面向信息繭房的用戶畫像多樣化標簽推薦*

劉海鷗 李 凱 何旭濤 姜 波

（1.燕山大學經濟管理學院 河北秦皇島 066004； 2. 燕山大學圖書館 河北秦皇島 066004）

大數據時代，推薦系統能夠根據數據痕跡深入分析用戶需求和潛在興趣，為用戶量身定做精準的“個人日報”。然而，這種精準服務模式會使用戶長期處于“個人日報”的局限之中，用戶易接收到大量同質化內容，興趣無法遷移，致使知識接觸面和視野不斷趨于窄化[1]。加之用戶對自身的信息需求也有一定的偏好，于是便逐漸地將自己禁錮在一個蠶繭一般的“繭房”之中，形成“信息繭房”。用戶畫像作為一種用戶數據分析工具，能夠將用戶復雜異構的數據轉換成多樣化的標簽并進行可視化表現，實現對用戶的全方位刻畫，從而能了解到用戶多樣化的特征和興趣[2-3]。因此，本研究提出面向信息繭房的用戶畫像多樣化標簽推薦服務，通過構建用戶畫像模型對用戶標簽進行分級，再從用戶畫像的標簽入手挖掘出用戶多樣化的興趣和需求，最終提出基于用戶畫像的多樣化標簽推薦服務方式，提升推薦系統的多樣性，為解決“信息繭房”問題提供參考。

1 相關研究進展

1.1 信息繭房

1.1.1 信息繭房的產生

“信息繭房”的概念最早是由美國芝加哥大學教授凱斯·桑斯坦提出的，他認為每個人對自身的信息需求都是有偏好的，在選擇所接收到的信息時往往只會關注自己所偏好的或者迎合自己喜好的信息，長此以往，就會將自己困在一個由信息組成的“繭房”之中。與“信息繭房”相關性較大的是“回音室效應”和“過濾氣泡”。

“回音室效應”的概念也是由凱斯·桑斯坦提出的，他認為在一個相對封閉的環境中，有些觀點相似的信息會不斷地進行重復傳播，并且傳播的形式可能會產生扭曲或被加以夸張，從而這些觀點會得到進一步強化，使那些在相對封閉環境中的用戶認為這些虛假或扭曲的信息就是事實的全部。在這個相對封閉的環境中，其他領域的觀點和想法，不會得到認同。“回音室效應”在互聯網環境中的表現是，部分商業網站會依靠個性化推薦算法，為用戶提供和搜索結果相似的信息內容。因此，用戶在選擇信息來源時，就已經進行了信息的過濾，用戶所接收到的信息內容都是相似的，這就使得用戶固守在符合自己偏好的信息與意見的圈子里，就像處在一個“回音室”之中。不同的“回音室”之間是相互隔絕甚至是對立的，這就會容易導致群體極化現象的產生。

“過濾氣泡”則由Eli Pariser 提出，他認為用戶自身世界觀的形成會受到用戶對社交網絡依賴的影響，互聯網上的一系列個性化過濾器會為用戶構造出獨特的網絡環境，使用戶在使用互聯網時處在個人化的信息世界。而這些過濾器大多盛行于互聯網。而“過濾氣泡”是指以大數據與推薦算法為底層架構，根據用戶的使用時間、地區、瀏覽行為和搜索歷史生成用戶畫像，并通過算法技術向用戶提供相關的信息。因此用戶所接收到的信息都是經過過濾的，從而對用戶進行智能隔絕[4]。過濾氣泡會導致用戶的視野顯著變窄，將用戶隔絕在自己的信息世界。

1.1.2 信息繭房相關現狀

對于信息繭房的相關研究，大多都是集中在信息繭房的產生和危害兩個方面。關于信息繭房是如何產生的，Bozdag E 等[5]認為搜索引擎、社交網絡平臺和其他在線中介所使用的算法，會形成“過濾氣泡”，從而降低了信息的多樣性。Geschke Danine 等[6]通過構建模型，對十二種不同的信息過濾場景進行分析。結果顯示即使沒有任何社會或技術的過濾，“回音室效應”也會出現。Nguyen T T 等[7]對電影評分和相關推薦網站上的數據進行分析，認為推薦系統的算法會在用戶層面產生“過濾氣泡”的效應，并得出協同過濾算法可能會向用戶推薦本不會接觸到的信息類型，進而開闊用戶的視野。Lili Ji[8]認為在智能媒體背景下，算法推薦技術被廣泛應用于信息分發中，會導致“信息繭房”現象的出現，對于信息繭房的解決可以從政府的調控、媒體的融合、社會群體的網絡互動、智能媒體的強化和算法推薦技術的改進五個方面來進行。蔡磊平[9]提出個性化推薦系統的普及和應用，大大提升了信息的分發率，用戶的信息需求得到滿足，但是導致了“信息繭房”效應的產生。關于信息繭房所帶來的危害，Wesley Cota 等[10]認為在社交網絡中的“回音室”效應，使用戶只喜歡與意識形態一致的同伴互動，從而導致錯誤信息的傳播。王秋旭[11]認為在“信息繭房”的影響下，再加上用戶的選擇性心理和群體壓力、技術發展等原因，微博用戶之間會形成各個不同的團隊，進而造成群體極化現象。羅華麗等[12]認為網絡圈層會使一些大學生陷入自我構筑的“信息繭房”之中，并且信息繭房所帶來的信息繭化、群體極化等負面效應會給大學生帶來危害。何楊等[13]認為新媒體過度使用算法技術導致用戶受困于“信息繭房”，并對新媒體環境下網絡群體極化動力機理進行研究，為政府管控網絡輿情和減緩信息繭房效應提供參考。劉曉璇[14]認為在當今時代，智能手機已經成為大眾傳播的主要媒介，通過智能算法為用戶畫像，精準推薦其感興趣的信息，進而形成了“信息繭房”，也導致了信息同質化、社會黏性喪失、群體極化等問題。

綜合上述文獻可以看出，算法推薦技術和個性化推薦系統的飛速發展與廣泛應用，再加上用戶對信息需求的選擇性心理，是造成“信息繭房”的主要原因。而信息繭房的產生，會使用戶的信息接收范圍變窄、對世界和社會的認知出現偏差，并且會造成價值偏頗、信息同質化和群體極化等負面效應。當前，國內外對信息繭房的相關研究逐年增多，但學者的研究重點大多集中于信息繭房是如何產生的和信息繭房給用戶帶來的負面效應有哪些，對如何進行“破繭”，如何降低信息繭房負面影響、開闊人們視野的研究還相對較少。

1.2 用戶畫像與個性化推薦

用戶畫像起初是由交互設計之父Alan Cooper 提出的，他將用戶畫像定義為“基于用戶真實數據的虛擬代表”。Gauch S[15]、Quintana R M[16]等將用戶畫像形容為從大量用戶數據中提取信息并生成的用戶形象集合，根據形象集合，可對用戶需求、興趣和行為進行刻畫。Assimakopoulos C[17]對希臘的移動互聯網服務進行了研究，并識別基于心理和人口統計特征的用戶群體；同時，分析網絡服務的使用和移動技術采用的程度，使用用戶畫像的方法將用戶進行分組。Bertani R M 等[18]提出一種新的學習用戶畫像的算法，結合新穎性和流行度生成個性化推薦，實驗結果表明，在相同背景下，該算法的性能優于傳統的協同過濾算法。王順箐[19]認為圖書館可以構建智慧推薦系統，而智慧推薦系統的構建，要在數據采集的基礎上整合用戶畫像、觀點分析等主要流程，并且以讀者需求分析為核心。張鈞[20]基于用戶畫像和知識發現對圖書館讀者用戶畫像進行構建，并據此對基于用戶畫像的圖書館知識發現服務模型進行構建。劉蓓琳等[21]在電子商務用戶購買的決策過程中應用用戶畫像技術，并從電子商務用戶畫像中的用戶畫像維度劃分、屬性確定和屬性抽取方法三個角度進行了分析研究。翟秀鳳[22]在對基于用戶畫像的資源推薦方式和傳統資源推薦方式的區別進行分析的過程中，應用用戶畫像理論，對用戶顯性與隱性畫像資源庫進行構建，并結合用戶畫像資源庫開展智慧推薦系統設計。謝姝琳[23]利用用戶畫像的構建方法，對圖書館用戶群體的差異化行為特征進行探究和呈現，最后提出基于圖書館特定情境來構建用戶畫像標簽體系。

綜合上述分析可以看出，用戶畫像作為一種用戶多樣化標簽表現工具，在推薦系統中得到廣泛應用，能夠通過將用戶各個屬性不同權重的數據轉換為多個維度的標簽，對用戶進行全方位、立體化的刻畫。而在用戶畫像研究方面，國內外相關研究大部分關注的是用戶畫像的構建方法，以及用戶畫像在推薦系統中的相關應用，對用戶標簽體系的關注和挖掘存在不足，缺乏基于用戶標簽體系對用戶多維興趣進行挖掘的相關研究。另外，當前很少有研究將用戶畫像和信息繭房結合起來。鑒于此，本文在結合用戶畫像和信息繭房相關理論的基礎上，利用用戶畫像核心技術，依據多標簽分類算法構建用戶的多維特征標簽體系，并利用主題模型對用戶各級標簽下所隱藏的興趣進行挖掘，最終通過多樣化標簽體系進行協同過濾推薦，從而解決推薦系統中信息繭房導致的信息推送窄化和信息雷同問題。

2 面向信息繭房的用戶畫像多樣化標簽推薦服務架構

用戶畫像中多樣化、多元化的標簽，能有效地對用戶的興趣和需求進行多樣化、全方位的刻畫。將用戶畫像的多樣化標簽應用到推薦系統中，對用戶畫像的標簽分級，進而對用戶畫像模型以往的標簽體系進行改進，構建出用戶畫像的多維特征標簽體系來分析和挖掘用戶多方面的需求和愛好，能有效提升推薦系統的多樣性，進而有效降低“信息繭房”的影響。本文設計了基于用戶畫像的多樣化標簽推薦服務框架，將多標簽分類、主題模型和協同過濾推薦進行有效結合。首先，對用戶的相關數據信息進行搜集和處理，提取出用戶數據信息中的標簽，從而生成用戶畫像模型；然后，依據用戶畫像的標簽權重和多標簽分類算法，對用戶畫像標簽進行分級；最后，利用主題模型、協同過濾推薦實現多樣化的推薦服務，以此建立一個合理、自適應的多樣化標簽推薦服務體系。基于用戶畫像的多樣化推薦服務框架如圖1 所示。

圖1 基于用戶畫像的多樣化標簽推薦服務架構

畫像構建層是構建基于用戶畫像的多樣化標簽推薦服務體系的前提基礎，刻畫出用戶的畫像模型，才能了解用戶的標簽都包含了哪些內容。構建用戶畫像模型，就是全面收集用戶的相關數據，然后將用戶相關數據中的關鍵詞匯和文本進行凝練與提取，作為用戶畫像模型的標簽，從而構建標簽體系。首先，利用網絡爬蟲和相關方法，從短視頻軟件的數據庫中獲取用戶的基本信息、興趣偏好和互動行為等各個類型的相關數據；其次，應用數據清洗、轉化和歸約方法處理收集到的用戶相關數據，將不同結構的數據都轉化為同一結構；再次，根據用戶的相關數據，提取其中的主題詞，形成用戶標簽，同時對用戶標簽進行權重計算，組成用戶標簽體系，構建用戶的標簽詞庫；最后，將用戶的特征屬性與標簽進行匹配，為用戶粘貼相應的標簽，實現用戶的標簽化，并應用可視化技術呈現用戶畫像模型。

標簽分級層是多樣化標簽推薦服務框架的核心構成部分。首先，將用戶標簽詞庫中的所有標簽進行分類，了解用戶的標簽類型及用戶標簽的具體內容；然后，對用戶的標簽內容進行更精細的劃分，基于用戶畫像模型的標簽權重和多標簽分類方法，對用戶畫像模型的標簽進行分級，實現用戶畫像多樣化標簽的等級化；最后，按照用戶標簽的級別，對用戶標簽進行由粗到細和逐個級別的關聯分析，得出更為精準細化的用戶標簽所代表的用戶特征，進而發現用戶屬性的多樣化特征，構建出用戶的多維特征標簽體系。

服務應用層是在整合畫像構建層和標簽分級層服務功能的基礎上，根據用戶多維特征標簽體系中用戶的各個特征，利用主題模型的方法，對每個級別的用戶標簽中的主題進行分析和提取。然后利用協同過濾算法將標簽分析結果應用到推薦系統中，進而進行多樣化標簽推薦服務，如基于用戶興趣畫像可以對用戶的多個興趣愛好進行分析和挖掘，根據用戶的多樣化興趣愛好，為用戶提供多樣化的信息資源推薦服務；基于用戶行為畫像可以獲取到用戶的行為模式、規律等行為特征，并將行為模式歸納為主題，從而進行多樣化推送。此外，系統還可以根據用戶的行為模式，為用戶推薦具有相同行為模式的用戶，以此進行交流討論；或通過構建動態畫像模型來追蹤用戶興趣和行為的變化，提供實時的多樣化服務。

3 用戶多維特征標簽體系的構建

3.1 用戶畫像模型的構建

3.1.1 數據采集

通過分析和挖掘用戶所留下的相關數據，可以精準地完成用戶及用戶群體畫像的刻畫，從而將用戶的興趣偏好、行為特征和信息需求全面完備地體現出來。刻畫用戶畫像模型所需的相關數據主要包括用戶的基本信息數據、內容偏好數據、互動行為數據和數量統計數據。其中，用戶的基本信息數據主要包括用戶的姓名、性別、年齡、用戶ID、所從事的工作、地理位置、籍貫、教育程度、電話號碼等信息，此類信息可以通過用戶在注冊軟件或客戶端時所填寫的信息進行獲取；興趣偏好數據主要包括用戶喜好或關注的信息主題、相關作者、瀏覽時長、瀏覽時段、喜好的內容類型等數據；互動行為數據主要包括用戶在瀏覽時所進行的點贊、收藏、轉發、下載和討論等行為數據；數量統計數據則是包括用戶的關注數、好友數、粉絲數、點贊次數、評論次數等數據。這些數據可以通過爬蟲軟件進行爬取或者從相關的數據庫中進行導出提取。

數據采集者應保護用戶隱私權，將所采集的用戶信息匿名化并嚴格管控使用權限，不采集用戶其他與多樣化推薦無關的信息數據，加大用戶基本信息數據和隱私數據的使用管理力度，保護用戶數據的所有權和使用權，對采集到的數據進行集中管理。同時，制定業界行為規范和公約，利用行業自律與行為監督來保護用戶隱私[24]。鑒于數據的來源多樣，所收集的數據結構是不同的，主要包括結構化數據和非結構化數據，不能直接用來構建畫像，因而需要對數據進行處理。非結構化數據需要通過數據清洗、數據集成、數據轉換和數據歸約的方法進行處理，進而轉換為結構化數據。結構化數據存在著數據缺失、數據重復和同名異義的問題。數據缺失問題可通過搜索或詢問等方式進行補充完善；數據重復問題需要剔除多余信息，使數據保持唯一；同名異義問題則需要通過人名消歧等方法來解決。

3.1.2 標簽的提取與權重計算

構建用戶畫像模型就是給用戶貼上相應的標簽，而貼標簽就是將相應的符號粘貼到所收集的用戶相關數據上。標簽可以理解為一種用戶數據和特征的符號表示，其具有短文本和意義化的特點，便于對用戶的需求和行為進行分析和理解[25]。因此，構建立體的用戶畫像模型，需要在收集和處理用戶數據之后，對數據之中的關鍵詞匯和文本進行分析，提取出用戶的特征標簽。用戶畫像是多維度、多層次的模型，以往的單標簽數據提取方法難以對用戶畫像的標簽進行深度挖掘，從而導致用戶畫像和資源畫像標簽不足、標注不準[26]。對此，我們可以通過統計分析、機器學習等相關方法，從多個維度來對用戶畫像的標簽進行提取。

對于用戶標簽的提取，本文圍繞所收集到的用戶基本信息數據、知識偏好數據、互動行為數據和數量統計數據四個維度，提取出相應的用戶標簽。其中，對于用戶基本信息數據的標簽提取就是將用戶在基本信息中所填寫的內容進行精煉，直接作為標簽。興趣偏好數據的標簽提取，則是將用戶檢索內容、所關注和喜好的信息中的關鍵詞或主題詞作為標簽進行提取。互動行為數據的標簽提取，就是圍繞用戶的社交互動信息進行提取，包括用戶在進行評論、討論時發表的內容和相關特征等信息。數量統計數據的標簽提取，就是對用戶的關注數、好友數和粉絲數等進行統計提取。具體內容如表1 所示。

表1 用戶標簽內容

構建用戶畫像，需要在提取出用戶畫像模型的相應標簽后，計算用戶畫像標簽的權重，然后根據標簽的權重進行標簽歸類。計算用戶畫像的標簽權重，可通過加權算法對不同類型的標簽賦予不同的權重。其中，基本信息標簽由于是對用戶基本信息數據的精煉，直接作為標簽，所以對基本信息標簽的權重計算可以直接計算；而用戶的興趣偏好不是一成不變的，在權重計算時需要綜合考慮偏好權重和衰減權重；互動行為標簽則可以根據用戶互動行為發生的頻率、數量等強弱關系進行計算。

3.1.3 生成用戶畫像模型

在標簽體系構建完成后，以標簽體系為依據對用戶的屬性特征進行分析，通過特征屬性與標簽的匹配，可將相應的標簽粘貼到用戶上，實現用戶標簽化，從而構建出用戶的畫像模型；以不同的標簽權重為依據，使用tagCloud、Wordle、Tagul 等工具將標簽進行可視化表示，采用語義分析技術來發現用戶間的隱性關系；對用戶的標簽進行聚類，聚合具有相似屬性特征的用戶，進而得到不同的群體用戶畫像。

3.2 用戶畫像模型標簽分級

為了從多個維度對用戶的興趣和需求進行分析，使用戶畫像的標簽體系更加完整和全面，本研究從用戶畫像的多樣化標簽入手，依據以往的多標簽分類算法，計算用戶畫像每個標簽的權重，將用戶的標簽進行分級，構建用戶的多維特征標簽體系。多標簽研究主要有兩種分類算法：問題轉化法主要是將多標簽分類問題分解為多個單標簽分類問題，再利用傳統的單標簽分類；算法轉化法是通過對傳統的分類方法進行改進，使其能適用于多標簽數據的分類[27]。用戶畫像的標簽種類和數量較多，使用問題轉化法會比較麻煩，所以算法轉化法較為常用。

本研究將用戶畫像模型的標簽權重和多標簽分類算法進行結合，實現用戶畫像標簽的分級。首先，根據構建畫像模型時所計算出來的每個標簽的權重，在基本信息標簽、興趣偏好標簽和互動行為標簽這三個標簽類型中，選取各自權重最大的一個標簽，并將選取出來的標簽作為一級標簽。其次，以選取出來的一級標簽為中心，利用多標簽分類算法，如KNN 算法，對剩下的標簽進行計算，得出其他標簽與一級標簽之間的相似度，然后選取與一級標簽相似度高的標簽，作為第二級標簽。以此類推，對剩余的標簽進行計算，得到第三級標簽、第四級標簽、第五級標簽……，直到完成所有的標簽分級。最后，依據分完級別的標簽，構建出用戶畫像的多維特征標簽體系。

3.3 多維特征標簽體系構建

構建多維特征標簽體系，需要從多個層面對用戶的興趣特征和行為特征進行剖析，進而挖掘出用戶多方位的愛好和需求。用戶畫像模型是多維度、多層次的模型，用戶畫像包含著用戶多個維度的數據，因此可以通過統計分析、機器學習等相關方法，在標簽分級的基礎之上，從多個維度對用戶畫像模型標簽的特征進行劃分，由此構建用戶畫像的多維特征標簽體系。

對于用戶畫像多維特征標簽的構建，本研究根據對用戶基本信息標簽、興趣偏好標簽和互動行為標簽這三類標簽的分級，將用戶畫像模型標簽的特征分為基本特征、興趣特征、行為特征、數量特征。其中基本特征主要是對用戶基本信息標簽類型進行分級后所得到的，包括用戶性別、用戶ID、用戶姓名、是否實名認證、所在地域、從事的工作、年齡、籍貫、電話號碼等；興趣特征主要是對用戶興趣偏好標簽進行分級后所得到的，包括主題、話題、位置、使用的設備、檢索內容、喜好的內容類型、喜好的內容主題、喜好的內容作者、關注的作者和內容等；行為特征是對用戶互動行為標簽類型進行分級后所得到的，包括用戶對某個話題的參與程度，用戶的評論內容，用戶在評論中使用的表情、語氣詞、符號，用戶的轉發、下載、點贊、發布等；數量特征是對上述標簽進行數量統計后所得到的，包括用戶的關注數量、粉絲數量、好友數量、訪問數量、瀏覽時長、瀏覽時間段、評論次數、點贊次數、下載次數等。

4 面向信息繭房的用戶畫像多樣化標簽推薦服務模式

4.1 基于用戶興趣畫像的多樣化資源推薦服務

對用戶畫像模型數據庫進行分析，可以從提取的用戶畫像興趣偏好標簽中了解到用戶的興趣偏好與關注熱點，由此形成用戶的興趣標簽，構建出用戶的興趣畫像。該畫像能夠更好地描述用戶的關注熱點和興趣偏好，并能夠對用戶興趣偏好的變化情況進行分析，從而實現基于用戶興趣畫像的多樣化資源推薦服務。首先，基于用戶興趣畫像的多樣化推薦服務，識別用戶的興趣偏好信息和行為信息，進而得出用戶的興趣點與關注點。然后，在標簽分級的基礎上，依據LDA、JST 等主題模型，對每個級別用戶標簽中所潛藏的主題信息進行識別和分析，進而挖掘出用戶的興趣分布。另外，根據所構建出的用戶多維特征標簽體系，也能夠了解到用戶的興趣偏好特征。最后，依據協同過濾算法，找出用戶感興趣的信息內容，將與用戶的多個興趣點和關注點相符的信息資源推送給用戶，根據多個主題、話題和類型進行多樣化的推送，以此來擴大推送內容的范圍，促進推送內容的多樣性。同時，還可以依據用戶的興趣點和關注點，推測出用戶以往沒有涉及的“未知領域”，并將用戶不關注的信息資源穿插在用戶的關注內容中進行推送，適時地將用戶不關注的信息資源推送給他們，幫助用戶激發興趣和開闊視野，探索那些“未知領域”，進而擴大用戶的信息接收范圍，使用戶能夠接收到多方位的信息，減少“信息繭房”所帶來的視野窄化、價值偏頗等影響。

4.2 基于用戶行為畫像的多樣化標簽推薦服務

系統通過對用戶畫像數據庫進行深度分析和挖掘，可以從所提取的用戶互動行為標簽中了解用戶的行為模式和規律，由此形成用戶的行為標簽。用戶的行為標簽能夠更好地體現用戶在瀏覽信息時的行為模式和行為特征，由此構建出用戶的行為畫像。行為畫像能夠更加精準地描述用戶的行為特點和行為習慣，并基于不同的用戶行為模式分類提供多樣化資源推薦服務。該推薦服務通過分析和挖掘用戶的各種行為數據，生成用戶的行為標簽，并聚類用戶的行為標簽，進而生成多個行為層次結構，然后將多個層次結構進行歸納，形成多個主題，構建用戶行為主題模型，利用主題描述用戶的行為模式和規律；在歸納主題的基礎上，結合用戶多維標簽體系中的用戶行為特征，依據協同過濾算法，將信息資源主題與用戶行為主題進行匹配，把與用戶多個主題相符的信息資源推送給用戶，從而進行多樣化推送。同時，通過對用戶行為的規律和特點進行分析，可以向其推薦具有相同行為模式的其他用戶。這些用戶雖然有著相同的行為模式，但是興趣和愛好會有所差異。因此，用戶之間可以將各自喜好領域內的信息資源進行分享和討論，從而開闊視野，擴大信息接收范圍。用戶在對某個話題進行討論時，能夠得到不同的看法和觀點，增強與外部世界的聯系，實現多元觀點的碰撞與融合，有效地避免了“群體極化”現象的產生。

4.3 基于動態畫像實時更新的多樣化推薦服務

在大數據時代背景下，用戶的數據信息和行為模式會因為時間和場景的變化而發生變化，因此需要對用戶畫像進行實時更新。基于動態畫像實時更新的多樣化資源推薦服務能夠對用戶個體進行標記，各類短視頻軟件和新聞客戶端平臺可以實時記錄用戶每次的瀏覽行為軌跡和瀏覽時間變化，系統能夠根據用戶的數據信息變化對其數據庫存儲信息進行關聯，由此對其畫像進行實時更新，通過更新的用戶畫像可以準確提取用戶最新的訪問內容和訪問行為特征，同時結合用戶訪問路徑、訪問頻率、頁面停留時間、訪問間隔時間等指標的變化，對用戶的需求偏好進行預測，從而對推薦系統的推薦機制進行調整，最終為用戶推薦與其當前興趣偏好、行為模式最為相符的信息資源，提高其在平臺的留存率和回訪率。對用戶畫像的實時更新，也使得用戶的興趣畫像和行為畫像進行自我更新和調整，有利于挖掘出更加多樣化、全方位的信息資源并根據用戶需求的變化進行多樣化推送。同時，根據用戶對多樣化資源推送服務的評價和反饋，可以實時地對推薦策略進行修正和完善，從而進一步更新用戶的服務需求，完善推薦系統的服務機制，使用戶畫像多樣化標簽推薦服務具有更大的靈活性。