融合情境的社會(huì)化商務(wù)用戶(hù)服務(wù)推薦優(yōu)化研究

陳志剛 任芬

摘要：個(gè)性化推薦是社會(huì)化商務(wù)發(fā)展的產(chǎn)物，向顧客提供信息服務(wù)和決策支持。文章融合地理位置、時(shí)間因子和社會(huì)化商務(wù)用戶(hù)信任等情境信息，構(gòu)建了在社會(huì)化商務(wù)下用戶(hù)個(gè)性化服務(wù)推薦的模型，實(shí)證分析融合情境對(duì)提高用戶(hù)服務(wù)推薦的正向作用。其結(jié)果可為社會(huì)化商務(wù)企業(yè)節(jié)約成本，為用戶(hù)提供更精準(zhǔn)的個(gè)性化服務(wù)。

關(guān)鍵詞：情境聚類(lèi);社會(huì)化商務(wù);用戶(hù)服務(wù);個(gè)性化推薦

一、引言

作為互聯(lián)網(wǎng)發(fā)展中的一種商務(wù)模式創(chuàng)新的應(yīng)用，社會(huì)化商務(wù)融合了社交媒體和電子商務(wù)的優(yōu)勢(shì)，較大程度改變了信息、人、資產(chǎn)之間流動(dòng)的方式。David Kiron等認(rèn)為，社會(huì)化商務(wù)是一種商貿(mào)活動(dòng)，利用社交媒體促進(jìn)人員、信息和資產(chǎn)的高效互利。與其他商務(wù)活動(dòng)相比，社會(huì)化商務(wù)打破了時(shí)間、空間及人際關(guān)系等限制因素，具有更高的交互性和更強(qiáng)的面向用戶(hù)性。目前，社會(huì)化商務(wù)的廣泛應(yīng)用使更多的用戶(hù)進(jìn)入移動(dòng)社交活動(dòng)，根據(jù) CNNIC 公布的第 42 次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2018年6月，中國(guó)網(wǎng)絡(luò)用戶(hù)規(guī)模達(dá) 8.02 億。

在數(shù)字時(shí)代下，社會(huì)化網(wǎng)絡(luò)為人們提供了更多的交流方式，不僅拉近了人與人之間的距離，也使得交流內(nèi)容變得更加多樣化。人們?cè)谏鐣?huì)化網(wǎng)絡(luò)中交互彼此的信息，使得樣式繁多的信息非結(jié)構(gòu)化的分布在網(wǎng)絡(luò)中。社會(huì)化商務(wù)用戶(hù)在享有技術(shù)和社交活動(dòng)便利的同時(shí)，被大量信息包圍，許多用戶(hù)難以切確、快速地獲取滿(mǎn)足自身需求的服務(wù)。隨著爆炸式增長(zhǎng)的互聯(lián)網(wǎng)服務(wù)遠(yuǎn)遠(yuǎn)超出人們所能接納的范疇，社會(huì)化商務(wù)環(huán)境下的用戶(hù)面臨著愈來(lái)愈嚴(yán)重的 “信息過(guò)載”問(wèn)題，這不僅影響了用戶(hù)體驗(yàn)，還會(huì)降低網(wǎng)絡(luò)資源的利用效率。因此，如何針對(duì)社會(huì)化商務(wù)實(shí)現(xiàn)優(yōu)化服務(wù)推送、加強(qiáng)用戶(hù)體驗(yàn)，從本質(zhì)上解決 “信息過(guò)載”問(wèn)題，是目前急需處理的一大難題。

針對(duì)用戶(hù)在海量信息下的選擇困難等問(wèn)題，“推薦系統(tǒng)”也應(yīng)運(yùn)而生。目前，常見(jiàn)的有基于關(guān)聯(lián)規(guī)則的推薦、基于內(nèi)容的推薦、基于協(xié)同過(guò)濾的推薦、混合推薦等。個(gè)性化推薦技術(shù)既為用戶(hù)提供了個(gè)性化的信息篩選，又為信息尋得最合適的用戶(hù)。然而在以往的個(gè)性化研究中，往往忽視了情境環(huán)境對(duì)于用戶(hù)行為獲取的作用。隨著人工智能和區(qū)塊鏈的發(fā)展，如今的推薦系統(tǒng)更是進(jìn)入新的量級(jí)。在“非智能”時(shí)代，推薦主要依靠一些從直覺(jué)引導(dǎo)出的簡(jiǎn)單模型或算法，而情境信息的深度挖掘，使得一些已知問(wèn)題上的推薦效率得到提高。如今，依靠情境分析的今日頭條、天天快報(bào)、趣頭條等個(gè)性化閱讀產(chǎn)品迅速超越依靠編輯審核的門(mén)戶(hù)新聞APP，基于情境環(huán)境的如地理位置、時(shí)間和設(shè)備等應(yīng)用的發(fā)散性蔓延使得情境因素尤為重要。社會(huì)化商務(wù)環(huán)境為我們創(chuàng)造了許多有價(jià)值的信息。但是，如何將這些數(shù)據(jù)信息轉(zhuǎn)化成貼近生活的情境信息，優(yōu)化用戶(hù)個(gè)性化服務(wù)，從而提高用戶(hù)體驗(yàn)是本文研究的目的。

二、研究現(xiàn)狀

情境是可以被用來(lái)表示某個(gè)實(shí)物的任何信息，實(shí)物可以是被認(rèn)為與用戶(hù)和應(yīng)用程序交互的人、點(diǎn)，或?qū)ο螅ㄓ脩?hù)和應(yīng)用程序本身。Zou J A將情境分為與人有關(guān)的情境和與物理設(shè)備有關(guān)的情境，基礎(chǔ)情境與高層情境。智能移動(dòng)終端設(shè)備可以提供大量的外部情境信息，如時(shí)間、地理位置、天氣等。而用戶(hù)自身的信息，如年齡、性別、教育程度等則構(gòu)成了內(nèi)部情境信息。情境信息中的地理位置發(fā)散式應(yīng)用在各個(gè)領(lǐng)域中，如基于地理位置信息的酒店預(yù)訂。目前研究者們希望能以用戶(hù)的情境信息為紐帶整合相關(guān)應(yīng)用服務(wù)，基于社會(huì)化商務(wù)環(huán)境為用戶(hù)提供可定制的個(gè)性化優(yōu)化推薦，促成按需服務(wù)的一站式情境生活方案。因此，從情境環(huán)境中發(fā)掘出可利用的信息，為智能化人機(jī)交互提供支撐，是當(dāng)前研究的熱點(diǎn)。

情境聚類(lèi)，就是在社交環(huán)境中將各類(lèi)服務(wù)基于情境信息進(jìn)行融合和聚集。基于情境信息的聚合不僅是眾多用戶(hù)推薦的集大成者，更是實(shí)現(xiàn)了將用戶(hù)的現(xiàn)實(shí)生活與虛擬社交網(wǎng)絡(luò)相連接，通過(guò)用戶(hù)所處的情境，聯(lián)合用戶(hù)目前的實(shí)際情況智能的將各種服務(wù)精準(zhǔn)的推送給用戶(hù)。本文將社會(huì)化商務(wù)用戶(hù)的情境數(shù)據(jù)采集并依據(jù)相似度進(jìn)行情境聚類(lèi)，構(gòu)建層次化的用戶(hù)情境特征集，以確保每位用戶(hù)都能匹配到一個(gè)相符合的情景類(lèi)或情景類(lèi)組合。同時(shí)，在不同情境之間構(gòu)建系統(tǒng)性維系，以保證不同情境類(lèi)用戶(hù)間的關(guān)聯(lián)和交互。

在現(xiàn)實(shí)生活中，情境聚類(lèi)可以更好的服務(wù)于個(gè)性化推薦。Adomavicius等人論述了融合情境信息的推薦模型，引入情境匹配，并開(kāi)發(fā)電影推薦的原型實(shí)驗(yàn)系統(tǒng)。得益于情境聚類(lèi)的個(gè)性化推薦算法，短視頻近幾年來(lái)也發(fā)展迅猛，如快手與今日頭條旗下西瓜視頻、抖音APP等迅速獲得用戶(hù)喜愛(ài)。個(gè)性化推薦是基于用戶(hù)的行為、喜好及特征等，來(lái)滿(mǎn)足用戶(hù)個(gè)性化需求的一種服務(wù)。與其他的方式相比，情境聚類(lèi)的核心是基于社會(huì)化商務(wù)環(huán)境圍繞著“用戶(hù)”即用戶(hù)的信任、位置、時(shí)間等信息，而行為信息更能夠反映出真實(shí)的用戶(hù)情形與需求，位置信息來(lái)源于用戶(hù)在實(shí)體世界中的運(yùn)動(dòng)，具有更強(qiáng)的時(shí)效性與可信度，時(shí)間變化為我們更了解用戶(hù)的需求提供充分條件，因此，情境聚類(lèi)在社會(huì)化商務(wù)個(gè)性化服務(wù)運(yùn)用中具有非常廣闊的前景。

三、用戶(hù)個(gè)性化推薦模型及方法

（一）社會(huì)化商務(wù)用戶(hù)特征及用戶(hù)行為模型

Z Huang等提出粗糙庫(kù)的方法進(jìn)行推薦，但忽略了時(shí)間產(chǎn)生的影響，導(dǎo)致算法的時(shí)效性不強(qiáng)。Shin D等比較當(dāng)前情境與歷史情境，并根據(jù)歷史的偏好記錄預(yù)測(cè)目前用戶(hù)的喜好，但忽略了時(shí)間遺忘的特性，忽略了用戶(hù)隨著時(shí)間的推進(jìn)興趣變化的因素，從而促使推薦結(jié)果不準(zhǔn)確。本文將情境信息分為基于地理位置、基于時(shí)間以及基于信任的三大類(lèi)，將收集到的大量社會(huì)化商務(wù)用戶(hù)的行為數(shù)據(jù)基于情境信息進(jìn)行聚類(lèi)，從這些數(shù)據(jù)中提取出用戶(hù)的特征。本文采用向量對(duì)原始維度進(jìn)行處理，原始用戶(hù)特征如表1所示。

通過(guò)將多維用戶(hù)特征采取降維處理，利用聚合的情境信息和用戶(hù)商品自身的描述，設(shè)計(jì)基于情境聚類(lèi)的社會(huì)化商務(wù)用戶(hù)行為模型。最終獲得基于情境聚類(lèi)的社會(huì)化商務(wù)用戶(hù)的特征集合：

User=U{C，U，H}

其中，情境C={D，TF，DT}， D為用戶(hù)的地理位置信息， TF、DT分別表示用戶(hù)的時(shí)間和信任度信息，C是將特征D、特征TF及特征DT等情境信息集合，生成的聚類(lèi)結(jié)果。U表示社會(huì)化商務(wù)用戶(hù)的個(gè)人相關(guān)信息，特征H則是在用戶(hù)特征集合中各個(gè)情境特征的權(quán)重值，表示情境特征在用戶(hù)特征中所占比重。

為了全面、準(zhǔn)確的構(gòu)建用戶(hù)行為模型，更加高效的利用處理之后的用戶(hù)數(shù)據(jù)，本文設(shè)計(jì)如圖1所示的社會(huì)化商務(wù)用戶(hù)的行為模型。

（二）情境聚類(lèi)中的“地理社交”、“時(shí)間社交”和“信任社交”

1. 地理社交

地理社交產(chǎn)生的地理數(shù)據(jù)具有兩種屬性，一種是用戶(hù)在社會(huì)化商務(wù)網(wǎng)絡(luò)中的與好友的交互信息特點(diǎn)，如好友姓名、列表等;另外一種是地理屬性，即位置坐標(biāo)以及餐廳、游戲廳等。地理距離的相似度通過(guò)社會(huì)化用戶(hù)在設(shè)備上使用的定位所確定的位置來(lái)計(jì)算，本文引用張繼東提出的基于地理位置的方法，公式如下：

四、實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本方法的可行性，以武漢學(xué)生為例設(shè)計(jì)了一個(gè)基于情境聚類(lèi)用戶(hù)個(gè)性化的推薦服務(wù)。文章選取武漢頗為有名的40個(gè)景點(diǎn)，通過(guò)多種方法獲取262位學(xué)生關(guān)于景點(diǎn)的3163條打分信息，并將此部分作為系統(tǒng)訓(xùn)練的評(píng)分矩陣。下一步重新選取60為學(xué)生作為實(shí)驗(yàn)測(cè)試用戶(hù)，結(jié)合自身情況填寫(xiě)相關(guān)信息，并且根據(jù)自身的體驗(yàn)，對(duì)相應(yīng)景點(diǎn)進(jìn)行打分，利用三章中（三）提出的個(gè)性化服務(wù)推薦方法得出推薦結(jié)果。

隨機(jī)選取測(cè)試集中的用戶(hù)“王一”進(jìn)行推薦，用戶(hù)“王一”的相關(guān)信息如表2所示。

為了對(duì)比情境聚類(lèi)的實(shí)驗(yàn)效果，分別進(jìn)行兩次實(shí)驗(yàn)：僅考慮用戶(hù)基本信息進(jìn)行推薦和考慮基于用戶(hù)情境聚類(lèi)進(jìn)行推薦，推薦結(jié)果如表3所示。

根據(jù)表3可知，當(dāng)只考慮用戶(hù)的基本信息時(shí)，根據(jù)用戶(hù)的標(biāo)志“一顆靦腆的芒果”，女，年齡20，電子商務(wù)大二愛(ài)好小動(dòng)物的學(xué)生，自動(dòng)生成“活力滿(mǎn)滿(mǎn)的小女生”標(biāo)簽，并發(fā)現(xiàn)與其相似的用戶(hù)，然后根據(jù)類(lèi)似用戶(hù)進(jìn)行推薦：武漢海洋世界、黃鶴樓、楚河漢街、東湖磨山、武漢歡樂(lè)谷、漢口江灘、張公山寨、歸元寺、漢口江灘、木蘭草原景點(diǎn)。如果只考慮用戶(hù)“王一”的基本情況，這些景點(diǎn)是比較符合的，但是沒(méi)有結(jié)合情境信息，可能會(huì)與實(shí)際情況相差較遠(yuǎn)。用戶(hù)的偏好是比較價(jià)格便宜的傾向，而楚河漢街屬于高消費(fèi)地區(qū)，與用戶(hù)的實(shí)際消費(fèi)不符合;另外，用戶(hù)和他的社交好友喜歡拍照、美食，武漢小吃最多的司門(mén)口卻并沒(méi)有推薦;接著，時(shí)間考慮不周，木蘭草原距離武昌火車(chē)站距離較遠(yuǎn)，過(guò)去較為耗時(shí)，中午12點(diǎn)過(guò)去，游玩時(shí)間可能不夠，對(duì)于用戶(hù)“王一”而言，在沒(méi)有偏好景點(diǎn)的選擇下，會(huì)優(yōu)先選擇距離較近的景點(diǎn)游玩。因此，只考慮用戶(hù)的基本信息進(jìn)行推薦與用戶(hù)的真正需求差距較大。

在考慮用戶(hù)的情境信息時(shí)，測(cè)試推薦結(jié)果為：武漢動(dòng)物園、武漢植物園、司門(mén)口、東湖磨山、黃鶴樓、武漢大學(xué)、漢口江灘、湖北省博物館、武漢歡樂(lè)谷、古琴臺(tái)。這次推薦相較于前一次有了變化。主要原因是，結(jié)合情境信息（時(shí)間、距離、信任）影響了推薦的結(jié)果?？紤]到“時(shí)間”和“地理”信息，推薦距離用戶(hù)較近且不需要門(mén)票或門(mén)票較低的景點(diǎn)（如武漢動(dòng)物園、古琴臺(tái)、黃鶴樓、漢口江灘等），這一推薦也符合“價(jià)格優(yōu)惠”標(biāo)簽;同時(shí)推薦結(jié)果還充分考慮到“時(shí)間”和“社交”等情境信息，此時(shí)春天5月，用戶(hù)與社交好友都愛(ài)好拍照喜美食，從而推薦景色比較絢麗的景點(diǎn)（如司門(mén)口、武漢植物園、東湖磨山、武漢大學(xué)等），這一推薦也符合“活力滿(mǎn)滿(mǎn)小女生”“愛(ài)好拍照”等標(biāo)簽;另外，推薦結(jié)果中的湖北省博物館和武漢歡樂(lè)谷雖然距離武昌火車(chē)站較遠(yuǎn)，但充分考慮到湖北省博物館屬于免費(fèi)的景點(diǎn)且武漢歡樂(lè)谷是朋友強(qiáng)力推薦的景點(diǎn)等因素，在理論上具有可行性，也在用戶(hù)可供選擇的范圍之中，同時(shí)，在某種程度下驗(yàn)證了基于情境聚類(lèi)的推薦方法的合理性。

五、結(jié)論

本文在借鑒已有研究人員工作基礎(chǔ)上提出了基于情境聚類(lèi)的社會(huì)化商務(wù)用戶(hù)服務(wù)推薦方法。描述在社會(huì)化商務(wù)環(huán)境下，通過(guò)將社會(huì)化商務(wù)用戶(hù)的地理、時(shí)間信息以及相互間的信任關(guān)系等情境信息進(jìn)行聚合，從而為社會(huì)化商務(wù)用戶(hù)提供精確的個(gè)性化服務(wù)推薦，最后以武漢學(xué)生為例，進(jìn)行驗(yàn)證。通過(guò)兩次對(duì)比實(shí)驗(yàn)（僅考慮用戶(hù)基本信息和基于用戶(hù)情境信息），結(jié)果表明基于情境聚類(lèi)的用戶(hù)推薦結(jié)果更具準(zhǔn)確性。

個(gè)性化服務(wù)的出現(xiàn)是時(shí)代發(fā)展的產(chǎn)物，給人們的生活提供了很大的便利。目前，基于情境聚類(lèi)的社會(huì)商務(wù)用戶(hù)個(gè)性化服務(wù)推送在社會(huì)化網(wǎng)絡(luò)中的應(yīng)用領(lǐng)域正逐步擴(kuò)大，例如火山小視頻、抖音等。在信息繁多的時(shí)代，毫無(wú)疑問(wèn)個(gè)性化服務(wù)給用戶(hù)帶來(lái)了方便，在一定程度上解決了用戶(hù)在面對(duì)信息時(shí)困惑的問(wèn)題。大數(shù)據(jù)時(shí)代下基于地理位置的技術(shù)將社會(huì)化商務(wù)用戶(hù)從虛擬的網(wǎng)絡(luò)環(huán)境延伸到現(xiàn)實(shí)生活中;考慮到社交用戶(hù)興趣的變化，提出將用戶(hù)興趣變化趨勢(shì)與時(shí)間遺忘曲線(xiàn)和時(shí)間窗口結(jié)合的基于時(shí)間社交的方法;信任是社會(huì)化商務(wù)中特有的屬性，將信任融入到推薦中，增強(qiáng)了用戶(hù)個(gè)性化服務(wù)的可靠性。在增添了社交維度的同時(shí)也為用戶(hù)提供了貼切生活的個(gè)性化服務(wù)。然而，目前仍存在幾個(gè)問(wèn)題：定位不精確，由于網(wǎng)絡(luò)狀態(tài)的關(guān)系，用戶(hù)的定位有時(shí)不夠精準(zhǔn)，導(dǎo)致推送的服務(wù)不夠貼切;用戶(hù)由于種種原因，將設(shè)備的定位關(guān)閉，從而導(dǎo)致無(wú)法獲取地理社交數(shù)據(jù);用戶(hù)隱私，在信息迅捷的互聯(lián)網(wǎng)時(shí)代，相關(guān)的法律不夠完善，存在用戶(hù)隱私泄露問(wèn)題;此外，隨著數(shù)據(jù)的增大，時(shí)間復(fù)雜度增高等問(wèn)題進(jìn)一步出現(xiàn)。因此，在以后的工作中，個(gè)性化服務(wù)推送還有很大的改善空間。

參考文獻(xiàn)：

[1]David Kiron， Doug Palmer， Anh Nguyen Phillips， Nina Kruschwitz. What managers r-eally think about social business[J]. MIT Sloan Management Review，2012（04）.

[2]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）.第42次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)[R].2018.

[3]孟祥武，紀(jì)威宇，張玉潔.大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[J].北京郵電大學(xué)學(xué)報(bào)，2015（02）.

[4]陳克寒，韓盼盼，吳健.基于用戶(hù)聚類(lèi)的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J].計(jì)算機(jī)學(xué)報(bào)，2013（02）.

[5]朱東郡.基于標(biāo)簽聚類(lèi)和興趣劃分的個(gè)性化推薦算法研究[D].安徽理工大學(xué)，2017.

[6]許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學(xué)報(bào)，2009（02）.

[7]Ogura H， Amano H， Kondo M. Comparison of metrics for feature selection in imbal-anced text classification[J].Expert Systems with Applications，2011（05）.

[8]Zou J A. Exploration of semantic Web service discovery based on QoS[J]. Journal of Computer Applications，2009（10）.

[9]Adomavicius G， Sankaranarayanan R， Sen S， et al. Incorporating contextual informati-on in recommender systems using a multidimensional approach[J].Acm Transactions on Information Systems，2005（01）.

[10]Huang Z， Lu X， Duan H. Context-aware recommendation using rough set model and collaborative filtering[J].Artificial Intelligence Review，2011（01）.

[11]Shin D， Lee J， Yeon J， et al. Context-Aware Recommendation by Aggregating User Context[C].I-EEE Conference on Commerce and Enterprise Computing. IEEE Comp-uter Society，2009.

[12]張繼東，李鵬程.基于移動(dòng)融合的社交網(wǎng)絡(luò)用戶(hù)個(gè)性化信息服務(wù)研究[J].情報(bào)理論與實(shí)踐，2017（09）.

[13]Rafailidis D，Daras P. The TFC Model：Tensor Factorization and Tag Clustering for Ite-m Recommendation in Social Tagging Systems[J].IEEE Transactions on Systems Man& Cybernetics Systems，2013（03）.

*基金項(xiàng)目：湖北省教育廳人文社會(huì)科學(xué)重點(diǎn)項(xiàng)目（項(xiàng)目編號(hào)：18D037）。

（作者單位：湖北工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院）