基于管理和消费者行为视角的个性化推荐研究与展望

张 琳，闫 强

(北京邮电大学 经济管理学院，北京 100876)

·电子商务·

基于管理和消费者行为视角的个性化推荐研究与展望

张 琳，闫 强

(北京邮电大学 经济管理学院，北京 100876)

个性化推荐对于提升网络购物的效率、促进产品的销售具有非常重要的影响，如何提升个性化推荐的效果受到了研究人员的广泛关注。先前研究大多数关注如何提升推荐算法的精确性和效率，或者关注如何提升消费者的推荐满意度以及个性化推荐采纳的影响因素。与既往研究不同，本文首先阐述了目前推荐系统采用的主流算法，而后基于管理和消费者行为的视角，从推荐时机、推荐产品组合、推荐效果三方面重点介绍了目前以该视角对个性化推荐的研究现状及研究成果，指出该研究方向具有较大的挖掘空间和研究价值，最后提出个性化推荐未来的研究趋势与展望。

个性化推荐；推荐时机；推荐产品组合；推荐效果

一、引 言

随着Internet的迅猛发展，互联网成为人们获取信息、购物消费的重要途径[1]。根据由中国互联网络信息中心(CNNIC)发布的《第38次中国互联网络发展统计报告》显示，截至2016年7月，我国网络购物用户规模达到4.48亿，较2015年底增加3 488万，增长率为8.3%。同时，我国手机网络购物用户规模增长迅速，达到4.01亿，手机购物的使用比例由54.8%提升至64.1%[2]如图1所示。

伴随着网络购物用户数量的不断增长，电子商务市场的规模也相应增大。众所周知，对比线下购买，网络中的商品数量大、种类多、信息丰富，因此个性化推荐系统应运而生。个性化推荐通过向消费者推荐符合其偏好的产品，减少消费者的认知付出，帮助消费者能够快速并且容易地找到满足其需求的商品[3]，同时又促进了网站的产品销售[4]。

目前主流电子商务网站如Amazon、淘宝网、京东商城等都会采用多种形式的推荐服务来改进用户的体验并提高产品展现率等。例如，淘宝网主要利用消费者的购买、浏览、收藏以及评价等历史行为，向消费者进行推荐；而京东商城则参考用户已经浏览、已经购买、已经评分的产品，来判断消费者的行为偏好，从而推荐消费者可能感兴趣的产品。

然而，购物网站纷繁的产品推荐在给消费者带来丰富的产品信息和选择机会的同时，也使得消费者面临着信息超载的困境。事实上，推荐系统虽然已经成为目前解决信息过载最有效的工具之一，但由于消费者在线购买的需求逐渐呈现出个性化和多样性的特征，不恰当的推荐不仅不能帮助消费者快速地选择满足自己需求的商品以达到预期的效果，甚至会导致消费者的反感。实证研究表明，有21%的消费者并未对个性化推荐服务做出积极的响应[5-6]。

尽管计算机科学奠定了推荐系统的理论基础，但个性化推荐系统却始终秉承以“人”为本。为了满足不同消费者的多种需求，个性化推荐系统必然横跨自然与社会科学，并且涉及多学科的交叉，以体现出其“个性化”的特点[7]。因此，将从管理与消费者行为视角来重点介绍个性化推荐的研究进展，以期为个性化推荐所涉及的学科领域及相关产业的发展提供进一步的理论与实践的支撑。

二、个性化推荐概述

1. 推荐系统

20世纪90年代初发表的第一篇关于协调过滤的论文标志着推荐系统已经成为一个重要的研究领域[8]。Resnick et al[9]于1997年提出推荐系统的规范化定义：利用电子商务网站向用户提供商品信息和建议，模拟销售人员帮助客户完成购买的过程。推荐系统的根源可以追溯到认知科学、近似理论、信息检索、预测理论的大量工作，同时也涉及到管理科学以及对市场营销中的消费者选择建模。在过去的二十年里，不论是相关产业还是学术领域，针对推荐系统的研究都做出了很多贡献。

1992年，Goldberg et al开发出了第一个推荐系统，被认为是能够帮助用户和商家解决信息过载问题的一种有效方式和平台10]。一般来说，推荐系统通过收集和分析来自于专家或其他用户的建议来直接帮助用户找到其需要的产品或服务(如书籍、电子产品、电影、音乐、电视节目以及网站等)[11]。

2. 个性化推荐的概念

“个性化推荐”这一概念自20世纪90年代初提出以来，在理论研究及实际应用方面都得到了跨越式的发展[12]。美国人工智能协会春季会议、国际人工智能联合大会以及ACM智能用户接口会议等一系列国际重要会议发表了多篇关于个性化推荐的论文，从此个性化推荐被国内外学者在多个学科领域广泛地研究[13]。

个性化推荐技术主要通过收集用户的历史信息来分析用户的兴趣，从而采用恰当的推荐方式向用户推荐符合其偏好的内容信息，所谓的“个性化”指向不同的用户推荐不同的产品或服务，以满足不同的需求来体现[14]。

3. 个性化推荐涉及的学科

尽管个性化推荐的起源始于计算机学科领域，但随着电子商务产业的迅速崛起，用户需求的个性化和多样化以及消费者对电子商务网站使用意愿的不断提高促使个性化推荐越发体现出其因“人”而异的本质。近年来，关于个性化推荐的研究已涉及多个学科，在Elsevier和CNKI中国知网中输入关键词“个性化推荐”，通过总结归纳，可以观察到个性化推荐的研究涉及以下主要学科领域，如图2所示。

需要指出的是，对个性化推荐的客观思考，应该打破计算机科学的范畴，而是从多学科交叉研究的层面去考虑[7]。

三、个性化推荐算法

推荐算法是个性化推荐服务中的核心部分，目前主流的推荐算法包括：基于内容的推荐，协同过滤推荐、混合推荐以及其他推荐算法等[15]。

1. 基于内容的推荐

基于内容的推荐指系统通过提取用户的历史交易记录和用户对产品提供的评级，通过分析用户感兴趣的产品作为用户的购物偏好。同时，对产品进行特征提取，基于用户的特征偏好与产品特征的匹配程度来向用户推荐其感兴趣的产品或服务[16]。基于内容的推荐也存在不足之处，该算法只能根据用户的历史信息向用户进行推荐，而不能发现用户与原有兴趣项不同的潜在兴趣，并且对产品与用户兴趣特征提取的准确度还有待提高[17]。

2. 协同过滤推荐

协同过滤推荐最早由Goldberg[18]提出并在新闻与电影的推荐中应用，该算法基于用户先前对产品的评估或先前的购买历史来进行信息过滤，其基本思想借鉴了人们日常社交生活中购买商品的方法——我们往往会利用好朋友的推荐来进行一些选择，例如，当自己的亲戚朋友购买了某件商品并且对该商品评价很好时，那么自己在很大程度上也会尝试购买该商品，协同过滤正是把该思想应用到了推荐系统中，即在具有相似购物偏好的用户之间进行交叉推荐。然而，协同过滤技术同时也显示出了其存在两个主要的问题：稀疏性和冷启动[19]。

3. 混合推荐

由于协同过滤推荐存在数据稀疏性、新用户新产品冷启动的问题，而同时基于内容的推荐存在产品特征的提取与表示等问题，很多学者将这两种技术或者更多的技术结合起来、取长补短来提高推荐的“质量”，这也是混合推荐算法的思想[20]。

4. 其他推荐算法

其他推荐算法还包括基于关联规则的推荐、基于知识的推荐与基于效用的推荐等。其中，基于关联规则的推荐以产品间关联规则为基础，通过数据挖掘技术来分析用户在已选择项目与未选择项目之间的相关性，进而得到推荐的产品[21]；基于知识的推荐系统则通过用户知识与产品知识来向用户推荐满足其需求的产品[22]；基于效用的推荐依据产品属性、供应商可靠性、产品的可用性等指标为用户建立效用函数，从而向用户推荐产品[23]。

四、基于消费决策过程的个性化推荐研究进展

通过整理先前关于个性化推荐的研究文献发现已有研究主要关注三个方面：首先，关注提高推荐算法的准确性；其次，关注影响消费者对个性化推荐的采纳因素；再次，关注消费者对个性化推荐内容的满意度。这些工作虽然对提升个性化推荐效果具有重要作用，但它们都忽略了消费者的决策过程和对产品的偏好差异[24]。本研究不同于先前的研究，主要基于管理与消费者行为视角来介绍目前国内外对于个性化推荐的研究现状以及未来的研究方向。

1. 推荐时机

Zhang et al[25]在人机交互的研究中曾提出，“时机”这个系统设计元素是一个被较少关注的研究点。在个性化推荐的研究历程中，国外学者Ho et al[26]研究了自适应网络个性化推荐的时机选择问题及其对消费者在线行为的影响作用。根据偏好构建观点可知，消费者的购买偏好是在购物决策的过程中构建形成的，而并非是已知的。自适应网络个性化推荐则依据消费者的历史数据来推断消费者的实时偏好，从而推荐符合其偏好的内容。

Ho et al把消费者的整个的购买过程看成是一个囫囵的决策过程。然而，有学者却提出利用两阶段决策理论来描述消费者的决策过程会更合适[27]。由于消费者购买产品的任务不是瞬间的发生事件，而是持续一段时间的过程，那么“时机”就自然地包含在消费者购买产品的过程中[28]。国内学者史雅妮[29]通过研究证实之所以向消费者推荐的产品并没有如愿地被其接受甚至会引起消费者的反感，原因是由于不恰当的产品推荐时机和推荐信息来源所导致的。她在研究中提到两阶段理论指出消费者的购买决策过程可以分为两个阶段：在决策第一阶段，形成一个考虑集合[30]；在决策第二阶段，从考虑集合中挑选最终购买的产品[31]。

由于信息处理理论主张人的理性是有限的，而人脑处理信息的能力也是有限的。消费者的购买决策过程是一个逻辑思考、解决问题的过程，当面临个性化推荐服务提供的大量的产品信息时，评估所有的选项一般是比较困难的。因此，消费者在进行决策时往往只能考虑可选项中的一部分，先形成一个考虑集合，此也即决策的第一阶段。由于考虑集合是有目的地构建起来的[32]，消费者会根据自己的目标和需求综合考虑搜索成本等因素而将合适数量的产品放入考虑集合。考虑集合的形成是消费者制定购物决策的重要阶段，因为通常最终的购买决策就仅限于考虑集合里面的选项[33]。当考虑集合形成后，此时，消费者会进入决策的第二阶段，也即根据自己的目标和需要从已经形成的考虑集合中选择一个或者多个选项，完成整个购买过程。对于考虑集合中的每一个产品而言，都有一定的概率被选中。在此阶段，消费者的主要任务就是对产品信息进行深入地甄别，比较各产品的差异化特征，依据自己的效用函数，选择使自己效用最大的产品，从而做出最终的购买决策[34]。

综上所述，推荐时机的选择对于提升个性化推荐服务的质量是非要重要的因素。一方面，在合适的时机向消费者提供推荐信息，是站在消费者的角度来解决个性化推荐中存在的问题，而两阶段决策理论则揭示了消费者对个性化推荐采纳的内在机制，更符合“时机”因素对消费者决策过程的影响[35]；另一方面，推荐时机的恰当选择从管理学的角度而言，对于今后电子商务网站的设计也提出了新的思路。因此，推荐时机是个性化推荐研究中值得去深入探索的研究点。

2. 推荐产品组合

除了推荐时机，在个性化推荐的研究中，推荐产品组合也是一个被关注较少的研究点[24]。Picard[36]提到当公司开始向市场提供多于一种的产品时就形成了产品组合。与提供单一产品相比，公司提供多种产品来改革原有的模式，这样的管理方式被认为是有效的。为什么要提供不同类型的产品组合？原因就是能够降低风险[37]、有效地管理产品的生命周期[38]、开发市场[39]、增加服务的广度和效率[40]。同时，实证研究结果也表明，随着对重点市场的关注，公司可以通过根据市场的进入者来调整自己的产品组合，以增加公司综合竞争力[41]。

关于个性化推荐中产品组合的研究，Yan et al[24]在研究中提出，当电子商务网站向消费者提供产品推荐时，可以将推荐产品提供为不同比例的同类和相关产品的组合。其中，同类产品是指与消费者打算购买的目标产品为同一种类的产品。例如，MacBook电脑和Thinkpad电脑就是典型的同类产品，此类产品的推荐主要通过混合推荐算法来生成。相比于同类产品，相关产品是指与目标产品在使用功能上互补的产品，如电脑和鼠标就是典型的相关产品，此类产品往往通过关联推荐算法来生成推荐。该研究证实，在界定了产品分类后，电子商务网站在推荐恰当的产品数量的约束下，向消费者提供不同数量比例的同类和相关产品的组合，可以有效地提升个性化推荐的效果，提高消费者对推荐产品的采纳。

3. 推荐效果

现有针对推荐系统的研究大部分都将注意力集中在如何提高推荐算法的准确性上，而一个好的推荐系统不仅需要关注准确性，同时也需要关注消费者的满意度[42]。然而，推荐准确性并不能完全决定用户的满意度，某些情况下推荐内容的多样性在一定程度上可能降低了结果的准确性，但却提高了用户对推荐系统的主观评价[43]。目前有研究从消费者的感知信任和感知风险的角度，注重分析个性化推荐和用户满意度之间的关系[44]，关注推荐系统对消费者决策结果的影响[45]。以上研究对于提升个性化推荐效果做出了贡献，并且也显示出基于管理和消费者行为视角来提升个性化推荐效果是需要学者们重点关注的研究点。

五、研究展望

主要分析了目前国内外学者对个性化推荐研究的进展以及重点介绍了基于管理与消费者行为视角的个性化推荐研究的现状。基于以上的分析和阐述可以观察到，尽管针对个性化推荐的研究已经持续多年，并且各个学科领域的研究者们都在致力于提升个性化推荐的服务质量，而基于管理与消费者行为视角的个性化推荐的研究还有待进一步的探索。总体来说，关于消费者对推荐的满意度以及影响推荐采纳的因素的研究较多，但以消费者行为视角来研究如何提升个性化推荐效果的研究还比较少，尤其以管理学角度来模拟消费者购买行为以测量推荐效果的实验方法的研究更少，这需要后续的研究者进行深入而广泛的研究。基于以上分析，提出以下研究展望：

(1)基于管理与消费者行为视角的个性化推荐的研究方法还有待创新。

(2)基于管理与消费者行为视角的个性化推荐效果的提升还有待系统的研究。

(3)基于管理与消费者行为视角的个性化推荐依然是当前和未来一段时间的前沿研究问题。

建议今后对于个性化推荐系统的设计，应充分考虑消费者在不同决策阶段的行为特点。另外，电子商务网站除了继续完善推荐算法外，还需进一步探索与其他营销手段相结合来促进产品销售。

[1] Xu Yunhong, Guo Xitong, Hao Jinxing, et al. Combining social network and semantic concept analysis for personalized academic researcher recommendation[J]. Decision Support Systems, 2012, 54(1): 564-573.

[2] 中国互联网络信息中心(CNNIC). 第38次中国互联网络发展状况统计报告. [R/OL]. (2016) [2016-10-16]. http: //www.cnnic.cn/gywm/xwzx/rdxw/2016/201608/W020160803204144417902.pdf.

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

[4] H?ubl G, Murray K B. Double agents: assessing the role of electronic product recommendation systems[J]. Sloan Management Review, 2006, 47(3): 8-12.

[5] Fitzsimons G J, Lehmann D R. Reactance to recommendations: when unsolicited advice yields contrary responses[J]. Marketing Science, 2004, 23(1): 82-94.

[6] Burke R R. Technology and the customer interface: what consumers want in the physical and virtual store[J]. Journal of the Academy of Marketing Science, 2002, 30(4): 411-432.

[7] 刘凯, 王伟军, 黄英辉, 等. 个性化推荐系统理论探索: 从系统向用户为中心的演进[J]. 情报理论与实践, 2016, 39(3): 52-56.

[8] Resnick P, Iacovou N, Suchak M, et al. Grouplens: an open architecture for collaborative filtering of netnews[C]// Proceedings of ACM Conference on Computer Supported Cooperative Work. New York: ACM Press, 1994: 175-186.

[9] Resnick P, Varian H R. Recommender systems[J]. Communications of the ACM, 1997, 40(3): 56-58.

[10] Adomavicius G, Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions[J]. IEEE transactions on knowledge and data engineering, 2005, 17(6): 734-749.

[11] Kim H, Ji A, Ha I, et al. Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation[J]. Electronic Commerce Research and Applications, 2010, 9(1): 73-83.

[12] Hill W, Stead L, Rosenstein M, et al. Recommending and evaluating choices in a virtual community of use[C]// ACM Press/Addison-Wesley Publishing Co., 1995: 194-201.

[13] 单明. 基于个性化推荐的电子商务推荐系统的设计与实现[D]. 长春: 吉林大学, 2014.

[14] 涂伟, 甘丽新, 黄乐辉, 等. 个性化学术推荐系统的研究与设计[J]. 商业时代, 2011(18): 46-47.

[15] 黄仁, 孟婷婷. 个性化推荐算法综述[J]. 中小企业管理与科技, 2015(8): 271-273.

[16] Basu C, Hirsh H, Cohen W. Recommendation as classification: using social and content-based information in recommendation[C]// AAAI/IAAI, 1998: 714-720.

[17] 崔春生, 李光, 吴祈宗. 基于 Vague 集的电子商务推荐系统研究[J]. 计算机工程与应用, 2011, 47(10): 237-239.

[18] Goldberg D, Nichols D, Oki B M, et al. Using collaborative filtering to weave an information tapestry[J]. Communications of the ACM, 1992, 35(12): 61-70.

[19] Sarwar B, Karypis G, Konstan J, et al. Analysis of recommendation algorithms for E-commerce[C]// ACM, 2000: 158-167.

[20] Carrer-Neto W, Hernández-Alcaraz M L, Valencia-García R, et al. Social knowledge-based recommender system. Application to the movies domain[J]. Expert Systems with Applications, 2012, 39(12): 10990-11000.

[21] Burke R R. Computer system for allowing a consumer to purchase packaged goods at home[Z]. Google Patents, 2000.

[22] 刘平峰, 聂规划, 陈冬林. 基于知识的电子商务智能推荐系统平台设计[J]. 计算机工程与应用, 2007,43(19): 199-201.

[23] 吴兵, 叶春明. 基于效用的个性化推荐方法[J]. 计算机工程, 2012, 38(4): 49-51.

[24] Yan Qiang, Zhang Lin, Li Yuxia, et al. Effects of product portfolios and recommendation timing in the efficiency of personalized recommendation[J]. Journal of Consumer Behaviour, 2016,15(6): 516-526.

[25] Zhang Ping, Benbasat I, Carey J, et al. Amcis 2002 panels and workshops I: human-computer interaction research in the mis discipline[J]. Communications of the Association for Information Systems, 2002, 9(1): 334-355.

[26] Ho S Y, Bodoff D, Tam K Y. Timing of adaptive web personalization and its effects on online consumer behavior[J]. Information Systems Research, 2011, 22(3): 660-679.

[27] Payne J W. Task complexity and contingent processing in decision making: an information search and protocol analysis[J]. Organizational behavior and human performance, 1976, 16(2): 366-387.

[28] Jacoby J, Szybillo G J, Berning C K. Time and consumer behavior: an interdisciplinary overview[J]. Journal of Consumer Research, 1976, 2(4): 320-339.

[29] 史雅妮. 关于在线产品推荐时机与推荐信息来源选择的实证研究[D]. 合肥: 中国科学技术大学, 2013.

[30] Nedungadi P. Recall and consumer consideration sets: influencing choice without altering brand evaluations[J]. Journal of consumer research, 1990, 17(3): 263-276.

[31] Moe W W. An empirical two-stage choice model with varying decision rules applied to Internet clickstream data[J]. Journal of Marketing Research, 2006, 43(4): 680-692.

[32] Shocker A D, Ben-Akiva M, Boccara B, et al. Consideration set influences on consumer decision-making and choice: issues, models, and suggestions[J]. Marketing letters, 1991, 2(3): 181-197.

[33] Chakravarti A, Janiszewski C. The influence of macro-level motives on consideration set composition in novel purchase situations[J]. Journal of Consumer Research, 2003, 30(2): 244-258.

[34] Ursic M L, Helgeson J G. The impact of choice phase and task complexity on consumer decision making[J]. Journal of Business Research, 1990, 21(1): 69-90.

[35] Chernev A. Decision focus and consumer choice among assortments[J]. Journal of Consumer Research, 2006, 33(1): 50-59.

[36] Picard R G. Media product portfolios: issues in management of multiple products and services[M]. London: Routledge, 2014.

[37] Picard R G. Effects of recessions on advertising expenditures: an exploratory study of economic downturns in nine developed nations[J]. The Journal of Media Economics, 2001, 14(1): 1-14.

[38] Barksdale H C, Harris C E. Portfolio analysis and the product life cycle[J]. Long Range Planning, 1982, 15(6): 74-83.

[39] Price C L. Threats and opportunities of free newspapers[M]. Dallas: INMA, 2002.

[40] Albarran A B, Porco J F. Measuring and analyzing diversification of corporations involved in pay cable[J]. Journal of Media Economics, 1990, 3(2): 3-14.

[41] Lee G K. Relevance of organizational capabilities and its dynamics: what to learn from entrants' product portfolios about the determinants of entry timing[J]. Strategic Management Journal, 2008, 29(12): 1257-1280.

[42] Liang Tingping, Lai Hungjen, Ku Yicheng. Personalized content recommendation and user satisfaction: theoretical synthesis and empirical findings[J]. Journal of Management Information Systems, 2006, 23(3): 45-70.

[43] Dabholkar P A, Sheng Xiaojing. Consumer participation in using online recommendation agents: effects on satisfaction, trust, and purchase intentions[J]. The Service Industries Journal, 2012, 32(9): 1433-1449.

[44] Tsao W. The fitness of product information: evidence from online recommendations[J]. International Journal of Information Management, 2013, 33(1): 1-9.

[45] Diehl K. When two rights make a wrong: searching too much in ordered environments[J]. Journal of Marketing Research, 2005, 42(3): 313-322.

Personalized Recommendation and Its Future Prospect: Based on the Perspective of Management and Consumer Behavior

ZHANG Lin, YAN Qiang

(School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China)

Personalized recommendation has great influence on raising online shopping efficiency and increasing product sales. The ways to provide more efficient personalized recommendations have drawn researchers’ attention. Most existing studies focus on how to improve the accuracy and efficiency of the recommendation algorithms, or are more concerned about ways to increase consumer satisfaction and the impact factors of personalized recommendation adoption. Unlike previous studies, first the current mainstream algorithms of recommendation system are summarized. Then based on the perspectives of management and consumer behavior, the current research status and results of personalized recommendation are mainly introduced from three aspects: recommendation timing, recommendation product portfolio and recommendation efficiency. It is pointed out the research of personalized recommendation has much potential and research value, and finally the future research trends and prospects are put forward.

personalized recommendation; recommendation timing; recommendation product portfolio; recommendation efficiency

2016- 10 - 20

教育部人文社会科学研究规划基金(16YJA630063)

张琳(1986—)，女，陕西华阴人，北京邮电大学经济管理学院2013级博士生研究生，主要研究方向为网络用户行为分析。

F713.365.2

A

1008-7729(2016)06- 0024- 07