融合情境的社会化商务用户服务推荐优化研究
来源:用户上传
作者:
摘要：个性化推荐是社会化商务发展的产物，向顾客提供信息服务和决策支持。文章融合地理位置、时间因子和社会化商务用户信任等情境信息，构建了在社会化商务下用户个性化服务推荐的模型，实证分析融合情境对提高用户服务推荐的正向作用。其结果可为社会化商务企业节约成本，为用户提供更精准的个性化服务。
关键词：情境聚类;社会化商务;用户服务;个性化推荐
一、引言
作为互联网发展中的一种商务模式创新的应用，社会化商务融合了社交媒体和电子商务的优势，较大程度改变了信息、人、资产之间流动的方式。David Kiron等认为，社会化商务是一种商贸活动，利用社交媒体促进人员、信息和资产的高效互利。与其他商务活动相比，社会化商务打破了时间、空间及人际关系等限制因素，具有更高的交互性和更强的面向用户性。目前，社会化商务的广泛应用使更多的用户进入移动社交活动，根据 CNNIC 公布的第 42 次《中国互联网络发展状况统计报告》显示，截至2018年6月，中国网络用户规模达 8.02 亿。
在数字时代下，社会化网络为人们提供了更多的交流方式，不仅拉近了人与人之间的距离，也使得交流内容变得更加多样化。人们在社会化网络中交互彼此的信息，使得样式繁多的信息非结构化的分布在网络中。社会化商务用户在享有技术和社交活动便利的同时，被大量信息包围，许多用户难以切确、快速地获取满足自身需求的服务。随着爆炸式增长的互联网服务远远超出人们所能接纳的范畴，社会化商务环境下的用户面临着愈来愈严重的 “信息过载”问题，这不仅影响了用户体验，还会降低网络资源的利用效率。因此，如何针对社会化商务实现优化服务推送、加强用户体验，从本质上解决 “信息过载”问题，是目前急需处理的一大难题。
针对用户在海量信息下的选择困难等问题，“推荐系统”也应运而生。目前，常见的有基于关联规则的推荐、基于内容的推荐、基于协同过滤的推荐、混合推荐等。个性化推荐技术既为用户提供了个性化的信息筛选，又为信息寻得最合适的用户。然而在以往的个性化研究中，往往忽视了情境环境对于用户行为获取的作用。随着人工智能和区块链的发展，如今的推荐系统更是进入新的量级。在“非智能”时代，推荐主要依靠一些从直觉引导出的简单模型或算法，而情境信息的深度挖掘，使得一些已知问题上的推荐效率得到提高。如今，依靠情境分析的今日头条、天天快报、趣头条等个性化阅读产品迅速超越依靠编辑审核的门户新闻APP，基于情境环境的如地理位置、时间和设备等应用的发散性蔓延使得情境因素尤为重要。社会化商务环境为我们创造了许多有价值的信息。但是，如何将这些数据信息转化成贴近生活的情境信息，优化用户个性化服务，从而提高用户体验是本文研究的目的。
二、研究现状
情境是可以被用来表示某个实物的任何信息，实物可以是被认为与用户和应用程序交互的人、点，或对象，包括用户和应用程序本身。Zou J A将情境分为与人有关的情境和与物理设备有关的情境，基础情境与高层情境。智能移动终端设备可以提供大量的外部情境信息，如时间、地理位置、天气等。而用户自身的信息，如年龄、性别、教育程度等则构成了内部情境信息。情境信息中的地理位置发散式应用在各个领域中，如基于地理位置信息的酒店预订。目前研究者们希望能以用户的情境信息为纽带整合相关应用服务，基于社会化商务环境为用户提供可定制的个性化优化推荐，促成按需服务的一站式情境生活方案。因此，从情境环境中发掘出可利用的信息，为智能化人机交互提供支撑，是当前研究的热点。
情境聚类，就是在社交环境中将各类服务基于情境信息进行融合和聚集。基于情境信息的聚合不仅是众多用户推荐的集大成者，更是实现了将用户的现实生活与虚拟社交网络相连接，通过用户所处的情境，联合用户目前的实际情况智能的将各种服务精准的推送给用户。本文将社会化商务用户的情境数据采集并依据相似度进行情境聚类，构建层次化的用户情境特征集，以确保每位用户都能匹配到一个相符合的情景类或情景类组合。同时，在不同情境之间构建系统性维系，以保证不同情境类用户间的关联和交互。
在现实生活中，情境聚类可以更好的服务于个性化推荐。Adomavicius等人论述了融合情境信息的推荐模型，引入情境匹配，并开发电影推荐的原型实验系统。得益于情境聚类的个性化推荐算法，短视频近几年来也发展迅猛，如快手与今日头条旗下西瓜视频、抖音APP等迅速获得用户喜爱。个性化推荐是基于用户的行为、喜好及特征等，来满足用户个性化需求的一种服务。与其他的方式相比，情境聚类的核心是基于社会化商务环境围绕着“用户”即用户的信任、位置、时间等信息，而行为信息更能够反映出真实的用户情形与需求，位置信息来源于用户在实体世界中的运动，具有更强的时效性与可信度，时间变化为我们更了解用户的需求提供充分条件，因此，情境聚类在社会化商务个性化服务运用中具有非常广阔的前景。
三、用户个性化推荐模型及方法
（一）社会化商务用户特征及用户行为模型
Z Huang等提出粗糙库的方法进行推荐，但忽略了时间产生的影响，导致算法的时效性不强。Shin D等比较当前情境与历史情境，并根据历史的偏好记录预测目前用户的喜好，但忽略了时间遗忘的特性，忽略了用户随着时间的推进兴趣变化的因素，从而促使推荐结果不准确。本文将情境信息分为基于地理位置、基于时间以及基于信任的三大类，将收集到的大量社会化商务用户的行为数据基于情境信息进行聚类，从这些数据中提取出用户的特征。本文采用向量对原始维度进行处理，原始用户特征如表1所示。
通过将多维用户特征采取降维处理，利用聚合的情境信息和用户商品自身的描述，设计基于情境聚类的社会化商务用户行为模型。最终获得基于情境聚類的社会化商务用户的特征集合：
User=U{C，U，H} 其中，情境C={D，TF，DT}， D为用户的地理位置信息， TF、DT分别表示用户的时间和信任度信息，C是将特征D、特征TF及特征DT等情境信息集合，生成的聚类结果。U表示社会化商务用户的个人相关信息，特征H则是在用户特征集合中各个情境特征的权重值，表示情境特征在用户特征中所占比重。
为了全面、准确的构建用户行为模型，更加高效的利用处理之后的用户数据，本文设计如图1所示的社会化商务用户的行为模型。
（二）情境聚类中的“地理社交”、“时间社交”和“信任社交”
1. 地理社交
地理社交产生的地理数据具有两种属性，一种是用户在社会化商务网络中的与好友的交互信息特点，如好友姓名、列表等;另外一种是地理属性，即位置坐标以及餐厅、游戏厅等。地理距离的相似度通过社会化用户在设备上使用的定位所确定的位置来计算，本文引用张继东提出的基于地理位置的方法，公式如下：
四、实验结果分析
为了验证本方法的可行性，以武汉学生为例设计了一个基于情境聚类用户个性化的推荐服务。文章选取武汉颇为有名的40个景点，通过多种方法获取262位学生关于景点的3163条打分信息，并将此部分作为系统训练的评分矩阵。下一步重新选取60为学生作为实验测试用户，结合自身情况填写相关信息，并且根据自身的体验，对相应景点进行打分，利用三章中（三）提出的个性化服务推荐方法得出推荐结果。
随机选取测试集中的用户“王一”进行推荐，用户“王一”的相关信息如表2所示。
为了对比情境聚类的实验效果，分别进行两次实验：仅考虑用户基本信息进行推荐和考虑基于用户情境聚类进行推荐，推荐结果如表3所示。
根据表3可知，当只考虑用户的基本信息时，根据用户的标志“一颗腼腆的芒果”，女，年龄20，电子商务大二爱好小动物的学生，自动生成“活力满满的小女生”标签，并发现与其相似的用户，然后根据类似用户进行推荐：武汉海洋世界、黄鹤楼、楚河汉街、东湖磨山、武汉欢乐谷、汉口江滩、张公山寨、归元寺、汉口江滩、木兰草原景点。如果只考虑用户“王一”的基本情况，这些景点是比较符合的，但是没有结合情境信息，可能会与实际情况相差较远。用户的偏好是比较价格便宜的倾向，而楚河汉街属于高消费地区，与用户的实际消费不符合;另外，用户和他的社交好友喜欢拍照、美食，武汉小吃最多的司门口却并没有推荐;接着，时间考虑不周，木兰草原距离武昌火车站距离较远，过去较为耗时，中午12点过去，游玩时间可能不够，对于用户“王一”而言，在没有偏好景点的选择下，会优先选择距离较近的景点游玩。因此，只考虑用户的基本信息进行推荐与用户的真正需求差距较大。
在考虑用户的情境信息时，测试推荐结果为：武汉动物园、武汉植物园、司门口、东湖磨山、黄鹤楼、武汉大学、汉口江滩、湖北省博物馆、武汉欢乐谷、古琴台。这次推荐相较于前一次有了变化。主要原因是，结合情境信息（时间、距离、信任）影响了推荐的结果。考虑到“时间”和“地理”信息，推荐距离用户较近且不需要门票或门票较低的景点（如武汉动物园、古琴台、黄鹤楼、汉口江滩等），这一推荐也符合“价格优惠”标签;同时推荐结果还充分考虑到“时间”和“社交”等情境信息，此时春天5月，用户与社交好友都爱好拍照喜美食，从而推荐景色比较绚丽的景点（如司门口、武汉植物园、东湖磨山、武汉大学等），这一推荐也符合“活力满满小女生”“爱好拍照”等标签;另外，推荐结果中的湖北省博物馆和武汉欢乐谷虽然距离武昌火车站较远，但充分考虑到湖北省博物馆属于免费的景点且武汉欢乐谷是朋友强力推荐的景点等因素，在理论上具有可行性，也在用户可供选择的范围之中，同时，在某种程度下验证了基于情境聚类的推荐方法的合理性。
五、结论
本文在借鉴已有研究人员工作基础上提出了基于情境聚类的社会化商务用户服务推荐方法。描述在社会化商务环境下，通过将社会化商务用户的地理、时间信息以及相互间的信任关系等情境信息进行聚合，从而为社会化商务用户提供精确的个性化服务推荐，最后以武汉学生为例，进行验证。通过两次对比实验（仅考虑用户基本信息和基于用户情境信息），结果表明基于情境聚类的用户推荐结果更具准确性。
个性化服务的出现是时代发展的产物，给人们的生活提供了很大的便利。目前，基于情境聚类的社会商务用户个性化服务推送在社会化网络中的应用领域正逐步扩大，例如火山小视频、抖音等。在信息繁多的时代，毫无疑问个性化服务给用户带来了方便，在一定程度上解决了用户在面对信息时困惑的问题。大数据时代下基于地理位置的技术将社会化商务用户从虚拟的网络环境延伸到现实生活中;考虑到社交用户兴趣的变化，提出将用户兴趣变化趋势与时间遗忘曲線和时间窗口结合的基于时间社交的方法;信任是社会化商务中特有的属性，将信任融入到推荐中，增强了用户个性化服务的可靠性。在增添了社交维度的同时也为用户提供了贴切生活的个性化服务。然而，目前仍存在几个问题：定位不精确，由于网络状态的关系，用户的定位有时不够精准，导致推送的服务不够贴切;用户由于种种原因，将设备的定位关闭，从而导致无法获取地理社交数据;用户隐私，在信息迅捷的互联网时代，相关的法律不够完善，存在用户隐私泄露问题;此外，随着数据的增大，时间复杂度增高等问题进一步出现。因此，在以后的工作中，个性化服务推送还有很大的改善空间。
参考文献：
[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]中国互联网络信息中心（CNNIC）.第42次中国互联网络发展状况统计报[R].2018.
[3]孟祥武，纪威宇，张玉洁.大数据环境下的推荐系统[J].北京邮电大学学报，2015（02）.
[4]陈克寒，韩盼盼，吴健.基于用户聚类的异构社交网络推荐算法[J].计算机学报，2013（02）.
[5]朱东郡.基于标签聚类和兴趣划分的个性化推荐算法研究[D].安徽理工大学，2017.
[6]许海玲，吴潇，李晓东，等.互联网推荐系统比较研究[J].软件学报，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]张继东，李鹏程.基于移动融合的社交网络用户个性化信息服务研究[J].情报理论与实践，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：湖北省教育厅人文社会科学重点项目（项目编号：18D037）。
（作者单位：湖北工业大学经济与管理学院）
转载注明来源:https://www.xzbu.com/2/view-15135881.htm
