李蘭馨

在大數(shù)據(jù)時代, 數(shù)據(jù)的收集、分析、再運(yùn)用被各平臺強(qiáng)調(diào), 基于數(shù)據(jù)挖掘的算法推薦能更好地滿足用戶需求。網(wǎng)易云音樂是算法推薦平臺的典型案例, 文章以網(wǎng)易云音樂為例, 探析大數(shù)據(jù)和智能算法對用戶黏性的作用, 并針對不足提出改進(jìn)措施。

算法;大數(shù)據(jù);用戶黏性;網(wǎng)易云音樂;

作者簡介：李蘭馨, 鄭州大學(xué), 本科在讀, 研究方向?yàn)樾侣剬W(xué)。;

數(shù)據(jù)成為了電子平臺改進(jìn)服務(wù)功能的入口, 幾乎所有平臺都會獲取用戶數(shù)據(jù), 如基本信息、實(shí)時動態(tài)、使用痕跡、互動反饋等。值得注意的是, 大數(shù)據(jù)不僅僅是數(shù)據(jù)的“多”, 更是數(shù)據(jù)的“全”, 在這種數(shù)量極多且全面的情況下, 數(shù)據(jù)的質(zhì)量 (精確度) 顯得不那么重要, 樣本容量極大, 單個數(shù)據(jù)樣本對整個數(shù)據(jù)結(jié)果的影響就微乎其微, 從而形成整體準(zhǔn)確的用戶大數(shù)據(jù)。

算法是將用戶大數(shù)據(jù)通過運(yùn)算轉(zhuǎn)化為結(jié)果的編碼程序。在信息過載時代, 平臺會根據(jù)已獲得的用戶數(shù)據(jù), 利用算法構(gòu)建一套推薦系統(tǒng), 以幫助用戶高效、精準(zhǔn)地篩選信息。Resnick等人曾給出了推薦系統(tǒng)的定義:推薦系統(tǒng)由三部分組成, 包括用戶模型、產(chǎn)品模型和推薦算法^{[[1] 李其隆.社交網(wǎng)絡(luò)大數(shù)據(jù)下的推薦算法研究[J].通訊世界, 2018 (11) :27-28.'>1]}。

用戶模型是平臺了解用戶興趣點(diǎn)的渠道。用戶每使用一次, 平臺就會更新一次用戶模型, 久而久之, 用戶模型能構(gòu)建和現(xiàn)實(shí)用戶相似度較高的“電子用戶畫像”, 反映出特定時期用戶在該平臺上的行為特征與興趣偏好。

產(chǎn)品模型是平臺用歸類產(chǎn)品的渠道。平臺在上傳新產(chǎn)品時會根據(jù)上傳者、產(chǎn)品內(nèi)容、產(chǎn)品風(fēng)格等因素, 給新產(chǎn)品貼上多種簡短、易識別的標(biāo)簽。同時, 產(chǎn)品標(biāo)簽會隨著產(chǎn)品使用者的行為 (轉(zhuǎn)發(fā)、評論、刪除等) 進(jìn)行更新, 修正產(chǎn)品標(biāo)簽的錯誤, 覆蓋產(chǎn)品的潛在受眾, 從而構(gòu)建能全面反映產(chǎn)品特征的產(chǎn)品模型。

推薦算法是推薦系統(tǒng)的關(guān)鍵環(huán)節(jié), 為用戶模型和產(chǎn)品模型提供“橋梁”作用。推薦算法的實(shí)質(zhì)是匹配, 當(dāng)匹配度達(dá)到一定程度時, 推薦算法就認(rèn)定目標(biāo)用戶感興趣, 從而將產(chǎn)品推薦給目標(biāo)用戶。

用戶黏性 (viscosity of users) 是常常被網(wǎng)絡(luò)平臺提及的一個詞, 雖然它還沒有一個統(tǒng)一的定義。關(guān)于用戶黏性的概念, 中國臺灣的學(xué)者林娟娟認(rèn)為用戶黏性是網(wǎng)站留住在線客戶和延長每次停留時間的能力^{[[2] Judy Chuan-Chuan Lin.Online stickiness:its antecedents and effect on purchasing intention[J].Behaviour&Information Technology, 2007 (26) :507-516.'>2]}。清華大學(xué)教授彭蘭認(rèn)為, “用戶黏性”一詞在傳統(tǒng)媒體時代是“忠實(shí)讀者”, 在新媒體時代, “用戶黏性”這個詞有了平等的意識, 甚至是俯下身服務(wù)的思維^{[[3] 彭蘭.好內(nèi)容不一定能帶來用戶黏性--新媒體時代服務(wù)思維的轉(zhuǎn)變[J].新聞與寫作, 2015 (2) :1.'>3]}。不論定義如何, “用戶黏性”一詞的內(nèi)核都包含在新媒體時代下用戶對提供產(chǎn)品和服務(wù)方的使用慣性與偏好, 主要表現(xiàn)為長久地使用某一平臺且使用頻率高、使用程度深。

在新媒體時代, 同類型的產(chǎn)品和平臺不勝枚舉, 如果一個平臺有良好的用戶黏性, 就意味著它有可靠的用戶群, 用戶代表著流量, 而流量能帶來曝光率和變現(xiàn)率, 從而讓平臺從知名度和美譽(yù)度上都得到提升, 最終賺取收益, 形成品牌。把握好用戶黏性能讓一個平臺脫穎而出, 當(dāng)然這也是一個日積月累, 多因素共同作用的過程, 那么究竟有哪些因素對用戶黏性的起塑造作用呢?

根據(jù)期望確認(rèn)理論 (ECT) 可知, 消費(fèi)者對產(chǎn)品或服務(wù)的滿意度會成為下次再度購買或使用 (Repurchase Intention) 的參考。使用頻率高是用戶黏性的核心內(nèi)涵, 因此可以將用戶黏性的首要影響因素歸為用戶對產(chǎn)品或服務(wù)的滿意度。

為更好地理解不同策略對用戶黏性的影響程度, 本文引入卡諾模型 (Kano model) 劃分用戶黏性的影響因素。卡諾模型是由日本教授狩野紀(jì)昭 (Noriaki Kano) 于1984年提出的, 是根據(jù)用戶對產(chǎn)品或服務(wù)質(zhì)量的感知度, 把產(chǎn)品性能劃分為五個層次, 分別為基本質(zhì)量 (Basic Quality) 、期望質(zhì)量 (Performance Quality) 、魅力質(zhì)量 (Attractive Quality) 、無差異質(zhì)量 (Indifferent Quality) 、逆向質(zhì)量 (Reverse Quality) 。前三種能提升用戶黏性, 而后兩種是無差別或不滿意的因素, 不能提升用戶黏性。

算法作為數(shù)據(jù)與人工智能的節(jié)點(diǎn), 發(fā)揮著構(gòu)造流量入口、捕捉用戶黏性的關(guān)鍵作用^{[[4] 喻國明, 楊瑩瑩, 閆巧妹.算法即權(quán)力:算法范式在新聞傳播中的權(quán)力革命[J].編輯之友, 2018 (5) :5-12.'>4]}。本文聚焦于網(wǎng)易云音樂如何有效利用大數(shù)據(jù)和智能算法, 實(shí)現(xiàn)其在音樂產(chǎn)品上基本質(zhì)量、期望質(zhì)量和魅力質(zhì)量的提升, 從而塑造用戶黏性。

基本質(zhì)量是產(chǎn)品或服務(wù)的硬性條件, 也是用戶的剛性需求, 如果平臺沒有提供這方面的服務(wù), 用戶會有大概率放棄使用此產(chǎn)品。一款電子音樂平臺的基本質(zhì)量來源于音樂產(chǎn)品本身, 包含音樂資源、音樂質(zhì)量、音樂效果、音樂推薦等因素。網(wǎng)易云音樂的音樂推薦功能是其主打的硬性服務(wù), 也是形成用戶黏性的基本質(zhì)量。

推薦系統(tǒng)的算法主要有以下幾類:基于流行度的算法、協(xié)同過濾的算法、基于內(nèi)容的算法、混合算法等^{[[5] 郝雨, 李林霞.算法推送:信息私人定制的“個性化”圈套[J].新聞記者, 2017 (2) :35-39.'>5]}。

基于流行度的推薦, 即以內(nèi)容的點(diǎn)擊率、轉(zhuǎn)發(fā)量、評論數(shù)等為依據(jù), 自動推送關(guān)注度高的內(nèi)容。在網(wǎng)易云音樂中表現(xiàn)為“熱歌榜”“新歌榜”“原創(chuàng)榜”等帶有統(tǒng)計性質(zhì)的排行榜歌單, 推薦這些歌單是因?yàn)槠脚_假定目標(biāo)用戶喜愛大部分人都喜愛的歌曲, 固然有統(tǒng)計學(xué)上的可行依據(jù), 但也有不足。

基于協(xié)同過濾推薦 (collaboration filtering) , 主要通過計算用戶之間的興趣相似度, 將相似度高的用戶匹配起來, 形成具有相似興趣的用戶集群, 并向目標(biāo)用戶推薦集群中用戶所喜愛的內(nèi)容。網(wǎng)易云音樂中的“音樂密友”就會根據(jù)收藏單曲和日推歌曲的相同概率, 為用戶匹配“音樂口味相似度”較高的其他用戶進(jìn)行關(guān)注;還有一首單曲的“相似推薦”中, 就會推薦“喜歡這首歌的人也聽”的歌單。

基于內(nèi)容的推薦 (content-based filtering) , 指基于音樂內(nèi)容本身的特點(diǎn), 比如音樂節(jié)奏、曲調(diào)風(fēng)格、人聲特點(diǎn)等。平臺記錄跟蹤用戶的聽歌行為, 分析出用戶對某些音頻特征的興趣愛好圖譜, 建立用戶模型和用戶標(biāo)簽, 并將具有相似標(biāo)簽的用戶和音樂產(chǎn)品匹配起來, 從而將匹配度最高的音樂產(chǎn)品推薦給用戶。比如網(wǎng)易云音樂的“歌單”中, 就有“民謠”“電子”等不同風(fēng)格的劃分。

但是, 推薦平臺在實(shí)踐中往往采取混合推薦算法, 即賦予多種算法不同的權(quán)重, 加權(quán)計算后向用戶推薦歌單, 如網(wǎng)易云音樂的“每日推薦”“私人FM”皆是采用復(fù)雜的混合推薦算法。

期望質(zhì)量沒有基本質(zhì)量苛刻, 并不是必需的產(chǎn)品屬性或服務(wù)行為, 即沒有期望質(zhì)量并不會使用戶大概率放棄此產(chǎn)品或服務(wù)。但是, 期望質(zhì)量也在用戶渴求范圍, 如果產(chǎn)品提升了期望質(zhì)量, 能讓用戶滿意度成比例關(guān)系地增加。

在算法推薦過程中, 冷啟動問題是一大難題。如何在沒有大量用戶數(shù)據(jù)的前提下, 設(shè)計出個性化的推薦系統(tǒng), 并且使得推薦的結(jié)果精準(zhǔn)化, 這就是冷啟動問題^{[[6] 陳妍, 洪蕾, 李廣水, 等.關(guān)于推薦系統(tǒng)中冷啟動問題的研究[J].中國高新區(qū), 2018 (14) :29, 31.'>6]}。

許多音樂推薦算法在解決冷啟動問題時, 大多基于流行度等數(shù)值策略, 這種策略是出于考慮目標(biāo)用戶可能喜歡絕大多數(shù)用戶都喜歡的項目, 但是該思路只能是從統(tǒng)計學(xué)的角度說明預(yù)測準(zhǔn)確的概率高于不準(zhǔn)確的概率^{[[7] 郭弘毅, 劉功申, 蘇波, 等.融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾推薦算法[J].計算機(jī)研究與發(fā)展, 2016, 53 (8) :1664-1672.'>7]}。網(wǎng)易云音樂被稱為“小眾音樂愛好者的天堂”, 用戶的個性化需求正是其致力滿足的。很多文獻(xiàn)給出了針對冷啟動問題類型的解決策略, 主要分為混合推薦、融合其他數(shù)據(jù)源、動態(tài)情景敏感策略等方式^{[[8] 喬雨, 李玲娟.推薦系統(tǒng)冷啟動問題解決策略研究[J].計算機(jī)技術(shù)與發(fā)展, 2018, 28 (2) :83-87.'>8]}。

網(wǎng)易云音樂使用了融合其他數(shù)據(jù)源的策略, 主要通過引入用戶社會關(guān)系信息, 幫助建立新用戶特征模型, 在一定程度上緩解新用戶的冷啟動問題^{[[8] 喬雨, 李玲娟.推薦系統(tǒng)冷啟動問題解決策略研究[J].計算機(jī)技術(shù)與發(fā)展, 2018, 28 (2) :83-87.'>8]}。在網(wǎng)易云音樂登陸界面下方的“其他登錄方式”, 如微信、QQ、微博等, 這些社交軟件包含著用戶的社會關(guān)系信息。用戶如果用第三方軟件登錄, 網(wǎng)易云音樂就能夠在推薦算法中引入用戶在這些社交軟件中的人口統(tǒng)計學(xué)信息以及社會網(wǎng)絡(luò)信息 (包括性別、年齡、社交軟件中的好友等) , 社交網(wǎng)絡(luò)內(nèi)容有巨大的預(yù)測能力, 比如用戶在微博上關(guān)注新上映的電影, 當(dāng)用戶使用微博登錄網(wǎng)易云音樂時, 就為用戶推薦該電影主題曲。同時, 在網(wǎng)易云音樂界面點(diǎn)擊“我的好友”時, 會彈出“獲取通訊錄聯(lián)系人列表”的對話框, 這樣就向用戶推薦現(xiàn)實(shí)生活中的朋友所聽的音樂, 這些社會關(guān)系信息在冷啟動用戶推薦方面發(fā)揮著顯著作用。

平臺收集的用戶數(shù)據(jù)所生成的用戶畫像不僅能進(jìn)行精準(zhǔn)的算法推薦, 也能以回饋用戶的方式, 加強(qiáng)用戶的自我認(rèn)知, 獲得自我肯定中的愉悅感。對網(wǎng)易云音樂而言, 其“年度聽歌報告”正是一種用大數(shù)據(jù)回饋用戶的方式, 這種方式就是平臺的魅力質(zhì)量:在網(wǎng)易云音樂提供之前, 用戶從未期盼過會得到這種服務(wù), 因?yàn)檫@并非一個音樂平臺必須提供的, 所以提供之后就會讓用戶感到驚喜, 從而極大地提升滿意度, 塑造平臺的用戶黏性。

網(wǎng)易云音樂的年度聽歌報告是怎樣形成的?筆者發(fā)現(xiàn), 報告涉及聽歌次數(shù)、總時長、時間段、歌曲內(nèi)容、風(fēng)格等多項數(shù)據(jù), 還會總結(jié)出用戶最愛聽的歌曲和歌手, 以及分別的聽歌次數(shù)。網(wǎng)易云音樂搜集了全面的用戶使用數(shù)據(jù), 給每個用戶組成了大數(shù)據(jù)庫, 才形成了完整的聽歌報告。

在2018年度聽歌報告出來后, 微博上話題#網(wǎng)易云音樂年度總結(jié)#的閱讀量達(dá)3.5億, 討論達(dá)15.9萬, 微信朋友圈上也形成刷屏效應(yīng), 網(wǎng)友紛紛“曬”出自己的年度聽歌報告。誠然, 網(wǎng)易云音樂每年初的年度聽歌報告已經(jīng)成了用戶的集體狂歡和儀式活動, 許多用戶樂于獲取年度報告, 也樂于分享到社交平臺上。

用戶對年度聽歌報告的獲取和分享行為是自我認(rèn)知需求的體現(xiàn), 自我認(rèn)知是對自己的認(rèn)識和理解。社會認(rèn)同理論認(rèn)為個人的自我認(rèn)知源自對群體的認(rèn)知^{[[9] Jan H.Kietzmann, Kristopher Hermken, Ian P.Mc Carthy&Bruno S.Silvestre.Social Media?Get Serious!Understanding the Functional Building Blocks of Social Media[J].Business Horizons, 2011 (54) :241-251.'>9]}。在年度聽歌報告的分享互動儀式中, 這些深度用戶的自我認(rèn)知與群體認(rèn)知達(dá)成一致, 形成了群體歸屬感, 也提升了社交愉悅感, 從而大大增強(qiáng)了用戶黏性。

根據(jù)以上研究, 網(wǎng)易云音樂大數(shù)據(jù)和智能算法運(yùn)用上有眾多優(yōu)異之處, 但也發(fā)現(xiàn)了一些待改進(jìn)的功能。因此, 為了提升用戶黏性, 本文在大數(shù)據(jù)與智能算法方面提出以下建議。

網(wǎng)易云音樂的評論區(qū)是其特色功能, 然而網(wǎng)易云音樂忽略了用戶評論的算法推薦功能, 致使網(wǎng)易云音樂的評論區(qū)風(fēng)格比較單一, 甚至不同類型歌曲的評論都很相似, 而風(fēng)格千篇一律的精選評論也會使得網(wǎng)易云音樂的受眾范圍窄化。因此, 本文建議網(wǎng)易云音樂發(fā)展評論推薦功能, 依據(jù)用戶的性格、興趣, 緊抓用戶的需求點(diǎn), 打造評論區(qū)的個性化推薦。

研究中發(fā)現(xiàn)“每日推薦”歌單主要是熱門榜單的歌曲, 這樣雖是安全的做法, 但卻沒有發(fā)揮網(wǎng)易云音樂在個性化推薦中的優(yōu)勢。

本文建議, 網(wǎng)易云音樂在冷啟動問題上還可加上讓游客用戶先挑選興趣點(diǎn)的環(huán)節(jié), 或是做簡短的興趣測試題, 充分發(fā)掘冷啟動用戶的興趣, 從而實(shí)現(xiàn)更優(yōu)質(zhì)的算法推薦。

年度聽歌報告雖然是首發(fā), 但是現(xiàn)在大部分應(yīng)用都推出了年度聽歌報告, 且在質(zhì)量上更勝一籌。2018年度聽歌報告被許多網(wǎng)友貼上了“不用心”“敷衍”的標(biāo)簽, 因?yàn)榕c去年的背景音樂都一樣, 網(wǎng)易云音樂沒有將深入發(fā)掘的用戶數(shù)據(jù)更用心地回饋給用戶。因此, 音樂平臺應(yīng)該更好地創(chuàng)新用戶數(shù)據(jù)回饋形式, 將用戶數(shù)據(jù)以更精致的方式回饋給用戶, 給用戶帶來更多驚喜感。