李建軍+蘇泯元+楊玉+楊芳

[摘 要] 隨著移動(dòng)互聯(lián)網(wǎng)應(yīng)用快速發(fā)展，移動(dòng)用戶面對(duì)所產(chǎn)生的大量商品信息選擇越來越困難。通過對(duì)移動(dòng)互聯(lián)網(wǎng)中的非活躍用戶冷啟動(dòng)問題分析，提出移動(dòng)互聯(lián)網(wǎng)的非活躍用戶的個(gè)性化服務(wù)推薦的分類方法和推薦類型。在移動(dòng)互聯(lián)網(wǎng)的非活躍用戶個(gè)性化推薦層面：一方面，移動(dòng)APP網(wǎng)上商城要更加關(guān)注對(duì)應(yīng)用程序內(nèi)容的深度理解與分類，這樣才能從海量的應(yīng)用程序中找到最優(yōu)質(zhì)的應(yīng)用推薦給用戶；另一方面，移動(dòng)APP網(wǎng)上商城也要更加了解用戶的需求，利用大數(shù)據(jù)的海量數(shù)據(jù)挖掘，真正的把用戶的多維屬性利用起來，從而做到個(gè)性化推薦。

[關(guān)鍵詞] 移動(dòng)互聯(lián)網(wǎng)；非活躍用戶；冷啟動(dòng)；個(gè)性化推薦

[中圖分類號(hào)] F725 [文獻(xiàn)標(biāo)識(shí)碼] B

2016年第三季度中國(guó)移動(dòng)互聯(lián)網(wǎng)市場(chǎng)規(guī)模為2038.1億元，同比增長(zhǎng)78.1%，環(huán)比增長(zhǎng)12.4%。在移動(dòng)互聯(lián)網(wǎng)與計(jì)算機(jī)網(wǎng)絡(luò)逐漸融合的過程中，對(duì)互聯(lián)網(wǎng)信息服務(wù)進(jìn)行延伸，為用戶提供了比傳統(tǒng)通信業(yè)務(wù)更加豐富多彩的移動(dòng)聯(lián)網(wǎng)服務(wù)和信息內(nèi)容，與此同時(shí)，智能移動(dòng)設(shè)備日益普及促使信息資源的獲取和推送可以發(fā)生在“任何時(shí)間、任何地點(diǎn)、以任何方式”，為用戶提供無處不在的信息內(nèi)容己經(jīng)成為可能。在為大眾提供便利獲取信息資源的同時(shí)，移動(dòng)互聯(lián)網(wǎng)中的海量信息也給人們帶來了選擇困難，大量用戶不需要的信息嚴(yán)重浪費(fèi)了用戶寶貴的時(shí)間，干擾用戶做出正確的選擇，快速有效的從繁雜的數(shù)據(jù)中獲取有價(jià)值的信息變得越來越重要。

一、個(gè)性化推薦

個(gè)性化推薦是根據(jù)用戶的興趣特點(diǎn)和購(gòu)買行為，向用戶推薦用戶感興趣的信息和商品。個(gè)性化推薦一直是研究者關(guān)注的熱點(diǎn)領(lǐng)域。個(gè)性化推薦主要為背景不同的用戶給出適合其自身特點(diǎn)的推薦。用戶的背景不同其對(duì)相同關(guān)鍵詞的期望查詢結(jié)果也不同。用戶的背景包括年齡、性別、職業(yè)、個(gè)人興趣、收入、周圍社交關(guān)系等情況。個(gè)性化推薦技術(shù)在電子商務(wù)領(lǐng)域中取得很大程度的發(fā)展和廣泛應(yīng)用，很多電子商務(wù)購(gòu)物網(wǎng)站利用它不但增加了營(yíng)業(yè)額和利潤(rùn)，而且靠其培養(yǎng)用戶的消費(fèi)習(xí)慣，使用戶改變傳統(tǒng)的消費(fèi)方式。

個(gè)性化推薦的最大的優(yōu)點(diǎn)在于，它能收集用戶特征資料并根據(jù)用戶特征，如興趣偏好，為用戶主動(dòng)作出個(gè)性化的推薦。而且，系統(tǒng)給出的推薦是可以實(shí)時(shí)更新的，即當(dāng)系統(tǒng)中的商品庫(kù)或用戶特征庫(kù)發(fā)生改變時(shí)，給出的推薦序列會(huì)自動(dòng)改變。這就大大提高了電子商務(wù)活動(dòng)的簡(jiǎn)便性和有效性，同時(shí)也提高了企業(yè)的服務(wù)水平。

個(gè)性化推薦的本質(zhì)是通過發(fā)掘用戶的隱含信息給為用戶推薦其最大概率采納的信息。其難點(diǎn)在于：（1）挖掘用戶隱含信息，對(duì)隱含信息挖掘的越全面越能很好的反饋用戶的真實(shí)需求。（2）隱含信息的權(quán)重，隱含信息的權(quán)重越大，則對(duì)推薦的影響越大，因此準(zhǔn)確的確定隱含信息的權(quán)重對(duì)推薦質(zhì)量非常重要。

移動(dòng)電子商務(wù)個(gè)性化推薦的主要算法包括（1）基于關(guān)聯(lián)規(guī)則的推薦算法（Association Rule-based Recommendation）；（2）基于內(nèi)容的推薦算法（Content-based Recommendation）；（3）協(xié)同過濾推薦算法（Collaborative Filtering Recommendation）。移動(dòng)電子商務(wù)個(gè)性化推薦面臨的問題包括（1）稀疏性問題：如果用戶對(duì)商品的評(píng)價(jià)數(shù)據(jù)非常稀疏，這樣基于用戶的評(píng)價(jià)所得到的用戶間的相似性不夠準(zhǔn)確；（2）可擴(kuò)展性問題：隨著用戶和商品的增多，推薦系統(tǒng)的性能會(huì)逐漸降低；（3）冷啟動(dòng)問題：如果從來沒有用戶對(duì)某一商品加以評(píng)價(jià)，則這個(gè)商品被推薦的可能性極小；（4）長(zhǎng)尾問題：對(duì)小微市場(chǎng)的推薦。

為了充分挖掘數(shù)據(jù)價(jià)值，緩解信息過載問題，以及提高推薦質(zhì)量，滿足移動(dòng)用戶個(gè)性化的推薦需求，基于用戶的行為感知用戶的偏好。通常移動(dòng)用戶的偏好通過用戶的行為表現(xiàn)，移動(dòng)用戶的行為是用戶偏好的顯式表現(xiàn)。移動(dòng)用戶偏好和用戶的行為存在一定的因果關(guān)系，因此，通過挖掘移動(dòng)用戶行為信息，建立用戶行為和偏好的模型，可以為移動(dòng)用戶給出個(gè)性化的推薦。在為移動(dòng)用戶給出個(gè)性化推薦的過程中，如果為每個(gè)用戶都建立一個(gè)用戶行為和偏好的模型，則在實(shí)際應(yīng)用過程中的效率可能會(huì)非常低，因此，研究高效、準(zhǔn)確的基于行為感知的非活躍移動(dòng)用戶個(gè)性化推薦具有非常好的實(shí)際應(yīng)用價(jià)值。

二、非活躍用戶冷啟動(dòng)問題

移動(dòng)互聯(lián)網(wǎng)中存在相當(dāng)數(shù)量的非活躍用戶，這些用戶的歷史行為信息、歷史記錄都非常稀少，很難得到推薦的依據(jù)，因此對(duì)這類用戶的推薦是推薦領(lǐng)域的難點(diǎn)、熱點(diǎn)之一。對(duì)非活躍用戶的推薦又稱為移動(dòng)用戶冷啟動(dòng)問題。冷啟動(dòng)是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)專業(yè)術(shù)語(yǔ)，指的是數(shù)據(jù)挖掘需要數(shù)據(jù)的積累，而產(chǎn)品初期數(shù)據(jù)為空或者數(shù)據(jù)量太少導(dǎo)致所需的數(shù)據(jù)量達(dá)不到要求。

冷啟動(dòng)問題包括：（1）如何向還沒給任何商品評(píng)分的新用戶推薦；（2）如何處理從未被評(píng)過分或購(gòu)買過的商品。這兩類問題都可以通過混合方法來解決，即利用額外的外部信息。對(duì)冷啟動(dòng)問題的已有研究成果包括由多種相似度測(cè)量的線性組合并應(yīng)用神經(jīng)網(wǎng)絡(luò)得到相似度的最優(yōu)權(quán)重。然而這些方法忽略對(duì)用戶間信任關(guān)系的約束，對(duì)冷啟動(dòng)問題的效果不理想?，F(xiàn)有的研究多數(shù)基于存在信任關(guān)系的用戶較無信任關(guān)系的用戶更適合給出準(zhǔn)確的推薦。研究者認(rèn)為用戶間的信任關(guān)系可以被用于推薦，為了得到更多的信任關(guān)系，通過傳播信任可以覆蓋更廣的信任關(guān)系。不準(zhǔn)確的信任關(guān)系是導(dǎo)致推薦不準(zhǔn)確的首要因素，因此如何準(zhǔn)確的獲取用戶間的信任關(guān)系是準(zhǔn)確個(gè)性化推薦的前提。

解決冷啟動(dòng)問題需要產(chǎn)品、運(yùn)營(yíng)、市場(chǎng)的多方協(xié)作，尤其產(chǎn)品設(shè)計(jì)上的預(yù)先考慮，從產(chǎn)品立項(xiàng)之初就要為解決冷啟動(dòng)做好準(zhǔn)備。各種邀請(qǐng)方式是有權(quán)重和主次的，當(dāng)然可以混合使用多種，但是線上的，基本的機(jī)制是首先要保證的。線下的邀請(qǐng)機(jī)制可視具體情形使用，如果無條件，將線上邀請(qǐng)做好也能收到足夠好的效果。

三、基于移動(dòng)互聯(lián)網(wǎng)的非活躍用戶個(gè)性化推薦

移動(dòng)互聯(lián)網(wǎng)的非活躍用戶的個(gè)性化服務(wù)推薦是指利用移動(dòng)電子商務(wù)平臺(tái)向客戶提供商品信息和建議，幫助客戶決定應(yīng)該購(gòu)買什么產(chǎn)品，模擬銷售人員幫助客戶完成購(gòu)買過程。目前，幾乎所有大型的電子商務(wù)系統(tǒng)，如阿里巴巴、京東、蘇寧易購(gòu)等電子商務(wù)平臺(tái)，都不同程度地使用了各種形式的電子商務(wù)推薦系統(tǒng)，電子商務(wù)推薦系統(tǒng)的開發(fā)和應(yīng)用能夠給電商企業(yè)帶來巨大的經(jīng)濟(jì)效益。

移動(dòng)互聯(lián)網(wǎng)的非活躍用戶的個(gè)性化服務(wù)推薦的分類方法存在多種，根據(jù)推薦的自動(dòng)化和持久性程度，可以將電子商務(wù)推薦系統(tǒng)分為非個(gè)性化電子商務(wù)推薦系統(tǒng)、基于屬性的電子商務(wù)推薦系統(tǒng)、用戶相關(guān)性推薦系統(tǒng)和商品相關(guān)性推薦系統(tǒng)。

根據(jù)所采用的推薦技術(shù)可以將移動(dòng)電子商務(wù)推薦系統(tǒng)分為以下幾種類型：協(xié)同過濾推薦、基于內(nèi)容過濾的推薦、基于關(guān)聯(lián)規(guī)則的推薦、基于用戶統(tǒng)計(jì)信息的推薦、基于效用的推薦和基于知識(shí)的推薦等。

為了充分挖掘數(shù)據(jù)價(jià)值，提高推薦質(zhì)量，滿足非活躍用戶個(gè)性化的推薦需求，以及緩解移動(dòng)信息過載問題，基于情景感知移動(dòng)用戶特征，充分利用移動(dòng)用戶在社交網(wǎng)絡(luò)中的信息，從社交拓?fù)?、移?dòng)用戶特征概率矩陣等方面提高移動(dòng)用戶個(gè)性化推薦、非活躍用戶推薦，移動(dòng)用戶時(shí)間敏感個(gè)性化推薦的效果是基于情景感知的移動(dòng)用戶個(gè)性化推薦亟需解決的問題。綜上所述，在推薦的過程中，綜合考慮移動(dòng)非活躍用戶情景信息和社會(huì)網(wǎng)絡(luò)關(guān)系等多源信息，可進(jìn)一步提高推薦效果，為移動(dòng)互聯(lián)網(wǎng)更好的服務(wù)消費(fèi)者，提供更加準(zhǔn)確、個(gè)性化、豐富多彩的服務(wù)和信息內(nèi)容提供至關(guān)重要的支持。

總之，在移動(dòng)互聯(lián)網(wǎng)的非活躍用戶個(gè)性化推薦層面：一方面，移動(dòng)APP網(wǎng)上商城要更加關(guān)注對(duì)應(yīng)用程序內(nèi)容的深度理解與分類，這樣才能從海量的應(yīng)用程序中找到最優(yōu)質(zhì)的應(yīng)用推薦給用戶；另一方面，移動(dòng)APP網(wǎng)上商城也要更加了解用戶的需求，利用大數(shù)據(jù)的海量數(shù)據(jù)挖掘，真正的把用戶的多維屬性利用起來，從而做到個(gè)性化推薦。

[參 考 文 獻(xiàn)]

[1]孟祥武，胡勛，王立才，張玉潔.移動(dòng)推薦系統(tǒng)及其應(yīng)用研究[J].軟件學(xué)報(bào)，2013，24（1）：91-108

[2]劉樹棟，孟祥武.一種基于移動(dòng)用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J].軟件學(xué)報(bào)，2014，25（11）：2556-2574

[3]彭慧潔.移動(dòng)網(wǎng)絡(luò)環(huán)境下個(gè)性化信息推薦算法研究[J].電子商務(wù)，2016（12）

[4]楊君，莫贊，艾丹祥，蔡桂青.基于推薦函數(shù)情景化的多維信息推薦研究[J].情報(bào)雜志，2014（2）：149-154

[5]戴德寶，劉西洋，范體軍.“互聯(lián)網(wǎng)+”時(shí)代網(wǎng)絡(luò)個(gè)性化推薦采納意愿影響因素研究[J].中國(guó)軟科學(xué)，2015（8）：163-172

[6]王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（7）：66-76

[7]李霞，李守偉.面向個(gè)性化推薦系統(tǒng)的二分網(wǎng)絡(luò)協(xié)同過濾算法研究[J].計(jì)算機(jī)應(yīng)用研究，2013，30（7）：1946-1949

[8]Schafer J.B.，Konstan J. A. and Riedl J.E-Commerce recommendation applications[J].Data Mining and Knowledge Discovery.2010（5）

[9]MansinghG，Osei-Bryson K M and Reichgelt H. Using ontologies to facilitate post-processing of association rules by domain experts[J]. Information Sciences.2011（3）

[10]Michael O.，NeilH.，NicholasK.，et a1.Collaborative recommendation：a robustness analysis[C].ACM Transactions on Internet Technology， Special Issue of Machine Learning for the Internet.2012

[責(zé)任編輯：潘洪志]