基于Citespace的用戶畫(huà)像知識(shí)圖譜研究

梁嘉欣 何安迪 彭梓航

關(guān)鍵詞 知識(shí)圖譜 用戶畫(huà)像

1引言

近年來(lái)，已有大量對(duì)用戶畫(huà)像的相關(guān)研究，而這些研究幾乎是定性分析文獻(xiàn)獲得的成果。面對(duì)浩瀚的文獻(xiàn)海洋，定性分析會(huì)導(dǎo)致分析結(jié)果過(guò)于主觀和片面。本文以CNKI 中國(guó)學(xué)術(shù)文獻(xiàn)庫(kù)有關(guān)用戶畫(huà)像的文獻(xiàn)為研究對(duì)象，運(yùn)用CiteSpace 可視化軟件，對(duì)2015～2020 年的用戶畫(huà)像研究成果進(jìn)行分析，旨在總結(jié)出用戶畫(huà)像領(lǐng)域的研究熱點(diǎn)和不足，以及未來(lái)用戶畫(huà)像領(lǐng)域的發(fā)展趨勢(shì)和發(fā)展空間，為后續(xù)的研究工作提供參考。

2數(shù)據(jù)來(lái)源與研究方法

（1）數(shù)據(jù)來(lái)源

本文選取中國(guó)知網(wǎng)CNKI 中的學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫(kù)作為數(shù)據(jù)來(lái)源，以“用戶畫(huà)像”為主題詞進(jìn)行檢索（檢索時(shí)間為2020 年8 月4 日），以2015 年1 月1 日為時(shí)間起點(diǎn)至檢索時(shí)間共得到檢索結(jié)果1557 條。經(jīng)過(guò)查重、勘誤、篩選等數(shù)據(jù)處理后，保留1500 條文獻(xiàn)，導(dǎo)出純文本格式文件作為本文統(tǒng)計(jì)分析的最終數(shù)據(jù)。

（2）研究方法

本文應(yīng)用CiteSpace5.7.R1 軟件對(duì)2015～2020 年用戶畫(huà)像的時(shí)間分布、學(xué)科領(lǐng)域、研究機(jī)構(gòu)、研究熱點(diǎn)和主題演變等進(jìn)行分析，根據(jù)所選統(tǒng)計(jì)樣本將分析時(shí)間設(shè)置為2015～2020 年，年代切分為1，選擇標(biāo)準(zhǔn)為T(mén)OP N 和g?index，閾值設(shè)置分別為50、25。

3結(jié)果分析

3.1總體情況

（1）時(shí)間分布

用戶畫(huà)像領(lǐng)域發(fā)文量自2015 年呈現(xiàn)迅速上升趨勢(shì)，2018～2019 年發(fā)文量呈現(xiàn)較大幅度的提升趨勢(shì)。在精準(zhǔn)營(yíng)銷(xiāo)領(lǐng)域，與用戶畫(huà)像相關(guān)的研究已經(jīng)于2015年開(kāi)始，直到2017 年發(fā)文量呈現(xiàn)大量增長(zhǎng)態(tài)勢(shì)，此現(xiàn)象說(shuō)明精準(zhǔn)營(yíng)銷(xiāo)研究者對(duì)用戶畫(huà)像的研究開(kāi)展略遲，隨社會(huì)各界和企業(yè)組織對(duì)用戶畫(huà)像研究開(kāi)始重視，施行精準(zhǔn)營(yíng)銷(xiāo)策略的企業(yè)也開(kāi)始積極參與用戶畫(huà)像的理論實(shí)踐。

（2）學(xué)科領(lǐng)域

基于CNKI 數(shù)據(jù)庫(kù)的學(xué)科分類(lèi)分布功能，及本文所選對(duì)應(yīng)領(lǐng)域的部分文獻(xiàn)進(jìn)行統(tǒng)計(jì)分析，結(jié)果顯示：用戶畫(huà)像研究成果共來(lái)自53 個(gè)學(xué)科領(lǐng)域，具備很強(qiáng)的跨學(xué)科特征。計(jì)算機(jī)、圖書(shū)情報(bào)檔案、工商管理和新聞傳播是用戶畫(huà)像研究中最為集中的學(xué)科領(lǐng)域，商業(yè)經(jīng)濟(jì)、通信經(jīng)濟(jì)、工業(yè)經(jīng)濟(jì)、金融和控制工程等學(xué)科領(lǐng)域的研究成果也頗為豐碩，教育、信息通信、通信技術(shù)和法學(xué)等學(xué)科領(lǐng)域也有一定的研究成果。統(tǒng)計(jì)還顯示，計(jì)算機(jī)、新聞傳播、金融、教育、法學(xué)和電器工程等學(xué)科領(lǐng)域均有研究成果，具有較強(qiáng)的跨學(xué)科特性。

3.2研究機(jī)構(gòu)及論文作者的類(lèi)別

通過(guò)研究論文作者及研究機(jī)構(gòu)的構(gòu)成和關(guān)系，可以大概探尋某研究主題研究力量的構(gòu)成以及研究基地和研究團(tuán)隊(duì)的組成情況。

（1）研究機(jī)構(gòu)選擇機(jī)構(gòu)作為節(jié)點(diǎn)類(lèi)型，使用聚類(lèi)視角進(jìn)行布局，經(jīng)適當(dāng)?shù)墓?jié)點(diǎn)調(diào)整后繪制出研究機(jī)構(gòu)知識(shí)圖譜。通過(guò)對(duì)研究機(jī)構(gòu)合作網(wǎng)絡(luò)圖譜和其他相關(guān)后臺(tái)數(shù)據(jù)的分析發(fā)現(xiàn)，用戶畫(huà)像的研究機(jī)構(gòu)主要有高等院校和公司組織（集團(tuán)）兩大類(lèi)。從研究機(jī)構(gòu)知識(shí)圖譜反映的信息發(fā)現(xiàn)，主要研究機(jī)構(gòu)有吉林大學(xué)、燕山大學(xué)、江蘇理工學(xué)院、華中師范大學(xué)、武漢大學(xué)，部分機(jī)構(gòu)間還建立了合作關(guān)系。

（2）論文作者通過(guò)對(duì)CiteSpace 繪制的論文作者圖譜和其他相關(guān)后臺(tái)數(shù)據(jù)的分析后發(fā)現(xiàn)，教授、高校教師、公司組織（集團(tuán)）研究者、碩士與博士研究生等是用戶畫(huà)像的主要研究者。其中，教授和高校教師組成的研究團(tuán)隊(duì)是用戶畫(huà)像研究的核心力量。各高校教師和教授主要以大數(shù)據(jù)為基礎(chǔ)，對(duì)用戶畫(huà)像進(jìn)行探索和研究，研究者的研究層次和規(guī)范性處于高水平，但研究的持續(xù)性仍有待進(jìn)一步提升。

總體上，用戶畫(huà)像研究以高等院校和公司組織為主要研究基地，由高校教師、教授、碩士與博士研究生和公司組織的研究者構(gòu)成研究群體，在高校核心作者的引領(lǐng)下，形成了深層次且有代表性的研究成果。

3.3研究的關(guān)鍵詞

通過(guò)對(duì)關(guān)鍵詞進(jìn)行統(tǒng)計(jì)分析，得出“用戶畫(huà)像”“大數(shù)據(jù)”“精準(zhǔn)營(yíng)銷(xiāo)”“數(shù)據(jù)挖掘”“推薦系統(tǒng)”“用戶體驗(yàn)”“圖書(shū)館”“個(gè)性化推薦”“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”等是研究文獻(xiàn)突出的關(guān)鍵詞，反映用戶畫(huà)像研究主要應(yīng)用和服務(wù)于大數(shù)據(jù)、精準(zhǔn)營(yíng)銷(xiāo)、數(shù)據(jù)挖掘和推薦系統(tǒng)等工程。

3.4特征

用戶畫(huà)像研究文獻(xiàn)共被引聚類(lèi)圖譜共包含400個(gè)節(jié)點(diǎn)，933 條連線，網(wǎng)絡(luò)密度為0.0117，并形成了10個(gè)聚類(lèi)，依次為聚類(lèi)#0 大數(shù)據(jù)（big data）、聚類(lèi)#1 推薦系統(tǒng)（ recommended）、聚類(lèi)# 2 用戶畫(huà)像（ useportrait）、聚類(lèi)#3 用戶體驗(yàn)（user experience）、聚類(lèi)#4數(shù)據(jù)挖掘（data mining）、聚類(lèi)#5 圖書(shū)館（library）、聚類(lèi)#6 隨機(jī)森林（ random forest）、聚類(lèi)# 7 人工智能（artificial intelligence）、聚類(lèi)#8K?means 聚類(lèi)（K?meansclustering）、聚類(lèi)#9 今日頭條（Toutiao）、聚類(lèi)#10 內(nèi)容運(yùn)營(yíng)（content operation）。將2015～2020 年的1500 篇有關(guān)用戶畫(huà)像的文獻(xiàn)進(jìn)行文獻(xiàn)共被引的時(shí)間線視角圖譜分析，得到這10個(gè)聚類(lèi)的具體研究?jī)?nèi)容和時(shí)間跨度。聚類(lèi)#0 大數(shù)據(jù)（big data）的時(shí)間跨度為2015～2020 年，其主要關(guān)注的是在大數(shù)據(jù)環(huán)境下，基于大數(shù)據(jù)技術(shù)和大數(shù)據(jù)分析的用戶畫(huà)像研究，如劉穎針對(duì)數(shù)字圖書(shū)館用戶畫(huà)像模型建構(gòu)工作中的用戶數(shù)據(jù)分類(lèi)效果較差的問(wèn)題，提出了基于大數(shù)據(jù)技術(shù)的數(shù)字圖書(shū)館用戶畫(huà)像模型建構(gòu)策略，并通過(guò)實(shí)驗(yàn)結(jié)果說(shuō)明了該大數(shù)據(jù)技術(shù)能夠有效解決分類(lèi)效果差的問(wèn)題[1] ; 聚類(lèi)# 1 推薦系統(tǒng)（recommended）的時(shí)間跨度為2015～2020 年，其關(guān)注的主要是精準(zhǔn)營(yíng)銷(xiāo)、精準(zhǔn)推薦等問(wèn)題，如在趙巖所做的基于用戶畫(huà)像的精準(zhǔn)營(yíng)銷(xiāo)研究中，發(fā)現(xiàn)將用戶畫(huà)像運(yùn)用于數(shù)字圖書(shū)館，可以更為精確地為客戶推薦閱讀資源，以提高用戶的閱讀體驗(yàn)，從而讓閱讀推廣工作朝著更好的方向發(fā)展[2] ; 聚類(lèi)#3 用戶體驗(yàn)（ userexperience）的時(shí)間跨度為2015～2020 年，此聚類(lèi)主要研究的是提升服務(wù)質(zhì)量的問(wèn)題，用戶體驗(yàn)是在大數(shù)據(jù)時(shí)代的各行業(yè)之間的一大競(jìng)爭(zhēng)優(yōu)勢(shì)，也是最不可控的一個(gè)“變量”，但是用戶畫(huà)像技術(shù)的應(yīng)用能很好地控制這個(gè)“變量”，提升用戶體驗(yàn)，帶領(lǐng)行業(yè)走向更高質(zhì)量的發(fā)展;聚類(lèi)#4 數(shù)據(jù)挖掘（data mining）的時(shí)間跨度為2015～2020 年，此聚類(lèi)主要關(guān)注的是應(yīng)用數(shù)據(jù)挖掘技術(shù)在龐大的數(shù)據(jù)庫(kù)中挖掘出具有價(jià)值的數(shù)據(jù)信息，從而勾勒出用戶的數(shù)據(jù)面貌，構(gòu)建一個(gè)更為精準(zhǔn)的用戶畫(huà)像系統(tǒng)。比如，唐慧祥等人基于海量淘寶用戶行為特征數(shù)據(jù)利用Weka、R 數(shù)據(jù)挖掘軟件，使用K?Means聚類(lèi)算法為解決淘寶平臺(tái)存在的用戶定位不精確等營(yíng)銷(xiāo)問(wèn)題提出了合理化的建議[3] ;聚類(lèi)#5 圖書(shū)館（library）的時(shí)間跨度為2015～2020 年;聚類(lèi)#6 隨機(jī)森林（random forest）的時(shí)間跨度為2016～2020 年，和其他算法相比，隨機(jī)森林在大量數(shù)據(jù)中的表現(xiàn)是較為良好的，但是其在噪聲大的分類(lèi)或回歸問(wèn)題上會(huì)過(guò)擬的問(wèn)題已經(jīng)得到了證實(shí)，因此將其運(yùn)用到用戶畫(huà)像系統(tǒng)的構(gòu)建上會(huì)因?yàn)楦蓴_的存在而使系統(tǒng)的性能大大下降;聚類(lèi)#7 人工智能（artificial intelligence）的時(shí)間跨度為2015～2020 年，面對(duì)龐大的用戶數(shù)據(jù)，用戶畫(huà)像的出現(xiàn)無(wú)疑是人工智能時(shí)代的一大熱點(diǎn)，相對(duì)于之前的語(yǔ)音識(shí)別技術(shù)和圖片識(shí)別技術(shù)，用戶畫(huà)像的出現(xiàn)能幫助企業(yè)和商家在龐大的數(shù)據(jù)庫(kù)中篩選出有用的數(shù)據(jù)，最終做到精準(zhǔn)推薦和精準(zhǔn)營(yíng)銷(xiāo);聚類(lèi)#8K?means 聚類(lèi)（K?means clustering）的時(shí)間跨度為2016～2020 年，K?means 算法因其能夠遵循一定的準(zhǔn)則將需要找到一定關(guān)聯(lián)性的事物進(jìn)行分類(lèi)的功能，現(xiàn)許多領(lǐng)域都會(huì)運(yùn)用到K?means 聚類(lèi)算法。將此算法與用戶畫(huà)像技術(shù)結(jié)合起來(lái)研究的文獻(xiàn)數(shù)量同樣不少。但是，經(jīng)典k?means 算法存在在多視角聚類(lèi)中容易陷入局部最優(yōu)的缺陷[3] ;聚類(lèi)#9 今日頭條（Toutiao） 的時(shí)間跨度為2015～2020，“今日頭條” 是一款成功的推薦引擎產(chǎn)品，也是在國(guó)內(nèi)互聯(lián)網(wǎng)中成長(zhǎng)最快的產(chǎn)品，有關(guān)數(shù)據(jù)顯示，截至2019 年12 月，頭條號(hào)賬號(hào)總數(shù)超過(guò)了180萬(wàn)，平均每天發(fā)布60 萬(wàn)條內(nèi)容。由于實(shí)時(shí)更新的用戶數(shù)據(jù)，使得其基于用戶畫(huà)像的個(gè)性化推薦系統(tǒng)具備很強(qiáng)的時(shí)效性特點(diǎn)[4] ;聚類(lèi)#10 內(nèi)容運(yùn)營(yíng)（contentoperation）的研究跨度為2017～2019 年?；诋?dāng)下的新媒體環(huán)境，重要的不僅僅是內(nèi)容質(zhì)量本身，內(nèi)容營(yíng)銷(xiāo)的渠道也一樣需要受到重視。

4結(jié)論與展望

（1）結(jié)論

第一，近五年用戶畫(huà)像領(lǐng)域發(fā)文量呈現(xiàn)迅速上升趨勢(shì)，學(xué)科背景豐富，具有跨學(xué)科特性。研究文獻(xiàn)涉及學(xué)科寬泛，多出現(xiàn)學(xué)科交叉的情況，其中計(jì)算機(jī)學(xué)科領(lǐng)域較常見(jiàn)。

第二，國(guó)內(nèi)用戶畫(huà)像研究力量主要有高等院校和公司組織兩大類(lèi)，院校之間、院校與公司之間存在合作研究的情況。以燕山大學(xué)和吉林大學(xué)等高校的研究者為核心研究力量，引領(lǐng)國(guó)內(nèi)公司組織，發(fā)表了深層次且有代表性的研究成果。

第三，用戶畫(huà)像研究主要圍繞“用戶畫(huà)像”“大數(shù)據(jù)”“精準(zhǔn)營(yíng)銷(xiāo)”“數(shù)據(jù)挖掘”和“推薦系統(tǒng)”等主題展開(kāi)。研究基于用戶畫(huà)像研究中數(shù)據(jù)基礎(chǔ)層面、核心技術(shù)層面和實(shí)際應(yīng)用層面，主要應(yīng)用和服務(wù)于大數(shù)據(jù)、精準(zhǔn)營(yíng)銷(xiāo)、數(shù)據(jù)挖掘和推薦系統(tǒng)等工程。

（2）展望

第一，用戶畫(huà)像研究領(lǐng)域以及應(yīng)用領(lǐng)域的拓展。用戶畫(huà)像具有較強(qiáng)的跨學(xué)科性和學(xué)科交叉性的特征，所以在未來(lái)可以拓展出更多的研究領(lǐng)域。

第二，構(gòu)建維度向多元化發(fā)展。如今，用戶畫(huà)像對(duì)于大量的非顯性信息存在難以獲取、研究不夠深入的問(wèn)題。此外，對(duì)于用戶一天中隨著時(shí)間動(dòng)態(tài)變化的數(shù)據(jù)信息存在難以區(qū)別分析的問(wèn)題。由此可以看出，用戶畫(huà)像的構(gòu)建維度不夠多元化，如何通過(guò)相關(guān)技術(shù)挖掘分析出實(shí)時(shí)變化的用戶數(shù)據(jù)的規(guī)律，構(gòu)建起更具真實(shí)性的用戶畫(huà)像是往后用戶畫(huà)像研究的一大趨勢(shì)。

第三，更注重對(duì)用戶隱私的保護(hù)。在如今這個(gè)互聯(lián)網(wǎng)時(shí)代，數(shù)據(jù)量相較于以往多得多，所以隱私保護(hù)顯得更加困難。因此，在用戶畫(huà)像研究領(lǐng)域，我們更應(yīng)該注重隱私保護(hù)問(wèn)題。

第四，創(chuàng)建出更精準(zhǔn)的用戶畫(huà)像系統(tǒng)。人工智能的發(fā)展預(yù)示著相關(guān)技術(shù)的升級(jí)和突破，而更加先進(jìn)的技術(shù)將構(gòu)建出一個(gè)更能滿足企業(yè)需求的用戶畫(huà)像系統(tǒng)。