基于消费性格的新商品推荐方法

张光前，白 雪

大连理工大学 管理与经济学部，辽宁 大连116024

1 引言

电子商务推荐(系统)在缓解商品信息过载、提高消费者个性化体验和销售转化率等方面发挥着不可替代的作用［1］，如Amazon 宣称推荐系统提高了其30%的销售额［2］。但随着电子商务的发展，电子商务推荐面临两方面的变化:①商品日益丰富，没有被购买甚至被浏览过的“新商品”越来越多;②消费个性日益凸显，消费内容和消费形式都在快速变化。这些变化导致推荐系统难以给出令消费者满意的推荐结果［3］，从而造成“新商品”推荐问题。这里的新商品是从消费者视角出发的，即对某个消费者而言没有被其购买过的商品即为新商品。

目前，电子商务推荐的思路主要是基于各种相关关系进行推荐，如基于商品之间的关系、消费者之间的关系、消费者与商品之间的关系进行推荐等。当面对新商品时，这些相关关系没有了或变得很少，导致难以对新商品做出恰当推荐。由于导致新商品推荐问题的症结在于缺乏消费者与新商品之间的联系，如果能够找到面对新商品时仍然成立的深层次关系，那么新商品推荐问题就可能得到解决，至少会有所缓解。消费心理学研究表明，消费者的行为(含选择商品)是由其内在消费心理决定的，且消费心理具有稳定性，说明即使在面对新商品时，成熟消费者的消费心理也基本没有变化，而消费内容和形式的改变是外在的变化，也是由消费心理决定的。因此，若能基于用户消费心理进行推荐，则推荐所依赖的关系是深层而稳定的因果关系，就有可能解决新商品推荐问题。

实现这一想法需要解决两个基本问题，一是如何从消费者的消费记录中分析出其消费心理，二是如何根据消费者消费心理实现新商品推荐。为此，本研究根据消费心理学中关于消费性格的论述，以贝叶斯网络为基本方法，建立消费者购物记录与其消费性格间的联系，并据此实现基于消费性格的新商品推荐。

2 相关研究评述

2.1 新商品推荐研究

分析推荐效果的研究表明，单纯根据消费者历史消费记录进行推荐会造成少数商品多次被推荐，而没有被浏览或购买过的新商品根本无法被推荐［4］，导致电子商务推荐的实际作用有限。

由于新商品缺乏与消费者、消费者的朋友以及他们购买或浏览过商品之间的联系，使现有协同过滤推荐、基于内容过滤推荐等基于关系进行推荐的方法缺乏必要的信息，无法做出合适的推荐。随着电子商务的发展，新商品推荐问题已经无法回避。目前，对新商品推荐的研究通常与电子商务推荐的评价标准联系在一起。现有的评价标准可分为两类:一类是技术性标准，主要用于衡量推荐方法的推荐精度和计算复杂性等性能指标［5］;另一类是商务性标准，如希望推荐结果达到新颖性、惊喜性和多样性等标准［6］。这些标准反映了对个性化推荐服务的各种要求。

与新商品推荐相关的是商务性标准中的新颖性、惊喜性、多样性3个指标。①新颖性，指推荐消费者不知道的商品，通常是在过滤掉消费者购买或浏览过的商品基础上进行推荐，或者在与购物记录相关的商品中选择消费者不熟悉的，或者推荐不流行的商品，但这些做法对消费者来说无法保证是有用的［7］。②惊喜性，即意外发现新奇、有价值的事物的运气，指推荐结果获得令人惊讶的成功。这个指标强调一定要有新的内容出现［8］，通常是对带有相同内容标记的商品不予推荐，而推荐与消费者偏好距离较远的商品。但推荐结果是对自然预测的偏离，消费者可能会试探该推荐结果，但如果发现推荐结果无用反而会弃用电子商务推荐系统。③多样性，通常选择与消费者以前购买的商品不相似的商品来推荐，但代价是牺牲准确性，且结果可能是无用的［9］。

可见，上述做法都是采用一种故意避开与消费者购物记录相近的商品，通过随机选择的方式推荐新商品，是为了达到商务性标准而采用的应对措施，不但无法保证甚至无法解释推荐结果具有合理性，而且还会牺牲掉电子商务推荐系统应该具有的基本性能，如准确性等。

2.2 消费心理研究

消费心理研究是在心理科学理论指导下，研究人们在消费活动中的行为和心理，以观察和实验为获取数据的基本手段，以统计分析为基本数据分析工具，通过对消费者外在行为的理性分析，把握消费习惯、消费方式和消费结构产生的内在心理基础及其发展变化规律［10］。

消费心理的基本规律是消费心理是内在且稳定的，消费行为是消费心理的外在表现，消费心理决定消费行为。现阶段的消费心理研究已经揭示了消费者在个性心理特征和消费倾向等消费心理方面的一般规律，明确了消费心理包括消费态度、需要、动机、消费者气质、消费技能和消费能力等多个方面［11］。消费心理方面的规律多是一种统计规律，且这些规律通常表现为定性的论述。消费者的行为表现与其消费心理之间常常是一因多果、一果多因、多因多果等情况，多种因素相互作用和影响。因此，从外在表现定位内在心理有一定难度。

对电子商务推荐来说，消费心理方面的理论是理解和把握消费者行为的领域知识，引入消费心理理论会极大增加电子商务推荐方法的理论基础。当然，若把消费心理因素引入到新商品推荐方法中，必须解决如何根据以定性论述为主的消费心理学理论对具体消费者的消费心理进行定量的分析和应用。

3 基于购物记录的消费性格分析

性格是人的个性中最重要、最显著的个性心理特征，消费性格是个人在消费方面稳定的态度和习惯的行为方式，是决定消费行为的重要因素。通常，有什么样的消费性格则有相应的消费行为［11］。尽管消费性格是决定消费行为的一个重要原因，但消费性格有不同类型甚至混合型，其外在表现与具体消费性格之间通常是多因多果关系。根据购物记录分析其消费性格，是根据外在表现确定内在心理，是由果溯因的过程，可以看做是确定条件概率的过程。为此，选用贝叶斯网络作为工具推断消费性格。贝叶斯网络是一种自然表示因果信息的方法，在设备故障诊断和模式识别等很多方面都有成功的应用。

3.1 消费性格及其表现

按照消费态度的不同，消费性格分为经济型、自由型、保守型、顺应型、怪僻型5种类型。根据公认的成熟的、关于消费性格的论述，把各种消费性格类型及其表现进行总结，结果见表1。

由表1 可知，不同的消费性格在消费态度、行为方式和关注点方面有明显差别，对消费性格的论述是整理实际的购物记录并建立消费心理及其外在表现的贝叶斯网络结构时的理论依据及指导原则。

3.2 变量选择和处理

购物记录如实地记录了消费者在电子商务网站上的消费行为，这些数据现实可得且与消费选择密切相关，是分析消费者消费性格的理想素材。贝叶斯网络使用的变量是离散型的，需要对购物记录中数值型变量进行离散化处理。变量的含义、来源和处理说明见表2，其中消费性格是类别变量，其余变量均为属性变量。

3.3 基于贝叶斯网络的消费性格分析

应用贝叶斯网络进行消费性格分析就是根据某消费者的历史数据进行贝叶斯网络结构学习，学习结果表明了该消费者的消费性格。在贝叶斯网络学习方法中，由Cooper等［28］提出的K2 结构学习算法以高效、准确而著称，本研究采用K2 算法和互信息相结合的方式进行贝叶斯网络结构学习，根据评分函数选择最优模型，用贝叶斯估计进行参数学习。具体学习过程描述如下。

表2 商品变量离散化处理Table 2 Discretization of the Variables of Commodities Variables

(1)引入条件互信息计算属性变量之间的依赖关系，以确定K2 算法的输入顺序。根据消费者浏览记录，计算每对属性变量Xi与Xj之间的条件互信息I(Xi;Xj|Ck)，即

其中，Xi、Xj和C均为随机变量，P为概率，xi、xj和ck为样本中某件商品在对应的随机变量上的取值，i和j为对应的具体属性编号，k 为对应的具体消费性格类型。

(2)以属性变量间的条件互信息I(Xi;Xj|C)作为权重，根据权重大小将属性变量X1，X2，…，X9排序，并把类别变量C 排在序列的首位，得到一组基于因果关系的变量序列{C，Y1，Y2，…，Y9}，作为节点输入顺序，设Y ={y1，y2，…，y9}。

(3)初始化一个空网络，根据预先设定的节点输入顺序，利用网络结构评分公式(2)式和(3)式，依次为每一个节点添加合适的父节点，父节点只能在该节点顺序之前的节点集合中选取，使(2)式的概率值最高。

其中，D 为实例数据;Bs为网络结构;yl为Y 中各变量的取值;v(yl)为yl父节点的取值，即概率大小;h为该节点的父节点个数;Γ()为Γ 函数;∂lhg为yl第g个 状态，∂lh=∑∂lhg;Nlhg为v(yl)的第g个状态，Nlh=∑Nlhg。

(4)根据评分公式得到一个分值最高的贝叶斯网络结构和此时各节点的条件概率分布表。学习类别节点C的概率分布为P(Ck)，该概率分布表示分析对象的消费性格情况，概率值大的类别表示该消费者的主导消费性格。

4 基于消费性格的新商品推荐方法

4.1 新商品推荐的基本思想

从电子商务推荐角度，基于消费性格的新商品推荐是在已知某消费者的消费性格的情况下，当有新商品到来时，判断是否向其推荐这一商品。落实到贝叶斯网络则是一个后验概率问题，即在知道了已存在的贝叶斯网络中各种属性之间组织关系的情况下，当有新的观察数据到来时，分析网络结构和参数变化情况。在后验概率推理中，在已知从消费者购物记录的学习中得到贝叶斯网络中各节点的取值情况下，把新商品作为证据变量，把用户的消费性格作为查询变量，通过近似推理，可以在已知完整的贝叶斯网络结构图和节点的概率分布表的条件下，求出该消费者在新商品条件下的消费性格。

若新商品条件下消费者的消费性格与从购物记录得到的消费性格之间无本质差别，则认为该新商品符合该用户消费性格，则向用户推荐该商品，否则不向用户做此推荐。这样就以是否符合用户的消费性格作为是否推荐的判定标准，实现对新商品的合理推荐。

4.2 基于贝叶斯推理的新商品推荐的具体步骤

根据存在的贝叶斯网络图(记为S)，先对(新)商品的属性进行离散化处理，然后作为已知节点的输入，通过贝叶斯网络推理查询“消费性格”的后验概率分布，后验概率分布反映出在该新商品条件下该消费性格。对已经建立的网络图S，类别变量“消费性格”的概率分布为P(Ck)，概率数值的大小表示属于该种性格类型可能性的大小。依照概率大小对性格类型排序，选择排序靠前的作为衡量指标M(可能不止一个指标)，M 即为主导消费性格，对应的概率值作为阈值εM。可能存在多个阈值，选择所有在衡量指标M的概率均高于阈值εM的商品作为推荐对象。这时该推荐方法的输入为新商品属性、贝叶斯网络图S，输出为消费性格概率P(Ck)、新商品是否进行推荐的判定。

贝叶斯网络推理过程较为复杂，由于推荐时对计算精度要求不高，故采用性能较好的、广为应用的连接树近似推理算法。具体步骤如下。

(1)任意选取网上用户未购买过的商品，对商品属性进行处理，使所有的属性变量均为离散型，并构成商品属性变量集合，记为A，A ={X1，X2，…，X9}。

(2)依据P(Ck)的取值进行累计处理，把概率取值P(Ck)较大的确定为该消费者的消费性格阈值，记为εM，相应的消费性格类型记为衡量指标M。

(3)根据已经存在的网络图，选择联合树算法，由网络结构图生成Moral 图，通过无向图三角化和量化处理，获得处于平衡状态的联合树。

(4)把新商品的属性变量集合A 作为证据变量输入，设定查询变量为“消费性格”，最终通过消息传递使联合树达到平衡。

(5)利用贝叶斯公式求解变量“消费性格”的后验概率分布P(C| A)，概率值记为Fk。

(6)在衡量指标M上，比较εM与Fk的取值，若所有Fk＞εM，则把该商品作为推荐的对象。

5 方法验证和分析

上述新商品推荐方法包括两个部分，先通过历史记录分析某消费者的消费性格，在此基础上判断当有新商品到来时是否向该消费者推荐，二者是一个有机的整体，一起构成完整的基于消费性格的新商品推荐方法。下面采用实际数据验证和分析该方法的可行性和合理性。

5.1 样本选取和处理

电子商务推荐是一种个性化的信息服务，首先以某个消费者(甲)为研究对象，根据其个人在淘宝网上的购物记录，只使用甲购买商品的信息，不涉及姓名、性别和年龄等隐私信息。记录时间为2013年3月至2014年3月，对该数据样本中商品属性值按表2规则进行离散化处理，可以得到贝叶斯网络建立的训练集。新商品集合是选取甲未购买过的10种网上商品，对其属性进行离散化处理，作为推理时的证据变量。

5.2 贝叶斯网络学习和推理结果

采用Matlab 软件中的BNT 工具箱进行辅助编程，并结合互信息进行贝叶斯网络的学习和推理。

(1)确定K2 算法的节点输入顺序。根据前述的消费性格分析步骤，计算条件互信息对称矩阵(仅写出上三角部分)，计算结果见表3。

表3的数据表示两个随机变量间存在的统计依赖关系的大小，如第3 行第4 列的值为0.032，说明变量X2与X3的依赖程度为0．032;第2行第4列的值为0.061，即X1与X3的依赖程度为0．061;比较两个数值，认为X2与X3的联系程度不如X1与X3的联系程度紧密。

根据表3 确定变量输入节点顺序，并把类别变量C(消费性格)加在最开始的位置，确定最后的输入顺序为order =［C，X4，X6，X3，X9，X8，X5，X7，X2，X1］。

表3 条件互信息矩阵Table 3 Matirx of Conditional Mutual Information

(2)获得网络结构图，通过对输入数据的学习得到贝叶斯网络结构图，见图1，箭头方向为从父节点到子节点。

图1 基于甲的购物记录得到的贝叶斯网络结构Figure 1 Bayesian Network Based on a Consumer′ Purchasing Data

由图1 可知，与节点10 直接相连的节 点是2、3、7、9，故认为该网络用户在浏览购物时关注的商品属性是折扣、质量、销量和评价，对其他商品属性关注度不大，但仍存在间接联系。

(3)参数分布学习。通过参数学习可得到所有节点的条件概率表，它反映了样本数据学习后的变量之间的依赖程度大小［20］。每个节点都拥有一条件概率表，它定量地刻画了其父节点对该节点的影响。以节点9的条件概率表为例，由图1 可知，节点9的父节点是节点3 和节点10，那么节点9 受到节点3 和节点10的直接影响。节点9的条件概率分布见表4。

表4 中父节点X3(质量)一栏对应的是质量这个属性的具体取值，离散化的取值为一般和优良两类;父节点X10(消费性格)一栏对应的是消费性格的具体类型。以表4 中第2 行为例，该行表示若商品质量为一般且消费性格为经济型，则评价结果是差的概率为0.794，评价为好的概率为0.206。

表4 节点9的条件概率表Table 4 Conditional Probability Table of Node 9

(4)消费性格类型的学习。通过贝叶斯网络的学习得到甲的消费性格概率分布，见表5。

表5 甲的消费性格概率分布Table 5 Probability Distribution of the Consuming Personalities

表6 新商品推荐结果Table 6 Results of Recommendation of New Commodities

由表5 性格类型的取值概率可知，消费者甲的消费性格并不单一，各种类型所占比例各不相同。概率数值越大，表示对应性格类型在甲的性格中所占比例越大。甲的消费性格表现出混合型的特点，经济型和自由型所占的比例将近六成，可看做是“经济+ 自由”型是甲的主导消费性格，这几种消费性格类型表现为经济型＞自由型＞顺应型＞保守型＞怪僻型。

(5)消费性格阈值确定。为了根据消费性格判别某新商品是否值得向其推荐，需要设定判定新商品与消费性格符合时的阈值。采用的方式为:把得到的性格类型按照概率值降序排列，由于前两个类型已经占到约六成，所以选取前两个类型的概率值作为阈值ε，可以得到ε1=0．337，ε2=0．249。

(6)新商品推荐。新商品推荐对应的贝叶斯网络的推理，推理的节点确定为消费性格，选取的已知证据节点为X1、X2、X3、X4、X5、X6、X7、X8、X9。通过联合树推理引擎，得到消费性格的后验概率。

选取该消费者从未购买过的10种商品，对其商品属性进行离散化处理，使用学习好的贝叶斯网络进行推理，得到其推荐结果，见表6。

表6 中每一个新商品对应的行都是在已学习好的贝叶斯网络中输入该新商品属性时得到的消费性格分布，如果这个分布与从甲真实消费的商品中得到的消费性格一致，则为其推荐该商品。具体做法是若得到的消费性格类型大于设定阈值ε 时，则用(* )标示出来，当前两个消费性格类型都大于设定阈值时，表明该商品符合甲的主导消费性格，则向消费者甲进行推荐，否则就不予推荐。

以商品A 为例，性格类型为经济型的概率取值为0.469，大于ε1;自由型的概率取值为0．530，大于ε2。两者同时大于设定的阈值，表示商品A 所反映的性格类型水平大于甲的主导消费性格，满足其个性心理需求，所以把商品A 推荐给用户甲。

根据表6 标示情况选择这10种商品中的A、F、I 向甲进行推荐，其他商品则不作为被推荐的对象。

(7)推荐结果的验证分析。为了验证推荐算法的有效性和合理性，让该消费者对这10种商品进行判断，希望购买的是其中哪些商品。把调查结果与推荐结果进行综合，得到的结果见表7。

表7 推荐结果的混淆矩阵Table 7 Confusion Matirx of Recommendation

5.3 基于消费性格的新商品推荐方法的普适性分析

为了验证该方法是否具有一般性，需要对该方法进行假设检验。由于这种方法是以消费性格为基础进行推荐的，需要做两个方面验证:一是消费性格的稳定性验证，二是推荐结果合理性验证。前者是确定把消费性格作为推荐基础可行，后者是分析推荐结果有效。

为此，选择MBA 学员、高校教师和高校学生作为分析对象，共40 人，获得他们近1年的购物记录，并进行与甲相同的分析，得到结果如下。

(1)消费性格稳定性分析。对每个人的购物记录采用4 折交叉验证，把购物记录按月份分为4 组数据，选择3 组作为训练集，剩余1 组作为测试集，每个训练集的分析方法和步骤与甲相同。对4 次分析的结果做方差分析，若无明显差别则证明所分析出的消费性格基本一致，是稳定的。如果证明某个人的消费性格稳定，则认为该次分析通过检验。

统计40 名实验者通过检验的情况，有39 人通过检验，1个人未通过检验。把通过与否看作二项实验，根据二项分布期望值为np(试验次数与单次发生概率之积)可近似估计出每次实验通过概率为0.975，可见消费性格稳定且可知。同时也意味着，消费性格独立于其所购商品，这与消费心理学的理论吻合。

对未通过检验者访谈得知，他主要为家人购买了一些商品，故购物记录所反映的消费性格不是他自身的，也不是某1个人的。

(2)推荐结果合理性分析。与向甲推荐新商品的过程和方法一样，对样本中其他消费者做同样的分析处理。统计40 名实验用户的推荐结果和调查结果，当推荐符合率达到85%以上时，认为通过检验，否则未通过检验。

统计40 名实验者通过检验的情况，有38 人通过检验，2 人未通过检验。把检验结果看成是二项试验，根据二项分布期望值为np 可近似估计出每次试验通过概率为0.950。虽然测试是否购买新商品与真实购买存在差别，但推荐符合率和通过检验比率说明推荐结果比较符合用户偏好，基于消费性格的推荐基本可行。

总之，通过对样本的消费性格稳定性分析和推荐结果合理性分析，说明该方法能够推广到样本之外的消费者，即所提出的消费性格分析以及基于消费性格的推荐方法具有一定的普适性。

6 结论

管理活动所涉及的因素及其类型越来越复杂，将研究视野放大到更多、更广的学科领域是大势所趋［30］。本研究把消费性格理论与贝叶斯网络相结合解决新商品推荐问题，提出并验证基于消费性格的新商品推荐方法，得到如下研究结论。

(1)通过定量分析明确消费者的消费性格。目前消费心理理论多是描述性的，在应用方面主要以定性分析为主。本研究在消费性格理论指导下，采用贝叶斯网络从消费者的实际购物记录中分析出其消费性格，且定量分析结果与消费性格理论能够相互印证，如消费者选择的多样性只是其消费性格的外在反映，内在的消费性格具有稳定性等。这说明个体的消费心理能通过定量分析加以认识，也就意味着消费心理学理论能够与其他方法进行有机结合。

(2)基于消费性格进行新商品推荐的思路是可行的。传统推荐思路如协同过滤、基于内容等推荐是基于相关关系进行推荐，但由于新商品问题日益突出，使这种基于事后型分析得到的“关系”在应用到新商品情形时很难奏效。由于消费性格与消费行为之间是因果关系，故本研究提出的方法是一种基于因果关系的推荐，与传统推荐方法有本质不同。通过判定某一新商品与消费者的消费性格符合的程度进行推荐，使即使面对新商品和消费者选择多样性的情况，仍能给出合理的推荐，且结果的可解释性也增强。

本研究仅探讨基于消费性格的新商品推荐方法，还有些问题有待进一步研究。①消费心理是多方面的，如果能对消费心理做全面、综合的分析，并在此基础上推荐，可以预期推荐结果会更理想、更有说服力;②在做推荐时采用阈值判断的方式，而没有采用传统的距离和相似度等判定方式，可以考虑与现有推荐方法结合，衍生出更好的推荐方法;③商品属性划分是根据消费性格方面的论述做出的，偏重于经济方面的属性，属性划分粒度显得稍粗，但好处是即使面对新商品也没有不能涵盖的新属性，在实际推荐系统中可以通过试验的方式确定合适的属性粒度;④与现有推荐方法进行全面细致的对比分析，以期进一步明了该方法的优缺点。

［1］Xiao B，Benbasat I.E-commerce product recommendation agents:Use，characteristics，and impact［J］.MIS Quarterly，2007，31(1):137-209.

［2］Linden G，Smith B，York J.Amazon.com recommendations:Item-to-item collaborative filtering ［J］.IEEE Internet Computing，2003，7(1):76-80.

［3］Fleder D M，Hosanagar K.Blockbuster culture′s next rise or fall:The impact of recommender systems on sales diversity［J］.Management Science，2009，55(5):697-712.

［4］Kelly J P，Bridge D.Enhancing the diversity of conversational collaborative recommendations:A comparison［J］.Artificial Intelligence Review，2006，25(1/2):79-95.

［5］刘平峰，聂规划，陈冬林.电子商务推荐系统研究综述［J］.情报杂志，2007，26(9):46-50.Liu Pingfeng，Nie Guihua，Chen Donglin.A survey:Electronic commerce recommender systems［J］.Journal of Intelligence，2007，26(9):46-50.(in Chinese)

［6］Pu P，Chen L，Hu R.Evaluating recommender systems from the user′s perspective:Survey of the state of the art［J］.User Modeling and User-Adapted In-teraction，2012，22(4/5):317-355.

［7］Zhang Y，Callan J，Minka T.Novelty and redundancy detection in adaptive filtering［C］∥Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.New York，NY:ACM Press，2002:81-88.

［8］Murakami T，Mori K，Orihara R.Metrics for evaluating the serendipity of recommendation lists［J］.New Frontiers in Artificial Intelligence，2008，4914:40-46.

［9］Zhang M，Hurley N.Avoiding monotony:Improving the diversity of recommendation lists［C］∥Proceedings of the 2008 ACM Conference on Recommender Systems.New York，NY:ACM Press，2008:123-130.

［10］刘鲁蓉，孙顺根.消费心理学［M］.北京:科学出版社，2008:5-9.Liu Lurong，Sun Shungen.Consumer psychology［M］.Beijing:Science Press，2008:5-9.(in Chinese)

［11］Solomon M R，Russell-Bennett B，Previte J.Consumer behaviour:Buying，having，being［M］.3 rd ed.Austialia:Pearson Higher Education AU，2012:106-112.

［12］Biswas A，Bhowmick S，Guha A，Grewal D.Consumer evaluations of sale prices:Role of the subtraction principle［J］.Journal of Marketing，2013，77(4):49-66.

［13］王海忠，王晶雪，何云.品牌名、原产国、价格对感知质量与购买意向的暗示作用［J］.南开管理评论，2007，10(6):19-25，32.Wang Haizhong，Wang Jingxue，He Yun.The suggestive effects of brand naming，county-of-origin，price on quality perception and purchase willingness:An empirical study in China［J］.Nankai Business Review，2007，10(6):19-25，32.(in Chinese)

［14］Yao S，Mela C F，Chiang J，Chen Y.Determining consumers′ discount rates with field studies［J］.Journal of Marketing Research，2012，49(6):822-841.

［15］Weatherly J N，Terrell H K，Derenne A.Delay discounting of different commodities［J］.The Journal of General Psychology，2010，137(3):273-286.

［16］Golder P N，Mitra D，Moorman C.What is quality?An integrative framework of processes and states［J］.Journal of Marketing，2012，76(4):1-23.

［17］Kianpour K，Jusoh A，Asghari M.Environmentally friendly as a new dimension of product quality［J］.International Journal of Quality ＆ Reliability Management，2014，31(5):547-565.

［18］Park H S.Culture，need for uniqueness，and the false consensus effect［J］.Journal of Social，Evolutionary，and Cultural Psychology，2012，6(1):82-92.

［19］Chan C，Berger J，Van Boven L.Identifiable but not identical:Combining social identity and uniqueness motives in choice［J］.Journal of Consumer Research，2012，39(3):561-573.

［20］Lee H J，Kang M S.The effect of brand personality on brand relationship，attitude and purchase intention with a focus on brand community［J］.Academy of Marketing Studies Journal，2013，17(2):85-97.

［21］Lee H J，Kang M S.The effect of brand experience on brand relationship quality［J］.Academy of Marketing Studies Journal，2012，16(1):87-98.

［22］Oestreicher-Singer G，Sundararajan A.Recommendation networks and the long tail of electronic commerce［J］.MIS Quarterly，2012，36(1):65-83.

［23］Hultink E J，Atuahene-Gima K，Lebbink I.Determinants of new product selling performance:An empirical examination in the Netherlands［J］.European Journal of Innovation Management，2000，3(1):27-36.

［24］Neganova V，Neganova I.Development of innovation products based on the consumers′ preferences［J］.International Journal of Management Cases，2011，13(4):261-266.

［25］Lovett M J，Peres R，Shachar R.On brands and word of mouth［J］.Journal of Marketing Research，2013，50(4):427-444.

［26］de Matos C A，Rossi C A V.Word-of-mouth communications in marketing:A meta-analytic review of the antecedents and moderators［J］.Journal of the Academy of Marketing Science，2008，36(4):578-596.

［27］Baybars M，Ustundagli E.Attitudes toward online shopping from the aspects of personal characteristics and shopping motive through a developing concept:Private shopping［J］.International Journal of Business and Management Studies，2011，3(2):201-210.

［28］Cooper G F，Herskovits E.A Bayesian method for the induction of probabilistic networks from data［J］.Machine Learning，1992，9(4):309-347.

［29］Sokolova M，Lapalme G.A systematic analysis of performance measures for classification tasks［J］.Information Processing ＆ Management，2009，45(4):427-437.

［30］国家自然科学基金委，中国科学院.未来10年中国学科发展战略:管理科学［M］.北京:科学出版社，2012:1-12.The National Natural Science Foundation of China，Chinese Academy of Sciences.Disipline development strategy of China in the next decade:Management Science［M］.Beijing:Science Press，2012:1-12.(in Chinese)