不愉快的體驗，同時也讓用戶抱怨該軟件的效率。長此以往，勢必導致軟件平臺用戶的流失甚至是被邊緣化。

如何根據用戶使用中的行為模式，對用戶進行精準的肖像刻畫，從而把每個用戶定位出一個合適的標簽，根據這個標簽對用戶進行相關的內容和信息推薦，這將是現階段以及未來一段時間內的主流研究方向之一，也是未來互聯網傳媒以及數據分析和挖掘的一個熱門方向。同時，精準的肖像刻畫，也能讓互聯網傳媒進行精準的廣告投放，從而取得更加有效的收益，也可以避免傳統廣告粗獷式投放的資源浪費。當用戶用互聯網進行瀏覽搜索時，會留下許多搜索痕跡和數據。這些數據常見的有圖片、文字，甚至是語音。互聯網會記錄用戶的搜索痕跡，以便于下次用戶登陸平臺時，為其推薦更多相關的內容。

二、機器學習算法介紹

近年來，由于計算機技術的高速發展，人們能更快地處理信息，這使得人們能夠對小紅書等社交媒體進行有別于傳統的手機日志分析，從而更近一步對圖片、語音等大數據進行分析。這也是近年來傳媒分析的主流趨勢之一。

本文以機器學習的一些算法為依據，利用機器學習對小紅書進行一些分析、解釋和預測。一般應用較為廣泛的機器學習算法有分類算法、貝葉斯分析、聚類算法、主成分分析、決策樹等。當用戶瀏覽搜索時，互聯網會相應地記錄下用戶的信息。比如用戶甲，我們可以通過觀察其每個月瀏覽小紅書的次數，記錄下該用戶這個月內的瀏覽的各種行為，以此來對該用戶進行分析和推薦。下面我們通過一些例子進行說明。例如，用戶甲一個月內瀏覽了3 000次小紅書，則平臺會記住該用戶的瀏覽習慣。我們不妨假設這個用戶在3 000次瀏覽記錄中，有1 000次涉及到了美食、800次涉及時尚博主明星藝人、600次涉及搞笑視頻圖片、400次涉及服飾穿搭、200次涉及玩樂及其他。

三、主成分分析

主成分分析法是一種挑重點分析的方法，也是一種基于數學變換的方法，它通過對原變量進行一系列數學變換，然后得到新的變量。新變量的主成分將是原變量的線性組合(因為線性組合是比較容易計算的，計算機能快速處理，這也是線性變換的優勢)，而后通過在新變量中選擇那些在變差信息量中占比較大的主成分，以此進行分析建模，從而達到數據分析和挖掘的目的。主成分在變差信息量中的比例越大，它對數據分析和評估的用處就越大。

假設我們拿到了一份數據集，有m個樣本，每個樣本由n個特征(變量)來描述，那么我們可以按照以下的步驟進行降維。

1.將數據集中的每個樣本作為列向量，按列排列構成一個n行m列的矩陣。

2.將矩陣的每一個行向量(每個變量)都減去該行向量的均值，從而使得新行向量的均值為0，得到新的數據集矩陣X。

3.求X的協方差矩陣，并求出協方差矩陣的特征值λ和單位特征向量e。

4.按照由大至小的特征值順序，將單位特征向量排列成矩陣，得到轉換矩陣P，并按PX得出主成分矩陣。

5.用特征值得到方差貢獻率和方差累計貢獻率，利用方差累計貢獻率超過85%的前k個主成分，或者想降至特定的k維，直接取前k個主成分。

我們依然用上例來做解釋，在上例中用戶1 000次美食記錄的數據肯定是有很多種類，不會是單一的美食。其他幾種瀏覽記錄的數據構成也是有很多細小的分類。那我們該如何確定該用戶對哪些美食有特殊的鐘愛，或者對哪些時尚博主有特殊鐘愛，這里就需要采用主成分分析算法進行分析。

根據主成分分析的原理，我們把用戶每種瀏覽數據做成一個矩陣。矩陣的第一列是美食數據，第二列是時尚博主明星，等等。然后根據算法中的2、3、4、5進行相應的計算分析得出每一種喜好偏愛的那些類別。比如，用戶鐘愛粵菜、江浙菜或者西點等。如此小紅書將對用戶進行相關的推薦，給用戶推出更多的相關內容，減少用戶自己搜索的麻煩。與貝葉斯分析相比，主成分分析在算法上是更細致的。我們可以看到，貝葉斯算法是告訴我們用戶行為喜好的類別，然后根據最大概率出現進行推薦。但是用戶喜愛的食物內部的喜愛度如何，貝葉斯并未進行分析。當然我們可以在將喜愛的食物進行再一次貝葉斯分析，這就可以得到喜愛事物內部的喜愛度。然而主成分分析卻可以直接告訴你用戶喜愛哪些事情和喜愛度。利用這個算法進行用戶行為刻畫和偏好推薦，有著非常大的優勢。

四、分類算法和聚類算法分析

接下來我們分析另外兩種算法，即分類算法和聚類算法。我們將這兩種算法放在一起講，是為了更好地讓讀者加以理解區別。

分類算法的目標是通過對數據進行分析，把未知的數據對應數據庫中已有數據的類別。從這里可以看出，分類算法的一個前提是，我們必須要知道目標數據庫中的數據類別，然后將不同的數據精準地分類到已有類別之中，我們稱分類算法有監督的學習過程。

由于分類算法要求事先知道數據庫中信息的全部類別，并且所有待分類的信息最后都將要被分類為已有對應的類別，因此分類算法也有其局限性，當上述條件無法滿足時，我們就需要嘗試聚類分析。

(一)當用戶瀏覽小紅書后，他們會留下各種數據信息，在收集這些信息然后如何進行處理，這是一個非常重要的問題

比如，某個用戶瀏覽記錄只有10 000條數據，我們知道這些數據來自于幾個大的類別。比如屬于小紅書中常見的幾個類別之中，但是具體位于哪些類別，這是需要我們盡心分析的。這個時候我們可以用分類算法，去判斷某個樣本數據的類別歸屬。簡單來說，如果我們能確定已經有1 000條數據屬于美食，則對下一個數據，我們通過判斷它與這1 000條數據的相似度確來認定它是否屬于這一類別。如果該數據與這1 000條數據的距離度不超過某一個事先確定的值，我們就可以判斷出該數據屬于這一類別。否則該數據就要與其他組別的數據進行再次計算，進行相應的判斷即可，直到每個數據都有其所屬的類別。

分類算法從直觀上看，它更多的是在已經知道總體的一些分類，設置一個相似度后，將每個數據進行類別劃分，從而得到數據的分類。這也為我們對用戶的行為刻畫提供了理論支撐。因為我們只有知道用戶瀏覽數據的類別后，才能進一步對用戶喜好進行分析，比如用貝葉斯算法、主成分分析進行喜好推薦。如果沒有分類，我們就無法準確地刻畫用戶的行為，也就無法達到精準的投放和推廣。

由于分類算法是事先知道總體類別后，對新的數據進行類別歸屬的分析，所以我們稱分類算法是有監督的學習算法。如果我們未知總體類別，只有數據，那該如何確定總體的類別，這就要用到我們說的聚類算法了。

(二)聚類與分類的區別

對于分類和聚類的區別，我們給出如下三點分析。

第一，不論是分類還是聚類算法，它們都是通過建立數學模型，特別是統計學模型，從而對數據進行分析和挖掘?，F有常見的分類算法包括貝葉斯分類算法、決策樹、主成分分析、羅輯回歸、支持向量機等。而常見的聚類算法有k-均值、k-中心點、bi-kmeas等算法。同時，許多統計學軟件也在聚類分析中發揮了巨大作用，例如SPSS、SAS等。這是二者在算法和數學模型上的區別，也是一種統計學上的區別。

第二，雖然二者同屬于機器學習的算法類別，但是根據前文的內容，我們知道分類算法是一種有監督的學習，類似我們已經知道總體或者數據庫的類別情況，然后想要確定新數據屬于總體或者數據庫中的哪個類別。而聚類算法它的特點是，我們事先不知道總體或者數據庫的類型或者類別，甚至是不是同一種類型的數據也不一定知道。而聚類算法的過程是給出數據庫中全體數據所屬的類型，告訴我們數據庫的數據是什么類型的。這是一種無監督學習，因為我們事先并不清楚數據庫類型，也不知道最終會有什么類型反饋給我們。

分類算法通過有監督的學習，將每一條未知數據歸結到總體數據的對應類別之中，它需要事先有數據庫進行訓練分析，確定數據庫的類別之后，才可以進行未知數據的分類，這是一種監督訓練算法模型。

聚類算法是一種嘗試性、探索性的分析，在分析開始之前我們并不知數據的類型，也并沒有數據分類的標準。聚類分析的過程是將總體中的數據按照算法的要求，進行自動的分類，在聚類分析結果未出之前，我們是不知道數據類型的。正是由于此，采用不同的聚類算法往往可能會得出不同的結果，不同的數據分析人員即使對同一組數據使用不同的聚類算法，也不一定會得到相同的結果，這是聚類算法的一大特點，也是其魅力所在，因為未出結果之前，很難知道是什么類別。

第三，二者在實際中的應用也是不一樣的。分類算法的主要目的更多地集中于對已有數據進行分類，可以認為是重點在于數據分析。畢竟我們已經知道新數據是屬于總體的某一個類別之中，目的是分析它屬于哪個類別，并將得到的結果作為下一步分析應用的依據和基礎。而聚類算法的目的在于探索未知數據類型，更像是在進行數據挖掘。通過對未知總體的聚類分析，挖掘出總體數據類型，從而得到那些對我們有用的信息。這就相當于在一群未知的數據庫中，篩選挖掘出有價值的信息。正是如此，聚類分析成為數據挖掘的主要目的之一。過去和現在數據分析是互聯網傳媒的一大熱點，但是現在和未來，數據挖掘越來越重要，不僅在理論研究、信息安全，而且在商業應用上也已經越來越重要，將成為互聯網傳媒的重要研究內容之一。

我們通過舉例進行解釋聚類算法的應用。小到個人大到群體，每年都會在小紅書留下許許多多的痕跡。這些數據會被小紅書記錄下來，用作分析和計算。如何確定這些數據是什么類型至關重要。比如，有些數據是美食、有些數據是旅行、有些數據是服飾等。我們把這些數據收集在一起，使用聚類算法對其進行分析，最后會得到許多的類別，這些類別是小紅書平臺進行推廣應用的基礎。比如，平臺每年的數據分析發現在結果組別中，美食占據了很高的比例，而且在進行多次聚類分析時發現這個比例都是非常高的。如此小紅書就會對美食這一主題進行大量的投放和推廣，并且能據此獲得很大的廣告收益。這也是如今互聯網媒體收入的一種渠道，通過對用戶的行為刻畫分析，進行商業合作，對事物進行定點精準推廣，從而取得收益，節約成本并留住以及吸引更多的客戶。

五、結語

本文通過介紹幾種機器學習的算法，解釋了小紅書如何根據用戶瀏覽的行為和喜好，為他們推薦更多的內容，以此節省用戶搜索尋找的時間。同時，也介紹了如何精準地推送用戶感興趣的內容，而非單一模式的粗獷的信息轟炸。小紅書的精準推送讓用戶擁有了更多更好的體驗，使得越來越多的用戶加入使用小紅書的隊列中。同時更多用戶的加入，也讓小紅書成為傳媒廣告投放的優選平臺。許許多多的廣告商正是看重了小紅書精準投放運營模式，以及大量的用戶群體而紛紛選擇在小紅書平臺上投放廣告。這也是互聯網時代的一種多贏局面。

隨著計算機軟件和硬件的快速發展，如今的互聯網時代已經遠遠超過傳統互聯網時代。當今的計算機已擁有更強大的計算能力、更智能的工作模式?；诖?，現在的計算機能處理更多的數據，并能得到更精準的結果。這為現代傳媒提供了強有力的技術支撐，如今的傳媒工作再也不是滿大街的奔跑采訪，而是可以借助計算機和互聯網分析用戶的行為，刻畫用戶的心理，從而達到所需要的目的。

本文研究了基于機器學習算法進行大數據分析，進行用戶個性化推送的方法，使用大數據分析算法內的相似度方法分析用戶偏好、廣告投放推廣之間的互惠相關性等，以此向平臺用戶推送符合個人偏好的廣告信息。將本文的方法應用于平臺內，實驗結果表明該方法具備較強的信息抽取能力，且為用戶推送的信息有效性強，應用后相關產品廣告收益與宣傳效果明顯增強，取得了較好的實際應用效果。

最后，在借助計算機和互聯網的強大工具的同時，新傳媒時代也要注重用戶的信息安全和網絡安全。如何保護用戶的信息安全，對于傳媒來說是重要的，也是首要的問題。依賴于計算機技術的革新，新時代的傳媒面臨著巨大的變革機遇，誰能精準地把握用戶行為和心理，進行精準的用戶刻畫從而做出精準的推送內容，誰就能獲得成功。但同時也面臨風險，如何維護用戶的信息安全，這也將是一個不可避免的問題。只有兼顧二者，新時代的傳媒才有可能取得成功，立于不敗之地。