大數(shù)據(jù)智能算法范式下的用戶黏性研究

李蘭馨

摘 ?要 ?在大數(shù)據(jù)時(shí)代，數(shù)據(jù)的收集、分析、再運(yùn)用被各平臺(tái)強(qiáng)調(diào)，基于數(shù)據(jù)挖掘的算法推薦能更好地滿足用戶需求。網(wǎng)易云音樂是算法推薦平臺(tái)的典型案例，文章以網(wǎng)易云音樂為例，探析大數(shù)據(jù)和智能算法對(duì)用戶黏性的作用，并針對(duì)不足提出改進(jìn)措施。

關(guān)鍵詞 ?算法;大數(shù)據(jù);用戶黏性;網(wǎng)易云音樂

中圖分類號(hào) ?G206 ? ? ?文獻(xiàn)標(biāo)識(shí)碼 ?A ? ? ?文章編號(hào) ?2096-0360（2019）04-0004-03

1 ?大數(shù)據(jù)與智能算法

數(shù)據(jù)成為了電子平臺(tái)改進(jìn)服務(wù)功能的入口，幾乎所有平臺(tái)都會(huì)獲取用戶數(shù)據(jù)，如基本信息、實(shí)時(shí)動(dòng)態(tài)、使用痕跡、互動(dòng)反饋等。值得注意的是，大數(shù)據(jù)不僅僅是數(shù)據(jù)的“多”，更是數(shù)據(jù)的“全”，在這種數(shù)量極多且全面的情況下，數(shù)據(jù)的質(zhì)量（精確度）顯得不那么重要，樣本容量極大，單個(gè)數(shù)據(jù)樣本對(duì)整個(gè)數(shù)據(jù)結(jié)果的影響就微乎其微，從而形成整體準(zhǔn)確的用戶大數(shù)據(jù)。

算法是將用戶大數(shù)據(jù)通過運(yùn)算轉(zhuǎn)化為結(jié)果的編碼程序。在信息過載時(shí)代，平臺(tái)會(huì)根據(jù)已獲得的用戶數(shù)據(jù)，利用算法構(gòu)建一套推薦系統(tǒng)，以幫助用戶高效、精準(zhǔn)地篩選信息。Resnick等人曾給出了推薦系統(tǒng)的定義：推薦系統(tǒng)由三部分組成，包括用戶模型、產(chǎn)品模型和推薦算法[1]。

用戶模型是平臺(tái)了解用戶興趣點(diǎn)的渠道。用戶每使用一次，平臺(tái)就會(huì)更新一次用戶模型，久而久之，用戶模型能構(gòu)建和現(xiàn)實(shí)用戶相似度較高的“電子用戶畫像”，反映出特定時(shí)期用戶在該平臺(tái)上的行為特征與興趣偏好。

產(chǎn)品模型是平臺(tái)用歸類產(chǎn)品的渠道。平臺(tái)在上傳新產(chǎn)品時(shí)會(huì)根據(jù)上傳者、產(chǎn)品內(nèi)容、產(chǎn)品風(fēng)格等因素，給新產(chǎn)品貼上多種簡(jiǎn)短、易識(shí)別的標(biāo)簽。同時(shí)，產(chǎn)品標(biāo)簽會(huì)隨著產(chǎn)品使用者的行為（轉(zhuǎn)發(fā)、評(píng)論、刪除等）進(jìn)行更新，修正產(chǎn)品標(biāo)簽的錯(cuò)誤，覆蓋產(chǎn)品的潛在受眾，從而構(gòu)建能全面反映產(chǎn)品特征的產(chǎn)品模型。

推薦算法是推薦系統(tǒng)的關(guān)鍵環(huán)節(jié)，為用戶模型和產(chǎn)品模型提供“橋梁”作用。推薦算法的實(shí)質(zhì)是匹配，當(dāng)匹配度達(dá)到一定程度時(shí)，推薦算法就認(rèn)定目標(biāo)用戶感興趣，從而將產(chǎn)品推薦給目標(biāo)用戶。

2 ?用戶黏性的定義、重要性與影響因素

用戶黏性（viscosity of users）是常常被網(wǎng)絡(luò)平臺(tái)提及的一個(gè)詞，雖然它還沒有一個(gè)統(tǒng)一的定義。關(guān)于用戶黏性的概念，中國(guó)臺(tái)灣的學(xué)者林娟娟認(rèn)為用戶黏性是網(wǎng)站留住在線客戶和延長(zhǎng)每次停留時(shí)間的能力[2]。清華大學(xué)教授彭蘭認(rèn)為，“用戶黏性”一詞在傳統(tǒng)媒體時(shí)代是“忠實(shí)讀者”，在新媒體時(shí)代，“用戶黏性”這個(gè)詞有了平等的意識(shí)，甚至是俯下身服務(wù)的思維[3]。不論定義如何，“用戶黏性”一詞的內(nèi)核都包含在新媒體時(shí)代下用戶對(duì)提供產(chǎn)品和服務(wù)方的使用慣性與偏好，主要表現(xiàn)為長(zhǎng)久地使用某一平臺(tái)且使用頻率高、使用程度深。

在新媒體時(shí)代，同類型的產(chǎn)品和平臺(tái)不勝枚舉，如果一個(gè)平臺(tái)有良好的用戶黏性，就意味著它有可靠的用戶群，用戶代表著流量，而流量能帶來(lái)曝光率和變現(xiàn)率，從而讓平臺(tái)從知名度和美譽(yù)度上都得到提升，最終賺取收益，形成品牌。把握好用戶黏性能讓一個(gè)平臺(tái)脫穎而出，當(dāng)然這也是一個(gè)日積月累，多因素共同作用的過程，那么究竟有哪些因素對(duì)用戶黏性的起塑造作用呢？

根據(jù)期望確認(rèn)理論（ECT）可知，消費(fèi)者對(duì)產(chǎn)品或服務(wù)的滿意度會(huì)成為下次再度購(gòu)買或使用（Repurchase Intention）的參考。使用頻率高是用戶黏性的核心內(nèi)涵，因此可以將用戶黏性的首要影響因素歸為用戶對(duì)產(chǎn)品或服務(wù)的滿意度。

為更好地理解不同策略對(duì)用戶黏性的影響程度，本文引入卡諾模型（Kano model）劃分用戶黏性的影響因素?？ㄖZ模型是由日本教授狩野紀(jì)昭（Noriaki Kano）于1984年提出的，是根據(jù)用戶對(duì)產(chǎn)品或服務(wù)質(zhì)量的感知度，把產(chǎn)品性能劃分為五個(gè)層次，分別為基本質(zhì)量（Basic Quality）、期望質(zhì)量（Performance Quality）、魅力質(zhì)量（Attractive Quality）、無(wú)差異質(zhì)量（Indifferent Quality）、逆向質(zhì)量（Reverse Quality）。前三種能提升用戶黏性，而后兩種是無(wú)差別或不滿意的因素，不能提升用戶黏性。

3 ?網(wǎng)易云音樂的大數(shù)據(jù)與智能算法運(yùn)用

算法作為數(shù)據(jù)與人工智能的節(jié)點(diǎn)，發(fā)揮著構(gòu)造流量入口、捕捉用戶黏性的關(guān)鍵作用[4]。本文聚焦于網(wǎng)易云音樂如何有效利用大數(shù)據(jù)和智能算法，實(shí)現(xiàn)其在音樂產(chǎn)品上基本質(zhì)量、期望質(zhì)量和魅力質(zhì)量的提升，從而塑造用戶黏性。

3.1 ?基本質(zhì)量：精準(zhǔn)的算法推薦——“每日推薦”歌單

基本質(zhì)量是產(chǎn)品或服務(wù)的硬性條件，也是用戶的剛性需求，如果平臺(tái)沒有提供這方面的服務(wù)，用戶會(huì)有大概率放棄使用此產(chǎn)品。一款電子音樂平臺(tái)的基本質(zhì)量來(lái)源于音樂產(chǎn)品本身，包含音樂資源、音樂質(zhì)量、音樂效果、音樂推薦等因素。網(wǎng)易云音樂的音樂推薦功能是其主打的硬性服務(wù)，也是形成用戶黏性的基本質(zhì)量。

推薦系統(tǒng)的算法主要有以下幾類：基于流行度的算法、協(xié)同過濾的算法、基于內(nèi)容的算法、混合算法等[5]。

基于流行度的推薦，即以內(nèi)容的點(diǎn)擊率、轉(zhuǎn)發(fā)量、評(píng)論數(shù)等為依據(jù)，自動(dòng)推送關(guān)注度高的內(nèi)容。在網(wǎng)易云音樂中表現(xiàn)為“熱歌榜”“新歌榜”“原創(chuàng)榜”等帶有統(tǒng)計(jì)性質(zhì)的排行榜歌單，推薦這些歌單是因?yàn)槠脚_(tái)假定目標(biāo)用戶喜愛大部分人都喜愛的歌曲，固然有統(tǒng)計(jì)學(xué)上的可行依據(jù)，但也有不足。

基于協(xié)同過濾推薦（collaboration filtering），主要通過計(jì)算用戶之間的興趣相似度，將相似度高的用戶匹配起來(lái)，形成具有相似興趣的用戶集群，并向目標(biāo)用戶推薦集群中用戶所喜愛的內(nèi)容。網(wǎng)易云音樂中的“音樂密友”就會(huì)根據(jù)收藏單曲和日推歌曲的相同概率，為用戶匹配“音樂口味相似度”較高的其他用戶進(jìn)行關(guān)注;還有一首單曲的“相似推薦”中，就會(huì)推薦“喜歡這首歌的人也聽”的歌單。

基于內(nèi)容的推薦（content-based filtering），指基于音樂內(nèi)容本身的特點(diǎn)，比如音樂節(jié)奏、曲調(diào)風(fēng)格、人聲特點(diǎn)等。平臺(tái)記錄跟蹤用戶的聽歌行為，分析出用戶對(duì)某些音頻特征的興趣愛好圖譜，建立用戶模型和用戶標(biāo)簽，并將具有相似標(biāo)簽的用戶和音樂產(chǎn)品匹配起來(lái)，從而將匹配度最高的音樂產(chǎn)品推薦給用戶。比如網(wǎng)易云音樂的“歌單”中，就有“民謠”“電子”等不同風(fēng)格的劃分。

但是，推薦平臺(tái)在實(shí)踐中往往采取混合推薦算法，即賦予多種算法不同的權(quán)重，加權(quán)計(jì)算后向用戶推薦歌單，如網(wǎng)易云音樂的“每日推薦”“私人FM”皆是采用復(fù)雜的混合推薦算法。

3.2 ?期望質(zhì)量：冷啟動(dòng)問題的處理

期望質(zhì)量沒有基本質(zhì)量苛刻，并不是必需的產(chǎn)品屬性或服務(wù)行為，即沒有期望質(zhì)量并不會(huì)使用戶大概率放棄此產(chǎn)品或服務(wù)。但是，期望質(zhì)量也在用戶渴求范圍，如果產(chǎn)品提升了期望質(zhì)量，能讓用戶滿意度成比例關(guān)系地增加。

在算法推薦過程中，冷啟動(dòng)問題是一大難題。如何在沒有大量用戶數(shù)據(jù)的前提下，設(shè)計(jì)出個(gè)性化的推薦系統(tǒng)，并且使得推薦的結(jié)果精準(zhǔn)化，這就是冷啟動(dòng)問題[6]。

許多音樂推薦算法在解決冷啟動(dòng)問題時(shí)，大多基于流行度等數(shù)值策略，這種策略是出于考慮目標(biāo)用戶可能喜歡絕大多數(shù)用戶都喜歡的項(xiàng)目， 但是該思路只能是從統(tǒng)計(jì)學(xué)的角度說(shuō)明預(yù)測(cè)準(zhǔn)確的概率高于不準(zhǔn)確的概率[7]。網(wǎng)易云音樂被稱為“小眾音樂愛好者的天堂”，用戶的個(gè)性化需求正是其致力滿足的。很多文獻(xiàn)給出了針對(duì)冷啟動(dòng)問題類型的解決策略，主要分為混合推薦、融合其他數(shù)據(jù)源、動(dòng)態(tài)情景敏感策略等方式[8]。

網(wǎng)易云音樂使用了融合其他數(shù)據(jù)源的策略，主要通過引入用戶社會(huì)關(guān)系信息，幫助建立新用戶特征模型，在一定程度上緩解新用戶的冷啟動(dòng)問題[8]。在網(wǎng)易云音樂登陸界面下方的“其他登錄方式”，如微信、QQ、微博等，這些社交軟件包含著用戶的社會(huì)關(guān)系信息。用戶如果用第三方軟件登錄，網(wǎng)易云音樂就能夠在推薦算法中引入用戶在這些社交軟件中的人口統(tǒng)計(jì)學(xué)信息以及社會(huì)網(wǎng)絡(luò)信息（包括性別、年齡、社交軟件中的好友等），社交網(wǎng)絡(luò)內(nèi)容有巨大的預(yù)測(cè)能力，比如用戶在微博上關(guān)注新上映的電影，當(dāng)用戶使用微博登錄網(wǎng)易云音樂時(shí)，就為用戶推薦該電影主題曲。同時(shí)，在網(wǎng)易云音樂界面點(diǎn)擊“我的好友”時(shí)，會(huì)彈出“獲取通訊錄聯(lián)系人列表”的對(duì)話框，這樣就向用戶推薦現(xiàn)實(shí)生活中的朋友所聽的音樂，這些社會(huì)關(guān)系信息在冷啟動(dòng)用戶推薦方面發(fā)揮著顯著作用。

3.3 ?魅力質(zhì)量：“年度聽歌報(bào)告”與用戶的自我

認(rèn)知

平臺(tái)收集的用戶數(shù)據(jù)所生成的用戶畫像不僅能進(jìn)行精準(zhǔn)的算法推薦，也能以回饋用戶的方式，加強(qiáng)用戶的自我認(rèn)知，獲得自我肯定中的愉悅感。對(duì)網(wǎng)易云音樂而言，其“年度聽歌報(bào)告”正是一種用大數(shù)據(jù)回饋用戶的方式，這種方式就是平臺(tái)的魅力質(zhì)量：在網(wǎng)易云音樂提供之前，用戶從未期盼過會(huì)得到這種服務(wù)，因?yàn)檫@并非一個(gè)音樂平臺(tái)必須提供的，所以提供之后就會(huì)讓用戶感到驚喜，從而極大地提升滿意度，塑造平臺(tái)的用戶黏性。

網(wǎng)易云音樂的年度聽歌報(bào)告是怎樣形成的？筆者發(fā)現(xiàn)，報(bào)告涉及聽歌次數(shù)、總時(shí)長(zhǎng)、時(shí)間段、歌曲內(nèi)容、風(fēng)格等多項(xiàng)數(shù)據(jù)，還會(huì)總結(jié)出用戶最愛聽的歌曲和歌手，以及分別的聽歌次數(shù)。網(wǎng)易云音樂搜集了全面的用戶使用數(shù)據(jù)，給每個(gè)用戶組成了大數(shù)據(jù)庫(kù)，才形成了完整的聽歌報(bào)告。

在2018年度聽歌報(bào)告出來(lái)后，微博上話題#網(wǎng)易云音樂年度總結(jié)#的閱讀量達(dá)3.5億，討論達(dá)15.9萬(wàn)，微信朋友圈上也形成刷屏效應(yīng)，網(wǎng)友紛紛“曬”出自己的年度聽歌報(bào)告。誠(chéng)然，網(wǎng)易云音樂每年初的年度聽歌報(bào)告已經(jīng)成了用戶的集體狂歡和儀式活動(dòng)，許多用戶樂于獲取年度報(bào)告，也樂于分享到社交平臺(tái)上。

用戶對(duì)年度聽歌報(bào)告的獲取和分享行為是自我認(rèn)知需求的體現(xiàn)，自我認(rèn)知是對(duì)自己的認(rèn)識(shí)和理解。社會(huì)認(rèn)同理論認(rèn)為個(gè)人的自我認(rèn)知源自對(duì)群體的認(rèn)知[9]。在年度聽歌報(bào)告的分享互動(dòng)儀式中，這些深度用戶的自我認(rèn)知與群體認(rèn)知達(dá)成一致，形成了群體歸屬感，也提升了社交愉悅感，從而大大增強(qiáng)了用戶黏性。

4 ?網(wǎng)易云音樂待改進(jìn)功能的路徑建議

根據(jù)以上研究，網(wǎng)易云音樂大數(shù)據(jù)和智能算法運(yùn)用上有眾多優(yōu)異之處，但也發(fā)現(xiàn)了一些待改進(jìn)的功能。因此，為了提升用戶黏性，本文在大數(shù)據(jù)與智能算法方面提出以下建議。

4.1 ?發(fā)展評(píng)論區(qū)的推薦功能

網(wǎng)易云音樂的評(píng)論區(qū)是其特色功能，然而網(wǎng)易云音樂忽略了用戶評(píng)論的算法推薦功能，致使網(wǎng)易云音樂的評(píng)論區(qū)風(fēng)格比較單一，甚至不同類型歌曲的評(píng)論都很相似，而風(fēng)格千篇一律的精選評(píng)論也會(huì)使得網(wǎng)易云音樂的受眾范圍窄化。因此，本文建議網(wǎng)易云音樂發(fā)展評(píng)論推薦功能，依據(jù)用戶的性格、興趣，緊抓用戶的需求點(diǎn)，打造評(píng)論區(qū)的個(gè)性化

推薦。

4.2 ?冷啟動(dòng)問題還需深入解決

研究中發(fā)現(xiàn)“每日推薦”歌單主要是熱門榜單的歌曲，這樣雖是安全的做法，但卻沒有發(fā)揮網(wǎng)易云音樂在個(gè)性化推薦中的優(yōu)勢(shì)。

本文建議，網(wǎng)易云音樂在冷啟動(dòng)問題上還可加上讓游客用戶先挑選興趣點(diǎn)的環(huán)節(jié)，或是做簡(jiǎn)短的興趣測(cè)試題，充分發(fā)掘冷啟動(dòng)用戶的興趣，從而實(shí)現(xiàn)更優(yōu)質(zhì)的算法推薦。

4.3 ?創(chuàng)新用戶數(shù)據(jù)回饋形式

年度聽歌報(bào)告雖然是首發(fā)，但是現(xiàn)在大部分應(yīng)用都推出了年度聽歌報(bào)告，且在質(zhì)量上更勝一籌。2018年度聽歌報(bào)告被許多網(wǎng)友貼上了“不用心”“敷衍”的標(biāo)簽，因?yàn)榕c去年的背景音樂都一樣，網(wǎng)易云音樂沒有將深入發(fā)掘的用戶數(shù)據(jù)更用心地回饋給用戶。因此，音樂平臺(tái)應(yīng)該更好地創(chuàng)新用戶數(shù)據(jù)回饋形式，將用戶數(shù)據(jù)以更精致的方式回饋給用戶，給用戶帶來(lái)更多驚喜感。

參考文獻(xiàn)

[1]李其隆.社交網(wǎng)絡(luò)大數(shù)據(jù)下的推薦算法研究[J].通訊世界，2018（11）：27-28.

[2]Judy Chuan-Chuan Lin.Online stickiness： its antecedents and effect on purchasing intention[J].Behaviour & Information Technology，2007（26）：507-516.

[3]彭蘭.好內(nèi)容不一定能帶來(lái)用戶黏性——新媒體時(shí)代服務(wù)思維的轉(zhuǎn)變[J].新聞與寫作，2015（2）：1.

[4]喻國(guó)明，楊瑩瑩，閆巧妹.算法即權(quán)力：算法范式在新聞傳播中的權(quán)力革命[J].編輯之友，2018（5）：5-12.

[5]郝雨，李林霞.算法推送：信息私人定制的“個(gè)性化”圈套[J].新聞?dòng)浾撸?017（2）：35-39.

[6]陳妍，洪蕾，李廣水，等.關(guān)于推薦系統(tǒng)中冷啟動(dòng)問題的研究[J].中國(guó)高新區(qū)，2018（14）：29，31.

[7]郭弘毅，劉功申，蘇波，等.融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2016，53（8）：1664-1672.

[8]喬雨，李玲娟.推薦系統(tǒng)冷啟動(dòng)問題解決策略研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（2）：83-87.

[9]Jan H.Kietzmann，Kristopher Hermken，Ian P.McCarthy&Bruno S.Silvestre.Social Media？Get Serious！Understanding the Functional Building Blocks of Social Media[J].Business Horizons，2011（54）：241-251.