陳志剛 任芬

摘要：個性化推薦是社會化商務(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、時間因子和社會化商務(wù)用戶信任等情境信息，構(gòu)建了在社會化商務(wù)下用戶個性化服務(wù)推薦的模型，實證分析融合情境對提高用戶服務(wù)推薦的正向作用。其結(jié)果可為社會化商務(wù)企業(yè)節(jié)約成本，為用戶提供更精準(zhǔn)的個性化服務(wù)。

關(guān)鍵詞：情境聚類;社會化商務(wù);用戶服務(wù);個性化推薦

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，社會化商務(wù)融合了社交媒體和電子商務(wù)的優(yōu)勢，較大程度改變了信息、人、資產(chǎn)之間流動的方式。David Kiron等認(rèn)為，社會化商務(wù)是一種商貿(mào)活動，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)活動相比，社會化商務(wù)打破了時間、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)的面向用戶性。目前，社會化商務(wù)的廣泛應(yīng)用使更多的用戶進(jìn)入移動社交活動，根據(jù) CNNIC 公布的第 42 次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》顯示，截至2018年6月，中國網(wǎng)絡(luò)用戶規(guī)模達(dá) 8.02 億。

在數(shù)字時代下，社會化網(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。人們在社會化網(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。社會化商務(wù)用戶在享有技術(shù)和社交活動便利的同時，被大量信息包圍，許多用戶難以切確、快速地獲取滿足自身需求的服務(wù)。隨著爆炸式增長的互聯(lián)網(wǎng)服務(wù)遠(yuǎn)遠(yuǎn)超出人們所能接納的范疇，社會化商務(wù)環(huán)境下的用戶面臨著愈來愈嚴(yán)重的 “信息過載”問題，這不僅影響了用戶體驗，還會降低網(wǎng)絡(luò)資源的利用效率。因此，如何針對社會化商務(wù)實現(xiàn)優(yōu)化服務(wù)推送、加強(qiáng)用戶體驗，從本質(zhì)上解決 “信息過載”問題，是目前急需處理的一大難題。

針對用戶在海量信息下的選擇困難等問題，“推薦系統(tǒng)”也應(yīng)運而生。目前，常見的有基于關(guān)聯(lián)規(guī)則的推薦、基于內(nèi)容的推薦、基于協(xié)同過濾的推薦、混合推薦等。個性化推薦技術(shù)既為用戶提供了個性化的信息篩選，又為信息尋得最合適的用戶。然而在以往的個性化研究中，往往忽視了情境環(huán)境對于用戶行為獲取的作用。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。在“非智能”時代，推薦主要依靠一些從直覺引導(dǎo)出的簡單模型或算法，而情境信息的深度挖掘，使得一些已知問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、趣頭條等個性化閱讀產(chǎn)品迅速超越依靠編輯審核的門戶新聞APP，基于情境環(huán)境的如地理位置、時間和設(shè)備等應(yīng)用的發(fā)散性蔓延使得情境因素尤為重要。社會化商務(wù)環(huán)境為我們創(chuàng)造了許多有價值的信息。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)化用戶個性化服務(wù)，從而提高用戶體驗是本文研究的目的。

二、研究現(xiàn)狀

情境是可以被用來表示某個實物的任何信息，實物可以是被認(rèn)為與用戶和應(yīng)用程序交互的人、點，或?qū)ο?，包括用戶和?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。智能移動終端設(shè)備可以提供大量的外部情境信息，如時間、地理位置、天氣等。而用戶自身的信息，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的情境信息為紐帶整合相關(guān)應(yīng)用服務(wù)，基于社會化商務(wù)環(huán)境為用戶提供可定制的個性化優(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。

情境聚類，就是在社交環(huán)境中將各類服務(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推薦的集大成者，更是實現(xiàn)了將用戶的現(xiàn)實生活與虛擬社交網(wǎng)絡(luò)相連接，通過用戶所處的情境，聯(lián)合用戶目前的實際情況智能的將各種服務(wù)精準(zhǔn)的推送給用戶。本文將社會化商務(wù)用戶的情境數(shù)據(jù)采集并依據(jù)相似度進(jìn)行情境聚類，構(gòu)建層次化的用戶情境特征集，以確保每位用戶都能匹配到一個相符合的情景類或情景類組合。同時，在不同情境之間構(gòu)建系統(tǒng)性維系，以保證不同情境類用戶間的關(guān)聯(lián)和交互。

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

三、用戶個性化推薦模型及方法

（一）社會化商務(wù)用戶特征及用戶行為模型

Z Huang等提出粗糙庫的方法進(jìn)行推薦，但忽略了時間產(chǎn)生的影響，導(dǎo)致算法的時效性不強(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)測目前用戶的喜好，但忽略了時間遺忘的特性，忽略了用戶隨著時間的推進(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、基于時間以及基于信任的三大類，將收集到的大量社會化商務(wù)用戶的行為數(shù)據(jù)基于情境信息進(jìn)行聚類，從這些數(shù)據(jù)中提取出用戶的特征。本文采用向量對原始維度進(jìn)行處理，原始用戶特征如表1所示。

通過將多維用戶特征采取降維處理，利用聚合的情境信息和用戶商品自身的描述，設(shè)計基于情境聚類的社會化商務(wù)用戶行為模型。最終獲得基于情境聚類的社會化商務(wù)用戶的特征集合：

User=U{C，U，H}

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

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

（二）情境聚類中的“地理社交”、“時間社交”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，一種是用戶在社會化商務(wù)網(wǎng)絡(luò)中的與好友的交互信息特點，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社會化用戶在設(shè)備上使用的定位所確定的位置來計算，本文引用張繼東提出的基于地理位置的方法，公式如下：

四、實驗結(jié)果分析

為了驗證本方法的可行性，以武漢學(xué)生為例設(shè)計了一個基于情境聚類用戶個性化的推薦服務(wù)。文章選取武漢頗為有名的40個景點，通過多種方法獲取262位學(xué)生關(guān)于景點的3163條打分信息，并將此部分作為系統(tǒng)訓(xùn)練的評分矩陣。下一步重新選取60為學(xué)生作為實驗測試用戶，結(jié)合自身情況填寫相關(guān)信息，并且根據(jù)自身的體驗，對相應(yīng)景點進(jìn)行打分，利用三章中（三）提出的個性化服務(wù)推薦方法得出推薦結(jié)果。

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

為了對比情境聚類的實驗效果，分別進(jìn)行兩次實驗：僅考慮用戶基本信息進(jìn)行推薦和考慮基于用戶情境聚類進(jìn)行推薦，推薦結(jié)果如表3所示。

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

在考慮用戶的情境信息時，測試推薦結(jié)果為：武漢動物園、武漢植物園、司門口、東湖磨山、黃鶴樓、武漢大學(xué)、漢口江灘、湖北省博物館、武漢歡樂谷、古琴臺。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（時間、距離、信任）影響了推薦的結(jié)果。考慮到“時間”和“地理”信息，推薦距離用戶較近且不需要門票或門票較低的景點（如武漢動物園、古琴臺、黃鶴樓、漢口江灘等），這一推薦也符合“價格優(yōu)惠”標(biāo)簽;同時推薦結(jié)果還充分考慮到“時間”和“社交”等情境信息，此時春天5月，用戶與社交好友都愛好拍照喜美食，從而推薦景色比較絢麗的景點（如司門口、武漢植物園、東湖磨山、武漢大學(xué)等），這一推薦也符合“活力滿滿小女生”“愛好拍照”等標(biāo)簽;另外，推薦結(jié)果中的湖北省博物館和武漢歡樂谷雖然距離武昌火車站較遠(yuǎn)，但充分考慮到湖北省博物館屬于免費的景點且武漢歡樂谷是朋友強(qiáng)力推薦的景點等因素，在理論上具有可行性，也在用戶可供選擇的范圍之中，同時，在某種程度下驗證了基于情境聚類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的社會化商務(wù)用戶服務(wù)推薦方法。描述在社會化商務(wù)環(huán)境下，通過將社會化商務(wù)用戶的地理、時間信息以及相互間的信任關(guān)系等情境信息進(jìn)行聚合，從而為社會化商務(wù)用戶提供精確的個性化服務(wù)推薦，最后以武漢學(xué)生為例，進(jìn)行驗證。通過兩次對比實驗（僅考慮用戶基本信息和基于用戶情境信息），結(jié)果表明基于情境聚類的用戶推薦結(jié)果更具準(zhǔn)確性。

個性化服務(wù)的出現(xiàn)是時代發(fā)展的產(chǎn)物，給人們的生活提供了很大的便利。目前，基于情境聚類的社會商務(wù)用戶個性化服務(wù)推送在社會化網(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。在信息繁多的時代，毫無疑問個性化服務(wù)給用戶帶來了方便，在一定程度上解決了用戶在面對信息時困惑的問題。大數(shù)據(jù)時代下基于地理位置的技術(shù)將社會化商務(wù)用戶從虛擬的網(wǎng)絡(luò)環(huán)境延伸到現(xiàn)實生活中;考慮到社交用戶興趣的變化，提出將用戶興趣變化趨勢與時間遺忘曲線和時間窗口結(jié)合的基于時間社交的方法;信任是社會化商務(wù)中特有的屬性，將信任融入到推薦中，增強(qiáng)了用戶個性化服務(wù)的可靠性。在增添了社交維度的同時也為用戶提供了貼切生活的個性化服務(wù)。然而，目前仍存在幾個問題：定位不精確，由于網(wǎng)絡(luò)狀態(tài)的關(guān)系，用戶的定位有時不夠精準(zhǔn)，導(dǎo)致推送的服務(wù)不夠貼切;用戶由于種種原因，將設(shè)備的定位關(guān)閉，從而導(dǎo)致無法獲取地理社交數(shù)據(jù);用戶隱私，在信息迅捷的互聯(lián)網(wǎng)時代，相關(guān)的法律不夠完善，存在用戶隱私泄露問題;此外，隨著數(shù)據(jù)的增大，時間復(fù)雜度增高等問題進(jìn)一步出現(xiàn)。因此，在以后的工作中，個性化服務(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]中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）.第42次中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報[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，2015（02）.

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

[5]朱東郡.基于標(biāo)簽聚類和興趣劃分的個性化推薦算法研究[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，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.基于移動融合的社交網(wǎng)絡(luò)用戶個性化信息服務(wù)研究[J].情報理論與實踐，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）.

*基金項目：湖北省教育廳人文社會科學(xué)重點項目（項目編號：18D037）。

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