论文部分内容阅读
摘 要 在大数据时代，数据的收集、分析、再运用被各平台强调，基于数据挖掘的算法推荐能更好地满足用户需求。网易云音乐是算法推荐平台的典型案例，文章以网易云音乐为例，探析大数据和智能算法对用户黏性的作用，并针对不足提出改进措施。
关键词 算法;大数据;用户黏性;网易云音乐
中图分类号 G206 文献标识码 A 文章编号 2096-0360（2019）04-0004-03
1 大数据与智能算法
数据成为了电子平台改进服务功能的入口，几乎所有平台都会获取用户数据，如基本信息、实时动态、使用痕迹、互动反馈等。值得注意的是，大数据不仅仅是数据的“多”，更是数据的“全”，在这种数量极多且全面的情况下，数据的质量（精确度）显得不那么重要，样本容量极大，单个数据样本对整个数据结果的影响就微乎其微，从而形成整体准确的用户大数据。
算法是将用户大数据通过运算转化为结果的编码程序。在信息过载时代，平台会根据已获得的用户数据，利用算法构建一套推荐系统，以帮助用户高效、精准地筛选信息。Resnick等人曾给出了推荐系统的定义：推荐系统由三部分组成，包括用户模型、产品模型和推荐算法[1]。
用户模型是平台了解用户兴趣点的渠道。用户每使用一次，平台就会更新一次用户模型，久而久之，用户模型能构建和现实用户相似度较高的“电子用户画像”，反映出特定时期用户在该平台上的行为特征与兴趣偏好。
产品模型是平台用归类产品的渠道。平台在上传新产品时会根据上传者、产品内容、产品风格等因素，给新产品贴上多种简短、易识别的标签。同时，产品标签会随着产品使用者的行为（转发、评论、删除等）进行更新，修正产品标签的错误，覆盖产品的潜在受众，从而构建能全面反映产品特征的产品模型。
推荐算法是推荐系统的关键环节，为用户模型和产品模型提供“桥梁”作用。推荐算法的实质是匹配，当匹配度达到一定程度时，推荐算法就认定目标用户感兴趣，从而将产品推荐给目标用户。
2 用户黏性的定义、重要性与影响因素
用户黏性（viscosity of users）是常常被网络平台提及的一个词，虽然它还没有一个统一的定义。关于用户黏性的概念，中国台湾的学者林娟娟认为用户黏性是网站留住在线客户和延长每次停留时间的能力[2]。清华大学教授彭兰认为，“用户黏性”一词在传统媒体时代是“忠实读者”，在新媒体时代，“用户黏性”这个词有了平等的意识，甚至是俯下身服务的思维[3]。不论定义如何，“用户黏性”一词的内核都包含在新媒体时代下用户对提供产品和服务方的使用惯性与偏好，主要表现为长久地使用某一平台且使用频率高、使用程度深。
在新媒体时代，同类型的产品和平台不胜枚举，如果一个平台有良好的用户黏性，就意味着它有可靠的用户群，用户代表着流量，而流量能带来曝光率和变现率，从而让平台从知名度和美誉度上都得到提升，最终赚取收益，形成品牌。把握好用户黏性能让一个平台脱颖而出，当然这也是一个日积月累，多因素共同作用的过程，那么究竟有哪些因素对用户黏性的起塑造作用呢？
根据期望确认理论（ECT）可知，消费者对产品或服务的满意度会成为下次再度购买或使用（Repurchase Intention）的参考。使用频率高是用户黏性的核心内涵，因此可以将用户黏性的首要影响因素归为用户对产品或服务的满意度。
为更好地理解不同策略对用户黏性的影响程度，本文引入卡诺模型（Kano model）划分用户黏性的影响因素。卡诺模型是由日本教授狩野纪昭（Noriaki Kano）于1984年提出的，是根据用户对产品或服务质量的感知度，把产品性能划分为五个层次，分别为基本质量（Basic Quality）、期望质量（Performance Quality）、魅力质量（Attractive Quality）、无差异质量（Indifferent Quality）、逆向质量（Reverse Quality）。前三种能提升用户黏性，而后两种是无差别或不满意的因素，不能提升用户黏性。
3 网易云音乐的大数据与智能算法运用
算法作为数据与人工智能的节点，发挥着构造流量入口、捕捉用户黏性的关键作用[4]。本文聚焦于网易云音乐如何有效利用大数据和智能算法，实现其在音乐产品上基本质量、期望质量和魅力质量的提升，从而塑造用户黏性。
3.1 基本质量：精准的算法推荐——“每日推荐”歌单
基本质量是产品或服务的硬性条件，也是用户的刚性需求，如果平台没有提供这方面的服务，用户会有大概率放弃使用此产品。一款电子音乐平台的基本质量来源于音乐产品本身，包含音乐资源、音乐质量、音乐效果、音乐推荐等因素。网易云音乐的音乐推荐功能是其主打的硬性服务，也是形成用户黏性的基本质量。
推荐系统的算法主要有以下几类：基于流行度的算法、协同过滤的算法、基于内容的算法、混合算法等[5]。
基于流行度的推荐，即以内容的点击率、转发量、评论数等为依据，自动推送关注度高的内容。在网易云音乐中表现为“热歌榜”“新歌榜”“原创榜”等带有统计性质的排行榜歌单，推荐这些歌单是因为平台假定目标用户喜爱大部分人都喜爱的歌曲，固然有统计学上的可行依据，但也有不足。
基于协同过滤推荐（collaboration filtering），主要通過计算用户之间的兴趣相似度，将相似度高的用户匹配起来，形成具有相似兴趣的用户集群，并向目标用户推荐集群中用户所喜爱的内容。网易云音乐中的“音乐密友”就会根据收藏单曲和日推歌曲的相同概率，为用户匹配“音乐口味相似度”较高的其他用户进行关注;还有一首单曲的“相似推荐”中，就会推荐“喜欢这首歌的人也听”的歌单。 基于內容的推荐（content-based filtering），指基于音乐内容本身的特点，比如音乐节奏、曲调风格、人声特点等。平台记录跟踪用户的听歌行为，分析出用户对某些音频特征的兴趣爱好图谱，建立用户模型和用户标签，并将具有相似标签的用户和音乐产品匹配起来，从而将匹配度最高的音乐产品推荐给用户。比如网易云音乐的“歌单”中，就有“民谣”“电子”等不同风格的划分。
但是，推荐平台在实践中往往采取混合推荐算法，即赋予多种算法不同的权重，加权计算后向用户推荐歌单，如网易云音乐的“每日推荐”“私人FM”皆是采用复杂的混合推荐算法。
3.2 期望质量：冷启动问题的处理
期望质量没有基本质量苛刻，并不是必需的产品属性或服务行为，即没有期望质量并不会使用户大概率放弃此产品或服务。但是，期望质量也在用户渴求范围，如果产品提升了期望质量，能让用户满意度成比例关系地增加。
在算法推荐过程中，冷启动问题是一大难题。如何在没有大量用户数据的前提下，设计出个性化的推荐系统，并且使得推荐的结果精准化，这就是冷启动问题[6]。
许多音乐推荐算法在解决冷启动问题时，大多基于流行度等数值策略，这种策略是出于考虑目标用户可能喜欢绝大多数用户都喜欢的项目， 但是该思路只能是从统计学的角度说明预测准确的概率高于不准确的概率[7]。网易云音乐被称为“小众音乐爱好者的天堂”，用户的个性化需求正是其致力满足的。很多文献给出了针对冷启动问题类型的解决策略，主要分为混合推荐、融合其他数据源、动态情景敏感策略等方式[8]。
网易云音乐使用了融合其他数据源的策略，主要通过引入用户社会关系信息，帮助建立新用户特征模型，在一定程度上缓解新用户的冷启动问题[8]。在网易云音乐登陆界面下方的“其他登录方式”，如微信、QQ、微博等，这些社交软件包含着用户的社会关系信息。用户如果用第三方软件登录，网易云音乐就能够在推荐算法中引入用户在这些社交软件中的人口统计学信息以及社会网络信息（包括性别、年龄、社交软件中的好友等），社交网络内容有巨大的预测能力，比如用户在微博上关注新上映的电影，当用户使用微博登录网易云音乐时，就为用户推荐该电影主题曲。同时，在网易云音乐界面点击“我的好友”时，会弹出“获取通讯录联系人列表”的对话框，这样就向用户推荐现实生活中的朋友所听的音乐，这些社会关系信息在冷启动用户推荐方面发挥着显著作用。
3.3 魅力质量：“年度听歌报告”与用户的自我
认知
平台收集的用户数据所生成的用户画像不仅能进行精准的算法推荐，也能以回馈用户的方式，加强用户的自我认知，获得自我肯定中的愉悦感。对网易云音乐而言，其“年度听歌报告”正是一种用大数据回馈用户的方式，这种方式就是平台的魅力质量：在网易云音乐提供之前，用户从未期盼过会得到这种服务，因为这并非一个音乐平台必须提供的，所以提供之后就会让用户感到惊喜，从而极大地提升满意度，塑造平台的用户黏性。
网易云音乐的年度听歌报告是怎样形成的？笔者发现，报告涉及听歌次数、总时长、时间段、歌曲内容、风格等多项数据，还会总结出用户最爱听的歌曲和歌手，以及分别的听歌次数。网易云音乐搜集了全面的用户使用数据，给每个用户组成了大数据库，才形成了完整的听歌报告。
在2018年度听歌报告出来后，微博上话题#网易云音乐年度总结#的阅读量达3.5亿，讨论达15.9万，微信朋友圈上也形成刷屏效应，网友纷纷“晒”出自己的年度听歌报告。诚然，网易云音乐每年初的年度听歌报告已经成了用户的集体狂欢和仪式活动，许多用户乐于获取年度报告，也乐于分享到社交平台上。
用户对年度听歌报告的获取和分享行为是自我认知需求的体现，自我认知是对自己的认识和理解。社会认同理论认为个人的自我认知源自对群体的认知[9]。在年度听歌报告的分享互动仪式中，这些深度用户的自我认知与群体认知达成一致，形成了群体归属感，也提升了社交愉悦感，从而大大增强了用户黏性。
4 网易云音乐待改进功能的路径建议
根据以上研究，网易云音乐大数据和智能算法运用上有众多优异之处，但也发现了一些待改进的功能。因此，为了提升用户黏性，本文在大数据与智能算法方面提出以下建议。
4.1 发展评论区的推荐功能
网易云音乐的评论区是其特色功能，然而网易云音乐忽略了用户评论的算法推荐功能，致使网易云音乐的评论区风格比较单一，甚至不同类型歌曲的评论都很相似，而风格千篇一律的精选评论也会使得网易云音乐的受众范围窄化。因此，本文建议网易云音乐发展评论推荐功能，依据用户的性格、兴趣，紧抓用户的需求点，打造评论区的个性化
推荐。
4.2 冷启动问题还需深入解决
研究中发现“每日推荐”歌单主要是热门榜单的歌曲，这样虽是安全的做法，但却没有发挥网易云音乐在个性化推荐中的优势。
本文建议，网易云音乐在冷启动问题上还可加上让游客用户先挑选兴趣点的环节，或是做简短的兴趣测试题，充分发掘冷启动用户的兴趣，从而实现更优质的算法推荐。
4.3 创新用户数据回馈形式
年度听歌报告虽然是首发，但是现在大部分应用都推出了年度听歌报告，且在质量上更胜一筹。2018年度听歌报告被许多网友贴上了“不用心”“敷衍”的标签，因为与去年的背景音乐都一样，网易云音乐没有将深入发掘的用户数据更用心地回馈给用户。因此，音乐平台应该更好地创新用户数据回馈形式，将用户数据以更精致的方式回馈给用户，给用户带来更多惊喜感。
参考文献
[1]李其隆.社交网络大数据下的推荐算法研究[J].通讯世界，2018（11）：27-28.
[2]Judy Chuan-Chuan Lin.Online stickiness： its antecedents and effect on purchasing intention[J].Behaviour & Information Technology，2007（26）：507-516.
[3]彭兰.好内容不一定能带来用户黏性——新媒体时代服务思维的转变[J].新闻与写作，2015（2）：1.
[4]喻国明，杨莹莹，闫巧妹.算法即权力：算法范式在新闻传播中的权力革命[J].编辑之友，2018（5）：5-12.
[5]郝雨，李林霞.算法推送：信息私人定制的“个性化”圈套[J].新闻记者，2017（2）：35-39.
[6]陈妍，洪蕾，李广水，等.关于推荐系统中冷启动问题的研究[J].中国高新区，2018（14）：29，31.
[7]郭弘毅，刘功申，苏波，等.融合社区结构和兴趣聚类的协同过滤推荐算法[J].计算机研究与发展，2016，53（8）：1664-1672.
[8]乔雨，李玲娟.推荐系统冷启动问题解决策略研究[J].计算机技术与发展，2018，28（2）：83-87.
[9]Jan H.Kietzmann，Kristopher Hermken，Ian P.McCarthy&Bruno S.Silvestre.Social Media？Get Serious！Understanding the Functional Building Blocks of Social Media[J].Business Horizons，2011（54）：241-251.
关键词 算法;大数据;用户黏性;网易云音乐
中图分类号 G206 文献标识码 A 文章编号 2096-0360（2019）04-0004-03
1 大数据与智能算法
数据成为了电子平台改进服务功能的入口，几乎所有平台都会获取用户数据，如基本信息、实时动态、使用痕迹、互动反馈等。值得注意的是，大数据不仅仅是数据的“多”，更是数据的“全”，在这种数量极多且全面的情况下，数据的质量（精确度）显得不那么重要，样本容量极大，单个数据样本对整个数据结果的影响就微乎其微，从而形成整体准确的用户大数据。
算法是将用户大数据通过运算转化为结果的编码程序。在信息过载时代，平台会根据已获得的用户数据，利用算法构建一套推荐系统，以帮助用户高效、精准地筛选信息。Resnick等人曾给出了推荐系统的定义：推荐系统由三部分组成，包括用户模型、产品模型和推荐算法[1]。
用户模型是平台了解用户兴趣点的渠道。用户每使用一次，平台就会更新一次用户模型，久而久之，用户模型能构建和现实用户相似度较高的“电子用户画像”，反映出特定时期用户在该平台上的行为特征与兴趣偏好。
产品模型是平台用归类产品的渠道。平台在上传新产品时会根据上传者、产品内容、产品风格等因素，给新产品贴上多种简短、易识别的标签。同时，产品标签会随着产品使用者的行为（转发、评论、删除等）进行更新，修正产品标签的错误，覆盖产品的潜在受众，从而构建能全面反映产品特征的产品模型。
推荐算法是推荐系统的关键环节，为用户模型和产品模型提供“桥梁”作用。推荐算法的实质是匹配，当匹配度达到一定程度时，推荐算法就认定目标用户感兴趣，从而将产品推荐给目标用户。
2 用户黏性的定义、重要性与影响因素
用户黏性（viscosity of users）是常常被网络平台提及的一个词，虽然它还没有一个统一的定义。关于用户黏性的概念，中国台湾的学者林娟娟认为用户黏性是网站留住在线客户和延长每次停留时间的能力[2]。清华大学教授彭兰认为，“用户黏性”一词在传统媒体时代是“忠实读者”，在新媒体时代，“用户黏性”这个词有了平等的意识，甚至是俯下身服务的思维[3]。不论定义如何，“用户黏性”一词的内核都包含在新媒体时代下用户对提供产品和服务方的使用惯性与偏好，主要表现为长久地使用某一平台且使用频率高、使用程度深。
在新媒体时代，同类型的产品和平台不胜枚举，如果一个平台有良好的用户黏性，就意味着它有可靠的用户群，用户代表着流量，而流量能带来曝光率和变现率，从而让平台从知名度和美誉度上都得到提升，最终赚取收益，形成品牌。把握好用户黏性能让一个平台脱颖而出，当然这也是一个日积月累，多因素共同作用的过程，那么究竟有哪些因素对用户黏性的起塑造作用呢？
根据期望确认理论（ECT）可知，消费者对产品或服务的满意度会成为下次再度购买或使用（Repurchase Intention）的参考。使用频率高是用户黏性的核心内涵，因此可以将用户黏性的首要影响因素归为用户对产品或服务的满意度。
为更好地理解不同策略对用户黏性的影响程度，本文引入卡诺模型（Kano model）划分用户黏性的影响因素。卡诺模型是由日本教授狩野纪昭（Noriaki Kano）于1984年提出的，是根据用户对产品或服务质量的感知度，把产品性能划分为五个层次，分别为基本质量（Basic Quality）、期望质量（Performance Quality）、魅力质量（Attractive Quality）、无差异质量（Indifferent Quality）、逆向质量（Reverse Quality）。前三种能提升用户黏性，而后两种是无差别或不满意的因素，不能提升用户黏性。
3 网易云音乐的大数据与智能算法运用
算法作为数据与人工智能的节点，发挥着构造流量入口、捕捉用户黏性的关键作用[4]。本文聚焦于网易云音乐如何有效利用大数据和智能算法，实现其在音乐产品上基本质量、期望质量和魅力质量的提升，从而塑造用户黏性。
3.1 基本质量：精准的算法推荐——“每日推荐”歌单
基本质量是产品或服务的硬性条件，也是用户的刚性需求，如果平台没有提供这方面的服务，用户会有大概率放弃使用此产品。一款电子音乐平台的基本质量来源于音乐产品本身，包含音乐资源、音乐质量、音乐效果、音乐推荐等因素。网易云音乐的音乐推荐功能是其主打的硬性服务，也是形成用户黏性的基本质量。
推荐系统的算法主要有以下几类：基于流行度的算法、协同过滤的算法、基于内容的算法、混合算法等[5]。
基于流行度的推荐，即以内容的点击率、转发量、评论数等为依据，自动推送关注度高的内容。在网易云音乐中表现为“热歌榜”“新歌榜”“原创榜”等带有统计性质的排行榜歌单，推荐这些歌单是因为平台假定目标用户喜爱大部分人都喜爱的歌曲，固然有统计学上的可行依据，但也有不足。
基于协同过滤推荐（collaboration filtering），主要通過计算用户之间的兴趣相似度，将相似度高的用户匹配起来，形成具有相似兴趣的用户集群，并向目标用户推荐集群中用户所喜爱的内容。网易云音乐中的“音乐密友”就会根据收藏单曲和日推歌曲的相同概率，为用户匹配“音乐口味相似度”较高的其他用户进行关注;还有一首单曲的“相似推荐”中，就会推荐“喜欢这首歌的人也听”的歌单。 基于內容的推荐（content-based filtering），指基于音乐内容本身的特点，比如音乐节奏、曲调风格、人声特点等。平台记录跟踪用户的听歌行为，分析出用户对某些音频特征的兴趣爱好图谱，建立用户模型和用户标签，并将具有相似标签的用户和音乐产品匹配起来，从而将匹配度最高的音乐产品推荐给用户。比如网易云音乐的“歌单”中，就有“民谣”“电子”等不同风格的划分。
但是，推荐平台在实践中往往采取混合推荐算法，即赋予多种算法不同的权重，加权计算后向用户推荐歌单，如网易云音乐的“每日推荐”“私人FM”皆是采用复杂的混合推荐算法。
3.2 期望质量：冷启动问题的处理
期望质量没有基本质量苛刻，并不是必需的产品属性或服务行为，即没有期望质量并不会使用户大概率放弃此产品或服务。但是，期望质量也在用户渴求范围，如果产品提升了期望质量，能让用户满意度成比例关系地增加。
在算法推荐过程中，冷启动问题是一大难题。如何在没有大量用户数据的前提下，设计出个性化的推荐系统，并且使得推荐的结果精准化，这就是冷启动问题[6]。
许多音乐推荐算法在解决冷启动问题时，大多基于流行度等数值策略，这种策略是出于考虑目标用户可能喜欢绝大多数用户都喜欢的项目， 但是该思路只能是从统计学的角度说明预测准确的概率高于不准确的概率[7]。网易云音乐被称为“小众音乐爱好者的天堂”，用户的个性化需求正是其致力满足的。很多文献给出了针对冷启动问题类型的解决策略，主要分为混合推荐、融合其他数据源、动态情景敏感策略等方式[8]。
网易云音乐使用了融合其他数据源的策略，主要通过引入用户社会关系信息，帮助建立新用户特征模型，在一定程度上缓解新用户的冷启动问题[8]。在网易云音乐登陆界面下方的“其他登录方式”，如微信、QQ、微博等，这些社交软件包含着用户的社会关系信息。用户如果用第三方软件登录，网易云音乐就能够在推荐算法中引入用户在这些社交软件中的人口统计学信息以及社会网络信息（包括性别、年龄、社交软件中的好友等），社交网络内容有巨大的预测能力，比如用户在微博上关注新上映的电影，当用户使用微博登录网易云音乐时，就为用户推荐该电影主题曲。同时，在网易云音乐界面点击“我的好友”时，会弹出“获取通讯录联系人列表”的对话框，这样就向用户推荐现实生活中的朋友所听的音乐，这些社会关系信息在冷启动用户推荐方面发挥着显著作用。
3.3 魅力质量：“年度听歌报告”与用户的自我
认知
平台收集的用户数据所生成的用户画像不仅能进行精准的算法推荐，也能以回馈用户的方式，加强用户的自我认知，获得自我肯定中的愉悦感。对网易云音乐而言，其“年度听歌报告”正是一种用大数据回馈用户的方式，这种方式就是平台的魅力质量：在网易云音乐提供之前，用户从未期盼过会得到这种服务，因为这并非一个音乐平台必须提供的，所以提供之后就会让用户感到惊喜，从而极大地提升满意度，塑造平台的用户黏性。
网易云音乐的年度听歌报告是怎样形成的？笔者发现，报告涉及听歌次数、总时长、时间段、歌曲内容、风格等多项数据，还会总结出用户最爱听的歌曲和歌手，以及分别的听歌次数。网易云音乐搜集了全面的用户使用数据，给每个用户组成了大数据库，才形成了完整的听歌报告。
在2018年度听歌报告出来后，微博上话题#网易云音乐年度总结#的阅读量达3.5亿，讨论达15.9万，微信朋友圈上也形成刷屏效应，网友纷纷“晒”出自己的年度听歌报告。诚然，网易云音乐每年初的年度听歌报告已经成了用户的集体狂欢和仪式活动，许多用户乐于获取年度报告，也乐于分享到社交平台上。
用户对年度听歌报告的获取和分享行为是自我认知需求的体现，自我认知是对自己的认识和理解。社会认同理论认为个人的自我认知源自对群体的认知[9]。在年度听歌报告的分享互动仪式中，这些深度用户的自我认知与群体认知达成一致，形成了群体归属感，也提升了社交愉悦感，从而大大增强了用户黏性。
4 网易云音乐待改进功能的路径建议
根据以上研究，网易云音乐大数据和智能算法运用上有众多优异之处，但也发现了一些待改进的功能。因此，为了提升用户黏性，本文在大数据与智能算法方面提出以下建议。
4.1 发展评论区的推荐功能
网易云音乐的评论区是其特色功能，然而网易云音乐忽略了用户评论的算法推荐功能，致使网易云音乐的评论区风格比较单一，甚至不同类型歌曲的评论都很相似，而风格千篇一律的精选评论也会使得网易云音乐的受众范围窄化。因此，本文建议网易云音乐发展评论推荐功能，依据用户的性格、兴趣，紧抓用户的需求点，打造评论区的个性化
推荐。
4.2 冷启动问题还需深入解决
研究中发现“每日推荐”歌单主要是热门榜单的歌曲，这样虽是安全的做法，但却没有发挥网易云音乐在个性化推荐中的优势。
本文建议，网易云音乐在冷启动问题上还可加上让游客用户先挑选兴趣点的环节，或是做简短的兴趣测试题，充分发掘冷启动用户的兴趣，从而实现更优质的算法推荐。
4.3 创新用户数据回馈形式
年度听歌报告虽然是首发，但是现在大部分应用都推出了年度听歌报告，且在质量上更胜一筹。2018年度听歌报告被许多网友贴上了“不用心”“敷衍”的标签，因为与去年的背景音乐都一样，网易云音乐没有将深入发掘的用户数据更用心地回馈给用户。因此，音乐平台应该更好地创新用户数据回馈形式，将用户数据以更精致的方式回馈给用户，给用户带来更多惊喜感。
参考文献
[1]李其隆.社交网络大数据下的推荐算法研究[J].通讯世界，2018（11）：27-28.
[2]Judy Chuan-Chuan Lin.Online stickiness： its antecedents and effect on purchasing intention[J].Behaviour & Information Technology，2007（26）：507-516.
[3]彭兰.好内容不一定能带来用户黏性——新媒体时代服务思维的转变[J].新闻与写作，2015（2）：1.
[4]喻国明，杨莹莹，闫巧妹.算法即权力：算法范式在新闻传播中的权力革命[J].编辑之友，2018（5）：5-12.
[5]郝雨，李林霞.算法推送：信息私人定制的“个性化”圈套[J].新闻记者，2017（2）：35-39.
[6]陈妍，洪蕾，李广水，等.关于推荐系统中冷启动问题的研究[J].中国高新区，2018（14）：29，31.
[7]郭弘毅，刘功申，苏波，等.融合社区结构和兴趣聚类的协同过滤推荐算法[J].计算机研究与发展，2016，53（8）：1664-1672.
[8]乔雨，李玲娟.推荐系统冷启动问题解决策略研究[J].计算机技术与发展，2018，28（2）：83-87.
[9]Jan H.Kietzmann，Kristopher Hermken，Ian P.McCarthy&Bruno S.Silvestre.Social Media？Get Serious！Understanding the Functional Building Blocks of Social Media[J].Business Horizons，2011（54）：241-251.