大數(shù)據(jù)時代網(wǎng)絡社交平臺個性化推薦發(fā)展創(chuàng)新*

蘭州工業(yè)學院計算機與人工智能學院 張云天 陳娜

隨著國民經(jīng)濟的不斷增長，科學技術(shù)的不斷創(chuàng)新，我國大數(shù)據(jù)領(lǐng)域建設發(fā)展水平得到了顯著提升。在大數(shù)據(jù)時代發(fā)展背景下，網(wǎng)絡社交平臺要高度重視科學結(jié)合用戶行為與興趣愛好，加強對他們的個性化推薦服務工作，促使他們能夠在最短時間內(nèi)獲取到自身需求的網(wǎng)絡信息資源，從而增加對自家網(wǎng)絡社交平臺的認可度和支持度。本文將進一步對大數(shù)據(jù)時代網(wǎng)絡社交平臺個性化推薦發(fā)展創(chuàng)新展開分析與探討。

當前是一個大數(shù)據(jù)信息時代，人們無時無刻不再與信息數(shù)據(jù)打交道，網(wǎng)絡社交媒體平臺要想為網(wǎng)絡用戶提供個性化的優(yōu)質(zhì)服務，就必須結(jié)合用戶日常行為習慣和需求，合理推薦其感興趣的信息內(nèi)容，最大程度滿足用戶的網(wǎng)絡個性化體驗需求。個性化推薦服務的創(chuàng)新要以市場用戶興趣需求為核心導向，網(wǎng)絡社交平臺要積極推出個性化的定制服務，注重提升平臺用戶推送內(nèi)容的準確率，促使能夠有效提升用戶對平臺的粘性度，創(chuàng)造出更多的經(jīng)濟效益。

1 基于大數(shù)據(jù)網(wǎng)絡社交平臺的個性化推薦系統(tǒng)框架

伴隨著現(xiàn)代互聯(lián)網(wǎng)信息技術(shù)的不斷創(chuàng)新完善，傳統(tǒng)的推薦系統(tǒng)已經(jīng)無法滿足網(wǎng)絡用戶的個性化體驗服務需求，其存在著推薦效率低、計算耗時等弊端，難以幫助網(wǎng)絡社交平臺不斷提升的用戶體驗服務水平。因此，網(wǎng)絡社交平臺需要基于大數(shù)據(jù)背景科學打造出個性化推薦系統(tǒng)。比如，在針對網(wǎng)絡用戶登錄使用社交平臺產(chǎn)生大量數(shù)據(jù)的安全儲存問題，平臺可以基于Hadoop分布式計算平臺大數(shù)據(jù)生態(tài)系統(tǒng)去有效解決大量數(shù)據(jù)存儲問題，并且還可以讓數(shù)據(jù)并行計算處理分析變得更加簡單，大大提升數(shù)據(jù)信息推薦過程的運算工作效率?；诖髷?shù)據(jù)技術(shù)應用輔助下，網(wǎng)絡社交平臺的個性化體檢系統(tǒng)可以分為四個不同層，分別是數(shù)據(jù)源層、存儲層、推薦模型生成層以及推薦結(jié)果展示層。(1)數(shù)據(jù)源層的搭建主要起到采集推薦系統(tǒng)需求數(shù)據(jù)、優(yōu)化處理原始數(shù)據(jù)以及傳遞存儲數(shù)據(jù)的作用，其可以科學細分為數(shù)據(jù)采集層和數(shù)據(jù)預處理層，能夠幫助網(wǎng)絡社交平臺科學高效進行海量用戶有價值數(shù)據(jù)信息的采集和處理。經(jīng)過數(shù)據(jù)源層采集處理后的數(shù)據(jù)會存儲在實現(xiàn)設計好的存儲層，當前主流的存儲層包括了Hive、HDFS以及HBase等；(2)推薦模型生成層的搭建則是作為大數(shù)據(jù)推薦系統(tǒng)的核心模塊，其起到的作用是通過在存儲層獲取目標數(shù)據(jù)，運行高級先進推薦算法，完成對用戶需求興趣內(nèi)容的處理分析，以此來幫助網(wǎng)絡社交平臺提高對用戶推薦的準確率[1]。基于大數(shù)據(jù)的網(wǎng)絡社交平臺個性化推薦系統(tǒng)設計框架如圖1所示。(3)推薦結(jié)果展示層是最終與用戶有直接或者間接交互關(guān)系的展示模塊，最終的推薦內(nèi)容展示結(jié)果是基于用戶日常瀏覽行為習慣，而持續(xù)更新推薦模型生成層的模型參數(shù)，為市場目標用戶推送他們所需求愛好的服務產(chǎn)品或者信息。

圖1 基于大數(shù)據(jù)的網(wǎng)絡社交平臺個性化推薦系統(tǒng)設計框架Fig.1 Design framework of personalized recommendation system for network social platform based on big data

2 基于大數(shù)據(jù)網(wǎng)絡社交平臺的個性化推薦算法

2.1 基于協(xié)同過濾的個性化推薦算法

協(xié)同過濾下的個性化推薦算法是一種找到與目標用戶興趣接近的用戶集合，或者與相似用戶所選擇的模式的物品的集合；協(xié)同過濾一種被廣泛應用在網(wǎng)絡社交平臺、電子商務平臺的技術(shù)，其核心是表示網(wǎng)絡用戶對于項目操作行為，科學運用先進數(shù)理統(tǒng)計的方法，高效準確得出最近鄰居，以此來完成最終的推薦協(xié)調(diào)過濾。為用戶提供其所需的個性化推薦服務信息或者產(chǎn)品內(nèi)容。伴隨著現(xiàn)代互聯(lián)網(wǎng)的不斷發(fā)展，社交網(wǎng)絡平臺為人們學習生活提供了極大的便利之處，用戶隨時隨刻可以利用移動設備進行網(wǎng)絡交流、檢索獲取信息以及瀏覽購買自身需求產(chǎn)品。網(wǎng)絡社交平臺可以基于平臺用戶與用戶、用戶與信息服務之間的關(guān)聯(lián)關(guān)系，創(chuàng)新推出與熱度影響力和社交網(wǎng)絡相關(guān)的個性化推薦算法。例如，我們想聽好聽的歌曲時，會向朋友詢問，有什么好聽的歌。這時朋友就會進行一些推薦，這就是現(xiàn)實生活中的個性化推薦。之所以我們會詢問好友，是基于對對方的信任以及共同的興趣。因此，基于協(xié)同過濾的個性化推薦算法主要包括兩個步驟：首先，社交網(wǎng)絡平臺的技術(shù)人員可以通過科學有效構(gòu)建出用戶與信息服務間的異構(gòu)網(wǎng)絡圖，并結(jié)合平臺用戶之間的內(nèi)外部因素相似度。接著，有效應用基于關(guān)注熱度的傳播概率模型去科學模擬出在社交網(wǎng)絡平臺上，不同用戶之間的影響擴散過程，結(jié)合不同用戶之間的跟隨概率系統(tǒng)展開排序并篩選出與目標用戶相似的鄰居。這樣一來推薦算法系統(tǒng)就可以根據(jù)最近鄰中用戶的實際評分情況，合理為目標用戶推薦其感興趣的信息服務內(nèi)容或者產(chǎn)品集合，促使用戶在本平臺上能夠及時瀏覽到自身需求的信息或者產(chǎn)品[2]。

2.2 混合推薦方法

在網(wǎng)絡社交平臺推薦應用中混合推薦是一種較為普遍的推薦方法之一，其有效結(jié)合了各種推薦算法的優(yōu)勢，能夠充分保障推薦效果，促使用戶滿意平臺的個性化推薦服務。混合推薦方法的應用涵蓋了三種不同方式，分別是前融合、中融合以及后融合。前融合是基于將各種先進推薦算法優(yōu)化集中到同一個推薦模型中，接著采用不同種類的樣本展開訓練。而中融合則是一種推薦算法作為核心框架，然后在該框架下滲透另外一種算法。最后一種的后融合方式則是以線性組合、投標機制作為基礎(chǔ)，有效將兩個以上的推薦算法產(chǎn)生的結(jié)果進行優(yōu)化組合，最終生成理想的推薦結(jié)果[3]。值得注意的是，網(wǎng)絡社交平臺在應用該種推薦方法為用戶提供個性化服務時，需要提升混合推薦的有效性和可拓展性，確保能夠為廣大用戶全面提供各項深度特征，因此需要進行對混合推薦算法進行創(chuàng)新完善。網(wǎng)絡社交平臺為了豐富個性化推薦結(jié)構(gòu)，可以通過在構(gòu)建平臺用戶興趣模型時，科學采用領(lǐng)域本體，即在獲取用戶本體集過程中合理采用本體的集成語義展開相似度計算，接著基于不同層次展開聚類處理，最終有效建立起用戶語義興趣結(jié)構(gòu)，并明確出具有高度多樣性的用戶作為可信鄰居，這種混合推薦模型最為顯著的特征就是多樣性以及準確性，能夠幫助網(wǎng)絡社交平臺大大提升用戶個性化推薦質(zhì)量，贏得廣大用戶的認可和支持。

2.3 基于圖的社會化推薦算法

近年來社交網(wǎng)絡已經(jīng)走進了人們的生活，受到了網(wǎng)民的關(guān)注與歡迎。社交網(wǎng)站能夠讓用戶創(chuàng)建個人頁面用于自我介紹，且會以默認的形式公開用戶的好友。社交網(wǎng)站的優(yōu)勢在于能夠緩解信息過載的情況。在社交網(wǎng)絡中，人們往往只關(guān)注自己的好友以及自己感興趣的話題，閱讀好友分享的內(nèi)容、發(fā)布的信息。因此可以過濾一系列與自己無關(guān)的信息。且社交網(wǎng)絡中的個性化推薦算法能夠通過顯性以及隱性的用戶社交網(wǎng)絡數(shù)據(jù)來開展信息過濾，以便找到自己感興趣的好友或話題。社會化推薦的優(yōu)勢主要表現(xiàn)在好友推薦可以提升推薦的信任度，且解決冷啟動的問題。網(wǎng)絡社交平臺上通常存在著兩種關(guān)系，一種是用戶之間的社交網(wǎng)絡關(guān)系，一種則是用戶對物品的興趣關(guān)系。如微信平臺中，人們的好友大部分為現(xiàn)實生活中的好友，且好友關(guān)系都需要雙方確認的；又如微博平臺則是以相似的興趣愛好建立的好友關(guān)系，可為單向的關(guān)注關(guān)系。微信平臺與微博平臺的社交網(wǎng)絡分別稱為社交圖譜與興趣圖譜。社交網(wǎng)絡平臺技術(shù)人員可以基于圖模型去科學呈現(xiàn)出這兩種關(guān)系，這樣有利于輔助平臺更好進行對每個用戶的個性化推薦，促使他們能夠獲取到自身感興趣的用戶或者產(chǎn)品。基于社交網(wǎng)絡圖去呈現(xiàn)出平臺用戶之間的社交關(guān)系，用戶物品二分圖科學描述用戶對產(chǎn)品的行為，然后將其二者有機結(jié)合在一起形成一個完整圖形[4]。如圖2所示，為社交網(wǎng)絡圖和用戶產(chǎn)品二分圖的結(jié)合，圓圈代表不同用戶，而方塊則是代表不同產(chǎn)品，兩者之間交叉形成關(guān)系圖。在網(wǎng)絡社交平臺上，除了基本的用戶之間關(guān)系，還有一種就是多個用戶屬于同一社群的關(guān)系。如圖3所示，為融合兩種社交網(wǎng)絡信息的圖模型，最左邊的六邊框代表著社群，如果社交平臺上的某個用戶屬于其中某個社群，就在圖模型中利用一條邊聯(lián)系用戶多對應的和社群對應的節(jié)。

圖2 社交網(wǎng)絡圖和用戶產(chǎn)品二分圖的結(jié)合Fig.2 The combination of social network graph and user product bipartite graph

圖3 融合兩種社交網(wǎng)絡信息的圖模型Fig.3 Graphical model integrating two kinds of social network information

3 大數(shù)據(jù)時代網(wǎng)絡社交平臺個性化推薦創(chuàng)新發(fā)展趨勢

3.1 網(wǎng)絡社交平臺用戶數(shù)據(jù)的精準深度挖掘

現(xiàn)代網(wǎng)絡社交平臺要想吸引培養(yǎng)更多的忠實用戶，就必須加強對用戶的個性化推薦服務工作，創(chuàng)新完善個性化推薦服務系統(tǒng)，促使能夠最大程度滿足不同層次用戶的網(wǎng)站體驗服務需求，獲取到自身愛好需求的網(wǎng)絡信息資源和產(chǎn)品。在大數(shù)據(jù)時代發(fā)展背景下，無論是線上企業(yè)，還是線下企業(yè)都開始越來越關(guān)注到市場用戶消費行為模式與偏好度的分析，只有真正了解到用戶的實際需求情況和消費特點，才能夠有針對性的推送信息內(nèi)容與產(chǎn)品服務。網(wǎng)絡社社交平臺要想做到優(yōu)質(zhì)的個性化推薦服務，除了要搭建起專業(yè)完善的推薦系統(tǒng)，綜合運用各種先進的推薦算法，采集到更多具有價值的用戶數(shù)據(jù)信息進行分析處理，最后生成有效的推薦成果。在這個過程中，不僅要綜合考慮到平臺用戶的日常興趣愛好表現(xiàn)和消費行為特點，還需要做到為用戶及時推薦所需的各項信息內(nèi)容和產(chǎn)品。

3.2 網(wǎng)絡社交平臺用戶反饋機制的創(chuàng)新構(gòu)建

基于大數(shù)據(jù)時代背景下，網(wǎng)絡社交平臺工作人員要正確意識到個性化推薦的目的是為了消除信息過載，從中深入挖掘利用具有價值的用戶數(shù)據(jù)信息，結(jié)合用戶實際需求和行為特點，為期推送其所需的產(chǎn)品和服務[5]。然而，實際情況是當前大多數(shù)網(wǎng)絡社交平臺對于用戶個性化推薦的研究，更多只是單一集中在提升推薦速度和推薦算法質(zhì)量上，一定程度忽視了平臺不同用戶的切身體驗感受，未能夠創(chuàng)新構(gòu)建出完善的用戶反饋機制，及時全面掌握了解到用戶的各項反饋意見信息。針對于此，各大社交平臺的管理人員要科學設置起具有高度人性化的反饋機制，拉進平臺與用戶之間的關(guān)系，在實時接收每個用戶反饋過來的信息基礎(chǔ)上，展開對平臺個性化推薦系統(tǒng)的優(yōu)化調(diào)整，促使能夠為廣大用戶提供更為優(yōu)質(zhì)的個性化體驗服務，增加用戶對平臺的使用粘性。

4 結(jié)語

綜上所述，現(xiàn)代網(wǎng)絡社交平臺在建設運營工作中要高度重視用戶的個性化推薦服務，平臺要積極主動引進應用先進的推薦算法，構(gòu)建出完善的數(shù)據(jù)分析模型，加強對用戶海量數(shù)據(jù)信息的采集、處理分析以及安全存儲，基于用戶的興趣愛好和行為習慣特點，為其推送其所需的相關(guān)服務信息和產(chǎn)品。