基于大数据的电视节目个性化推荐营销研究

粟 皓,赵 晖

(1.中国科学院大学，北京 100049；2.新疆大学，新疆 乌鲁木齐 830046)

一、引言

随着数字化、网络化、智能化的快速发展，数字电视网络运营商依托技术优势逐渐实现了电视节目点播与个性化推荐功能，从而开拓出与以往不同的电视节目营销方式。如2017年3月7日，“央视专区”在北京歌华有线试点上线智能推荐功能，为专区用户提供个性化节目推荐服务[1]。对于推荐系统，Resnick和Varian[2]认为，它利用电子商务网站为顾客提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。系统的个性化推荐技术能够自动为用户推荐符合其偏好的信息，减少用户检索的时间，提升用户体验，提高传播效率。其中，大数据处理为此提供了很好的技术支撑。大数据处理，就是对大量的用户数据使用一定的处理方法进行统计与分析，帮助使用者在决策、洞察外界环境变化和优化流程等方面表现得更佳[3]。大数据与互联网在电视平台中的应用促进了传统推荐营销方式的变革，其中最突出的变化表现在以下方面。

首先是台网融合趋势的出现。当下，基于双向互动的数字电视已走进千家万户，其是建立在双向数字化技术基础之上，具备开放式操作系统与应用平台，能够满足用户点播节目等个性化、多样化和多层次需求的电视产品。电视平台在数字电视的基础上开发出各种产品和服务，同时互联网技术以及大数据对电视平台营销影响巨大。在二者的共同作用下，电视平台现已不仅仅是电视台播出电视节目的渠道，而是逐渐转变为由内容提供商、服务提供商和电视台共同构成的跨网、跨终端的多元化业务组合。电视平台通过数字电视完成了对用户信息的收集与分析，实现了电视节目的个性化推荐。

其次是电视节目市场的分众化。传统的电视节目推荐主要以首页顶置和黄金展位为主导，关注最为大众接受的节目，小众内容很难占据流量位置。这有利于电视平台打造大流量爆款内容，但不利于更全面地吸引观众。而电视节目个性化推荐的营销方式则弥补了这种不足，使小众用户也可以更加快捷地搜寻到符合自身观看偏好的节目。个性化推荐需针对不同的用户偏好推荐不同的电视节目，因而电视平台对于市场的关注需从仅关注流量节目转而同时关注爆款节目和小众节目，由此带来了电视节目市场的细分。

最后是电视平台对大数据的依赖程度加深。个性化推荐营销建立在对大量用户数据收集、整理、分析和分类的基础之上，电视平台需对不同的节目进行分类，采用相关算法计算出各种电视节目之间的相似程度，向用户进行个性化节目推荐时也需计算用户常观看节目与平台内节目组之间的相似程度，根据相似程度进行匹配进而推荐节目。由此，电视平台对于大数据的依赖程度显著提升。根据个性化推荐技术手段的不同，电视平台需对用户观看偏好数据进行不同方式的处理，并及时接收用户的反馈信息。上述工作均是在对用户观看数据进行处理的基础上进行的，从中可以反映出电视平台对大数据依赖程度之深。

二、电视节目个性化推荐营销中的技术手段分析

基于大数据的电视节目个性化推荐是各电视平台向消费者提供个性化视觉体验服务的重要营销方式之一。通过大数据处理，电视平台可以实现对用户观看与点播历史的统计，并根据历史数据对用户未来可能观看的节目作出预测进而进行推送。在电视平台进行电视节目个性化推荐营销的过程中，用户会接收并响应电视平台的刺激进而进行自我参照，其注意力会自发地集中于与过去观看经验相似的内容。若推荐内容符合用户的自我参照，则其更有可能观看推荐内容并减少对其他内容的搜索。目前，个性化推荐所依赖的数据主要是基于内部数据和外部数据这两类[4]。

(一)基于内部数据的推荐方法

内部数据来自于平台自身对用户观看数据的统计和分析，当下使用比较广泛的基于内部数据的个性化推荐算法有两种。一种是基于内容的推荐方法，又称为基于信息过滤的推荐，其是根据用户选择的节目对象推荐属性类似的节目，核心思想是根据用户兴趣和节目特征的相似性进行推荐。另一种是基于协同过滤的推荐方法，其是根据用户所在分类的同分类用户的观看历史来估计当前用户的观看偏好，从而对节目进行筛选推荐。

上述两种推荐方法各有优缺点。基于内容的推荐方法是根据用户个人观看历史进行相似节目的类比并进行推荐，以该方法推荐的结果不会受同类别其他用户观看偏好的影响，推荐结果更为直观、准确。但是此种方法难以处理复杂的数据且难以发现用户的潜在兴趣，因而容易形成偏好固化。这种推荐方法是根据用户观看节目的特征信息进行匹配推荐，若同一终端使用者不为一人，系统统计到的用户观看偏好无法保持一致则不易形成匹配结构，导致推荐出现困难。同时，这种推荐方法向用户推荐的内容具有高度同质性，很难发现用户的相似偏好或其他方面的潜在兴趣。

基于协同过滤的推荐方法可在一定程度上克服基于内容的推荐方法的不足。该方法使用的是与用户有着相似观看偏好的用户群数据，进行类比后再为用户推荐相类似的节目。从用户的角度来说，其获得的推荐信息来自于用户群的浏览行为，不需用户主动查找适合自己的推荐信息；并且该方法可以处理包含图像、声音等较为复杂的非结构化对象数据。此外，这种方法对用户的推荐是基于群体观看偏好，因而推荐的节目虽具有一定的相似度但同时也保持了一定的差异性。这可以帮助用户在观看节目时拓展自我参照边界，发现相似的潜在兴趣。但是这种推荐方法存在冷启动和数据稀疏性问题。数据稀疏性问题是指在现实中，电视平台存在着大量没有观看或评价数据的用户，没有或者只有极少量的新用户信息，包括用户的历史浏览记录以及用户对推荐内容的反馈信息等，也就是说用户还未在该平台表现出稳定的观看偏好，而只有当用户有一定的历史记录后系统才能对其偏好进行分类；且由于用户之间的选择存在差异性，因而用户对于同样的节目可能评价差异很大。另外，新节目加入系统数据库后，必须有一定数量的用户观看记录及评论后系统才能对其进行分类。冷启动则是数据稀疏的一种特殊情况，是指用户在该平台内完全没有历史记录，此时使用该推荐方法便无法对其进行个性化推荐。

(二)基于外部数据的推荐方法

基于外部数据的推荐首先需要不同的电视平台之间进行数据共享，然后根据用户在本平台与其他平台的观看历史进行相关推荐。如果某一电视平台能够从其他电视平台获取某一用户的观看偏好信息，那么该电视平台将会获得更为全面的用户观看偏好，并为其提供更为精准的电视节目推荐。外部数据共享会给平台营销带来更多有效数据，相关研究表明，如果公司与竞争对手之间共享消费者数据，将会同时提高两个公司获得消费者的能力，形成双赢局面[5]。对规模较小的电视平台而言，来源于外部的数据能够更好地反映用户的观看偏好，如果其能很好地利用来自外部电视平台的数据为用户提供个性化推荐，那么用户接受这种营销方式的概率将会提高。对规模较大的电视平台而言，实现数据共享可进一步丰富平台自身大数据的内容，获取更多的平台用户信息资料，进而可为用户提供更为精准的个性化推荐。用户也可以由这种自我参照的满足产生对平台的忠诚，忠诚度越高，用户观看该电视平台推送节目的概率也越高[6]。

通常情况下，用户在电视平台内接收个性化节目推荐主要经过以下阶段。一是推荐请求阶段，即当用户进入电视平台后，客户端会将需要推送的个性化节目请求发送至服务器推荐系统。二是用户个性化节目生成阶段，即推荐系统根据请求筛选需要推荐的节目并将结果返回客户端。三是个性化推荐显示阶段，即客户端显示由推荐系统返回的推荐节目。在这一过程中，后台系统将根据不同用户的观看历史记录生成不同的推荐反馈，用户在接收到推荐后可选择接受或者拒绝其中的部分推荐，在此基础上后台系统可根据用户的反馈不断调整推荐内容。

三、电视节目个性化推荐营销存在的问题

(一)数据共享困难限制个性化推荐营销

个性化推荐营销在数据共享的情况下能够为电视平台带来更多的收益，但平台间的数据共享面临众多阻碍，主要表现为：一是数据共享涉及数据安全问题。在数据共享过程中数据会在不同电视平台间流动，需对数据安全进行监管。当下信息技术发达，具有商业目的的信息盗窃与信息泄露时有发生，因而保证信息安全是各电视平台在数据共享时需应对的一大难题。二是数据共享面临泄露商业秘密的风险。大数据时代，用户使用信息是电视平台的重要资源，可在一定程度上反映平台自身栏目的建设特点和优势，映射出平台的核心竞争力，而数据共享则有泄露平台商业秘密的风险。“同行是冤家”的传统思想给用户数据共享增添了一道阻碍，各电视平台往往会出于品牌保护的目的而不愿共享用户数据。三是数据的稀缺资源属性在一定程度上制约了数据共享。用户数据是电视平台收集而来的稀缺资源，各平台的用户观看数据是对用户的观看记录等历史数据不断进行收集、整理和分析获得的，电视平台需付出较高的成本以形成完整、丰富的数据库，此种稀缺资源能为电视平台的个性化推荐营销带来极大便利，出于对资源的保护，电视平台往往不愿共享数据。

(二)信息超载限制个性化推荐营销

从传统的节目推荐营销转向个性化推荐营销，电视平台需处理的用户信息数量大幅增加，可能会超出电视平台数据处理的能力。一是个性化推荐带来观众分类的碎片化。传统推荐是针对爆款节目的推荐，是在大数据中统计观看人数、收视率较高的节目并将其作为爆款放置于电视平台截面顶部或黄金位置；而个性化推荐需对用户进行细分，形成众多不同的用户群体，电视平台的个性化推荐是对不同用户群体甚至每个不同用户进行推荐。个性化推荐对数据的处理需对不同用户的碎片数据进行整合，不仅仅是对某类节目观看人数、收视率等数据的整合，而是包括了用户年龄、性别、行业等复杂因素的数据整合。二是个性化推荐带来电视节目分类的碎片化。传统推荐方式下，电视平台只需关注节目的浏览量和评价，在协同过滤推荐方式下，节目推荐建立在用户对节目的评价等信息的基础之上，电视平台需根据节目评价同时依据用户偏好对节目进行差异化对比和详细分类。因而在节目信息处理方面，个性化推荐下电视平台需处理的信息数量明显增加。

(三)推荐算法缺陷阻碍个性化推荐营销

正如前文所述，基于内容的推荐方法和基于协同过滤的推荐算法各有优缺点，限于相关算法的固有缺陷，电视平台在建立数据分析系统时会出现不足，进而不能充分发挥个性化推荐营销的优势。一是基于内容的推荐方法不能有效处理多媒体数据，其主要是对数据的单方面处理，如对文字信息中高频词汇的统计和分析等。此外，为用户推荐的视频内容局限于用户观看的历史记录，无法在类似用户群中形成联动，推荐节目种类单一、同质化程度高，难以充分满足个性化推荐营销中推送内容丰富的要求。二是协同过滤推荐算法虽可在一定程度上克服基于内容推荐方法的推荐内容同质化程度高、不能有效处理复杂数据等缺点，能够针对用户群体中具有相似观看偏好的用户进行节目推荐，然而高质量的协同过滤推荐结果是建立在节目信息、用户观看记录、用户评价等大量复合数据的基础之上的，现实中用户偏好差别巨大、节目数量庞大、数据稀疏性问题较为明显，因而降低了个性化推荐营销的质量。同时，新用户使用平台和新节目进入数据库时所产生的冷启动问题也会影响推荐结果。

(四)用户偏好固化阻碍个性化推荐营销的后期发展

电视节目个性化推荐营销是基于用户或者相似偏好用户的历史数据产生的。在用户和系统之间不断交互信息的过程中，系统会根据用户反馈提供更为精准的个性化推荐，用户则会进一步选择符合其观看偏好的节目，此时便容易产生用户偏好固化的问题。从用户角度来看，其在接收到系统的个性化推荐服务后，会在其中选择最符合自己观看偏好的节目，而用户长期接受同类型的节目推荐又会养成非自主选择习惯。用户的观看习惯和观看偏好会随个性化推荐的深入日趋固化，在一定程度上导致用户的喜好和选择出现不同程度的窄化。从系统角度来看，系统在接收到用户的反馈信息后会对推荐的节目进行调整，出于提高用户观看率的目的，系统会自发地向用户提供更符合其偏好的节目，这在用户观看节目的过程中不断循环，系统推荐的节目也会越发精准。然而忽略对用户潜在观看偏好和相似偏好的发掘，也将导致个性化推荐的范围不断变窄。因而，在用户和系统的共同作用下，用户接收到的推荐范围越发狭窄，最终容易形成用户偏好固化，从长期来看不利于电视平台、电视节目的发展以及对用户观看潜力的发掘。

四、推进电视节目个性化推荐营销的建议

(一)以合作推进数据共享

外部数据有助于电视平台建立更为完善和全面的数据库，帮助电视平台解决冷启动和数据稀疏性问题，推进电视节目个性化推荐营销。虽然电视平台之间以及电视平台和网络视频平台之间的数据共享存在一定阻碍，但这并不意味着无法进行。首先，电视平台需充分保障数据安全，保护用户隐私。在对用户信息进行数据共享前，应通过合理方式征得用户同意，并在进行平台间信息共享时通过信息加密技术加强对信息传输安全的保障。各平台应安排专人负责平台间的数据传输工作，以明确责任，保证数据共享期间用户信息不被窃取和盗用。其次，以原始信息的共享代替分类后信息的共享。此种共享方式不仅可以解决商业机密泄露的问题，还可降低共享成本。各电视平台可通过外包或建立合资公司的方式处理共享数据。外包时应保证第三方公司的独立性，这样更有利于数据收集与反馈的客观性和全面性；建立合资公司有助于实现对用户数据的控制，提升数据处理质量。

(二)提升数据处理能力

个性化推荐营销方式下电视平台需处理更大量、更复杂的用户偏好数据和节目分类数据。面对数据数量的激增，电视平台可通过内部改制或者寻求外部合作的方式提升数据处理能力，为个性化推荐营销做好技术保障。具体而言：一是各平台可通过内部改制的方式建立专业部门处理用户和节目数据，如可在平台内部建立数据处理中心或者对原有技术部门进行调整，通过人员和设备的整合提高平台的数据处理能力。二是各平台可通过业务外包或者建立分公司的方式进行数据处理。若采用业务外包方式则电视平台无需建立专业的团队和部门，在很大程度上降低了电视平台对数据处理的投入，也可免去日后运营与维护等支出；采用建立子公司的方式可更好地实现对数据质量的控制，子公司也可与其他电视平台进行合作进而向母公司提供更为全面的数据分析。

(三)优化个性化推荐营销算法

为弱化个性化推荐营销算法的固有缺陷，可采用组合推荐的方式。组合推荐可分为后融合、中融合和前融合几种方式[7]。后融合方式是指多种推荐方式各自产生推荐结果后再将推荐结果进行对比和融合，最终决定为用户推荐何种内容。中融合是指以一种推荐方式为框架，融合另一种推荐方式。前融合是指将不同的推荐方式融合到一个框架中进行综合分析，然后得出推荐结果。

后融合有两种组合方式。一是将不同推荐方式产生的推荐结果进行评分而后确定所要推荐的内容，此时用户看到的推荐内容包含了不同推荐方式的结果。二是将不同推荐方式产生的推荐结果各自进行评分，然后根据评分决定向用户推荐何种内容，此时用户收到的推荐是来自于某一种推荐方式的推荐结果。后融合组合推荐方式能够最大限度地保证推荐节目的合理性，并且可以降低推荐系统的复杂程度，节约成本。

中融合需以一种推荐方式为框架，本文以使用基于内容的推荐方法为框架同时融合协同过滤推荐方法为例进行说明。基于内容的推荐方法可合并简化收集到的用户观看记录、用户评价等信息，而协同过滤则是依据简化合并后的信息以及用户性别、年龄等信息进行相关节目的推荐。这样进行信息综合后的推荐可减少数据稀疏带来的推荐不准确问题，但需要较为复杂的运算系统。

前融合需将不同的推荐方法融合于统一的框架中，采用较为复杂的算法对信息进行综合处理，从而得出最终的推荐结果。

需要指出的是，组合推荐能够在一定程度上克服单一推荐方式的缺陷，可进行更为准确的推荐，更有助于电视平台进行个性化推荐营销，但对于冷启动和数据稀疏性问题仍需借助外部数据来解决。

(四)优化个性化推荐内容

如前所述，若用户长期接收相似推荐信息的刺激，可能导致其潜意识中继续选择相近内容的节目。此外，随着系统的推荐和用户的反馈，节目推荐会越发精准。若用户长期接收并选择相近内容，则可能导致其偏好变窄，新进入市场的节目因不属于已知类型而无法被推荐，长期来看不利于电视平台的健康发展。对此，首先应注意个性化推荐营销算法的选择。相较于基于内容的推荐方法，协同过滤和组合推荐的方式更能保证推荐的节目具有一定的区别性。这是因其所使用的数据为用户群体数据，而用户选择是存在差异性的，这种差异性的存在可以帮助用户发现存在差异的节目，从而降低用户偏好的同质化程度。其次可通过人为干预的方式控制推荐节目的内容。即可在最终形成的推荐结果中，通过对系统的设定将其中一两档节目调节为相似系数较低、具有一定差异性的节目，以此方式推荐的节目不仅较为符合用户观看偏好，还能帮助用户发现新的观看偏好。同时，以用户为导向的节目在制作过程中也应保持一定的差异性，尽量降低同质化程度。