基于用户在线行为的个性化推荐研究

基于用户在线行为的个性化推荐研究

作者：陈晓璇 刘洪伟 曹宁

来源：《合作经济与科技》2018年第07期

[提要] 在竞争激烈的网上零售活动中，为了提升用户的购物体验、培养顾客忠诚度，越来越多的电子商务企业关注如何从点击流中发现用户的兴趣偏好，进而为用户提供可靠的个性化推荐。本文在对国内外关于个性化推荐相关研究文献进行梳理的基础上，从点击流与用户行为、基于用户行为的个性化两个方面对现有文献进行综述，并提出将来的一些研究方向，供营销和信息科学领域的学者进一步研究和探讨。

关键词：在线购物；用户行为；点击流；个性化推荐 中图分类号：F713.3 文献标识码：A 收录日期：2018年1月16日

为了吸引更多的客户，电子商务公司不断扩大品类范围。大型电子商务机构每天看到超过一百万的客户登录到他们的网站。那些潜在客户每天都会看到成千上万的商品项目。因此，这些电子商务公司面临特定的挑战，即通过有效管理越来越多的类别和产品，发现网站用户的兴趣，促进销售。用于衡量消费者兴趣的大多数现有技术主要依靠客户评级。用户对某个项目进行评价表示至少在某种程度上对该项目感兴趣。评级值表示用户喜欢目标项目的数值。然而，评级信息太有限，无法描述用户的网站导航过程。此外，产品评级是最终的综合评估，其结合了用户对价格、服务和物流的看法。该评级由电子商务公司提供并且与产品本身相关。此外，来自新客户的评分不足以用于参考，而有经验的客户可能不愿意在每次使用网站时给予评分。这些因素使得更难以根据评级来发现用户的真正兴趣。一些学者研究了用户对社交网络媒体兴趣的话题。他们发现用户的兴趣经常被他们访问的帖子和他们回复的帖子所反映。这个想法可以类似地应用于电子商务网站。用户将会看到感兴趣的项目并吸引他们的注意。具有各种兴趣的用户将会访问不同的类别和多个项目。对于不同类型的用户，他们的浏览路径，他们访问网页的频率和每个类别花费的时间将各不相同。与用户评分相比，更详细的点击流信息可以用来更精确地描述用户的兴趣。

电子商务的成功离不开大量数据的支持。目前，在线商店运用多种信息寻找目标客户，例如人口统计特征、购买历史信息或评分信息，以及这些访问者是如何进入到这个线上商店的（即这个用户是通过书签、搜索引擎还是电子邮件推广的链接找到这个网站的）。但是，以上方式对于用户需求的挖掘和预测能力非常弱。而任何公司或者组织的成功必然离不开决策的正确性，点击流数据的出现成为了这种正确性决策最可靠、最有效的数据基础。与传统的媒体和商业环境不同，由于信息技术的发展，互联网可以快速、简单、不显眼地收集有关个人活动的详细信息。这种互联网用户在线操作的记录被称为点击流数据。从点击流数据源来分类的话，可以分为以下几类：

龙源期刊网 http://www.qikan.com.cn

（一）问卷调查。雷玲等以产品策略、促销策略、网站策略为自变量，情感反应做因变量研究用户冲动购买行为的形成机制，他们发现：产品策略、促销策略以及网站策略显著影响网络消费者的情感反应，其中促销策略对消费者情感反应的影响最大；其次是产品策略，最后是网站策略。

（二）网页浏览日志。付关友等从心理学的角度运用内驱力理论研究Web用户的浏览行为和他对网页是否感兴趣密切相关，他们发现随着用户浏览页面数的增多，捕获到用户的兴趣越高。

（三）实验室实验与问卷调查。Parboteeah等通过实证分析以及实验室控制实验研究了网站的变化是如何影响在线冲动购买。他们发现要使消费者更加冲动，网络零售商可以通过增加与任务相关的高质量的提示（TR）来最大限度地发挥积极的认知反应，同时增加与情绪相关的高质量的提示（MR）来提升积极的情感反应。

综上所述，分析用户行为可以通过问卷调查、网页浏览日志、实验室实验等途径来获取数据，进而通过不同的模型方法得到定量或定性的用户分析。

用户对自身行为的认识探索从未间断过，这也是学者们一直执着的追求。在过去很长一段时间，研究者们主要借鉴其他学科的研究方法来进行研究分析，由于用户自身行为具有复杂性和多样性，因此对于任何科学手段来说都具有很大的挑战性。在计算机普及之前，用户行为记录数据都是通过问卷调查或者填写个人资料等方式获取，数据的收集缺乏代表性和普适性，仅能做定性的分析，而且有关用户行为的研究，在很长一段时间内，学者们普遍都认为人的行为均服从泊松随机过程，导致绝大多数研究成果仅仅是定性描述且带有很大的局限性。随着社会的发展和互联网的出现，促进了人的生产方式和思维方式变化；由此，出现了两个亟待解决的问题：这些研究成果及结论是否能真实地反映人们生活中表现出来的行为特征？如何定量化分析用户行为？关于点击流用户行为分析中的应用，从模型来分类的话，可以分为以下几类： 1、马尔可夫模型。袁兴福等利用马尔科夫模型和EM聚类方法给出一种依据原始日志建立用户行为序列来描述会话的方案，会话所反映的用户行为特征，可以指导网站制定推荐策略，或对营销方案的制订提供支持。

2、聚类算法等。Gunduz和Ozsu引入一个通过访问页面和访问时间的相似性度量来找出用户会话之间的两两相似性，然后使用图形分割算法基于相似性度量划分用户会话，并提出用于表示群集的树结构。实验表明，该模型可以在不同结构的网站上使用。

然而，这些方法仍然存在着一定的不足，如高阶马尔科夫模型由于其状态数量庞大而非常复杂，而低阶马尔可夫模型不能捕获会话中用户的整个行为；基于顺序模式挖掘的模型仅考虑数据集中的频繁序列，使得难以预测下一个请求，而不是按照顺序模式的页面。而且，很难找到挖掘用户会话的两种不同类型的信息的模型。因此，想要更好地利用点击流数据来预测用户的在线行为，仍需要更多的研究。可以为网页优化和个性化推荐提供重要的辅助。

龙源期刊网 http://www.qikan.com.cn

互联网的快速传播为电子商务公司提供了轻松有效的客户信息采集。从客户收集的信息通过管理个性化网络体验并保留与客户的通信转换为高质量的产品和服务，因特网提供的信息已经导致信息超载。Web用户难以找到信息推荐系统已经成为对此问题的重要响应信息过滤应用数据分析技术，以帮助客户找到他们想要购买的产品的得分或推荐产品列表的问题顾客。到目前为止，推荐系统已经被许多网站（如亚马逊、雅虎和电影评论家）实施。

个性化推荐是电子商务企业广泛采用的个性化营销策略之一，它是指电子商务网站根据消费者之前的评分、浏览、购买或搜索历史等行为数据以及相似消费者的历史行为数据推测目标消费者的需求和偏好，然后在目标消费者访问网站时为其推荐或展示一组他们可能喜欢的商品或服务。当前推荐系统中使用的基础技术分为两个不同的类别，基于内容的过滤和协同过滤。在基于内容的过滤中，它提供了类似于过去用户所熟悉的内容的项目；另一方面，在协同过滤中，它识别出与给定用户相似偏好的其他用户，并提供了他们想要的东西。刘春、梁光磊、谭国平等通过对用户行为日志的分析生成用户的兴趣偏好模型，同时引入时间因子反映用户兴趣的漂移，将基于用户偏好分析的推荐方法与基于物品的协同过滤算法相结合形成了融合的个性化推荐模型。

目前，国内外大量相关文献主要研究了如何改进个性化推荐的算法和模型，很多学者对个性化推荐算法和模型进行了综述和评析，然而很少有学者系统地回顾个性化推荐和用户行为之间的关系。本文重点对有关个性化推荐和用户行为之间关系的文献进行了梳理。营销领域大量的相关研究发现，个性化推荐可以改变用户的信息搜索行为、产品偏好、价格敏感度、选择决策和决策质量等，但该研究方向仍然有很多值得进一步研究和探索的问题。通过对相关文献的系统分析，本文提出几个值得进一步研究的问题：（1）探讨个性化推荐对用户行为的长期影响；（2）研究用户动态兴趣的个性化推荐；（3）控制个性化推荐的内生性。

[1]雷玲，张小筠，王礼力.基于电子商务营销的网上冲动购买研究[J].商业研究，2012.3. [2]付关友，朱征宇.个性化服务中基于行为分析的用户兴趣建模[J].计算机工程与科学，2005.27.12.

[3]Parboteeah D V，Valacich J S，Wells J D，et al.The Influence of Website Characteristics on a Consumer's Urge to Buy Impulsively[J].Information Systems Research，2009.20.1. [4]袁兴福，张鹏翼，刘洪莲等.基于点击流的电商用户会话建模[J].图书情报工作，2015.59.1.