知识直播平台付费用户群体画像研究
|
摘要
[目的/意义]为知识直播平台精细化地定位人群特征、进行针对性运营并挖掘潜在价值用户提供有效的思路和方法。[方法/过程]以知识直播平台为研究对象,首先设计群体画像的概念模型,然后提出基于密度峰值聚类的知识直播平台付费用户群体画像的方法,最后以知乎live平台的付费用户数据为样本,使用Matlab中的密度峰值聚类算法对样本数据进行群体划分。[结果/结论]实验结果表明该平台存在5类典型的用户群体,通过对聚类中心点的对比分析,识别出各群体典型特征,并提出精准运营策略。
[Purpose/significance] This paper aims at giving effective enlightenment and method for the platform to locate the characteristics of the users, carry out targeted operations and discover the potential value users. [Method/process] This paper takes the knowledge live platform as the research object, firstly designing the concept model of the group portrait, then putting forward the method of the paid-up user persona of the knowledge live platform based on the density peak clustering, and finally taking the data of paid-up users in Zhihu live platform as an sample, and using the density peak clustering algorithm in Matlab to divide the sample data into groups. [Result/conclusion] The experimental results show that there are five typical user groups in Zhihu live platform. By comparing and analyzing the cluster center points, we identify the typical characteristics of each group, and propose the precise operation strategy.
[Purpose/significance] This paper aims at giving effective enlightenment and method for the platform to locate the characteristics of the users, carry out targeted operations and discover the potential value users. [Method/process] This paper takes the knowledge live platform as the research object, firstly designing the concept model of the group portrait, then putting forward the method of the paid-up user persona of the knowledge live platform based on the density peak clustering, and finally taking the data of paid-up users in Zhihu live platform as an sample, and using the density peak clustering algorithm in Matlab to divide the sample data into groups. [Result/conclusion] The experimental results show that there are five typical user groups in Zhihu live platform. By comparing and analyzing the cluster center points, we identify the typical characteristics of each group, and propose the precise operation strategy.
引文
[1] 中国互联网信息中心.第42次中国互联网络发展状况统计报告[EB/OL].[2018-08-20].https://tech.sina.com.cn/i/2018-08-20/doc-ihhxaafz2145674.shtml.
[2] SUGIYAMA K,HATANO K,YOSHIKAWA M.Adaptive web search based on user profile constructed without any effort from users[C]//Proceeding of the 13th international conference on World Wide Web.New York:ACM,2004:675-684.
[3] 王凌霄,沈卓,李艳.社会化问答社区用户画像构建[J].情报理论与实践,2018,41(1):129-134.
[4] 林燕霞,谢湘生.基于社会认同理论的微博群体用户画像[J].情报理论与实践,2018:1-11.
[5] 丁伟,王题,刘新海等.基于大数据技术的手机用户画像与征信研究[J].邮电设计技术,2016(3):64-69.
[6] 王庆,赵发珍.基于“用户画像”的图书馆资源推荐模式设计与分析[J].现代情报,2018(3):105-109,137.
[7] 赵鑫,赵盼超.国内外知识直播平台内容创业模式比较研究[J].中国出版,2017(23):15-20.
[8] 杨静.长尾理论视阈的知识分享变现条件分析[D].南京:南京大学,2017.
[9] 王亮.基于语音互动的知识付费问答社区的传播模式研究[D].上海:上海师范大学,2018.
[10] 张结红.知识分享类平台用户参与动机对行为的影响研究[D].合肥:安徽大学,2018.
[11] 赵杨,袁析妮,李露琪等.基于社会资本理论的问答平台用户知识付费行为影响因素研究[J].图书情报知识,2018(4):15-23.
[12] 杨双亮.用户画像在内容推送的研究与应用[D].北京:北方工业大学,2017.
[13] 何娟.基于用户个人及群体画像相结合的图书个性化推荐应用研究[EB/OL].[2018-10-10].http://www.cnki.com.cn/Article/CJFDTotal-QBLL20180816003.htm.
[14] IGLESIAS J A,ANGELOV P,LEDEZMA A,et al.Creating evolving user behavior profiles automatically [J].IEEE transactions on knowledge and data egineering,2012,24(5):854-867
[15] 王顺箐.以用户画像构建智慧阅读推荐系统[J].图书馆学研究,2018(4):92-96.
[16] 薛欢雪.高校图书馆学科服务用户画像创建过程[J].图书馆学研究,2018(13):67-71,82.
[17] 陈蕾夷.智能化用户分群模型的研究与实现[J].电脑知识与技术,2018,14(19):1-3.
[18] 陈添源.高校移动图书馆用户画像构建实证[J].图书情报工作,2018,62(7):38-46.
[19] 吴江,侯绍新,靳萌萌,等.基于LDA模型特征选择的在线医疗社区文本分类及用户聚类研究[J].情报学报,2017,36(11):1183-1191.
[20] 杨卫红,赖清平,兰宇,等.基于调节潜力指标的用户用电行为聚类分析算法研究[J].电力建设,2018,39(6):96-104.
[21] 陈娟,吴卓青,邓胜利.基于层次聚类法的“知乎”用户细分与行为分析[J].情报理论与实践,2018,41(7):111-116.
[22] MOHAMMED E A,WESAM M.Efficient and fast initialization algorithm for K-means clustering[J].Intelligent systems and aplications,2012,4(1):21-31.
[23] RODRIGUEZ A,LAIO A.Clustering by fast search and find of density peaks[J].Science,2014,344(6191):1492-1496.
[24] 杨洁,王国胤,庞紫玲.密度峰值聚类相关问题的研究[J].南京大学学报(自然科学),2017,53(4):791-801.
[25] 亓丛,吴俊.用户画像概念溯源与应用场景研究[J].重庆交通大学学报(社会科学版),2017,17(5):82-87.
[26] 杨磊.基于改进RFM模型的聚类算法在农村用户4G消费行为中研究与应用[D].南京:南京邮电大学,2017.
[27] 伍育红.聚类算法综述[J].计算机科学,2015(S1):491-499,524.
[28] 王洋,张桂珠.自动确定聚类中心的密度峰值算法[J].计算机工程与应用,2018(8):137-142.
[29] 卢建云,朱庆生,吴全旺.一种启发式确定聚类数方法[J].小型微型计算机系统,2018,39(7):1381-1385.
[30] 魏红燕,魏含玉.基于密度峰值聚类的用户类型划分[J].商丘师范学院学报,2017(12):11-13.
[2] SUGIYAMA K,HATANO K,YOSHIKAWA M.Adaptive web search based on user profile constructed without any effort from users[C]//Proceeding of the 13th international conference on World Wide Web.New York:ACM,2004:675-684.
[3] 王凌霄,沈卓,李艳.社会化问答社区用户画像构建[J].情报理论与实践,2018,41(1):129-134.
[4] 林燕霞,谢湘生.基于社会认同理论的微博群体用户画像[J].情报理论与实践,2018:1-11.
[5] 丁伟,王题,刘新海等.基于大数据技术的手机用户画像与征信研究[J].邮电设计技术,2016(3):64-69.
[6] 王庆,赵发珍.基于“用户画像”的图书馆资源推荐模式设计与分析[J].现代情报,2018(3):105-109,137.
[7] 赵鑫,赵盼超.国内外知识直播平台内容创业模式比较研究[J].中国出版,2017(23):15-20.
[8] 杨静.长尾理论视阈的知识分享变现条件分析[D].南京:南京大学,2017.
[9] 王亮.基于语音互动的知识付费问答社区的传播模式研究[D].上海:上海师范大学,2018.
[10] 张结红.知识分享类平台用户参与动机对行为的影响研究[D].合肥:安徽大学,2018.
[11] 赵杨,袁析妮,李露琪等.基于社会资本理论的问答平台用户知识付费行为影响因素研究[J].图书情报知识,2018(4):15-23.
[12] 杨双亮.用户画像在内容推送的研究与应用[D].北京:北方工业大学,2017.
[13] 何娟.基于用户个人及群体画像相结合的图书个性化推荐应用研究[EB/OL].[2018-10-10].http://www.cnki.com.cn/Article/CJFDTotal-QBLL20180816003.htm.
[14] IGLESIAS J A,ANGELOV P,LEDEZMA A,et al.Creating evolving user behavior profiles automatically [J].IEEE transactions on knowledge and data egineering,2012,24(5):854-867
[15] 王顺箐.以用户画像构建智慧阅读推荐系统[J].图书馆学研究,2018(4):92-96.
[16] 薛欢雪.高校图书馆学科服务用户画像创建过程[J].图书馆学研究,2018(13):67-71,82.
[17] 陈蕾夷.智能化用户分群模型的研究与实现[J].电脑知识与技术,2018,14(19):1-3.
[18] 陈添源.高校移动图书馆用户画像构建实证[J].图书情报工作,2018,62(7):38-46.
[19] 吴江,侯绍新,靳萌萌,等.基于LDA模型特征选择的在线医疗社区文本分类及用户聚类研究[J].情报学报,2017,36(11):1183-1191.
[20] 杨卫红,赖清平,兰宇,等.基于调节潜力指标的用户用电行为聚类分析算法研究[J].电力建设,2018,39(6):96-104.
[21] 陈娟,吴卓青,邓胜利.基于层次聚类法的“知乎”用户细分与行为分析[J].情报理论与实践,2018,41(7):111-116.
[22] MOHAMMED E A,WESAM M.Efficient and fast initialization algorithm for K-means clustering[J].Intelligent systems and aplications,2012,4(1):21-31.
[23] RODRIGUEZ A,LAIO A.Clustering by fast search and find of density peaks[J].Science,2014,344(6191):1492-1496.
[24] 杨洁,王国胤,庞紫玲.密度峰值聚类相关问题的研究[J].南京大学学报(自然科学),2017,53(4):791-801.
[25] 亓丛,吴俊.用户画像概念溯源与应用场景研究[J].重庆交通大学学报(社会科学版),2017,17(5):82-87.
[26] 杨磊.基于改进RFM模型的聚类算法在农村用户4G消费行为中研究与应用[D].南京:南京邮电大学,2017.
[27] 伍育红.聚类算法综述[J].计算机科学,2015(S1):491-499,524.
[28] 王洋,张桂珠.自动确定聚类中心的密度峰值算法[J].计算机工程与应用,2018(8):137-142.
[29] 卢建云,朱庆生,吴全旺.一种启发式确定聚类数方法[J].小型微型计算机系统,2018,39(7):1381-1385.
[30] 魏红燕,魏含玉.基于密度峰值聚类的用户类型划分[J].商丘师范学院学报,2017(12):11-13.