基于动态用户画像的短视频平台微知识服务研究

动态用户画像作为个性化服务的设计工具，为短视频平台的微知识服务提供了解决思路。现从多维度对短视频平台微知识学习者构建用户动态画像，并提出短视频平台基于动态用户画像的微知识服务模式，以期提高微知识服务的用户满意度。

中国互联网络信息中心发布的第50次《中国互联网络发展状况统计报告》显示，截至2022年6月，我国短视频用户规模达9.62亿，较2021年12月增长2805万，占网民整体的91.5%。短视频和直播的形象表达和高效传播，激发了越来越多的人在短视频平台“搞学习”的热情。《2021抖音泛知识内容数据报告》显示，过去一年抖音上的泛知识内容增长迅猛，播放量同比增长达74%，成为最受用户欢迎的内容之一。可见，短视频平台已经成为知识传播的重要途径。如何让用户在短视频平台上快速检索、浏览到对其有价值的知识，如何为用户提供个性化、多样化的微知识服务，是微知识服务领域提高用户满意度的关键。本研究通过收集用户的基本特征和行为特征等数据，构建动态用户画像，以便短视频平台更好地获取用户潜在需求，从而预见性地为用户提供高质量的微知识服务。

 相关背景知识介绍

（一）动态用户画像

用户画像（Persona）实际上是一种标签化用户模型，是从用户的社会属性、生活习惯和消费行为等信息中抽象出来的。静态用户画像数据主要是指人口统计学的有关数据，比如用户的性别、年龄、学历、职业、兴趣爱好等，这些数据我们可以在用户注册的时候获取。但这样获取的用户画像往往是不精准的和片面的。基于这种不精准的用户画像的推荐算法会出现歧视的现象，比如某个用户的人口学特征为女性，年龄在55—65岁之间，兴趣是厨艺、收纳等，那么可能会认定该用户的画像标签为“退休女性”，对于这类标签的用户，平台可能会把推荐内容限定在娱乐、旅游、摄影等领域，这其实就是一种偏见和隐性歧视。用户注册时的兴趣勾选很多时候是不全面的或只能反映用户当时的想法，基于这种不精准的用户画像的推荐很有可能会忽略用户的高阶内容需求。

所以本研究提出了短视频平台微知识推荐服务的动态用户画像构建，即从多维度对用户构建精准画像。动态用户画像的构建需要通过用户表层特征的共性去寻求深层的差异性，也需要通过用户表层的差异性去寻求深层的普遍性，甚至还需要一定的预见性，以及把基于情境的设计方法加入动态用户画像的构建中。

（二）微知识服务

有研究认为微知识是互联网上所有的数据元和信息元按照一定的规则和一定的形式关联、组织起来而形成的具有一定意义的信息结构，可以简单理解为碎片化、精练化的学习信息。相较于传统的知识来说，微知识具有趣味性高、简单易懂、方便学习等特点。短视频是微知识的良好载体，短视频平台上用户的需求层次不一，并且具有很大的不确定性。基于微知识碎片化的特征，用户的学习也不具有系统性，所以用户的需求可能较为零散。由于知识形式的变化，微知识服务应运而生，并不断发展。微知识服务是信息服务机构在微信息环境中根据用户在工作、学习和生活中的知识需求，有针对性地生产、组织知识，并将其提供给用户，帮助用户实现知识更新和解决实际问题。通过对用户画像的高效分析来了解用户的真实需求，可以为个性化和专业化的微知识服务奠定基础。

动态用户画像的构建

（一）短视频平台微知识学习动态用户画像构建流程

短视频平台微知识学习用户的动态用户画像构建由数据收集、数据处理、数据挖掘、数据融合、分析建模5个步骤组成（如图1所示）。数据收集包括对用户的基本数据、社交数据和行为数据的收集，这些数据一般可以从数据库后台直接获取。数据处理需要对构建用户画像的不同载体和形态的相关数据进行整理、滤重、转换，形成统一的规范化的有效数据。数据挖掘主要是对用户基本数据进行特征分析和提取，建立社交关系图谱，对行为数据进行内在关联挖掘。数据融合是指通过对用户当前学习情境和经过数据挖掘之后的数据关联体进行融合，生成基于不同用户和不同层次需求的数据链，方便从多重视角分析用户的微知识需求。最后，对处理过的数据进行分析，生成用户画像模型，存入用户画像库中。

 

 

图1 短视频平台微知识学习动态用户画像构建流程（作者自绘）

（二）短视频平台微知识学习动态用户画像维度刻画

本研究从五个维度来构建动态用户画像，这五个维度分别是用户基本信息维度、行为习惯信息维度、社交关系信息维度、用户心理特征维度和情境特征信息维度。

1.用户基本信息维度

用于构建动态用户画像的用户基本信息应该包含与用户相关的人口统计学信息。人口统计学特征主要指用户的性别、年龄、学历、专业、职业、是否结婚、是否生育以及用户的兴趣和关注的领域等个体静态的特征信息。对于这类信息我们可以在用户首次注册时以问卷的形式获得。

2.行为习惯信息维度

用户的行为特征是构建动态用户画像的关键数据信息。不同习惯的学习者有不同的学习行为，学习行为不同的用户对微知识内容的偏好也会存在差异。通过对用户行为的分析可以了解用户对内容的偏好，内容偏好信息包括显式和隐式兴趣，显式兴趣主要通过用户注册时的兴趣勾选获得，隐式兴趣主要通过用户的内容搜索、短视频的完读率、微知识内容的收藏或是对知识分享者的关注获得。用户的内容偏好还可以分为用户近期的内容偏好和用户持续的内容偏好。用户的内容搜索，可以反映用户近期的内容偏好；短视频的完读率可以用来确定用户感兴趣的微知识主题和领域；对短视频的收藏以及对分享者的关注信息，可以进一步分析用户持续的内容偏好。用户的行为还包括社交互动，即用户参与学习讨论的互动行为，如将自己感兴趣的微知识内容分享到个人空间或社交网站，与其他用户进行评论交流等。另外，用户的登录时间、登录次数、登录时长等内容，在一定程度上也可以反映用户的学习行为习惯。

3.社交关系信息维度

社交关系信息具体指用户的所在地和社交环境，用户在短视频平台学习的过程中所收藏的微知识内容，关注的微知识分享者以及用户在短视频平台上参与交流、讨论的有关信息。对这些信息进行分析，可以进一步挖掘用户潜在的兴趣和需求。社交关系静态数据可以通过IP地址、通讯录和第三方平台获得，比如微信、QQ。动态数据信息存储在短视频平台的后台数据库中，可以从用户日志和生成内容中获取。

4.用户心理特征维度

用户的心理特征包括用户的认知心理和价值心理。用户的认知心理包括用户的背景知识认知、信息需求认知和交互情境认知。用户的价值心理则包括用户的个人价值和社会价值。在前期的研究中发现，绩效期望能正向显著地影响用户的学习意愿，用户感知到学习有成效，知识有收获，技能有提高，感知到他人对自己的关注和影响，这些心理特征都会影响用户画像的构建。

5.情境特征信息维度

不同情境下，用户的需求和行为可能会发生变化，在动态用户画像构建的过程中加入情境信息是非常有必要的，比如对比用户在悠闲的情境下和在紧张的情境下，在早上和晚上，与朋友在一起和与老师在一起，所学习的微知识内容肯定是不一样的。

短视频平台微知识学习用户动态画像标签及数据来源表

 

短视频平台基于动态用户画像的微知识服务模式构建

（一）短视频平台微知识服务的组成要素

微知识服务作为知识服务的延伸，服务的内涵并没有改变。知识服务的组成要素主要包括服务者、用户、服务内容、服务系统、服务策略五个部分。本研究认为基于短视频平台的微知识服务组成要素主要包括微知识服务主体，就是在整个微知识服务过程中，实施服务和管理的机构，也就是数字内容的服务商和各种短视频平台；微知识服务用户，就是短视频平台上微知识服务的对象，基于服务对象构建的用户画像是微知识服务的重要依据；微知识服务内容，就是短视频平台上的各种微知识，微知识内容多种多样，有语言学习类、技能学习类、生活健康类、科普类、职场提升类等，需要针对不同服务对象的需求提供精准的推荐；微知识服务的媒介，主要指用户使用短视频平台的各种设备，如手机、电脑、平板电脑等；微知识服务策略，服务策略的好坏直接影响服务对象对微知识服务效果的满意度。微知识服务的重点需要放在对用户画像的构建以及基于用户画像的个性化和多样化服务上来。

（二）短视频平台基于动态用户画像的微知识服务流程

如图2所示，在对用户的相关数据进行收集、处理、挖掘、融合后，生成精准的用户画像，存放在用户画像库中，并不间断地对用户画像进行更新反馈，短视频平台将用户动态画像与微知识库进行交互，因为微知识内容上传后都会打上相应的标签，微知识服务主体根据用户标签以及相关性、环境、热点、协同等模型，了解用户的状态变化，将用户画像标签与微知识内容标签进行匹配，了解用户需求，同时还需要根据动态用户画像分析预测用户的潜在需求和高阶需求，再根据不同的智能推荐算法，精准地提供微知识服务。

短视频平台的智能推荐算法基于冷启动，主要通过基于个人信息的协同过滤算法以及基于用户社交图谱的精准推荐算法向用户推荐内容。短视频平台的智能推荐算法基于阅读过程，主要采用基于内容流量池的叠加推荐。该种算法以阅读反馈为综合权重进行评估，深入分析用户画像，通过更多的内容加权获得更多推荐，当用户反馈达到一定程度时进行叠加算法，加权后的内容会进入更大的流量池，再推荐给合适的目标人群。不论是基于个人信息的协同过滤算法，基于用户社交图谱的精准推荐算法还是基于内容流量池的叠加算法，用户画像都在其中起着重要的作用。在用户使用短视频平台的不同阶段，将这些算法结合起来使用可以避免使用单一算法带来的局限性，能够针对不同的场景定制不同的推荐内容，提高推荐的准确性。

 

图2 短视频平台基于动态用户画像的微知识服务流程（作者自绘）

 

终身学习已经成为人们的一种普遍需求，“短视频+知识”这种模式正好为终身学习提供了便利。微知识以简、短为主要特点，让人们在快节奏的生活中只需要利用碎片化的时间就可以完成学习，满足了用户的精神需求。微知识的出现带来了微知识服务的发展。相较于传统的知识服务，基于动态用户画像的微知识服务更注重及时性和动态变化性。通过对用户基本特征、行为习惯、社交关系、心理特征、情境特征5个维度数据的收集，可以构建精准的用户画像。本研究构建了短视频平台基于动态用户画像的微知识服务模式，但该模式还需在以后的研究中进一步优化，比如在服务中完善对微知识内容的评估。短视频平台上对微知识内容的好坏评价一般是基于点赞、收藏、完播率这些显性的数据，但事实上这些显性数据并不能准确反映微知识内容的优劣，一些传播效果好但内容不良的微知识可能也会得到更多推荐，因此可以通过加入人工审核程序来弥补某些情况下算法的不足，同时还可以引入隐私保障机制，以减低用户个人隐私泄露的风险。另外，在微知识服务过程中还可以采取一些策略来破除“信息茧房”，如增加一些用户需求外的其他内容比例来开阔用户视野，以期能为微知识学习者提供更加优质和全面的服务。

 

参考文献

 [1] [1]中国互联网络信息中心.第50次《中国互联网络发展状况统计报告》[R/OL].(2022-08-31)[2022-09-13].http://www.cnnic.net.cn/n4/2022/0914/c88-10226.html

 [2]《2021抖音泛知识内容数据报告》发布[J].新闻世界,2021(12):15.

 [3]茆意宏,杨霞,辛沅远,等.大学生微知识学习行为研究——以微信平台为例[J].情报理论与实践,2016,39(11):68-72+77.

       [4]张家意.推荐算法机制下的公共图书馆抖音号运营探析[J].四川图书馆学报,2022(04):70-74.

责任编辑：史偌霖

原文地址：http://whcy.cnhouji.com/html/2023/0113/3903.shtml