王虎

摘 要：在內(nèi)憂外患的市場環(huán)境下，電信運(yùn)營商推出大量的電信套餐用以滿足用戶的各類電信服務(wù)需求，但是過量套餐加大了用戶選擇合適套餐的難度，對用戶造成了困擾。針對電信套餐的個性化推薦問題，通過數(shù)據(jù)挖掘技術(shù)構(gòu)建了基于用戶消費(fèi)行為的電信套餐個性化推薦模型。

關(guān)鍵詞：電信套餐；數(shù)據(jù)挖掘；協(xié)同推薦

引言：近幾年，隨著國內(nèi)電信市場逐漸飽和，運(yùn)營商基礎(chǔ)通信服務(wù)慢慢呈現(xiàn)供大于求的局面，新用戶凈增數(shù)逐年呈下降趨勢，三大運(yùn)營商之間的競爭也日趨白熱化，運(yùn)營商在價格競爭的同時，設(shè)計推出大量的電信套餐來滿足日新月異的用戶需求。然而大量電信套餐的上市行為并沒有緩解各大運(yùn)營商的競爭壓力，反而引發(fā)一系列的問題[1]：（1）對于用戶來說，電信套餐數(shù)量龐大，多種套餐的捆綁內(nèi)容和額度近似，月租費(fèi)卻又相差很多，很難從大量的套餐中快速選擇出符合用戶需求的套餐，同時用戶和套餐的不適配會對用戶造成不必要的經(jīng)濟(jì)損失，容易引發(fā)用戶對電信企業(yè)形象的負(fù)面評價，最終造成用戶流失。（2）從企業(yè)角度來看，電信企業(yè)難以把握用戶的需求和市場熱點，對于新套餐的推廣仍然采用粗放式的廣告投放方式，造成用戶審美疲勞，高成本，低回報，實際推廣效果不理想，造成企業(yè)大量資源浪費(fèi)。因此，電信系統(tǒng)主動向用戶推薦合適套餐的研究十分必要。本文對協(xié)同過濾算法及其關(guān)鍵技術(shù)做了詳細(xì)分析，并針對電信行業(yè)特點設(shè)計了電信套餐的個性化推薦模型，并對模型的主要模塊進(jìn)行了詳細(xì)介紹。

一、協(xié)同推薦算法及其關(guān)鍵技術(shù)

（一）協(xié)同過濾推薦的概念。協(xié)同過濾推薦[2]也被稱為社會過濾推薦，在社會群體中以興趣相似度為度量尋找用戶間的相關(guān)性，或發(fā)現(xiàn)項目間的相關(guān)性，基于這些關(guān)聯(lián)性進(jìn)行推薦活動。實現(xiàn)協(xié)同推薦主要有三個步驟：步驟1：收集用戶偏好數(shù)據(jù)。步驟2：計算相似度，找到相似用戶群或者物品。步驟3：依據(jù)推薦策略，進(jìn)行推薦計算。協(xié)同過濾推薦算法根據(jù)相似度比較對象的不同，可分為基于用戶的協(xié)同推薦和基于物品的協(xié)同推薦。

（1）基于用戶的協(xié)同推薦算法。根據(jù)歷史數(shù)據(jù)，計算所有用戶對產(chǎn)品的喜好程度，并由此找到目標(biāo)推薦用戶的相似鄰居集，依據(jù)算法原則“鄰居用戶喜歡的產(chǎn)品，目標(biāo)推薦用戶也可能喜歡”將鄰居用戶喜歡的產(chǎn)品匯總并排序形成推薦集推薦給目標(biāo)用戶。（2）基于物品的協(xié)同推薦算法。根據(jù)歷史數(shù)據(jù)，計算所有用戶對產(chǎn)品的喜好程度，并由此找到相似物品集，依據(jù)算法原則“正在使用物品的相似物品，用戶也可能喜歡”將相似物品匯總并排序形成推薦集推薦給目標(biāo)用戶。

（二）相似度計算。在推薦的場景中，需要進(jìn)行用戶間的相似度計算，或者進(jìn)行物品間的相似度計算，以下為幾種常用的相似度計算方法：

（1）歐幾里德距離。歐氏距離是最容易理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。兩個n維向量a

（x11，x12，…，x1n）與b（x21，x22，…，x2n）間的歐氏距離。

d（x，y）=■ 公式（1）

（2）Cosine相似度。Cosine 相似度被廣泛應(yīng)用于計算文檔數(shù)據(jù)的相似度。T（x，y）=■=■ 公式（2）

（3）皮爾遜相關(guān)系數(shù)。皮爾遜相關(guān)系數(shù)一般用于計算兩個定距變量間聯(lián)系的緊密程度，它的取值在 [-1，+1] 之間。

p（x，y）= ■=■ 公式（3）

注：Sx， Sy是 x 和 y 的樣品標(biāo)準(zhǔn)偏差。

（三）相似鄰居的計算。根據(jù)相似度計算確定鄰居主要有兩種方式：（1）固定數(shù)量鄰居法。不管有多少數(shù)量的鄰居，我們只用距離來確認(rèn)最近的K個，作為其鄰居。該方法容易受K值影響，近似鄰居數(shù)小于K值時，會選擇遠(yuǎn)距離不太相似的點作為鄰居，對推薦集造成影響，降低推薦準(zhǔn)確率。（2）基于相似度門檻的鄰居。以當(dāng)前目標(biāo)點為中心，K值為半徑的圓范圍，范圍內(nèi)的所有點都是其鄰居，該方法不能確認(rèn)鄰居的數(shù)量，但是能夠保證鄰居用戶間的相似度不會產(chǎn)生太大差異，確保推薦結(jié)果的準(zhǔn)確性。

（四）協(xié)同過濾算法的優(yōu)勢和不足。（1）協(xié)同過濾算法的優(yōu)勢。1）內(nèi)容難以解析的商品也能夠很好的進(jìn)行推薦，如電影、音樂。2）能夠挖掘用戶潛在需求，推薦內(nèi)容新穎。（2）協(xié)同過濾算法的不足。1）稀疏性問題：如果用戶歷史評價信息缺失或者稀少，利用評價信息尋找相似用戶的準(zhǔn)確性就會大大降低。2）性能問題：隨著推薦用戶數(shù)和推薦商品種類數(shù)的增加，系統(tǒng)的性能會越加低效。3）冷啟動問題：沒有用戶使用或者評價的新產(chǎn)品，無法運(yùn)用協(xié)同推薦。

二、基于用戶消費(fèi)行為的電信套餐個性化推薦模型

本文根據(jù)電信行業(yè)的特點，從用戶消費(fèi)行為數(shù)據(jù)出發(fā)，結(jié)合數(shù)據(jù)挖掘技術(shù)和推薦方法構(gòu)建了如圖1所示的電信套餐個性化推薦模型。

圖1 電信套餐個性化推薦模型

電信套餐個性化推薦模型共分為7個主要模塊：

（1）信息收集模塊。信息收集，包括用戶基本信息、消費(fèi)清單賬單數(shù)據(jù)、用戶業(yè)務(wù)訂購數(shù)據(jù)、用戶終端使用信息、套餐產(chǎn)品構(gòu)成信息、套餐資費(fèi)等信息的收集。（2）用戶建模。先根據(jù)電信業(yè)務(wù)領(lǐng)域相關(guān)知識構(gòu)建電信業(yè)務(wù)領(lǐng)域本體模型，每一個用戶模型/套餐模型都是電信業(yè)務(wù)領(lǐng)域本體的一個實例，業(yè)務(wù)本體依據(jù)用戶消費(fèi)偏好數(shù)據(jù)自動生成個性化的用戶模型，每一個電信套餐也依據(jù)套餐設(shè)計信息由本體生成個性化的套餐模型。（3）聚類分析模塊。電信用戶數(shù)據(jù)具有基數(shù)大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜的特點，造成推薦算法計算量巨大，推薦系統(tǒng)負(fù)荷過重，影響推薦效率，針對此問題采取K-means聚類對用戶數(shù)據(jù)進(jìn)行預(yù)處理操作，大大減少用戶或者物品的最近鄰居搜索范圍，提高計算速度，從而提高推薦效率。為了達(dá)到細(xì)分用戶的目的，需要進(jìn)行兩次用戶聚類。一次聚類是根據(jù)用戶消費(fèi)占比數(shù)據(jù)將用戶群劃分成數(shù)個消費(fèi)偏好存在差異的類簇；二次聚類是在一次聚類結(jié)果集的基礎(chǔ)上，選擇目標(biāo)用戶所在的類簇為第二次聚類的數(shù)據(jù)源，根據(jù)用戶在各業(yè)務(wù)的消費(fèi)量值為依據(jù)來進(jìn)行用戶的聚類劃分。（4）尋找鄰居用戶集模塊。在聚類結(jié)果集的基礎(chǔ)上，選擇合適的相似度計算方法進(jìn)行用戶相似度計算，并以目標(biāo)推薦用戶為中心，以用戶間的相似度為距離值，選取最近的K個用戶作為目標(biāo)推薦用戶的最近鄰居用戶集。（5）個性化推薦集生成模塊。由鄰居用戶集確定套餐預(yù)測集和增值業(yè)務(wù)預(yù)測集，同時進(jìn)行TOP-N篩選、電信業(yè)務(wù)規(guī)則過濾和用戶-套餐的適配比對過程，最后形成一個滿足用戶電信需求的套餐或者增值業(yè)務(wù)推薦集。（6）套餐推薦模塊。以分區(qū)推薦的方式，將個性化推薦集混合推薦給目標(biāo)用戶，并給系統(tǒng)反饋推薦結(jié)果和相關(guān)推薦反饋信息。（7）推薦系統(tǒng)更新模塊。根據(jù)反饋信息評估整個推薦模型和過程，確認(rèn)模型存在缺陷就將更新信息反饋回電信業(yè)務(wù)領(lǐng)域本體，更新本體結(jié)構(gòu)和概念等信息，生成新本體，同時重新生成用戶模型和套餐模型。

結(jié)論：本文主要介紹了協(xié)同過濾算法的主要思想、關(guān)鍵技術(shù)以及算法存在的問題，同時根據(jù)電信行業(yè)特點和數(shù)據(jù)特征，研究者提出了基于用戶消費(fèi)行為的電信套餐個性化推薦模型用以有效解決電信套餐的個性化推薦問題，智能推薦符合用戶需求的電信套餐，從而推進(jìn)電信服務(wù)產(chǎn)品智能化的研究進(jìn)程。

參考文獻(xiàn)：

[1] 陶如軍. 中國電信：擁抱互聯(lián)網(wǎng)思維[J]. 國企， 2014， 09：58-61.

[2] 黃仁， 孟婷婷. 個性化推薦算法綜述[J]. 中小企業(yè)管理與科技（中刊）， 2015， 03：271-273.