鐘慶

【摘 要】提出一種基于移動互聯(lián)網(wǎng)個體用戶的實際行為得出其喜好標(biāo)簽，據(jù)此將同類信息推送給個體用戶的方法，該方法能夠?qū)崿F(xiàn)精確推送，因此推送的內(nèi)容更加容易被用戶接受，從而商業(yè)價值性價比更高。首先闡述了個體用戶實際行為數(shù)據(jù)的提取方法，比較了各方法的優(yōu)缺點；其次提出了一種固定質(zhì)心的k-means文本聚類方法，能夠快速、準(zhǔn)確地實現(xiàn)用戶喜好標(biāo)簽分類；最后分析了精確營銷模式以及后續(xù)的研究方向。

【關(guān)鍵詞】喜好標(biāo)簽 移動互聯(lián)網(wǎng) 用戶行為分析 文本聚類 精確營銷

中圖分類號：TP301.6 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-1010（2016）09-0093-04

1 引言

近年來，隨著智能移動終端的基本普及，移動互聯(lián)網(wǎng)[1]發(fā)展迅猛，在人們的衣食住行中無時無刻不扮演著重要角色，可以說移動互聯(lián)網(wǎng)正在或者已經(jīng)改變了人們的生活方式。移動互聯(lián)網(wǎng)有兩個特點：一是移動通信與互聯(lián)網(wǎng)二者融合，即用戶可以通過移動終端和互聯(lián)網(wǎng)實現(xiàn)隨時互聯(lián)；二是大批應(yīng)用伴隨移動互聯(lián)網(wǎng)而產(chǎn)生，這些應(yīng)用與移動終端的可移動性、可便攜性相結(jié)合，隨時為用戶提供個性化服務(wù)[2]。用戶可以通過移動互聯(lián)網(wǎng)實現(xiàn)實時的信息接收、發(fā)送和交互等。運(yùn)營商和各大電商們也充分抓住這個機(jī)會，利用移動互聯(lián)網(wǎng)通道，將大量的信息資源推送給群體用戶，而對于個體用戶而言，由于這種信息推送沒有針對性，在反復(fù)收到海量信息后，心理上會造成疲勞甚至是反感。另一方面，個體用戶在尋找自己喜歡或者希望獲得的信息資源時又很困難。因此，根據(jù)移動互聯(lián)網(wǎng)個體用戶的實際行為，分析出其喜好標(biāo)簽，從而實現(xiàn)信息精確推送，可以有效地解決這一問題，這既能為運(yùn)營商和電商們發(fā)掘潛在用戶，又能改善個體用戶的體驗，最終實現(xiàn)雙贏。

早期對互聯(lián)網(wǎng)用戶行為的分析[3]比較多，方法也比較成熟，已經(jīng)形成基本的網(wǎng)絡(luò)特性，這種用戶行為研究偏向于探究個體用戶的上網(wǎng)意圖，比如：瀏覽網(wǎng)頁的頻率、停留的時間、網(wǎng)頁的分類等。但是目前對于移動互聯(lián)網(wǎng)用戶行為的分析方法還不夠成熟，尤其是國內(nèi)，對在該方面的研究成果非常有限。本文主要闡述了一種基于喜好標(biāo)簽的移動互聯(lián)網(wǎng)用戶行為分類方法，該方法從微觀角度，根據(jù)個體用戶對于移動互聯(lián)網(wǎng)的實際使用數(shù)據(jù)，得到用戶的喜好標(biāo)簽，從而達(dá)到用戶分類的目的。在這個過程中，列舉了幾種典型的移動互聯(lián)網(wǎng)原始數(shù)據(jù)獲取方法，分析了各方法的優(yōu)缺點，進(jìn)而通過聚類算法，將原始數(shù)據(jù)進(jìn)行文本聚類，從而得到用戶分類的結(jié)果。最后還闡述了該方法的應(yīng)用遠(yuǎn)景以及對其商業(yè)價值的預(yù)判。

2 數(shù)據(jù)獲取

移動互聯(lián)網(wǎng)體系包括3個層面：移動終端、移動網(wǎng)絡(luò)和應(yīng)用服務(wù)。首先針對移動互聯(lián)網(wǎng)的應(yīng)用服務(wù)層進(jìn)行原始數(shù)據(jù)收集。移動互聯(lián)網(wǎng)的數(shù)據(jù)獲取方式大致分為兩種，一種是基于WAP（Wireless Application Protocol，無線應(yīng)用通訊協(xié)議）網(wǎng)關(guān)的采集，另一種是基于網(wǎng)絡(luò)交換機(jī)數(shù)據(jù)包的采集。

WAP網(wǎng)關(guān)是承載移動數(shù)據(jù)業(yè)務(wù)的關(guān)鍵網(wǎng)元，起到了數(shù)據(jù)業(yè)務(wù)統(tǒng)一接入的作用，因此WAP網(wǎng)關(guān)是移動終端連接移動互聯(lián)網(wǎng)的重要樞紐[4]?；赪AP網(wǎng)關(guān)進(jìn)行移動互聯(lián)網(wǎng)數(shù)據(jù)采集是通過WAP網(wǎng)關(guān)的自帶功能，將WAP協(xié)議下的數(shù)據(jù)分成多個詳細(xì)字段，將這些字段數(shù)據(jù)信息進(jìn)行一次日志化。由于這些都是原始數(shù)據(jù)，包含很多冗余信息，這樣會使用戶行為的分類不夠準(zhǔn)確，從而導(dǎo)致最終分類錯誤，因此需要利用信息過濾程序?qū)υ紨?shù)據(jù)進(jìn)行信息過濾，形成最終具有固定模式的有效數(shù)據(jù)集，最后再將這些真正有價值的信息寫進(jìn)日志文件，即可完成數(shù)據(jù)采集。這種數(shù)據(jù)獲取方法的優(yōu)點是簡單方便，利用WAP網(wǎng)關(guān)自帶功能即可完成對原始數(shù)據(jù)的采集；另一方面，這種采集方式也是基于用戶請求的應(yīng)用層協(xié)議，不會把底層的數(shù)據(jù)全部采集過來，簡化了過濾過程。由于此處數(shù)據(jù)獲取是為最終的用戶行為分類做準(zhǔn)備，因此需要盡量多地獲取數(shù)據(jù)，但無需全部獲取，對于加密型WAP協(xié)議等，可以只獲取通道途徑，無需獲取實際內(nèi)容。

網(wǎng)絡(luò)交換機(jī)是一種用于擴(kuò)大網(wǎng)絡(luò)的器材，能夠為子網(wǎng)絡(luò)提供連接的通道。隨著互聯(lián)網(wǎng)逐漸成為當(dāng)今越來越重要的局域網(wǎng)組網(wǎng)技術(shù)，網(wǎng)絡(luò)交換機(jī)也成為了最普及的交換機(jī)[5]?；诰W(wǎng)絡(luò)交換機(jī)數(shù)據(jù)包的采集方法是利用網(wǎng)絡(luò)數(shù)據(jù)包捕獲應(yīng)用，將需要的網(wǎng)絡(luò)數(shù)據(jù)捕獲、過濾，從而完成數(shù)據(jù)采集。具體過程是在網(wǎng)絡(luò)交換機(jī)上放置一種數(shù)據(jù)包采集應(yīng)用，將流過該網(wǎng)絡(luò)交換機(jī)的所有數(shù)據(jù)中屬于個體用戶的數(shù)據(jù)包識別并捕獲，構(gòu)成原始數(shù)據(jù)集，然后經(jīng)過信息過濾程序、文件重組等過程，形成最終的有效數(shù)據(jù)集。這種方法的缺點是設(shè)置過濾條件比較困難，需要調(diào)用一些庫函數(shù)等工具，并且設(shè)置過程也比較復(fù)雜。

3 數(shù)據(jù)分析

在數(shù)據(jù)獲取的基礎(chǔ)上，利用文本聚類的方法，對有效數(shù)據(jù)進(jìn)行分析，最終達(dá)到用戶分類的目的。

計算機(jī)處理無結(jié)構(gòu)的詞語文本比較困難，通常采用的方法是利用VSM（Vector Space Model，向量空間模型）在預(yù)處理的基礎(chǔ)上，將詞語文本描述成為一個N維特征空間中的一個N維向量，進(jìn)而通過對向量的科學(xué)計算實現(xiàn)詞語文本的分類。文本聚類[6]的主要依據(jù)是認(rèn)為同類的文本相似度大，不同類的文本相似度小，進(jìn)而將同類文本聚集到一起，得到聚類結(jié)果。目前比較主流的文本聚類算法包括基于劃分法、基于層次法、基于密度法、基于網(wǎng)格法和基于模型法等。文本聚類被廣泛地應(yīng)用于搜索引擎、信息處理等領(lǐng)域[7]。

針對移動互聯(lián)網(wǎng)個體用戶喜好標(biāo)簽的文本分類，可以先設(shè)定K個喜好標(biāo)簽（比如社交、購物、讀書、游戲等），以這些標(biāo)簽作為聚類核心，將采集到的用戶數(shù)據(jù)進(jìn)行聚類，得到個體用戶的分類結(jié)果。本文在K-means經(jīng)典算法的基礎(chǔ)上，增加對移動互聯(lián)網(wǎng)個體用戶喜好分類的特性，提出一種固定質(zhì)心的文本聚類數(shù)據(jù)分析方法。K-means算法[8]是一種典型的基于劃分的方法，屬于一種基于質(zhì)心的聚類技術(shù)，其基本原理是從n個數(shù)據(jù)對象中任意選擇k個對象作為初始的聚類點，對于其他對象，根據(jù)他們與這些聚類點的相似度（距離），將他們分配給與其最相似的簇，然后重新計算簇的平均值，更新聚類點，重復(fù)這一過程，直到簇的劃分不再發(fā)生變化。這種文本聚類方法的優(yōu)點是簡單易行并且能夠處理大規(guī)模的數(shù)據(jù)集。但同時該算法的缺點也比較明顯，即容易陷入局部最小，很難保證全局最優(yōu)，而且初始聚類點的選擇和k值的設(shè)定會在很大程度上影響最終的聚類效果。因此針對個體用戶喜好分類的特性，采用固定質(zhì)心的方式，即將最終的喜好分類標(biāo)簽指定為初始的聚類點和k值，然后進(jìn)行聚類，這樣不僅可以實現(xiàn)分類最優(yōu)，而且簡化了算法、提高了效率。

為驗證算法效果，采用60個原始文本集（優(yōu)酷、群聊、淘寶等），以“網(wǎng)購、影音和社交”作為初始聚類點（k值取3），利用K-means算法進(jìn)行文本聚類，效果如圖1、圖2所示：

由上述示例可以看出，本文提出的簡化K-means算法能夠較好地實現(xiàn)文本分類。

4 商業(yè)模式

人可以控制自己的消費(fèi)意圖，但是極易受到外部的影響，所以商家通過推送大量的信息來盡量引導(dǎo)用戶消費(fèi)。而通過對用戶的實際行為進(jìn)行標(biāo)簽分類，推送用戶最可能喜歡或者最想得到的信息，更容易被用戶所接受，可以更高效地產(chǎn)生商業(yè)價值。對于個體用戶的區(qū)分，實際上是精確營銷[9]的理念，精確營銷是相對于大眾營銷而言的，大眾營銷是典型的產(chǎn)品導(dǎo)向方式，就是使用同樣的營銷組合，含糊不清地針對每一個顧客。大眾營銷假設(shè)每一個人都是相同的，并且認(rèn)為每一個人都是潛在顧客，試圖把產(chǎn)品賣給每一個人。在移動互聯(lián)網(wǎng)時代，這種大眾營銷集中體現(xiàn)在群推信息，但由于沒有針對性，前期投入很大，效果卻達(dá)不到預(yù)期。而精確營銷是在充分了解顧客信息的基礎(chǔ)上，針對顧客偏好，有針對性地進(jìn)行一對一的營銷。精確營銷是由直復(fù)營銷、數(shù)據(jù)庫營銷等多種手段相互結(jié)合[10]，但前提是掌握精確的營銷信息。因此，本文中闡述的利用個體用戶的具體實際行為數(shù)據(jù)進(jìn)行收集，針對這些數(shù)據(jù)進(jìn)行喜好標(biāo)簽的分類分析，得到用戶最喜歡或最有可能需要的信息進(jìn)行推送的方式，實現(xiàn)了精確營銷。這不僅可以幫助商家節(jié)省推廣成本，更能改善用戶體驗，幫助用戶擺脫海量信息轟炸的煩惱，可輕松快速地找到自己需要的信息，最終實現(xiàn)雙贏。

后續(xù)工作可以在用戶喜好分類的基礎(chǔ)上，打破單一的分類模式，對喜好標(biāo)簽做權(quán)重分配排序，得到個體用戶的喜好標(biāo)簽序列，按照權(quán)重推送用戶可能需要的信息。同時可以將信息進(jìn)行分類，用戶可以根據(jù)自身需求，自主選擇需要的信息類別，然后查找具體的信息內(nèi)容，從而充分發(fā)揮用戶的主觀能動性，提高信息采用率。

5 結(jié)束語

在移動互聯(lián)網(wǎng)時代，實現(xiàn)信息的有效推送，既可以提高用戶感知，又能夠縮減商家的推銷成本。本文通過有效的數(shù)據(jù)采集方法，獲取個體用戶的實際行為數(shù)據(jù)，在此基礎(chǔ)上，對數(shù)據(jù)進(jìn)行聚類分析，得到用戶的喜好標(biāo)簽分類。后續(xù)引入精確營銷的概念，針對喜好標(biāo)簽的分類結(jié)果進(jìn)行相關(guān)信息的準(zhǔn)確推送。最后提出優(yōu)化方案，將喜好標(biāo)簽做權(quán)重分配排序，按照權(quán)重進(jìn)行信息的層次化推送，或在信息分類的基礎(chǔ)上，幫助用戶實現(xiàn)自主選擇。

參考文獻(xiàn)：

[1] 吳吉義，李文娟，黃劍平，等. 移動互聯(lián)網(wǎng)研究綜述[J]. 中國科學(xué)： 信息科學(xué)， 2015，45（1）： 30-36.

[2] 中國工業(yè)和信息化部電信研究院. 移動互聯(lián)網(wǎng)白皮書[EB/OL]. [2016-01-24]. http：//wenku.baidu.com/link？url=sn5w0sXSannzh3hYnxKJoAhz7uZOpdFinanla_j26c2cpjt0ASZ3ESHCfkmWJ0mlFDBIcMrY7hs6tWHuVDKgur9NaPgJU4OqMdnvD5sueVO.

[3] 董富強(qiáng). 網(wǎng)絡(luò)用戶行為分析研究及其應(yīng)用[D]. 西安： 西安電子科技大學(xué)， 2005.

[4] 鐘磊，張健. WAP網(wǎng)關(guān)在移動網(wǎng)絡(luò)業(yè)務(wù)中的應(yīng)用分析[J]. 廣西通信技術(shù)， 2012（1）： 6-9.

[5] 王璐. 移動互聯(lián)網(wǎng)用戶行為分析[D]. 重慶： 重慶郵電大學(xué)， 2012.

[6] 吳啟明，易云飛. 文本聚類綜述[J]. 河池學(xué)院學(xué)報， 2008，28（2）： 86-91.

[7] 李春青. 文本聚類算法研究[J]. 軟件導(dǎo)刊， 2015（1）： 74-76.

[8] Anil K J. Data clustering： 50 years beyond K-Means[J]. Pattern Recognition Letters， 2010，31（8）： 651-666.

[9] Zabin J， Brebach G. Precision Marketing[M]. Mass Marketing， 2004.

[10] 呂巍. 精確營銷[M]. 北京： 機(jī)械工業(yè)出版社， 2008.