吳東

（浙江郵電職業(yè)技術學院 浙江省紹興市 312366）

1 概述

隨著互聯(lián)網(wǎng)絡的無線普及以及移動終端設備的廣泛使用，每個人手持一臺終端設備來借助互聯(lián)網(wǎng)的信息共享特性來享受各種服務的互聯(lián)網(wǎng)時代已經(jīng)來臨。在互聯(lián)網(wǎng)時代，誰擁有了流量，可謂將成為互聯(lián)網(wǎng)科技中的翹楚，當前，我國各種互聯(lián)網(wǎng)企業(yè)層出不窮，借助抖音、微信等互聯(lián)網(wǎng)APP 以及各種電子商務網(wǎng)站的企業(yè)，通過互聯(lián)網(wǎng)引流來為自己的企業(yè)增加更多的業(yè)務機會，也為其他企業(yè)提供了廣告宣傳的新渠道。互聯(lián)網(wǎng)時代，單純地依靠互聯(lián)網(wǎng)流量已經(jīng)不能滿足當前用戶的需求，如果單純以依靠互聯(lián)網(wǎng)流浪通過無差異化地開展廣告宣傳、信息推送等，勢必會引起用戶的反感而致使自己的推廣、宣傳的效果不理想。以電子商務行業(yè)為例，各種電子商務APP 除了提供基本的電商服務之外，還會以廣告宣傳、信息推動的方式來為使用人推薦各種商品，期望帶來更大的經(jīng)濟收益。但是，大水漫灌式的宣傳往往會引起用戶的反感情緒，尤其是在當前互聯(lián)網(wǎng)時代爆炸量信息的影響下，無差異化廣告推廣更是會適得其反，所以互聯(lián)網(wǎng)內(nèi)企業(yè)亟需一種針對性的推薦方案在互聯(lián)網(wǎng)產(chǎn)品中實現(xiàn)并應用，從而提高廣告宣傳、信息推送的針對性，實現(xiàn)個性化服務。

隨著大數(shù)據(jù)技術的出現(xiàn)，以用戶日常行為數(shù)據(jù)為基礎的個性化推薦算法也不斷出現(xiàn)，各個互聯(lián)網(wǎng)產(chǎn)品在對用戶日常操作行為進行記錄，配合用戶個性選擇來有針對性地開展信息推送和廣告宣傳，不僅能夠用戶的興趣愛好、推廣習慣和當前需求，而且還可以增加互聯(lián)網(wǎng)產(chǎn)品或電子商務網(wǎng)站的經(jīng)濟營收，對于當前互聯(lián)網(wǎng)時代用戶個人應對海量信息提供了一種更加優(yōu)化的解決方案。

2 個性化推薦功能的關鍵功能

個性化推薦功能，主要是依托于當前平臺或系統(tǒng)的業(yè)務需求，為用戶提供針對性的信息服務，以符合用戶的信息接收習慣、滿足當前的商品需求等。以互聯(lián)網(wǎng)社交媒體為例，很多社交媒體都是免費為用戶提供社交服務，而為其他企業(yè)提供收費廣告服務，很多用戶對于自己不感興趣的廣告往往會持有排斥態(tài)度，而個性化推薦功能則可以讓系統(tǒng)根據(jù)用戶在系統(tǒng)中的日常行為或關鍵數(shù)據(jù)等進行針對性的廣告宣傳，從而滿足用戶的需求。同樣的在電子商務平臺中，推薦商品讓用戶購買可以直接為平臺的商家?guī)碇苯拥慕?jīng)濟效益，而個性化推薦系統(tǒng)可以根據(jù)當前用戶在平臺上的檢索記錄、購物車的存儲記錄以及注冊時的喜好選擇等多方面的內(nèi)容進行處理而后篩選出用戶當前可能需要的產(chǎn)品，最終在滿足用戶的購買需求的同時，也為平臺增加了更多的業(yè)務機會。

從上述描述可以看出，個性化推薦功能主要目標是根據(jù)當前用戶的需求或習慣來推薦針對性的信息，那么在實現(xiàn)過程中，就需要實現(xiàn)以下三個方面的功能：

（1）信息獲取。個性化推薦功能的主要分析依據(jù)就是用戶行為數(shù)據(jù)，所以很多互聯(lián)網(wǎng)產(chǎn)品需要構建當前用戶的行為數(shù)據(jù)庫，并獲取該用戶在當前系統(tǒng)中的行為記錄，并作為數(shù)據(jù)存儲下來。例如，電子商務系統(tǒng)中，用戶的檢所記錄、瀏覽記錄（包含瀏覽的內(nèi)容、時長等）、購買訂單記錄等等這些行為數(shù)據(jù)都可以作為原始輸入數(shù)據(jù)為后續(xù)的個性化推薦功能的分析提供源頭。

（2）數(shù)據(jù)處理與分析。用戶的行為數(shù)據(jù)非常多，存儲量也非常大，個性化推薦功能需要具有大數(shù)據(jù)量，一般采用大數(shù)據(jù)技術進行數(shù)據(jù)清洗與處理、大數(shù)據(jù)算法分析等過程。數(shù)據(jù)處理的最終目標一般由兩種，一是主動性推薦，即通過當前用戶的行為數(shù)據(jù)進行分析來預測用戶的需求，二是協(xié)同性推薦，根據(jù)用戶之間的相同或者相似性進行信息推薦，使信息相同的用戶之間共享信息查詢結果。

（2）信息定位。個性化推薦系統(tǒng)不僅要處理大數(shù)據(jù)量的用戶行為數(shù)據(jù)，還需要對大量無需的推薦內(nèi)容進行智能化匹配和分析，從而定位到符合用戶興趣愛好的內(nèi)容。對于廣告型的互聯(lián)網(wǎng)社交媒體來說，這一過程相對簡單，一般受自己接收到的廣告內(nèi)容的影響，而對于電子商務平臺來說，商品定位的過程則非常復雜，往往需要處理大量且無序的商品進行分析匹配定位。所以，電子商務平臺中，往往需要個性化推薦功能在獲取到用戶的偏向數(shù)據(jù)信息后，對大量商品信息進行過濾，而后將過濾后的信息進行轉化處理，而這個過程更是需要應對海量的商品數(shù)據(jù)，實現(xiàn)的技術也往往需要借助大數(shù)據(jù)技術，來加速整個過程的處理定位，最終選擇出具有系統(tǒng)性和規(guī)律性的信息鏈，并以用戶更易理解和接受的方式推薦給用戶，從而實現(xiàn)個性化推薦。

3 基于大數(shù)據(jù)的個性化推薦功能的應用

3.1 個性化推薦功能的策略

個性化推薦功能的使用，一般是針對當前系統(tǒng)的使用用戶進行的信息推薦，而推薦的信息則根據(jù)系統(tǒng)的不同而出現(xiàn)差異性，例如社會類互聯(lián)網(wǎng)APP 一般會以廣告推送為主，承接的是其他企業(yè)的廣告，當然也不乏有電子商務平臺的廣告，從而為電商平臺引入更多的流量；電子商務平臺，則以商品推送為主，推送的是當前平臺內(nèi)的商品，從而為平臺商家?guī)砀嗟臉I(yè)務機會。對于很多互聯(lián)網(wǎng)系統(tǒng)來說，很多系統(tǒng)允許非注冊用戶使用檢索性功能或公開信息的檢索功能，例如電商平臺可以檢索商品、查看商品功能，當然社會媒體也有很多新注冊用戶和老用戶。對于不同的用戶采用的個性化推薦策略也不一樣，對于非注冊用戶，系統(tǒng)往往推送大眾性的廣告信息或者熱門的商品信息，如果非注冊用戶出現(xiàn)了數(shù)據(jù)行為記錄，例如檢索商品，系統(tǒng)也可以根據(jù)檢索內(nèi)容推薦對應的商品或廣告等；對于新注冊用戶，系統(tǒng)會額外分析當前用戶注冊時輸入的信息，比如性別、所處的年齡段、民族地域以及興趣喜好等，并有針對性地推薦熱門信息；對于老用戶，系統(tǒng)則會再次增加上老用戶的瀏覽行為信息、收藏行為信息、購買行為信息等進行綜合性分析，并開展相關的個性化推薦服務。

3.2 個性化推薦算法的使用

個性化推薦算法可以大致分為基于內(nèi)容推薦、基于協(xié)同過濾推薦兩種，而不同的算法在實現(xiàn)難易程度、處理性能等方面存在差異性，例如基于內(nèi)容推薦算法的個性化推薦功能，往往使用與內(nèi)容固定、系統(tǒng)冷啟動推薦或初期推薦的系統(tǒng)中，而基于協(xié)同過濾算法的個性化推薦，則可以實現(xiàn)動態(tài)分析處理過程，往往能夠達到系統(tǒng)千人千面的效果。

3.2.1 基于內(nèi)容推薦的算法

基于內(nèi)容推薦是以系統(tǒng)用戶明確的興趣喜好以及推薦內(nèi)容的元數(shù)據(jù)為分析數(shù)據(jù)的過程，算法相對初級且固定，通過計算推薦內(nèi)容與系統(tǒng)用戶興趣喜好之間的匹配值，來推薦對應的內(nèi)容。例如，在影視推薦平臺中，系統(tǒng)用戶自己興趣愛好是“動作”、“喜劇”，而在系統(tǒng)的影視作品加入初期，也會根據(jù)其內(nèi)容、影視類型、主演等信息其選擇很多標簽作為元數(shù)據(jù)，而后計算當前系統(tǒng)用戶的匹配值，并將前十的推薦影片內(nèi)容呈現(xiàn)到系統(tǒng)用戶的首頁面。基于內(nèi)容推薦算法需要對系統(tǒng)用戶、推薦內(nèi)容都有明確的信息內(nèi)容，而且計算過程簡單、處理性能高，但是很難根據(jù)用戶的實際行為動態(tài)地進行針對化的體檢，一般適用于系統(tǒng)冷啟動階段、新注冊用戶初期使用的場景中。

3.2.2 基于協(xié)同過濾的算法

協(xié)同過濾算法一般是對用戶行為數(shù)據(jù)進行分析的常見算法，也是實現(xiàn)用戶行為分析和推薦內(nèi)容定位同步的一種高效率的推薦算法。在系統(tǒng)中，首先根據(jù)用戶或推薦內(nèi)容選擇一個相對穩(wěn)定的信息作為依附點，這也是后續(xù)使用大數(shù)據(jù)技術來實現(xiàn)自動化分類處理的基礎條件。在一般的系統(tǒng)中，推薦內(nèi)容相對來說是固定的，比如影視作品系統(tǒng)的推薦影片、電子商務平臺中的電商產(chǎn)品等，而系統(tǒng)的用戶及其行為數(shù)據(jù)則每天發(fā)生著大量變化。協(xié)同過濾算法可以將商品、廣告、影視作品等基本內(nèi)容的特征值作為分析對象，而后使用大數(shù)據(jù)技術中的K-means 算法，將用戶的行為數(shù)據(jù)進行自動劃分，每一條相關的用戶行為數(shù)據(jù)，都可以使用K-means 算法計算出與當前中心的距離，并根據(jù)距離大小而進行自動分組，從而最終獲取到基于推薦內(nèi)容特征屬性的分組信息，而后不同的分組的中心計算與之相匹配的推薦內(nèi)容的相似值，并根據(jù)相似度高低得到推薦列表。當然，為了能夠更實現(xiàn)更加精細化的推薦內(nèi)容，不同的系統(tǒng)還會針對其他特征屬性進行多次分類計算，并根據(jù)特征相似度高且相似次數(shù)多的推薦內(nèi)容生成新的推薦列表。

3.3 個性化推薦功能的內(nèi)容設計

個性化推薦功能一般是基于用戶的興趣資料、相關的行為數(shù)據(jù)等數(shù)據(jù)進行分析，所以在系統(tǒng)的內(nèi)容方面，往往設計用戶模型，而后通過推薦算法的處理，生成推薦結果。用戶模型的構建，主要是基于系統(tǒng)用戶的基本信息例如性別、年齡、民族、籍貫、居住地、喜好、興趣等，和用戶的行為數(shù)據(jù)信息例如檢索記錄數(shù)據(jù)、查看記錄數(shù)據(jù)、訂單信息數(shù)據(jù)、評價信息數(shù)據(jù)等，分析出能夠反映當前用戶的喜好和需求的數(shù)據(jù)組合，并按照固定的數(shù)據(jù)結構生成用戶偏好模型?；谟脩羝媚Ｐ?，借助大數(shù)據(jù)的算法，以推薦內(nèi)容的特征信息為處理對象，對用戶模型的數(shù)據(jù)進行分類處理，從而得到相同特征的分類數(shù)據(jù)簇，而每一個數(shù)據(jù)簇則對應著相應的產(chǎn)品組合。對于某一個用戶而言，可能會經(jīng)過多個推薦內(nèi)容特征的分類處理，得到不同的數(shù)據(jù)簇，而后通過對數(shù)據(jù)簇下的對應內(nèi)容進行相似值計算和處理，得到最終的推薦內(nèi)容排序。最后，根據(jù)生成的推薦內(nèi)容，將相應的推薦內(nèi)容，按照用戶的信息接收習慣給當前用戶進行呈現(xiàn)即可實現(xiàn)個性化推薦。

除此之外，個性化推薦還需要實現(xiàn)推薦解釋的功能，即當前推薦的內(nèi)容要提供一個推薦原因，這樣不僅優(yōu)化用戶在使用個性化推薦功能的體驗，而且還能夠增強用戶對推薦結果的信任度，提高推薦結果的實現(xiàn)概率。常見的電商平臺如亞馬遜等都會有推薦解釋的功能，從而讓整個個性化推薦功能更加細膩化、人性化。常見的推薦解釋功能和推薦算法過程中的推薦分析數(shù)據(jù)相結合，例如推薦的商品內(nèi)容是基于瀏覽信息的特征值更加接近，則推薦解釋內(nèi)容可以寫為“您曾經(jīng)瀏覽過此款商品”，如果是基于用戶信息進行的推薦，比如用戶體重比較大而推薦的大碼商品則推薦解釋內(nèi)容可以寫為“此款商品更加適合您的身材”等等，通過推薦解釋系統(tǒng)，能夠有效地增加系統(tǒng)用戶的信任感，從而提高個性化推薦功能的成功率。

4 總結

信息時代的到來，人們越來越習慣使用互聯(lián)網(wǎng)來享受各種服務，這也就催生了互聯(lián)網(wǎng)的產(chǎn)品或系統(tǒng)平臺越來越多，個性化推薦功能可以讓互聯(lián)網(wǎng)系統(tǒng)為用戶提供更加針對性、個性化的信息推薦服務，從而改變互聯(lián)網(wǎng)海量數(shù)據(jù)大水漫灌的影響，提升信息準確性，改善用戶體驗。個性化推薦功能，為用戶提供針對性的信息服務，以符合用戶的信息接收習慣、滿足當前的商品需求等，以提升信息的準確性和有效性，讓更多的互聯(lián)網(wǎng)服務體驗更加優(yōu)質。個性化推薦功能從策略、算法以及功能設計方面來實現(xiàn)，根據(jù)非注冊用戶、新注冊用戶以及老用戶采用不同的數(shù)據(jù)內(nèi)容進行分析處理，來提依次提高個性化推薦的準確性；算法方面，基于內(nèi)容和基于協(xié)同過濾的個性化推薦算法，讓互聯(lián)網(wǎng)產(chǎn)品更加推薦內(nèi)容更加精確化；功能實現(xiàn)方面，通過模塊化個人推薦功能，讓處理過程更加細膩，用戶體驗更加優(yōu)質，最終提高了用戶在個人推薦功能方面體驗。