基于用户画像的推荐系统简述

龙源期刊网

基于用户画像的推荐系统简述

作者：杜小倩

来源：《市场周刊·市场版》2017年第08期

摘要：推荐系统是一个复杂而庞大的体系，随着推荐系统热度的增加，每一个环节的研究方法也越来越多，有基于用户搜索内容的推荐，有基于地理位置的推荐，基于用户画像的推荐，基于协同过滤推荐，多种推荐方式组合等，根据不用的数据内容以及获取方式，选择对应的推荐方式，以下简单去阐述用户画像的搭建，基于用户画像使用的推荐方法。

关键词：用户标签；用户画像；聚类技术；贝叶斯网络技术；协同过滤推荐

电商网站依托互联网进行线上交易，对比线下传统行业，互联网行业有很多的优势，借助互联网的先天优势，而提升转化线上的成交量，挖掘用户的潜在需求，提高用户的忠诚度的重要运营手段之一为电商网站的推荐系统，一套完整而强大的推荐系统，囊括了用户相关信息的搜集，对用户搜集到的数据进行清洗整理，结合自身的产品制定用户标签（维度比较多时，需要对应的标签库进行维护），再按照用户标签对用户进行聚类分析，更突出用户特点的，需要对每个标签进行权重计算，得出用户画像，根据用户标签的权重对用户进行精准化营销推荐；4W要素同样适用于推荐系统的设计规则，在什么时间，通过什么渠道，给什么样的人推荐什么内容的产品；反过来，对精准营销的要素研究，去修正用户标签权重，优化用户画像。

一、定义及现状

（一）什么是用户画像。举一个特别点的例子，犯罪素描师通过目击者对罪犯进行的口述，勾画出罪犯的画像，然后协助警察快速破案。这个素描像我们就可以单纯的认为是用户画像，但是要协助警察快速准确的破案，就离不开，准确的清晰的素描像，素描师在素描的时候，为了更加准确的传达目击者所见的罪犯长相，会详细的拆分成，发型，眉毛，眼睛，鼻子，嘴巴，肤色等等，这些可以理解成用户画像的用户标签。通过全面的精准的用户标签或者只是其中某个用户标签，可以快速的定位到人群，定位到具体的某个人。在互联网中，同样对每个用户的行为，喜好，习惯，地域，工作，收入等等全方面的素描，在合适的时间，合适的地点，推荐合适的内容产品。

（二）用户画像的研究现状。随着互联网的发展，数据量越来越大，产品的运营就需要更加有针对性的推广，其中用户画像作为个性化推荐系统的一种处理方式，也就越来越受到重视，比如淘宝，京东，网易等都在向用户提供个性化的推荐服务。国外的推荐系统也很成熟，比如youtube，亚马逊等。更多的时候接受到的推送信息是针对内容的推荐，这种推荐方法会更准确简单些，比如，你在淘宝上搜了件连衣裙，发现从此以后就开始绵延不绝的给你推送一定关联性的连衣裙，这个时候你很可能已经买了，不需要了，而且这种推广有滞后性，只有在用户有一定的行为之后，才能基于行为基于内容进行推广，并不能提前预知，同样也面临着冷龙源期刊网

启动的问题。基于用户画像的推广，目前的应用还处于初始阶段，在企业的应用中，会发现最简单的基于用户搜索内容的协同过滤推广的转化率是最高也是最常用的，原因在于用户画像建立的复杂性以及用户需求分析的复杂性等。

二、用户画像研究意义

以用户为中心，每一个用户都是一个特殊的个体存在，用户画像的研究意义总结见以下几点：

（一）从服务商的角度。精准的用户画像，在适合的时间，通过适合的途径，给适合的人推荐适合的商品，不仅可以带来推广的准确性，提高用户的购买转化率，而且增加了用户的粘性，带来隐形消费的机会。

（二）对于服务商来说。有了精准的用户画像之后，可以给服务商带来“长尾”效益，个性化的推荐可以挖掘出冷门的商品，精准的推荐给需要的用户，对于大部分企业来说，商品的销售也符合2/8原则，长尾商品的数量虽然非常庞大，但是在常规销售中只能带来20%的收益，库存成本却占了很大一部分比重，如何盘活这80%的库存，对于电商类的公司来说非常重要。

（三）从用户的角度。不管是互联网公司还是产品都在迅速的扩张，在这海量的公司和产品服务中，由于信息的不对称，数据量的庞大杂乱，想找到匹配自己的产品，需要的时间成本也非常的高，而精准的用户画像，可以针对用户标签，直接推荐用户需求的产品内容，对于用户来说，无疑是一个很好的体验。

三、用户画像的搭建方法

用户画像由用户标签库搭建而成，而每一个标签下面都有一个强大的内容库，对内容库进行聚类分析，筛选精简出有用的用户标签，用户标签就是每个人身上所带的属性，这些属性影响用户的行为，而每个属性对用户的影响不一样，需要进一步进行用户标签权重的分析，权重大的标签决定用户更倾向于此种选择。

（一）用户标签的搭建方法。每个用户，都是一个独立的自然人，每个人都可以从多维度进行标识，每个人的特别点体现在标签属性的强弱，每个维度标签的属性强弱最终转化为消费的动力强弱，也就是说用户标签的搭建可以使用枚举法。其中最重要的一点是要结合自身的产品属性，去建立用户的标签，比如：基于旅游产品，自由行，非自由行；国内游，国外游，国外又分为亚洲游和欧美游，每次旅游消费的金额范围，旅游的时间分别。基于有一定用户数据的情况，可以将用户的数据进行整理清洗，然后使用聚类的方式，去归类汇总用户标签。标签的内容需要结合用户的变化和自身产品的变化，不断去总结不断去更新。 龙源期刊网

内容库的搭建每个标签只是对用户某个方面的一个总结，对于个性化推荐来说，有时候只有标签还是远远不够的，需要详细分析标签的内容。内容库是对用户标签的补充，对某一类用户进行更精准推荐的基础。

比如，宠物标签，内容库应该含有宠物的种类，有几只宠物，第几次养宠物（是否有养宠物经验），提炼推测出的宠物年龄段，购买的狗粮价格区间，狗粮品牌的选择偏好，狗粮口味的选择偏好，是否有外出不便带宠物的推测时间段，根据这些信息可以精准推送狗粮，养狗的相关文章转化成销售，比如什么时候打针，驱虫等产生的连带销售。内容库可能是时时变化的，内容库的变化同样会导致用户标签的变化。

（二）用户画像的形成。每个用户身上被打了很多的标签，每个标签上面都有权重，把这些数据组合起来可视化的角度来看，就是一个虚拟的人物，知道这个人物的基础静态信息，知道此人物偏爱喜好以及在某些特定的场景下，此用户会做出怎么样的选择，这样一个用户画像就展示在我们的面前。

所以知己知彼，百战不殆，用户画像的搭建出发点就是为了了解用户，“投其所好”，这样子成功营销的概率就会增加很多，传统行业，是通过人来维护客户，维护好一个客户需要了解其兴趣爱好，在市场同事的心里有了一个针对每个用户的画像，然后进行关系的维护，进而转化成交易，随着信息化的发展，信息化程度的提升，用户数量呈现几何级的增长，再由人去维护，这部分成本太高，进而由人改成了机器，有机器去建立熟悉了解用户，然后由去做营销推广。

四、用户画像的使用

用户画像完成之后，包含用户标签，标签权重，相当于一个毫无保留的人，赤裸裸的站在你的面前，他的喜好，他最近想要做什么，都清清楚楚的写在脸上，结合这些信息，你不但可以知道他当前的需求，你还可以去引导规划用户未来的消费行为习惯。

根据用户当前的搜索行为和搜索内容，结合用户的标签，可以给用户推荐当前想要的内容。

另外，更好的挖掘用户的可能的潜在需求，可以对类似人群进行分析，物以类聚，人以群分，可以使用协同过滤技术进行同一类别用户之间的差异性推荐，将相同兴趣爱好的用户进行将类似用户感兴趣的产品进行横向推荐，选定合适的时间，通过正确的渠道，推荐给感兴趣或者需要的人显在或潜在的需求产品。

不妨再大胆假设下，可以给用户做以后的标签规划，一步一步的影响用户的消费习惯，让推荐系统目前定位的商家营销手段披上华丽的外衣，进行质的升华，去提升用户的标签内容。 龙源期刊网

五、相关方法

（一）用户标签

用户的行为数据非常多而杂乱，将数据进行清洗整理，然后用聚类技术，神经网络技术，关联规则技术，贝叶斯网络技术等构建用户模型。

1.聚类技术

使用聚类技术将用户进行分类，通过聚类技术划分出来的用户群的大致分布。

贝叶斯网络技术，进一步刻画出用户的个人喜爱偏好，增加对细分产品匹配度的管理。

2.关联规则技术

深入挖掘用户的需求，比如喜欢红酒的用户群体，还会有什么其他的共同爱好。

3.协同过滤推荐方法

协同过滤推荐方法有两种，一种是基于用户的协同过滤方法，一种是基于内容的协同过滤方法。

基于用户的协同过滤方法，同类的用户，行为喜好应该也是相似的，比如聚类同一个类型的用户，其中某个用户，购买了某样产品，那其他的用户是不是也有同样的需求；

基于内容的协同过滤方法，比如浏览搜索了某个商品的用户，体现用户此刻的需求点，那基于搜索浏览的商品进行同类或类似商品的推荐，给予用户更多的选择，直到选到自己满意的商品。

六、结语

从原始的数据挖掘，抓取，清洗，到用户标签的拟定，用户画像的形成，包括后期的推荐算法有很多种，在实际的使用过程中，需要根据本身数据的类型，商品的属性，实时数据的获取来搭建一套适合自己的推荐系统，由于用户属性的复杂性以及维度的多样性，很多时候，目前大部分公司并不是一套算法去完美的诠释挖掘用户的需求，需要多种算法组合去推荐，来提高用户的转化率

（作者单位：同程旅游）