一種智能互聯充電云平臺用戶關注度計算方法

王化喆,申藝方

(1.商丘職業技術學院，河南 商丘 476100; 2.濟源職業技術學院，河南 濟源 454682)

隨著新能源產業的深入發展，智能互聯充電服務在各領域得到了廣泛的應用，在此背景下，新能源充電汽車也得到了迅速的發展.智能互聯充電云平臺是提供新能源汽車充電服務的重要平臺，平臺服務內容在深度和廣度上緊密圍繞新能源汽車技術、充電、保養等方面不斷地深入和延伸.但平臺內容豐富的同時,信息的無效率過量推送，難以達到為個體使用者提供針對性服務的目的.

為了更有效地為平臺用戶提供個性化的高效服務，就要了解用戶個體對平臺信息的興趣偏好，而用戶對信息的關注度可以在一定程度上反映其興趣偏好.因此，設計者以用戶在平臺的瀏覽行為為出發，獲得用戶相應的瀏覽行為，對所收集的用戶行為信息進行計算得出用戶對不同頁面內容的關注度，從而達到了解用戶興趣偏好的目的，進而向個體用戶提供更加具有針對性的服務，提高智能互聯充電云平臺服務效率和質量.

1 用戶瀏覽行為分析

用戶的瀏覽行為在一定程度上能夠反映出用戶對某個主題內容的關注度，這是判斷用戶個人內容偏好的重要依據.通過對數據的收集，設計者可以進行更加符合個人需要的、差異化的信息推送和產品服務，達到提高服務效率，提升服務質量的目的.

當用戶沒有計劃性或針對性地瀏覽某主題頁面時，其對某一頁面進行保存、打印、復制、粘貼、收藏等瀏覽行為，表明該用戶對某一頁面上的主題內容發生了興趣且產生了關注的行為.用戶這種突發的瀏覽行為，在一定程度上可以反映出用戶隱性的興趣偏好.設計者可通過挖掘此類數據來確立用戶的隱性偏好，并將用戶潛意識興趣偏好的行為進行轉化，提高平臺用戶人數和服務質量.

在常見的幾種用戶偏好瀏覽行為中，用戶打印頁面行為操作場景較少.用戶在瀏覽頁面時，拉動滾動條、點擊鏈接等操作行為，是瀏覽中較為常見的頻繁操作行為，這些行為有時是一種非主觀行為，難以作為用戶興趣偏好的依據.而用戶的保存、收藏頁面等瀏覽行為是一種主動行為，這些主動行為受客觀因素影響較小，能較好地反映出用戶興趣偏好，具有較高的可信度，可以作為用戶關注度的影響因素.用戶在某一頁面的停留時間和頁面內容的大小存在著直接聯系，不能獨立作為用戶關注度的影響因素，但可以將其作為分析數據的參數來分析.綜上所屬，用戶保存頁面、收藏頁面、頁面瀏覽速度等瀏覽行為可作為對用戶關注度進行計算的主要依據，以計算用戶對智能互聯充電云平臺不同頁面信息的關注程度[1].

用戶關注度是指用戶對一個頁面上的內容關注程度的大小，用0-1之間的實數表示，0表示不關注，1表示最大關注程度[2].

目前，通常用來計算用戶對頁面關注度的方法主要有兩類，一類是基于瀏覽內容的方法，一類是基于用戶行為的方法[3].由于用戶對信息內容的隱性偏好，能夠突發地反映出其某種顯性瀏覽行為.因此，采用瀏覽行為作為用戶關注度的參考依據具有更高的可信度.

設定初始用戶關注度為Interest×[0,1]，采用保存網頁save(li)、收藏頁面bookmark(li)和頁面瀏覽速度speed(li)作為用戶在智能互聯充電云平臺的瀏覽行為. 其中，欄目用l表示，欄目中的頁面用i表示，用戶所訪問的第i個平臺頁面表示為li.結合平臺用戶的實際瀏覽行為習慣及計算結果的可信度，對智能互聯充電云平臺用戶的關注度計算做了如下設計.

1)保存、收藏頁面具有較高的興趣偏好指向性，其作為關注度影響因子具有高可信度的特點.因此，當用戶發生保存、收藏頁面任一行為時，只需獲取用戶保存、收藏頁面瀏覽行為數據，不需再抓取用戶頁面瀏覽速度數據.此時，收藏和保存頁面與用戶關注度的關系為一個二值函數.

(1)

此時，用戶關注度與式h(li)存在如下關系:

ω1=Interest(li)·h(li)

(2)

2)當保存、收藏頁面等瀏覽行為沒有發生時，只將用戶瀏覽速度作為影響因子.用戶對智能互聯充電云平臺頁面的瀏覽網頁速度speed(li)取決于頁面內容的大小size(li)和駐留時間的長短time(li) .結合生活、工作實際使用場景，駐留時間在5s 3min時，則視為無效信息，程序會將無效信息排除計算范圍.頁面瀏覽速度speed(li)關注度函數定義為:

(3)

為了避免由于用戶瀏覽速度過快，造成運算結果值過度偏離1，則用戶關注度與頁面瀏覽速度存在如下關系:

(4)

基于上述理論，可以得到智能互聯充電云平臺不同頁面用戶關注度計算公式如下:

Interest(li)=ω1+[1-ω1]×ω2

(5)

2 用戶關注度的衰減

研究表明，人們在沒有長時間的刺激作用下，對事物的興趣會隨著時間的延長而逐漸衰減，時間在智能互聯充電云平臺用戶關注度的計算中是不可忽視的重要影響因子.因此，關注(興趣)衰減因子采用公式(6)計算，進而得出關注度公式(7):

(6)

Interest*(li)=Interest(li)×K(x)

(7)

公式(6)取值c=1.25、k=1.84，較為符合人對事物的遺忘規律.公式(7)引入時間因素對用戶關注度的影響，K(x)表示記憶保存量，T=cur-per(表示用戶瀏覽頁面的時間間隔，以分鐘作為計量單位) .

根據公式(7)，得出用戶對每個頁面的關注度公式(8):

Interest″(li)=Interest*(li)+newInterest(li)

(8)

其中，newInterest(li)為關注度的變化值，即當用戶瀏覽新的頁面后，對原有頁面興趣度的變化大小，考慮了興趣偏好的衰減或強化.為了確保算法的有效性和全面性，將幾種瀏覽行為進行綜合計算，采用公式(9)如下:

newInterest(li)=ω1*f1(h(li))+ω2*f2(speed(li))

(9)

其中，ω1、ω2為不同用戶瀏覽行為所對應的權重.

最后依據智能互聯充電云平臺的相關內容，利用K-means算法進行聚類分析，在不同頁面類別中，隨機選取相同數量的頁面作為實驗數據開展實驗測試，得到主題關注度函數:

(10)

其中,p表示主題，m表示主題數目，j表示第m個主題的總共頁面數目.為了保證0≤Interest(pm)≤1，利用公式(11)對運算結果進行歸一化處理.

(11)

3 實驗分析

本文選取瀏覽2周的某智能互聯充電云平臺頁作為處理數據，利用K-means算法最終聚類成充電支付、公告管理、智能查詢、技術維護、個人設置等5個主題,在5個主題中隨機選取5個頁面的相關數據作為實驗數據.使用前端性能分析工具Lighthouse得到用戶智能互聯充電云平臺瀏覽行為和操作，部分結果如表1 所示.根據得到的數據，按照前文提出的公式對用戶關注度進行計算，計算結果如表2所示.2周后再對瀏覽這些頁面的用戶在平臺上進行線上統計調查，調查強調了用戶真實想法的重要性及影響，并對參與調查的用戶給予積分獎勵，以保證調查數據的真實性和廣泛性，最后將調查結果與計算結果進行比較，比較結果如表3 所示.

表1 整理后的部分用戶瀏覽行為

表2 用戶頁面關注度比較

表3 用戶類別關注度比較

從實驗結果可以看出，本文提出的智能互聯充電云平臺用戶關注度算法與用戶線上調查的結果絕對誤差值控制在9%以內，充分證明了算法的有效性.

4 結論

本文圍繞智能互聯充電云平臺如何提供高質量、個性化服務的問題，了解用戶的興趣偏好，以用戶對平臺不同信息的關注度為出發點，抓取用戶在平臺的瀏覽行為，結合關注度會隨時間衰減的規律，提出了一種智能互聯充電云平臺用戶關注度計算方法，并通過實驗證明了該方法的有效性.本文提出的方法只是獲取用戶興趣偏好的一種維度，為類似研究提供了基礎.為了更好地、全面地了解用戶真實的興趣偏好，設計者還需要進一步建立智能互聯充電云平臺用戶關注模型和算法體系，進而完善智能互聯充電云平臺服務功能和提高其服務質量，更好地為用戶提供個性化、專業化的平臺服務.