基于用户画像的智能推荐研究

来源:用户上传      作者:徐立萍 何丹 陆元文

　　摘要：智能技术在用户画像分析与内容推荐方面的应用已较为广泛，但在为用户提供方便的过程中，仍存在一些问题。以覆盖面最广、日活跃用户最多的短视频平台抖音APP作为应用案例，通过问卷调查的形式，以抖音用户为受访对象，厘清在基于用户画像的智能推荐机制下用户的使用情况与满意程度，挖掘和探索智能推荐系统对用户产生的影响，找出影响用户使用满意度的重要因素，提出优化智能推荐策略的建议。
　　关键词：用户画像 智能推荐 算法 抖音
　　自20世纪90年代至今，智能推荐系统已成为用户提供信息检索和信息过滤的重要手段。在信息的分发过程中，智能推荐系统以用户的身份信息、社交信息、地理位置、历史浏览痕迹等为依据，分析出系统中用户最感兴趣的内容，并将其排序呈现在用户面前，本质上是对用户、环境和信息进行合理的匹配。抖音就是通过智能推荐系统实现对用户的内容分发，利用智能技术进行用户画像，并根据用户画像向其自动推送合适的内容，有效地提高了用户满意度以及黏性。
　　抖音是2016年由字节跳动孵化并上线的短视频平台，距今上线已超过5年。根据抖音发布的《2020抖音数据报告》，2020年抖音日活跃用户突破6亿、日均视频搜索次数突破4亿。并且从北上广深等超一线城市向中西部三四线小城镇逐渐下沉，成为当前中国互联网市场上覆盖面最广、日活跃用户最多的短视频社区平台。
　　抖音的成功离不开它优秀的智能内容推荐系统。但长期以来，业界和学界更多的关注个性化内容推荐机制，少有人从用户的角度来思考和探索，即用户对个性化推荐机制下的应用使用满意度如何？这套机制给用户造成了怎样的影响？带着这样的疑问出发，以抖音APP为研究对象，通过问卷调查，探寻智能推荐算法对用户产生的影响，并基于调查结果提出优化智能推荐策略的建议。
　　用户画像与内容推荐都是智能技术在内容生产过程中得到广泛应用的环节。用户画像是沟通内容生产者与消费者的一座重要桥梁，通过收集用户信息、将用户特征总结为标签，构建用户画像，对选题策划做出指导，可为用户量身定制内容，也可以利用内容推荐系统从已有的优质内容中挑选符合用户需求的内容进行分发，实现内容和需求的精准匹配。
　　1.抖音通过大数据多角度进行用户画像。用户画像在英文中的单词是Persona，这个词最早应用于交互设计领域，源于要提高产品的体验，必须足够了解用户，因此通过沟通、观察用户的生活来建立起对用户的同理心。Cooper认为，用户画像是对真实用户的虚拟表示，是基于一系列数据建构而成的目标用户模型。本文认为，在内容生产语境下，用户画像指的是通过收集、分析和处理内容消费者的人口统计学特征、行为偏好属性等信息，形成一系列精炼的特征标识，再将这些特征标识组合成标签组，成为让人能够理解的用户模型。在内容分发过程中，用户的兴趣点是主要的推送点。
　　抖音首先关注用户的历史浏览偏好、使用环境，以及年龄、职业、性别等人口统计学特征，便于更加精准地进行内容推送。除此之外，抖音也关注用户对于视频推荐结果的行为反馈，如点击、观看、收藏、评论等。当用户使用抖音APP观看短视频时，会通过APP的UI界面与内容产生交互。短视频APP的后台设置用户行为并上报系统以记录用户行为，用户行为首先被手机记录下来并上传到APP的日志系统，之后由APP上传行为数据并进行分析，生成推荐数据列表，产生用户画像。
　　2.抖音采取多形式智能推荐机制进行内容分发。移动短视频内容上传都会打上相应的标签。抖音的智能推荐系统根据数百万维度的用户标签以及相P性、环境、热度、协同等模型，了解用户的状态变化，从而推荐最合适的信息。
　　抖音的短视频推荐形式主要有以下几种：第一，智能叠加推荐，系统先把短视频推荐给少量可能感兴趣的用户，通过用户评论等数据进行校准，若效果好再推送给更多兴趣相似的用户。第二，协同过滤推荐，通过考虑用户与用户之间的相似度来进行内容推荐，找出相似用户喜欢的内容后推送给其他相似用户。第三，社交关系推荐，分为以社交图谱为代表的强关系推荐，以及以兴趣图谱为代表的弱关系推荐。社交图谱是以亲戚朋友、同学同事、社团成员、朋友的朋友等现实中的熟人为主要关系对象构建的社交网络图谱。而兴趣图谱是以共同的专业、兴趣、爱好、话题等线索构建的社交网络图谱。
　　本研究采用问卷调查法收集抖音APP用户的数据并进行统计分析。通过问卷星等线上渠道发放并回收341份问卷。剔除在问卷“您是否使用抖音？”中选择“否”及完成时间小于60秒的问卷后，共计得到253份有效问卷。问卷共设20题，主要测量和分析了以下几方面内容。
　　1.抖音的使用情况。本研究调查用户对抖音的使用情况，主要从使用时长、天数、动机、观看视频类型和观看视频方式几个方面进行分析。
　　其中，调查使用时长从使用总时长和平均每天使用时长两个维度进行统计；使用动机从学习、娱乐消遣、跟风、追星、社交以及其他几个维度来统计数据；用户观看的视频类型根据抖音APP上常见的视频内容划分，划分为时事社会类、表演类（唱歌、舞蹈等）、生活类（美食、美妆、穿搭等）、搞笑类、技能教学类、动漫游戏类、网红明星类以及其他等类型；用户观看视频的方式按照观看抖音推送的视频、根据个人喜好直接搜索关键词浏览、浏览热搜榜单上的内容、浏览好友发布的内容以及其他这几种分类进行数据收集。
　　2.用户使用推荐内容的满意程度。调查用户使用抖音通过智能推荐算法推送的视频内容满意程度，通过李克特五级量表进行信息获取，掌握用户对抖音的智能推荐机制的满意程度。
　　3.影响用户使用满意度的因素分析。分析影响用户使用满意度的因素，采用三步走的分析方法。首先，对变量进行正态分布检验；其次，利用回归分析和T检验进行相关性分析；最后，以推荐系统推送不良信息频率、单一化倾向、推荐内容与用户喜好内容匹配程度、持续观看意愿、对不同类型视频推荐的信任程度、推荐视频的感知价值、隐私提供意愿作为自变量，推荐视频使用满意度为因变量，建立线性回归模型。

nlc202207071514

转载注明来源:https://www.xzbu.com/7/view-15435611.htm