网站地图 原创论文网,覆盖经济,法律,医学,建筑,艺术等800余专业,提供60万篇论文资料免费参考
主要服务:论文发表、论文修改服务,覆盖专业有:经济、法律、体育、建筑、土木、管理、英语、艺术、计算机、生物、通讯、社会、文学、农业、企业

博物馆个体用户画像可视化与实际运用

来源:原创论文网 添加时间:2020-03-04

  摘    要: 博物馆与参观者在互动过程中产生的数据日益增多,如何分析利用这些数据获取有效信息,为博物馆服务,是博物馆智慧化的重要课题。通过对博物馆门户网站、自媒体的线上用户数据和博物馆室内用户行为数据的综合采集,建立基于客观数据的用户画像和情感偏向的用户体验系统,能够为博物馆自身服务的提升和知识传播的优化提供可视化的数据支撑。

  关键词: 博物馆; 用户画像; 人体识别技术; 数据可视化;

  0、 引言

  人机交互技术和互联网的快速发展使这个时代的数据量迅速增长,博物馆在免费开放并提供智能化服务的过程中不可避免的产生了体量庞大、种类繁多的用户数据,“智慧博物馆”概念的提出将博物馆大数据分析挖掘正式提上日程。博物馆与用户互动的海量数据为博物馆参观者行为、兴趣等特征分析提供了基础,是博物馆调整业务结构、提升用户观展体验、公众服务质量和教育效果的重要依据。如何完成数据的深度分析挖掘是博物馆大数据实践的核心和挑战,“用户画像”作为一项其他行业普遍应用的数据分析技术,能够从一定程度上解决这一问题,其对于博物馆业务优化具有积极意义。

  1 、用户画像(User Profiles)

  “用户画像”的概念起源于人机交互设计理念,最早由Alan Cooper提出,他在《交互设计精髓》中将用户画像定义为“基于用户真实数据的虚拟代表”[1]。它的目的是为交互设计者提供一种工具,帮助他们更好的实现对用户及其需求的关注,巩固以用户为中心的产品设计思路[2]。用户画像的概念一经提出,就在交互设计和数据挖掘领域迅速传播[3]。用户画像一方面能从群体用户信息中抽取出典型用户,生成描述用户需求的工具,以帮助产品开发者从用户角度思考产品功能,另一方面能够根据用户在产品、服务中的行为、认知等数据,生成用户标签集合,确定用户意图[4]。随着这项工具的完善和发展,用户画像在数据分析领域变得更加重要,被广泛应用于勾画目标用户、联系用户诉求与设计方向、产品运营、精准营销、图书馆服务、思想动态分析等方面。对用户信息、行为习惯、认知特征等大数据集合进行分析挖掘,建立用户标签,形成用户档案模型[5]已经成为用户画像的基本功能。

  用户画像的核心是通过数据挖掘得到用户典型特征、完成用户原型的标签化。博物馆场景下的数据源比较复杂,包括文字、图片、视频等多种形式,因此常用的短文本单模态用户画像无法满足博物馆数据分析需求,需要建立多模态的用户画像。用户画像的作用流程通常包括用户数据采集、数据预处理、用户画像建模以及数据可视化[6],数据预处理的准确度和用户画像建模的精细度很大程度上取决于计算机算法的选择和优化,本文着重讨论博物馆用户数据的采集以及数据的可视化。

  2 、博物馆用户画像的数据采集

  数据博物馆大数据的来源包括外部用户活动数据和内部业务数据,外部用户活动数据是指公众使用博物馆提供的服务产生的单向或双向线上线下行为数据,内部业务数据则囊括了以藏品为核心的研究型数据以及本体业务产生的管理数据。博物馆领域的用户画像主要关注外部用户活动数据,带有明显的行业特性和场景特征。
 

博物馆个体用户画像可视化与实际运用
 

  2.1 、数据类别

  博物馆用户画像需要采集的数据从形态上沿用了常规数据分类——静态数据和动态数据。

  2.1.1、 静态数据

  静态数据的内容相对固定,根据产生源的不同,可区分为用户维度静态数据和领域维度静态数据(参见图1)。

  用户维度静态数据是反映用户基本属性的人口统计数据[7]。博物馆用户维度静态数据的获取途径主要为网站注册信息,包括用户姓名、性别、年龄、地域、职业、身份证号、联系方式、教育背景、学科领域、兴趣爱好等。这些信息均为预先设定或用户的自我定义标签,适用于作为基础自然属性信息来构建粗略画像[8],当用户因展览引导或社区交互等因素关注其他学科领域或兴趣发生转向时,这些属性的作用就显得十分有限。

  图1 博物馆用户画像静态数据
图1 博物馆用户画像静态数据

  领域维度静态数据囊括了领域内能够反映出与用户相关的其他实体属性和特征的数据[9]。博物馆中与用户密切相关的实体包括藏品、文创产品和基础服务设施等。藏品的名称、出土地、时代、材质、器类、工艺、文化背景、展出位置、参展经历、相关研究文章等是构建博物馆展品知识图谱的重要信息要素,由展品衍生的文创产品的品类、功能、价格、购买渠道等要素同样可以加入其中。

  2.1.2、 动态数据

  通过注册信息获得的静态用户属性过于简单,结合实时更新的多数据源动态用户数据能够构建更完整的用户画像。动态数据主要是指由用户做出的具体行为产生的数据,博物馆动态数据包括线上动态数据和线下动态数据两部分。

  线上动态数据是将用户在博物馆官方网站、官方微博、官方公众号、官方商城等移动端上的行为数据纳入数据集合,信息要素包括预约、浏览、查询、评论、点赞、分享、购买等线上行为发生的时间、内容、对象等。线下动态数据则主要通过用户行为获取信息,涵盖了用户在博物馆建筑主体内产生的与博物馆业务相关的所有行为数据,包括参观路径、停留时间、购买行为等。

  2.2 、数据采集方式

  博物馆静态数据的采集相对简单,用户维度的静态数据来源为网站数据库,数据库需设定完整的采集要素,支持实时导出,并与分析挖掘所需的数据格式兼容。博物馆领域维度的静态数据则主要依靠博物馆对自身藏品信息的整理、研究和信息拓展,即藏品信息知识图谱的构建。

  博物馆动态数据的采集与静态数据采集相比获取难度更大,需要及时更新和维护,但能够更为全面准确的反映用户特征,具有高度的时效性。线上动态数据的采集依托相对成熟的自媒体数据库,通过系统后台用户的活动日志和爬虫程序可以完成。线下动态数据的采集是博物馆用户画像的难点,基于深度学习的人体行为识别技术是目前主要可行的采集方法。

  3、 适合博物馆环境的人体行为识别技术

  人体行为识别是物联网系统中的一项核心技术,指通过主动式或被动式的识别技术,对某个范围内的个体目标进行体动信息或环境变量的数据监测、收集和分析,从而推断其行为信息,实现行为识别。目前常用的行为识别技术按照识别对象的状态分为主动识别和被动识别。

  主动识别技术需要用户配合监测方要求,佩戴指定设备来提供体动信息,目前最常见的是可穿戴传感器,根据传感器接触位置的不同,采集的行为信息内容和准确率也有所区别。由于借助外部设备,用户可能会表现出不自然的行为特征,对人流量密集的博物馆,设备的佩戴和回收增加了数据收集的复杂度。

  被动识别技术主要包括三种:

  3.1 、基于环境变量的行为识别

  利用置于监测环境中的声音传感器[10]、压力传感器[11]、光线传感器[12]等非接触设备感知人体行为对周围环境的信息变化,从而推断人体行为。这些传感器不需要用户佩戴,仅需进行合理的空间分布,但受限于传感器本身的敏感度和识别精度,在博物馆室内空间非常庞大的情况下,容易受到环境变化和其他个体的干扰而产生误判,很难精准的检测室内人体行为[13]。

  3.2 、基于计算机视觉的行为识别

  利用摄像头或深度相机进行信息的监测与提取,通过视频流的图像处理与目标追踪技术定位具体事物。微软2009年推出的体感游戏产品Kinect即是利用数字视频摄像头和光编码技术捕捉肢体动作来实现精准行为识别[14]。传统的计算机视觉行为识别首先全程采集和保存用户的活动图像信息,通过多角度全方位的多摄像头合作,获取尽可能全面的行为信息,对视频图像进行预处理后完成运动人体检测和行为特征提取。视频采集过程中,当有阻断影像信息的因素(如黑暗环境、烟雾、障碍物等)出现时,摄像头便无法获取个体行为信息。

  3.3、 基于射频技术的行为识别

  人体各部位的运动会影响室内环境中无线信号的信道状态信息[15],利用无线信号的折射和反射可以推断个体行为,常见的射频包括UWB超宽带技术、雷达技术、wifi技术等。

  3.3.1、 基于UWB超宽带技术的人体识别

  超宽带技术利用人体行为对回波信号反映出的不同特征来分类检测不同的行为,在对目标的检测和追踪过程中具有抗干扰能力强、消耗低、分辨率高等优势[16]。UWB超宽带技术采用的设备比较特殊且功率较大,在博物馆室内使用成本过高,且存在一定的安全隐患。

  3.3.2 、基于雷达技术的人体识别

  雷达采用从发射端到接收端的时间差跟踪目标,常用于室外环境的行为识别。伦敦大学[17]、麻省理工学院[18]近年来相继研发出利用远距离穿墙的雷达信号跟踪和识别人体行为的目标监测系统。这种技术需要特定的设备支持,成本较高。

  3.3.3、 基于wifi技术的人体识别

  Wifi是人们目前最常使用的无线射频装置之一,具有感知周围环境、检测人体行为的能力,且信号广泛覆盖,设备部署简单,人体行为的运动轨迹具有唯一性,对wifi信号的影响也独一无二。运用wifi设备采集能够识别人体生命体征、手势、身份、特殊行为的CSI数据,构建深度学习识别和分类模型探索人体行为与CSI数据之间的映射关系,从而实现计算机对人体行为的准确识别[19]。

  结合博物馆人流密度大、区域广泛、场景空间差异性大、障碍物多等实际情况,基于计算机视觉的人体识别技术和基于wifi技术的人体识别技术都能够保证识别精度和数据的稳定性,具有一定的可操作性,而考虑到保护用户隐私、降低设备铺设成本等方面,后者相对更为适合。

  4、 博物馆个体用户画像的可视化呈现

  多源采集的复杂数据需要经过多重算法的分析和迭代,建立统一标签并完成数据整合后再进行深度分析挖掘,数据集合无法提供直接信息,为了便于信息观察,用户标签和行为模式等数据内容需要进行可视化处理,可视化的数据根据需求的侧重点而对不同信息进行提取。博物馆兼具知识传播与公众服务双重属性,因此基于客观事实的多维标签体系和基于情感偏向的用户体验体系在博物馆用户画像中可以共同发挥作用。

  4.1 、基于客观事实的多维标签体系构建

  博物馆通过线上和线下的多源数据采集能够获得大量基于客观事实的静态数据和动态数据,这些数据标注结构比较复杂,信息多源异构,噪音标签明显,传统的单标签提取方法难以对参观者画像标签进行深度挖掘,无法细致分析多个标签属性间的关联及多元主体间的联系,故而博物馆的参观用户画像需采用多维度的用户画像标签体系[20]。展览的本质是提供学习的场景和知识传播的媒介,因此这种基于客观事实的用户标签借鉴了学习者的多维度标签分类,将其划分为基本信息数据、内容偏好数据、学习风格数据和社交互动数据四个维度。

  基本信息标签主要体现参观者的基本情况,如姓名、性别、年龄、地域、教育背景等。内容偏好标签描述参观者进行线上藏品检索、网站展览信息浏览、线下参观展览选择、展品参观停留时间等与博物馆藏品相关的行为。学习风格标签指参观者在参观过程中形成的文物知识接受与知识加工的持久性偏好,例如观展过程中用户对信息资源展示手段的偏好,通过对VR、视频、语音导览、图片、文字说明等方式的不同反映,分析用户的参观策略和学习倾向。社交互动标签则描述了参观者在参观过程中产生的分享、评论、收藏等互动数据。

  4.2、 基于情感偏向的用户体验标签构建

  另一种用户标签是在对用户行为进行客观描述的基础上,加入用户的情感体验和心理特征。交互设计领域提出的“人物头像+属性特征+动机文字+态度文字+行为文字+其他要素文字”的用户画像图形结构[21]就是一种基于情感偏向的用户体验标签。表1将一位博物馆用户参观一次展览的情感偏向用户画像进行了可视化处理。

  为了创新提升产品和服务,2002年Shaw在用户画像的基础上进一步细化用户体验的可视化内容,为产品经理、设计师、开发者和战略管理者设计了“用户体验图”(某类用户群体在某个特定领域经历和体验的可视化图形),主要关注用户的行为过程和每个步骤中的用户体验[22]。表2根据这种传统的用户体验矩形方阵[23]模拟了博物馆参观用户体验图,这张图将用户参观过程和体验水平变得更加清晰,能够为博物馆展览、文创产品、基础服务设施的设计提供依据。

  表1 一位博物馆参观者的用户画像
表1 一位博物馆参观者的用户画像

  表2 博物馆参观的用户体验图
表2 博物馆参观的用户体验图

  随着用户体验图的不断发展,用户体验研究专家提出了内容更为全面的“用户旅程图”——一种包含了“用户画像+用户旅程+体验评价+痛点和机会点”的综合结构图,“用户旅程”的特征可以概括为以下五点:

  (1)用户旅程反映完整的用户经历,是由每一个关键时刻连接起来的完整旅程。
  (2)用户旅程不仅关注每个关键时刻的体验,更重视整个经历中的体验,关键时刻点的满意度不能代表旅程的整体满意。
  (3)用户旅程的描述语言从用户的角色出发,以第一人称进行表达。
  (4)用户旅程需要涵盖线上和线下的多渠道经历。
  (5)用户旅程的持续时间可以很长,并且可以重复[24]。

  这种用户旅程图与用户体验图侧重有所不同,它专注于市场、销售和服务人员,常用于增加销售、改善客户关系和提升品牌形象。根据行业特性,博物馆用户旅程体验图可采用“用户画像(个人)+用户旅程(参观前、参观中和参观后)+交互行为(预约、查询、购买、分享)+用户体验(感官、情感)+需求分析+完善建议”的图形结构。

  Norman曾提出认知的三个层次——本能、行为和反思,本能层次的问题是“用户想要怎样的感觉”,行为层次的问题是“用户想做什么”,反思层次的问题为“用户要成为什么样的人”[25]。而作为三种用户分析工具,用户画像着重呈现反思层次“用户是谁”的问题,用户体验图主要关注用户希望在服务中获得什么感觉的本能,用户旅程图则侧重于通过行为步骤分析用户想做什么。三种工具将静态属性和动态属性结合在一起,通过一定的逻辑便能够清晰完整的构建出综合性的“用户画像”[26]。博物馆基于情感偏向的用户体验体系可以根据实际业务的需求不同使用三种工具独立或共同完成。

  5、 用户画像在博物馆业务优化中的实际应用

  基于客观事实的用户画像主要功能在于通过数据挖掘和深度学习,发掘潜在用户群体,利用关联规则算法或聚类、分类算法分析得到用户的观展兴趣偏好,构建智能推荐系统,实现个性化藏品推荐、互动伙伴推荐和观展路径导航等[27]。基于情感偏向的用户体验系统则可以通过用户行为表象分析用户深层动机和心理,确定真实需求,预测用户潜在行为,根据具体的业务数据提取存在问题,寻求解决的办法和改进方向,优化展览和文创产品设计,从而提高参观者对博物馆的体验满意度,逐步打造博物馆的文化品牌。

  5.1 、延时性和及时性的个性化信息推送

  根据用户画像中内容偏好标签的提取和挖掘,用户画像可以在用户与博物馆互动的各个阶段提供延时性和及时性的个性化信息推送服务。

  延时性的个性化信息推送可以实现潜在用户的转化。用户在登录博物馆官网、官微、官方公众号等媒体时留下的注册信息和发布的文本内容是藏品偏好标签和社交互动标签的提取环境之一,这部分用户中的一些人可能从未到过博物馆参观或参观频率过低,以往通过经验分析其驱动力不足的原因通常过于主观,而通过藏品偏好和社交互动数据能够更加客观的分析出其中哪些人是博物馆的潜在用户,并进行有针对性的展览、活动信息推送,就有极大可能将其转化为实际用户。

  即时推送服务可以帮助用户在预约阶段明确观展目的。大部分刚接触博物馆的用户在预约博物馆参观和到达博物馆时通常无法立刻确定观展目标,他们根据展览名称和海报做出直觉式选择,这样参观的展览内容可能与其兴趣偏好并不一致,而受到观展时间的限制,无法一次性参观多个展览,因此获得信息和情感满足的可能性相对较低。在博物馆实现预约参观后,这一问题可以通过用户画像得到有效改善,用户预约成功的同时,系统根据个体的兴趣标签(如器类、材质、时代等)与展览标签进行匹配,选择相关度较高的展览信息进行即时推送,这种有目的性的观展引导能够帮助参观用户在体验初期顺利融入博物馆环境并获得个体需求的满足。

  对于博物馆的老用户而言,结合用户历史参观信息中的标签,进行个性化的展览、展品、文创衍生品和教育活动等信息的推送,能够大幅度提升用户体验,增加用户忠诚度。系统可以根据用户画像为每位用户建立博物馆档案,当用户完成一次博物馆参观后,系统将本次行程的单次独立信息和行为细节统计加工,生成用户体验图或旅程图推送给用户,帮助用户完成自我认知总结的同时,量化博物馆参观的收获和价值,并可以与历史参观记录对比分析,给予用户能力或知识提升等积极反馈,强化用户的参与感。

  5.2 、兴趣伙伴推荐与用户间互动

  完善的用户画像系统能够对博物馆用户进行动态评级,根据其行为特征判定为简单体验用户、主动探索型用户或其他类别,对具有相近属性的用户进行特征分类并建立群体画像,同一个体用户可以分布在不同的群体画像中。博物馆可以为不同群体画像标签的用户提供具有标签特色的科普教育活动,或在社区中建立兴趣小组,不再以讲解员为中心,而是去中心化的发挥每个兴趣小组的个体优势,为兴趣小组提供一定的基础信息,由小组成员相互交流探讨,共同深入学习展品背后的文化内涵。

  5.3 、智慧导览的优化

  基于用户画像的智慧导览可以优化观展路线。有了用户画像的大数据分析结果支撑,智慧导览的设定不再仅停留在导览设备的改变上,而可以将用户的年龄、性别等基本信息与用户选择的参观偏好和行程安排相结合,为用户规划符合自身体力情况的合理观展路线,并在用户观展过程中根据展厅人流量的变化实时调整,以减少参观的拥挤程度和等待时间。

  智慧导览能够根据定位信息即时推送展品介绍。在传统的观展过程中,用户要了解展品的相关信息,需要走到展品旁近距离查看文字说明或扫描二维码获得背景资料,这种信息查询方式由用户主动完成且消耗一定的操作时间。用户画像系统可以通过展厅内的定位和行为识别设备即时判断用户状态,当参观者进入展品一定范围内时自动推送文物的相关信息到移动端,文物信息的呈现可以根据用户的学习风格标签选择视频、音频、图片或文字等形式,降低用户在信息获取和读取上的复杂度。

  博物馆用户画像对博物馆业务优化上的帮助还有很多,例如通过用户体验图增加文创产品的品类、预测用户购买行为、优化自动售卖机位置,甚至由多用户共同设计展览陈列、文创产品方案等。用户画像不仅是博物馆了解用户需求、改进自身服务的手段,随着对其技术和应用的深入探索和发掘,用户画像必将成为用户与博物馆互动的桥梁,为博物馆打造文化品牌、传承中华优秀传统文化奠定坚实基础。

  参考文献

  [1]Cooper A.About Face:the Essentials of User Interface Design[M].Manhattan:John Wiley&Sons,1995:5.
  [2]Pruitt J,Adlin T.The Persona Lifecycle:Keeping People in Mind Throughout Product Design[M].Morgan Kaufmann Publishers Inc,2010:48.
  [3]谈松英,杨敏.大数据分析视野下的用户画像及其在开放教育中的运用研究综述--基于知网2010-2017年全文收录文献的数据分析[J].中国教育信息化,2018(16):1.
  [4]Mianowska B,Nguyen N T.Tuning User Profiles Based on Analyzing Dynamic Preference in Document Retrieval Systems[J].Multimedia Tools and Applications,2013,65(1):93-118.
  [5]翟秀凤.基于用户画像的个性化资源智慧推荐系统研究[J].图书情报导刊,2018(12):17.
  [6]黄秀.基于多模态社交媒体数据源的用户画像构建的研究[D].电子科技大学,2018(3).
  [7] 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[J].情报理论与实践,2019(1):130.
  [8]王美月,王萍,贾琼,等.基于动态用户画像的学术虚拟社区粘性驱动机制研究[J].现代情报,2019(7):12.
  [9]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[J].情报理论与实践,2019(1):130.
  [10]Li Y,Ho K C,Popescu M.A microphone array system for automatic fall detection[J].IEEE Transactions on Biomedical Engineering,2012,59(5):1291-1301.
  [11]Chee Y,Han J,Youn J,et al.Air mattress sensor system with balancing tube for unconstrained measurement of respiration and heart beat movements[J].Physiological measurement,2005,26(4):413.
  [12]Gu T,Wang L,Wu Z,et al.A pattern mining approach to sensor-based human activity recognition[J].IEEE Transactions on Knowledge and Data Engineering,2011,23(9):1359-1372.
  [13]卢欣欣.基于Device-free技术的被动式行为感知及应用研究[D].郑州大学,2019(4):4.
  [14]Stone E E,Skubic M.Fall Detection in Homes of Older Adults Using the Microsoft Kinect[J].IEEE Journal of Biomedical and Health Informatics,2015,19(1):290-301.
  [15]崔然.基于CSI的人体行为识别方法研究[D].太原理工大学,2019(6):3.
  [16]蒋留兵,李骢,车俐.超宽带雷达人体动作识别[J].电子测量与仪器学报,2018(1):129-134.
  [17]Chetty K,Smith G E,Woodbridge K.Through-the-wall sensing of personnel using passive bistatic wifi radar at standoff distances[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(4):1218-1226.
  [18]ADIBF,KATABID.See through walls with Wi Fi![J].ACMSIGCOMM Computer Communication Review,2013,43(4):75-86.
  [19] 卢欣欣.基于Device-free技术的被动式行为感知及应用研究[D].郑州大学,2019(4):7.
  [20] 刘海鸥,刘旭,姚苏梅,等.基于大数据深度画像的个性化学习精准服务研究[J].图书馆学研究,2019:68-72.
  [21]陈抒,陈振华.交互设计的用户研究践行之路[M].北京:清华大学出版社,2018:3-20.
  [22]SHAWC.IVENSJ.Building Great Customer Experiences[M],Palgrave Macrmillan,2002:5.
  [23]SHAWC.IVENSJ.Building Great Customer Experiences[M],Palgrave Macrmillan,2002:6.
  [24]尼古拉斯·梅克勒,凯文·内尔,罗伯特·派克.从接触点到客户旅程--如何从顾客的角度看世界[J].上海质量,2016(12):41.
  [25]NORMAN D A.Emotion Desigh[M].New York:Basic Book,2005:6-10.
  [26]李飞.全渠道客户旅程体验图--基于用户画像、客户体验图和客户旅程图的整合研究[J].技术经济,2019(5):50-51.
  [27]刘海鸥,刘旭,姚苏梅,等.基于大数据深度画像的个性化学习精准服务研究[J].图书馆学研究,2019:68-72.

重要提示:转载本站信息须注明来源:原创论文网,具体权责及声明请参阅网站声明。
阅读提示:请自行判断信息的真实性及观点的正误,本站概不负责。