基于行为的用户画像方法：信息推荐系统

对用户行为的研究是对用户进行画像的核心问题，通过研究用户行为不仅可以发现某一用户属于什么群体分布，而且可以从用户聚集的用户人群中发现人群之间的差异。基于此，我们可以对不同的人群给以不同的用户价值，构建完善的用户画像，然后针对不同用户人群提供精准化的优质服务。对于网络用户行为的研究我们最早可以追溯到2005年，国外学者Barabdsi在Nature刊文，基于复杂网络理论对用户的行为规律进行探讨，通过统计用户发送和回复普通邮件和电子邮件的时间间隔，Barabdsi发现相邻两个事件间隔的分布服从反比成幕率的长尾效应[29]，并在之后的研究中进一步指出93%的人类活动都是可预测的[30]。Logesh等[31]在研究中提出一种活动和行为诱导的个性化推荐系统(Activity and Behavior induced Personalized Recommender System，ABiPRS)，该系统根据用户的喜好为用户生成最佳匹配位置或兴趣点(Point of Interests，POIs)的列表，由于数据的多样性以及数据大小和维度的不同，用于预测基于位置的社交网络(LBSN)推荐的用户兴趣画像至关重要。此外他们还设计了一种新的推荐模型，以利用用户之间的关系来满足用户组的需求。Adomavicius等[32]使用关联规则、分类算法等数据挖掘方法构建了面向个性化的用户画像，由此来分析用户的购买行为。研究结果表明，面向个性化的用户画像可以很好地挖掘隐藏在用户的商品交易记录中的行为档案信息，从而揭示更深层面的用户消费行为规律。

国内学者应秋芳等[33]研究了单个(微型)级别的用户发布行为，并对由隐马尔可夫模型生成的用户发布序列进行建模，并将其聚类到不同的用户画像中，通过比较使用简单的零阶模型(等效于主题模型，如LDA)和一阶模型的结果，发现其在聚类和预测用户类型方面的有效性很高。万家山等[34]提出一种基于用户画像的智能信息推送方法，借助智慧学习平台的用户数据，主要通过KD-Tree来实现在KNN聚类算法中分析用户偏好和行为特征，进而将用户进行类别划分。该研究首先通过分析聚类中心将每一类用户抽象成高度精练的短文本，形成具有代表性的标签；其次，根据社交用户个体的标签权重值，结合业务需求进行二次建模来构建用户画像模型；最后借助协同过滤推荐算法产生推荐。研究结果表明用户画像不仅提高了数据的可用性和价值，还使分析者从大量的用户数据中摆脱出来，快速地协助分析者做好精细化分类，达到了较好的推荐效果。(www.xing528.com)

根据以上的国内外研究成果，我们可知基于行为的用户画像方法有助于剖析用户决策行为不同阶段表现出来的特征行为、变化过程、动因要素等，由此可以构建出较为完善的用户画像模型，从而帮助我们为不同用户提供独具特色的个性化精准推荐服务。值得注意的是，如果使用的数据体量较小，基于行为的用户画像研究只能较为有限地分析用户的某种特定行为，与实际应用中所需要考虑的广度与范围相比还远远不够。因此，针对大数据环境下用户行为数据增长迅速、类型众多且价值密度低的特点，如何利用大数据技术对用户行为进行充分的深入挖掘，真正地构建基于用户行为大数据分析的用户画像，并利用该画像优势来进行个性化信息服务仍是目前研究的难点。