李建軍+蘇泯元+楊玉+楊芳

[摘 要] 隨著移動互聯(lián)網(wǎng)應用快速發(fā)展，移動用戶面對所產(chǎn)生的大量商品信息選擇越來越困難。通過對移動互聯(lián)網(wǎng)中的非活躍用戶冷啟動問題分析，提出移動互聯(lián)網(wǎng)的非活躍用戶的個性化服務推薦的分類方法和推薦類型。在移動互聯(lián)網(wǎng)的非活躍用戶個性化推薦層面：一方面，移動APP網(wǎng)上商城要更加關注對應用程序內(nèi)容的深度理解與分類，這樣才能從海量的應用程序中找到最優(yōu)質(zhì)的應用推薦給用戶；另一方面，移動APP網(wǎng)上商城也要更加了解用戶的需求，利用大數(shù)據(jù)的海量數(shù)據(jù)挖掘，真正的把用戶的多維屬性利用起來，從而做到個性化推薦。

[關鍵詞] 移動互聯(lián)網(wǎng)；非活躍用戶；冷啟動；個性化推薦

[中圖分類號] F725 [文獻標識碼] B

2016年第三季度中國移動互聯(lián)網(wǎng)市場規(guī)模為2038.1億元，同比增長78.1%，環(huán)比增長12.4%。在移動互聯(lián)網(wǎng)與計算機網(wǎng)絡逐漸融合的過程中，對互聯(lián)網(wǎng)信息服務進行延伸，為用戶提供了比傳統(tǒng)通信業(yè)務更加豐富多彩的移動聯(lián)網(wǎng)服務和信息內(nèi)容，與此同時，智能移動設備日益普及促使信息資源的獲取和推送可以發(fā)生在“任何時間、任何地點、以任何方式”，為用戶提供無處不在的信息內(nèi)容己經(jīng)成為可能。在為大眾提供便利獲取信息資源的同時，移動互聯(lián)網(wǎng)中的海量信息也給人們帶來了選擇困難，大量用戶不需要的信息嚴重浪費了用戶寶貴的時間，干擾用戶做出正確的選擇，快速有效的從繁雜的數(shù)據(jù)中獲取有價值的信息變得越來越重要。

一、個性化推薦

個性化推薦是根據(jù)用戶的興趣特點和購買行為，向用戶推薦用戶感興趣的信息和商品。個性化推薦一直是研究者關注的熱點領域。個性化推薦主要為背景不同的用戶給出適合其自身特點的推薦。用戶的背景不同其對相同關鍵詞的期望查詢結(jié)果也不同。用戶的背景包括年齡、性別、職業(yè)、個人興趣、收入、周圍社交關系等情況。個性化推薦技術在電子商務領域中取得很大程度的發(fā)展和廣泛應用，很多電子商務購物網(wǎng)站利用它不但增加了營業(yè)額和利潤，而且靠其培養(yǎng)用戶的消費習慣，使用戶改變傳統(tǒng)的消費方式。

個性化推薦的最大的優(yōu)點在于，它能收集用戶特征資料并根據(jù)用戶特征，如興趣偏好，為用戶主動作出個性化的推薦。而且，系統(tǒng)給出的推薦是可以實時更新的，即當系統(tǒng)中的商品庫或用戶特征庫發(fā)生改變時，給出的推薦序列會自動改變。這就大大提高了電子商務活動的簡便性和有效性，同時也提高了企業(yè)的服務水平。

個性化推薦的本質(zhì)是通過發(fā)掘用戶的隱含信息給為用戶推薦其最大概率采納的信息。其難點在于：（1）挖掘用戶隱含信息，對隱含信息挖掘的越全面越能很好的反饋用戶的真實需求。（2）隱含信息的權重，隱含信息的權重越大，則對推薦的影響越大，因此準確的確定隱含信息的權重對推薦質(zhì)量非常重要。

移動電子商務個性化推薦的主要算法包括（1）基于關聯(lián)規(guī)則的推薦算法（Association Rule-based Recommendation）；（2）基于內(nèi)容的推薦算法（Content-based Recommendation）；（3）協(xié)同過濾推薦算法（Collaborative Filtering Recommendation）。移動電子商務個性化推薦面臨的問題包括（1）稀疏性問題：如果用戶對商品的評價數(shù)據(jù)非常稀疏，這樣基于用戶的評價所得到的用戶間的相似性不夠準確；（2）可擴展性問題：隨著用戶和商品的增多，推薦系統(tǒng)的性能會逐漸降低；（3）冷啟動問題：如果從來沒有用戶對某一商品加以評價，則這個商品被推薦的可能性極??；（4）長尾問題：對小微市場的推薦。

為了充分挖掘數(shù)據(jù)價值，緩解信息過載問題，以及提高推薦質(zhì)量，滿足移動用戶個性化的推薦需求，基于用戶的行為感知用戶的偏好。通常移動用戶的偏好通過用戶的行為表現(xiàn)，移動用戶的行為是用戶偏好的顯式表現(xiàn)。移動用戶偏好和用戶的行為存在一定的因果關系，因此，通過挖掘移動用戶行為信息，建立用戶行為和偏好的模型，可以為移動用戶給出個性化的推薦。在為移動用戶給出個性化推薦的過程中，如果為每個用戶都建立一個用戶行為和偏好的模型，則在實際應用過程中的效率可能會非常低，因此，研究高效、準確的基于行為感知的非活躍移動用戶個性化推薦具有非常好的實際應用價值。

二、非活躍用戶冷啟動問題

移動互聯(lián)網(wǎng)中存在相當數(shù)量的非活躍用戶，這些用戶的歷史行為信息、歷史記錄都非常稀少，很難得到推薦的依據(jù)，因此對這類用戶的推薦是推薦領域的難點、熱點之一。對非活躍用戶的推薦又稱為移動用戶冷啟動問題。冷啟動是數(shù)據(jù)挖掘領域的一個專業(yè)術語，指的是數(shù)據(jù)挖掘需要數(shù)據(jù)的積累，而產(chǎn)品初期數(shù)據(jù)為空或者數(shù)據(jù)量太少導致所需的數(shù)據(jù)量達不到要求。

冷啟動問題包括：（1）如何向還沒給任何商品評分的新用戶推薦；（2）如何處理從未被評過分或購買過的商品。這兩類問題都可以通過混合方法來解決，即利用額外的外部信息。對冷啟動問題的已有研究成果包括由多種相似度測量的線性組合并應用神經(jīng)網(wǎng)絡得到相似度的最優(yōu)權重。然而這些方法忽略對用戶間信任關系的約束，對冷啟動問題的效果不理想?，F(xiàn)有的研究多數(shù)基于存在信任關系的用戶較無信任關系的用戶更適合給出準確的推薦。研究者認為用戶間的信任關系可以被用于推薦，為了得到更多的信任關系，通過傳播信任可以覆蓋更廣的信任關系。不準確的信任關系是導致推薦不準確的首要因素，因此如何準確的獲取用戶間的信任關系是準確個性化推薦的前提。

解決冷啟動問題需要產(chǎn)品、運營、市場的多方協(xié)作，尤其產(chǎn)品設計上的預先考慮，從產(chǎn)品立項之初就要為解決冷啟動做好準備。各種邀請方式是有權重和主次的，當然可以混合使用多種，但是線上的，基本的機制是首先要保證的。線下的邀請機制可視具體情形使用，如果無條件，將線上邀請做好也能收到足夠好的效果。

三、基于移動互聯(lián)網(wǎng)的非活躍用戶個性化推薦

移動互聯(lián)網(wǎng)的非活躍用戶的個性化服務推薦是指利用移動電子商務平臺向客戶提供商品信息和建議，幫助客戶決定應該購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程。目前，幾乎所有大型的電子商務系統(tǒng)，如阿里巴巴、京東、蘇寧易購等電子商務平臺，都不同程度地使用了各種形式的電子商務推薦系統(tǒng)，電子商務推薦系統(tǒng)的開發(fā)和應用能夠給電商企業(yè)帶來巨大的經(jīng)濟效益。

移動互聯(lián)網(wǎng)的非活躍用戶的個性化服務推薦的分類方法存在多種，根據(jù)推薦的自動化和持久性程度，可以將電子商務推薦系統(tǒng)分為非個性化電子商務推薦系統(tǒng)、基于屬性的電子商務推薦系統(tǒng)、用戶相關性推薦系統(tǒng)和商品相關性推薦系統(tǒng)。

根據(jù)所采用的推薦技術可以將移動電子商務推薦系統(tǒng)分為以下幾種類型：協(xié)同過濾推薦、基于內(nèi)容過濾的推薦、基于關聯(lián)規(guī)則的推薦、基于用戶統(tǒng)計信息的推薦、基于效用的推薦和基于知識的推薦等。

為了充分挖掘數(shù)據(jù)價值，提高推薦質(zhì)量，滿足非活躍用戶個性化的推薦需求，以及緩解移動信息過載問題，基于情景感知移動用戶特征，充分利用移動用戶在社交網(wǎng)絡中的信息，從社交拓撲、移動用戶特征概率矩陣等方面提高移動用戶個性化推薦、非活躍用戶推薦，移動用戶時間敏感個性化推薦的效果是基于情景感知的移動用戶個性化推薦亟需解決的問題。綜上所述，在推薦的過程中，綜合考慮移動非活躍用戶情景信息和社會網(wǎng)絡關系等多源信息，可進一步提高推薦效果，為移動互聯(lián)網(wǎng)更好的服務消費者，提供更加準確、個性化、豐富多彩的服務和信息內(nèi)容提供至關重要的支持。

總之，在移動互聯(lián)網(wǎng)的非活躍用戶個性化推薦層面：一方面，移動APP網(wǎng)上商城要更加關注對應用程序內(nèi)容的深度理解與分類，這樣才能從海量的應用程序中找到最優(yōu)質(zhì)的應用推薦給用戶；另一方面，移動APP網(wǎng)上商城也要更加了解用戶的需求，利用大數(shù)據(jù)的海量數(shù)據(jù)挖掘，真正的把用戶的多維屬性利用起來，從而做到個性化推薦。

[參 考 文 獻]

[1]孟祥武，胡勛，王立才，張玉潔.移動推薦系統(tǒng)及其應用研究[J].軟件學報，2013，24（1）：91-108

[2]劉樹棟，孟祥武.一種基于移動用戶位置的網(wǎng)絡服務推薦方法[J].軟件學報，2014，25（11）：2556-2574

[3]彭慧潔.移動網(wǎng)絡環(huán)境下個性化信息推薦算法研究[J].電子商務，2016（12）

[4]楊君，莫贊，艾丹祥，蔡桂青.基于推薦函數(shù)情景化的多維信息推薦研究[J].情報雜志，2014（2）：149-154

[5]戴德寶，劉西洋，范體軍.“互聯(lián)網(wǎng)+”時代網(wǎng)絡個性化推薦采納意愿影響因素研究[J].中國軟科學，2015（8）：163-172

[6]王國霞，劉賀平.個性化推薦系統(tǒng)綜述[J].計算機工程與應用，2012，48（7）：66-76

[7]李霞，李守偉.面向個性化推薦系統(tǒng)的二分網(wǎng)絡協(xié)同過濾算法研究[J].計算機應用研究，2013，30（7）：1946-1949

[8]Schafer J.B.，Konstan J. A. and Riedl J.E-Commerce recommendation applications[J].Data Mining and Knowledge Discovery.2010（5）

[9]MansinghG，Osei-Bryson K M and Reichgelt H. Using ontologies to facilitate post-processing of association rules by domain experts[J]. Information Sciences.2011（3）

[10]Michael O.，NeilH.，NicholasK.，et a1.Collaborative recommendation：a robustness analysis[C].ACM Transactions on Internet Technology， Special Issue of Machine Learning for the Internet.2012

[責任編輯：潘洪志]