智能推送服务研究综述

华中科技大学 李琳

一、问题提出

智能推送理念的缘起来自于公众的个性化需求，其实质就是一种个性化推荐，这一概念直到20世纪90年代才被独立提出。随着web2.0技术的成熟，用户由被动浏览成为了互联网的主动参与和分享者，智能个性化推送得以成为吸引和增加用户黏着性的主流模式。信息推送技术是由美国Point Cast Network公司于1996年首先推出的一种网络信息服务新技术，利用其信息推送软件，向因特网用户主动推送各类信息（石岩，2006）。随着信息技术的不断发展和成熟，近年来关于运用新技术实现信息的智能推送服务一直是学术界的研究热点，目前国内外关于智能推送的研究主要集中于电子商务、新闻传媒以及图书等学术资源领域，基于此的学术研究也较为成熟和丰富。然而，国内外学者对政务服务领域的智能推送研究较少，尤其是针对政策方面的智能推送服务的研究基本上不可见。

二、文献回顾

（一）非政务领域智能推送服务研究

智能推送系统运用最广泛的领域就是在B2C电子商务领域，商家根据用户的兴趣和爱好，对客户的现有需求和潜在需求进行挖掘和推荐，例如Amazon、eBay、淘宝等。黄位华等（2021）提出基于用户历史行为的分析结果与评分矩阵，构建用户的兴趣模型，并将其转化为用户标签。沈洪洲等（2012）设计并实现了基于Google云消息框架C2DM的商务信息推送服务，已解决信息读取不便和成本过高的问题。网页广告是电子商务领域创收的另一种形式，其投放的精准性对于降低成本和增创收益都重要的意义。同时，如何通过精准个性化推送，将广告推送给需要的用户，以降低其他用户对广告的抵触情绪也是目前的研究热点。王成玥（2020）提出了基于视觉信息传达的网页广告智能推送系统，李晓娜（2020）采用了相似度算法来计算用户在网络媒体上所查看内容的相似度，获取用户行为特征，借助用户的行为信息设计了一种艺术广告媒体的推送机制。张芳（2017）总结了今日头条在信息流广告中的推送方式多样且易于被用户接受的成功经验。

目前大部分新闻和传媒行业都嵌入了个性化推荐的功能，运用个性化推荐算法对新闻传媒信息进行筛选、分发和推送已成为常态。胡明川（2017）提出新闻客户端新闻推送时间应采取不打扰并且贴合使用场景的策略，以通知栏推送新闻的极简页面信息的接收处理方式。喻国明等（2017）认为个性化推送对新闻行业进行了重塑，并且通过用户的社交数据和及其之间的关系发现用户的潜在需求，有助于摆脱信息茧房效应。方师师（2020）从“知沟”的上游环节切入，运用新闻深度学习模型，挖掘其如何产生差异性的个性化内容以及实现新闻增值。崔迪等（2019）以今日头条为例，从效果的角度考察其告知信息的功能，回应如今的“信息茧房”争论。

图书的个性化推荐系统也是较为普遍的应用形式，许多资源管理平台、高校图书馆已将其推荐技术应用到实际的工作中。例如，北京大学、同济大学以及北京师范大学等高校图书馆提供了相同主题、书架邻近以及同作者的推荐功能；天津大学、厦门大学等高校图书馆为读者推荐书评数据；四川大学、中南大学、天津大学以及复旦大学等高校图书馆已将个性化资源推荐嵌入到移动数字图书馆的信息服务中。经过多年发展，从最初的基于流行推荐，到后来的基于统计方法、机器学习的推荐，现有个性化推荐系统其推荐结果的精确度及多样性都有了极大的提升。周玲元等（2014）以及陈海军（2019）都将Apriori数据挖掘算法引入了图书推荐系统，并对该算法进行改进，有效挖掘图书之间的强关联性，以满足不同读者的个性化需求。张兰兰（2019）引用最先进的关联数据技术设计了一种新的个性化推荐系统；王庆等（2018）、王茹芳等（2020）将用户画像创新性地引入到了数字图书馆领域，构建了基于用户画像的图书馆推荐系统，以确保推荐内容长期精准有效。胡代平等（2020）通过读者的借阅行为记录来对高校读者阅读偏好的变化进行观测，并将测量偏好变化特征的计算与传统图书推荐算法进行结合的混合推荐模式。

与此同时，部分学者对智能推送基于的算法技术的工具理性和价值理性失衡所引发的伦理问题进行了思考，认为在强调技术优势的同时，使得道德、情感和文化价值的价值理性被忽视（谢薇娜，2020）。除此之外，算法推荐技术可能会带来的信息茧房（Gossart，2014）、算法暗箱（刘育猛，2020）、“知沟”问题（Gaziano，2017）、回音室（Duboisetal，2018）、政治极化（马立明，2020）等问题也是学者阐释的重点。

（二）政务领域的推送服务研究

需要正视的是，与在商业领域的百花齐放相比，智能推送在政务服务领域却极少得到应用。目前公众了解政务服务信息的主流方式还是通过主动检索，主要通过政府网站、政务服务app中的信息分类导航、站内搜索以及基于问答库的智能问答这三种形式。

部分政府尝试将某些领域的信息通过匹配后推送给特定的用户。如通过智能推送服务协助中小企业匹配业务合作伙伴，以此减少用户参与本地和国际市场业务的时间、成本和风险。考虑到用户办理的很多政务服务事项只会办理一次，Cornelis等（2007）基于模糊逻辑推荐、Guo等（2010）基于语义相似技术，设计了针对此类事项的智能推送框架。Hassan等（2015）对澳大利亚电子政务旅游服务进行研究，提出一种新的关联算法，推荐用户找到其他可能感兴趣的关联旅游服务。Terán等（2010）为了帮助选民在选举过程中作出决定，设计了一个采用模糊聚类方法的推荐系统，提供接近选民偏好的候选人信息。还有一些学者进一步挖掘用户的潜在需求，以提高用户的满意度。如Pasquale等（2005）研发的系统可以考虑公民的迫切性、偏好以及他们正在使用的设备功能情况，向公民建议最有趣的政府服务。

此外，国内部分学者也对政务信息的推送服务进行过探索。刘妍等（2012）利用用户类型、地区等不同因素进行用户分类，建立了多维情境感知计算模型计算用户兴趣，基于按需推送、定期定时、更新驱动三种形式实现农业信息的个性化智能推送；符志强等（2019）设计并实现了一种科技政策推广App，从政府和科技网站上获取科技政策信息，企业可定量身定制信息与解读并获得推送服务；徐松柳（2020）设计了一种企业扶持政策的推送系统，通过大数据技术实现政策与企业的自动匹配；毛太田等（2021）以LDA模型和关联规则挖掘为主要技术，对政府信息文本进行主题提取与聚类，通过相似度计算完成信息与用户的匹配，实现主动推送。

三、结语

智能推送在非政务领域的应用对其在政务政策领域的普及具有一定的借鉴意义，特别是图书、学术资源的个性化推送，其对文本资源提取的挖掘技术以及对用户的特征构建画像都可直接借鉴用于政务政策信息的智能推荐系统的搭建。并且通过综述我们可以发现，因为海量的政策文本收集和解析具有一定的难度，因此现有的研究和探索不仅数量少，且仅局限于惠农信息（周丽芳，2011）、惠企信息（徐松柳，2020）、疾控信息（赵焱，2019）、地震预警信息（孙路强，2020）等某一个特定领域的政策推送服务。

由此可见，智能推送在政务服务领域的研究与应用明显严重滞后于其发展速度。而与商业领域相比，目前公众对政府所提供的政务服务更为陌生，公众对与其切身利益相关的政策的了解更是非常浅显，不同的公众群体的个性化需求也更加明显。因此，加强智能推送技术在政府服务领域的应用是顺应时代的要求，也是对我国服务型政府建设的响应。