基于RFM模型的體育資訊推薦系統(tǒng)

楊子力

（重慶市第八中學(xué)校，重慶，400030）

0 引言

當(dāng)今，人們生活水平的不斷提高，追求身體健康成為所有人的時(shí)尚，人們體育鍛煉的意識(shí)不斷增強(qiáng)，體育運(yùn)動(dòng)日漸成為人們?nèi)粘Ｉ罘绞降囊粋€(gè)重要內(nèi)容，越來越多的體育項(xiàng)目被人們所熟知和熱愛。隨著人們對(duì)體育項(xiàng)目興趣的增強(qiáng)、了解的深入，不少人會(huì)成為某一球隊(duì)的狂熱粉絲，因此他們會(huì)想了解更多自己喜歡球隊(duì)的賽事新聞、賽事預(yù)告或場(chǎng)外花絮。眾多的體育資訊App為粉絲們提供了很多便利，既能為他們推送各種新聞與賽事提醒，又能售賣各支球隊(duì)的周邊商品。

雖然這些APP能收集大量的體育新聞和體育賽事，能夠較好地整合信息，但是卻仍存在一定的弊端。(1)這些APP上新聞的推送針對(duì)性不夠強(qiáng)。例如，M用戶是一個(gè)NBA金州勇士隊(duì)的球迷，他為了了解勇士隊(duì)的勁敵休斯頓火箭隊(duì)，觀看了一場(chǎng)火箭隊(duì)的比賽，而就是因?yàn)樵诰€上觀看了火箭隊(duì)的一場(chǎng)比賽，該APP從此以后就開始無休止地推送有關(guān)火箭隊(duì)的所有消息，而該用戶想看到關(guān)于勇士隊(duì)的信息早已被這些“垃圾信息”所掩蓋；(2)這些APP上對(duì)粉絲劃分不準(zhǔn)確。比如，N用戶只是一個(gè)普通的籃球粉，該用戶廣泛觀看了各支球隊(duì)熱門球隊(duì)的籃球比賽，而系統(tǒng)根據(jù)僅有的觀看記錄就推薦該用戶加入NBA金州勇士隊(duì)的球迷聊天群。

隨著大數(shù)據(jù)時(shí)代的到來，大量信息可以被采集處理，這為全面準(zhǔn)確地篩選并分類球迷提供了新的途徑?；谝陨闲畔?，本文將設(shè)計(jì)一款針對(duì)某一球隊(duì)，對(duì)其球迷進(jìn)行準(zhǔn)確分類后精準(zhǔn)推送消息的體育賽事資訊推薦系統(tǒng)。該系統(tǒng)基于改進(jìn)的RFM模型和K-Means算法共同作用，能夠?qū)σ延袛?shù)據(jù)進(jìn)行深度挖掘，準(zhǔn)確分析用戶行為，進(jìn)而可以客觀、有效地反映各個(gè)用戶的狀況，消除現(xiàn)行的App對(duì)球迷劃分不具體、推送消息不精準(zhǔn)的問題；同時(shí)，還能讓更多球迷更全面地了解自己喜歡的球隊(duì)，更為精確地推薦用戶加入相應(yīng)的球迷粉絲群或者粉絲后援團(tuán)。

1 理論基礎(chǔ)

■1.1 RFM模型及其改進(jìn)

RFM模型是由美國著名的數(shù)據(jù)庫營銷研究所Arthur Hughes提出的，已經(jīng)被實(shí)踐所檢驗(yàn)的，對(duì)企業(yè)客戶價(jià)值衡量有較好效果的客戶數(shù)據(jù)三要素。一般的RFM模型，R指Recency，最近一次消費(fèi)至現(xiàn)在的時(shí)間間隔、F指Frequency，消費(fèi)頻率、M指Monetary，消費(fèi)總金額，三項(xiàng)指標(biāo)來描述該客戶的價(jià)值狀況。

本文所改進(jìn)的RFM模型中，R指最近一次觀看某一球隊(duì)比賽到現(xiàn)在的時(shí)間，該時(shí)間間隔越短，R值越小。根據(jù)相關(guān)研究者的研究發(fā)現(xiàn)，該值越小的用戶越有可能在最近一段時(shí)間內(nèi)觀看該隊(duì)新的賽事視頻；F指觀看該球隊(duì)比賽的總時(shí)長，某用戶的F越大說明觀看時(shí)間越長，進(jìn)而可以得出用戶對(duì)該球隊(duì)的關(guān)注程度和對(duì)該球隊(duì)的喜愛程度均高。M指該球隊(duì)的周邊商品購買情況，M = w1＊N + w2＊T，N代表該被統(tǒng)計(jì)用戶購買周邊商品所花費(fèi)的總金額，T代表該被統(tǒng)計(jì)用戶購買周邊商品的數(shù)量。為了消除經(jīng)濟(jì)因素對(duì)本系統(tǒng)結(jié)果的影響，本文將M定義為：M =0.4N+0.6T。若某被統(tǒng)計(jì)用戶M值越大，則該用戶對(duì)該球隊(duì)的投入越多。

■1.2 K-Means聚類算法

聚類，是指按照對(duì)象的某些屬性，以某種相似度的測(cè)量方法，把相似的事物聚為一簇，其結(jié)果是獲得的簇中，不同簇的對(duì)象之間相似度小，同一簇中的對(duì)象相似度大。K-Means算法也被稱為K-均值，是當(dāng)前最廣泛運(yùn)用于基礎(chǔ)劃分的聚類算法。K-Means算法以輸入的分類個(gè)數(shù)k為參數(shù)，把n個(gè)目標(biāo)對(duì)象劃分為k個(gè)簇，簇內(nèi)具有較高的相似度。K-Means算法的基本思想為：算法首先隨機(jī)的選取k個(gè)對(duì)象，并把這k個(gè)對(duì)象初始化為k個(gè)簇的平均值或中心，算法計(jì)算并根據(jù)其他每個(gè)對(duì)象到這k個(gè)簇中心的距離，將它賦給最近的簇，重新計(jì)算每個(gè)簇的平均值，重復(fù)進(jìn)行，直到每個(gè)對(duì)象都被一一劃分。

2 實(shí)現(xiàn)過程

本文將以NBA休斯頓火箭隊(duì)的球迷為范例，通過改進(jìn)的RFM模型和K-Means聚類算法，對(duì)采集到的用戶的數(shù)據(jù)進(jìn)行科學(xué)、嚴(yán)謹(jǐn)?shù)赝诰?，并分析出這些用戶的行為特征，由此對(duì)這些用戶進(jìn)行精確劃分，并針對(duì)劃分結(jié)果進(jìn)行消息的精準(zhǔn)推送。

■2.1 數(shù)據(jù)預(yù)處理

收集十名用戶近半年關(guān)于休斯頓火箭隊(duì)的體育賽事觀看記錄和關(guān)于球隊(duì)的周邊商品消費(fèi)記錄。詳細(xì)包括最近一次觀看至現(xiàn)在的時(shí)間，半年內(nèi)的總觀看時(shí)長，購買球隊(duì)周邊產(chǎn)品所花費(fèi)的金額和件數(shù)。

由于每名粉絲所擁有的的三個(gè)屬性數(shù)據(jù)有不同的單位且數(shù)據(jù)極差較大。因此，在數(shù)據(jù)預(yù)處理階段需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，以平衡每個(gè)屬性對(duì)最終結(jié)果的影響，歸一化處理后的數(shù)如表1所示。

表1 歸一化后用戶數(shù)據(jù)

■2.2 K-Means聚類算法應(yīng)用

通過歸一化處理后，全部數(shù)據(jù)都呈現(xiàn)在坐標(biāo)軸0-1的區(qū)間內(nèi)，統(tǒng)一化后的數(shù)據(jù)作為K-Means算法的數(shù)據(jù)輸入。首先。對(duì)K-Means聚類算法中的K值進(jìn)行選取：分別取K=3,4,5，對(duì)K的不同取值進(jìn)行重復(fù)計(jì)算，嘗試3次之后，得出K值輸入3時(shí)，簇間距最大，簇內(nèi)距最小。然后，依據(jù)將K值輸入為3時(shí)得出的三組簇，分出3種不同的粉絲的分類，并在坐標(biāo)軸上劃分出三個(gè)簇。

圖1 聚類結(jié)果圖

通過計(jì)算可以得到表一中用戶A、B、C、D為“狂熱粉絲”，用戶F、G為“資深粉絲”，用戶E、H、J、I為“普通粉絲”?！翱駸岱劢z”分類中的用戶對(duì)休斯頓火箭隊(duì)的喜愛程度最大，因此這其中的球迷會(huì)經(jīng)常在APP上購買有關(guān)休斯頓火箭隊(duì)的周邊商品，并經(jīng)常關(guān)注休斯頓火箭隊(duì)賽場(chǎng)內(nèi)外的消息；“資深粉絲”分類中的用戶對(duì)休斯頓火箭隊(duì)的喜愛程度一般，在APP上購買有關(guān)休斯頓火箭隊(duì)的周邊商品的次數(shù)不多，也只關(guān)注休斯頓火箭隊(duì)出戰(zhàn)的重點(diǎn)比賽和關(guān)于休斯頓火箭隊(duì)賽場(chǎng)內(nèi)外的熱門消息；“普通粉絲”分類中的用戶對(duì)休斯頓火箭隊(duì)的喜愛程度最弱，這些用戶幾乎不在APP上購買有關(guān)休斯頓火箭隊(duì)的周邊商品，并且只關(guān)注休斯頓火箭隊(duì)的重點(diǎn)比賽和關(guān)于休斯頓火箭隊(duì)賽場(chǎng)內(nèi)的熱門消息。

通過對(duì)各個(gè)用戶的行為特征的分析然后精準(zhǔn)分類后，該系統(tǒng)可以針對(duì)不同簇中的粉絲進(jìn)行不同程度的新聞及賽事推薦，例如給“狂熱粉絲”分類中的各個(gè)用戶推送大量關(guān)于休斯頓火箭隊(duì)的賽事新聞及精彩賽事直播；對(duì)于“資深粉絲”分類中的各個(gè)用戶來說，系統(tǒng)會(huì)向該分類中的用戶推送關(guān)于休斯頓火箭隊(duì)的熱點(diǎn)新聞、休斯頓火箭隊(duì)的一些熱門比賽以及少量關(guān)于休斯頓火箭隊(duì)的場(chǎng)外花絮；而對(duì)于那些在“普通粉絲”分類中的用戶來說，系統(tǒng)只會(huì)向該分類中的用戶推送關(guān)于休斯頓火箭隊(duì)的熱點(diǎn)新聞、休斯頓火箭隊(duì)的一些熱門比賽。因此通過這個(gè)推薦系統(tǒng)的APP可以將各種消息優(yōu)化推薦并節(jié)省用戶對(duì)自己想知道的消息的查詢時(shí)間。

3 總結(jié)

本文通過系統(tǒng)對(duì)用戶最近一次觀看該隊(duì)比賽至現(xiàn)在的時(shí)間間隔、觀看賽事總時(shí)長、購買周邊產(chǎn)品的次數(shù)和消費(fèi)總金額的分析，建立了RFM模型。借助K-Means聚類算法，將用戶精準(zhǔn)分為三類，不僅可以為該系統(tǒng)精準(zhǔn)劃分粉絲，同時(shí)還提供了一種新聞的推薦方式。為用戶節(jié)省了翻閱大量“垃圾信息”后才能看到自己心儀消息的時(shí)間，增強(qiáng)了系統(tǒng)與用戶的交互。

此系統(tǒng)除了可以應(yīng)用在體育消息選擇推送上面還可以將其運(yùn)用于其他領(lǐng)域。例如：(1)明星為了回饋粉絲的支持，可以根據(jù)本系統(tǒng)，對(duì)目標(biāo)粉絲的數(shù)據(jù)進(jìn)行采集后，將目標(biāo)粉絲進(jìn)行分類，并根據(jù)算法結(jié)果，選擇出可以受到回饋的熱情粉絲；(2)若餐廳想知道菜品的銷售情況，并了解大眾反應(yīng)，就可以通過該系統(tǒng)，統(tǒng)計(jì)每個(gè)菜品的點(diǎn)餐率、顧客的好評(píng)率，再通過本系統(tǒng)的算法，推算出每個(gè)菜品的受歡迎程度，以此來實(shí)現(xiàn)菜品的推廣與食物的節(jié)約。

另外，從目前的發(fā)展來看，數(shù)據(jù)挖掘技術(shù)未來發(fā)展市場(chǎng)十分廣闊，隨著App的不斷完善，從海量的數(shù)據(jù)中，獲取有價(jià)值的信息和知識(shí)，分析并研究用戶喜好和消費(fèi)行為特征，并推出適合用戶需求的個(gè)性化、定制化資訊，以贏得市場(chǎng)地位也是傳媒企業(yè)未來快速發(fā)展的關(guān)鍵，同時(shí)還可以對(duì)用戶進(jìn)行分層、分類管理，發(fā)現(xiàn)潛在用戶。