融合情境语义推理及社会网络的团购推荐研究

李金海，何有世，张 鹏

1.泰州学院 计算机科学与技术学院，江苏 泰州225300

2.江苏大学 管理学院，江苏 镇江212013

3.泰州学院 经济与管理学院，江苏 泰州225300

自2010年3月4日美团出现以来，我国的团购行业已经经历了10个年头。这10年里，团购经历了一系列过山车式的发展。团购作为一种新兴的电子商务模式，主要通过如下三种形式提高用户与商家的议价能力，包括，消费者自行组团、商家组织团购、专业团购网站的形式，根据薄利多销的原理，商家可以给出低于零售价格的团购折扣。

目前，由于商家进入团购平台的限制并不高，导致各团购平台的产品数量都较多，同一产品可能在多个团购平台同时存在，而且可能存在不同的团购方案。这不仅给平台的收益带来了影响，也使消费者需要花费更多的时间去发现满意的团购产品。面对越来越激烈的竞争环境，团购平台面临着诸多的挑战，主要的问题就是：团购平台如何提升团购用户的个性化服务；以及如何利用消费者的社会影响力增加收益。团购推荐通过分析个人偏好、情境敏感性及社会影响力发现对产品感兴趣及情境适宜的一群消费者去完成团购交易。

传统的推荐系统是向个体用户提供个性化推荐。但是团购推荐中的产品并不是推荐给个人而是一个群体[1]。这就使得推荐系统的相关研究需要解决群体的推荐，尽量满足所有群体人员的偏好[2]。一般情况下，团购推荐只是利用群体人员偏好的简单聚合产生推荐结果，导致部分成员的偏好，特别是那些不活跃成员的偏好被忽视了。

因此，国内外学者在传统推荐模式的基础上，提出了一些改进的方案[3-4]。如，国外学者在提高群体推荐质量的同时，兼顾满足个体的个性化需求[5]。国内学者结合云模型和改进均方差的协同过滤推荐方法，为团购网站的用户提供个性化推荐[6]。但团购推荐机制设计方面的相关研究仍凤毛麟角。

消费者一般倾向于选择具有相似兴趣或频繁交互的群体一起购买团购产品，随着微信、微博等网络社交软件以及移动终端的不断普及，社会交往互动联系更加频繁，以“拼多多”为代表的社交团购的销售模式也应运而生[7]。而且，由于社会影响力的作用，个体消费者的消费行为也可能被群体所影响[8]。团购商家通过找到与目标消费者具有同样购买兴趣的合适消费者群体，能够增加产品的销售量。因此，针对潜在消费者挖掘合适的群体是增加其购买意愿的有效途径。针对目标消费者通过提供群体名单，利用群体成员的社会影响力可以增强其购买团购产品的意愿。

1 团购推荐系统框架研究

1.1 团购推荐中相关理论分析

（1）用户偏好分析

用户偏好模型是团购推荐以及个性化服务中的关键因素，用户偏好包含经长期演化形成的长期偏好以及基于情境形成的短期偏好[9]。有研究结合社会网络分析以及语义分析改进推荐的效果[10]。基于本体的建模方法是一种用于处理用户偏好的有效方法[11]。本研究采用本体模型评估用户偏好与产品之间的相似性。而且本体被认为是对情境语义进行建模的最有效工具，情境信息可以通过领域本体构建情境本体，使情境现实中的实体被形式化，映射为机器可理解、可共享的知识结构，用于情境语义的推理[12]。

（2）情境语义推理

大多数推荐系统在形成推荐时，只考虑了用户与产品信息，忽略了情境信息，如位置、天气、时间等[13]。团购推荐不同于一般的推荐系统，它实现了线上信息与线下信息的融合，对情境信息特别敏感[14]。目前，学术界关于融合情境信息的推荐系统研究主要三种不同的范式：①情境预先过滤。基于特殊的情境首先选择数据或创建数据，之后的推荐基于传统的推荐系统。②情境后期过滤。首先基于整体数据利用传统推荐产生推荐结果，然后为每个用户基于情境信息调整推荐结果。③情境建模。情境信息被直接应用于模型处理工程中。本研究基于本体技术设计情境语义推理模型。

随着移动智能终端的激增，为移动团购平台提供了更多的商机，获取用户的情境信息可以实现及时速递、个性化服务等[15]。其中，位置信息在团购推荐的情境中起到重要作用[16]。本研究将在团购推荐机制中考虑情境信息，主要测量消费者与团购实体店的地理便利性、天气状况以及时间因素对消费者选择的影响。

（3）社会心理学理论

相关研究表明，用户参与团购的动机，除了与折扣有关外，羊群效应也起到相当大的影响[17]，团购网站会将已加入团购的用户信息推送给消费者，使他们受到群体的影响或压力，个人的购买决定可能会受到群体的影响，形成从众效应。

诸多研究表明，社会影响在团购推荐中扮演了重要的角色[18]。当消费者适应群体成员的行为或态度时，社会影响会产生作用。在团购推荐中，群体成员间并不需要面对面的交流，只需了解群体成员的相关信息就可以发挥社会影响的作用。

本研究将通过提供具有高聚合的群体成员组成的团购名单产生的社会影响力来增加消费者团购的意愿。

（4）团购社会网络构建

团购网络的成员可以看作以特定方式相联系的一种网络拓扑形态，是一种特殊的复杂网络，因此，引入复杂网络思想划分团购社区（群体）以及计算聚合度[19]。将团购网络中的每个成员设定为复杂网络中的一个节点，将成员间的相互关系表示为节点的链接，构建团购用户组成的复杂网络。团购推荐不同于传统推荐，不能片面地看待团购网络中各用户的购买意愿，需要结合用户节点内容之间的语义关联，基于团购网络全局识别对指定产品具有综合购买意愿的社区。本研究以网络化的视角来描述团购成员之间的关联，提出基于复杂网络的团购推荐方法。

1.2 团购平台的产品类型

团购平台主要存在着两种待推荐的产品：单人购买多人消费类产品、多人购买多人消费类产品。

本研究将单人购买多人消费类产品定义为产品类型A：是指那些价格不是太贵，只需要一个人购买，但允许多人一起消费的产品。如“多人用餐券”。针对这种类型的产品，团购推荐机制就是要挖掘最愿意购买产品A的消费者。

本研究将多人购买多人消费类产品定义为产品类型B：是指那些价格较贵，同时有最少团购参与人数的限制，每个团体人员只需要支付自己的相应费用。如“旅游团购券”。针对这种类型的产品，团购推荐机制就需要利用团体中具有较强社会影响力成员的作用，来增加社区内其他成员购买的意愿。

1.3 团购推荐系统的总体框架

在团购推荐机制的设计过程中，要综合考虑用户偏好与产品特征的相似性、消费者的情境便利性、团体成员的社会影响力。基于此，设计团购推荐系统的各模块功能：

（1）基于情境语义推理的偏好分析模块

该模块的作用在于通过对比分析用户偏好与产品特征的相似性，找出对目标产品感兴趣的潜在消费者；然后通过收集用户的情境信息基于情境语义推理划分出那些在地里便利性以及其他情境相似的消费者社区。

（2）基于复杂网络的社会影响分析模块

该模块用于划分团购社区，以及评测社区中成员对产品的评价对于其他成员的影响。消费者更容易受到那些对产品评价相似以及更信任的社区成员的影响。

团购推荐系统的总体框架如图1所示。

图1 团购推荐系统的总体框架Fig.1 Overall framework of group recommendation system

2 团购推荐系统的实现

2.1 基于情境语义推理的偏好分析模块

在计算用户与产品的相似性前，首先需要构建基于本体的用户偏好模型。以消费者的历史消费行为构建用户偏好本体，并利用本体的层次化结构，将每一个产品按照属性进行层次划分，构建产品属性本体。要实现团购推荐，就必须依据用户偏好本体中蕴含的情境语义，找出情境与用户兴趣的关联性，进而根据用户的当前情境，推导出用户感兴趣的产品。

系统将针对每个团购用户生成一套其专属的推荐规则集，以实现对团购的推荐[20]。由情境语义推理机将用户的当前情境与用户推荐规则进行匹配，通过推荐规则集预测用户在当前情境下偏好的产品属性，将生产的产品属性与产品属性本体进行比较，通过Jaccard算法计算用户i偏好与产品c的相似性JAic。基于情境语义推理的相似性计算流程如图2所示。

图2 基于情境语义推理的相似性计算流程Fig.2 Similarity calculation process based on contextual semantics reasoning

其中，通过语义分析，将用户偏好本体分解为产品属性概念集与情境属性概念集两部分；借鉴关联规则挖掘技术的思想，挖掘产品属性概念集与情境属性概念集之间的频繁关联模式。

在上述的相似性计算过程中，基于用户偏好本体产生团购推荐规则是实现团购推荐的关键。团购推荐规则生成的具体过程如下：

假定用户i的用户偏好本体实例集为POS。首先从POS里的每一个用户偏好实例po中，抽取两个概念集：PNS和CNS,PNS包含产品属性实例概念，CNS包含情境属性实例概念。从用户偏好本体实例中抽取的部分PNS和CNS概念集如表1所示，其中，括号中为实例概念所属的概念类。在情境属性概念集CNS中共抽取三类情景属性，包括：地理（Location）、天气（Weather）以及时间（Time）。为了保证Apriori关联规则挖掘算法的适用性，对三类情景属性的具体指标进行统一定义，其中，地理（Location）指标包括，市中心、郊区；天气（Weather）指标包括，晴天、多云、阴天、雨天、雪天；时间（Time）指标包括，白天、晚上、工作日、周末。

表1 部分产品属性概念集PNS与情境属性概念集CNSTable 1 Part of product attribute concept set PNS and context attribute concept set CNS

从某个用户偏好实例po中抽取的概念是彼此关联的，利用Apriori关联规则挖掘算法可以从POS抽取的所有概念集中归纳出频繁概念关联模式。

本文基于Python数据分析技术进行Apriori关联规则挖掘算法的实现，Python的第三方库mlxtend库中集成了Apriori关联规则挖掘算法，通过以下命令导入Apriori算法：

Apriori算法共四个参数，将从用户偏好本体实例中抽取的PNS和CNS概念集赋值给数据集参数df=(PNS+CNS)，设定频繁项集最小支持度min_support=0.6，设定显示项目列名use_colnames=True，设定不限制最大项目组合数max_len=None。

通过Apriori关联规则挖掘算法的运行，可以得到频繁项集最小支持度大于0.6的频繁项集。对于每一个频繁项集（频繁概念关联模式），将属于CNS的情境属性概念视为前提，PNS中的产品属性概念视为结果，相关联的CNS和PNS生成推荐规则。

部分频繁概念关联模式及其对应推荐规则的实例如表2所示。

表2 部分频繁概念关联模式及其对应推荐规则Table 2 Part of frequent concept association patterns and corresponding recommended rules

2.2 基于复杂网络的社会影响分析模块

团购平台中的每个成员设定为复杂网络中的一个节点，节点的链接由成员间的相互关系表示，构建团购用户的复杂网络G=(V,E)。G为无向加权图，V={v1,v2,…,vn}是复杂网络中的n个节点，即n个团购成员集合，E是vi与vj组成的边的集合，通过节点之间的相似性wij确定边(vi,vj),wij是用户i与用户j的偏好相似度。若用户i与j的用户偏好本体经语义分析后得到的产品属性概念集为PAi与PAj，则用户i与j的偏好相似度wij为：

上述只是计算了用户i与j的偏好相似性，为了完成团购推荐，还需要计算用户所处社区对其的全局社会影响力。用户与社区成员的相似性越大，那么该成员对其的团购购买影响力越大。如果相似性较大的成员购买某产品的可能性较大，那么该用户也很有可能购买此产品。所以，用户团购某产品的意愿受社会影响的大小应该由全部社区成员对其的影响综合决定。若社区成员为F个，则用户i团购产品c的意愿受社会影响的大小SIiC定义为：

基于用户i偏好与产品c的相似性JAic以及用户i团购产品c的意愿受社会影响的大小SIiC综合得到用户i团购产品c的意愿得分GWic。考虑到每个用户受偏好相似性及社会影响的程度是不同的，基于社会心理学理论中的从众效应，社区成员数F越大，用户所受到社会的影响或压力也随之增加。因此，本文以平均社区成员数M为权重基准，设定当社区成员数F>M时，社会影响的权重增大，当社区成员数F

2.3 产品类型A的推荐

针对团购平台中的单人购买多人消费类产品，团购成员倾向于选择具有相似用户偏好的其他成员一起去消费，因此，为潜在团购消费者发掘合适社区成员是加强其购买意愿的主要途径。针对产品类型A，团购推荐机制在于发掘具有较高购买意愿的消费者，以及从他的朋友中甄别同样具有较高购买意愿的其他成员。通过比较每个社区的聚合度，可以发现具有最高聚合度的社区，并将这个社区中团购意愿得分最高的消费者视为最优潜在团购消费者。在具体的团购推荐机制设计中涉及到社区的划分及聚合度计算。

（1）社区划分

团购社会网络中的“社区结构特性”是由于成员之间存在偏好的相似性，所以团购社会网络会依据用户偏好呈现出社区结构，并通过划分的团购社区定位成员的所属社区。

而团购网络社区的划分，是以具有相似特征的成员节点为中心，形成若干规模不等的局部用户偏好相似度较大的网络拓扑结构，所形成的网络拓扑结构就是划分的团购网络社区。

团购社会网络中成员节点间除了具有偏好相似性之外，社区结构还存在另一个特征即重叠性，指团购社会网络中的某些节点同时属于多个社区，如成员节点Vi同时与社区X和Y中的成员用户偏好相似，那么节点Vi就被同时划分到社区X和Y中，这样的节点被称为“骑墙节点”。

传统的社区结构划分方法都是从节点的角度出发，把网络中的节点看作是研究对象，根据节点之间的相似度，把它们划分到不同的社区，这样的处理方法很难从根本上解决“骑墙节点”的归属问题。考虑到团购社会网络的重叠性，本研究采用一种能够划分重叠性的算法[21]，该算法以边为研究对象，依据边之间的相似度对网络进行社区划分，由于边的社区归属性是唯一确定的，这就可以避免“骑墙节点”对社区划分结果的影响。该算法核心思想是根据边的凝聚过程得到网络的层次树结构，在合适位置对层次树进行切割，从而得到网络的社区结构。为了实现边的凝聚过程，首先定义相邻边的相似度S：

其中，对于相邻边eik和ejk，若它们同时连接到公共节点k上，则称节点k为基节点，节点i、j称为关联节点。对于任意节点i，定义节点i的广泛邻居节点为n+(x)，则：

其中，d(i,x)为节点i和x之间的最短路径长度。

在定义了相邻边的相似度S后，就可以进行边的凝聚。边的凝聚流程如下所示：

步骤1进行网络社区的初始化。

步骤2将每一条边视作一个社区。

步骤3计算相邻社区之间边的相似度。

步骤4合并相似度最大的两个社区。

步骤5反复执行凝练过程。

步骤6网络凝练为一个社区，算法终止。

经过上述流程后就可以得到团购社会网络的层次树结构。

而如何从层次树结构中划分需要的社区，则是由目标产品设定的消费人员数目n决定，在层次树状图中选择社区成员数目a为n的位置，对其进行切割，得到如图3所示的社区划分结果。与以节点为研究对象进行社区划分相比，以边为研究对象更容易发现社区的重叠部分。

图3 基于边的团购社会网络社区划分结果Fig.3 Division results of group purchase social network community based on edge

（2）聚合度的计算

在计算社区的聚合度前，首先需要计算社区的网络密度，网络密度反映的是相邻节点之间联系的紧密程度，社区的网络密度越大，说明社区成员间联系越紧密，一起参与团购的意愿越强烈。

经过社区划分后，假设社区X中包含成员节点V(x)个，边E(x)个，则社区X的网络密度为：

选择网络密度较大的社区进行下一步聚合度的计算。聚合度分析的目的是为了从众多的社区中找出聚合度较高的社区，如果一个社区具有较高的平均链接强度，可以推测这个社区中的大部分成员具有相似的偏好，且更易受社区成员的影响。成员vi和vj间的链接强度由vi和vj的偏好相似度wij决定。

对于特定社区X，聚合度通过测量社区X中每个链接的链接强度聚集系数得到：

最终，具有最高聚合度的社区中团购意愿得分最高的成员会被当作主要推荐对象。

2.4 产品类型B的推荐

在针对团购平台中的单人购买多人消费类产品研究的基础上，继续研究多人购买多人消费类产品的团购推荐问题。发现并形成具有高聚合度的社区，向社区中的所有成员进行团购推荐，有益于整个社区的团购购买意愿。为了增强潜在消费者的购买意愿，还可以将社区成员名单同时推荐给潜在消费者。

若目标团购产品B需要n个成员同时购买，首先，需要确定具有较高团购意愿的N个潜在消费者，然后列出所有可能的含n个成员的社区，则共有CnN个潜在团购社区。并计算每个潜在团购社区的聚合度，最终，具有最高社区聚合度的前k个社区将作为团购社区的推荐目标，推荐的内容包括目标产品以及社区成员名单。其中，产品类型B的聚合度计算与产品类型A的聚合度计算同理，这里不再赘述。

3 仿真实验

为了评估本研究设计的团购推荐机制的有效性，仿真实验构建了团购网络，构建的团购网络如图4所示（由于网络图较大，截取其中的10个节点进行展示），团购网络的统计信息如表3所示。

表3 团购网络统计信息Table 3 Statistics of group purchase network

图4 团购网络示例Fig.4 Example of group purchase network

仿真实验的具体步骤如下：

步骤1数据收集。利用Python的爬虫框架采集团购网上实验对象的已有团购消费记录信息，通过Python爬虫采集：分类-Classification、区域-Address、价格-Price、星级-Star，其中，通过标签类名class=“breadcrumbs”，可以获取分类-Classification，通过标签类名class=“address”，可以获取区域-Address，通过标签类名class=“score clear”，可以获取价格-Price、星级-Star。

步骤2数据预处理。对原始数据进行清理，提取实验数据中的情景属性、产品属性以及评价信息，其中，针对产品属性以及评价信息，将分类-Classification统一为团购的标准分类，将区域-Address统一为市中心、郊区；将价格-Price统一为便宜、适中、昂贵；将星级-Star统一为1~5。针对情景属性，以实验对象的所在地为地理-Location，地理情景属性衡量指标统一为市中心、郊区；消费时间为时间-Time，时间情景属性衡量指标统一为白天、晚上、工作日、周末；并根据消费时间推导出当时的天气-Weather，天气情景属性衡量指标统一为晴天、多云、阴天、雨天、雪天。

步骤3团购产品的设定。设定20个虚拟的团购产品，其中，单人购买多人消费类产品A共10个、多人购买多人消费类产品B共10个。团购产品具体信息如表4所示。

表4 设定的团购产品具体信息Table 4 Specific information of group purchase product

步骤4用户偏好本体与产品属性本体的构建。以实验对象的历史消费行为数据构建用户偏好本体；并利用本体的层次化结构，将20个虚拟的团购产品按照属性进行层次划分，构建产品属性本体。

步骤5团购推荐模式归纳。基于用户偏好本体中的产品属性概念集与情境属性概念集，利用关联规则挖掘技术，挖掘产品属性概念集与情境属性概念集之间的频繁关联模式，为每个实验对象生成一套其专属的推荐规则集。

步骤6团购情景的设定。为每个实验对象设定10个虚拟的团购情景。

步骤7基于用户偏好的产品购买意愿计算。由情境语义推理机将实验对象的当前虚拟情境与实验对象对应的推荐规则进行匹配，通过推荐规则集预测用户在当前虚拟情境下偏好的产品属性，将生产的产品属性与产品属性本体进行比较，通过Jaccard算法计算实验对象偏好与产品的相似性，该相似性就是实验对象的产品购买意愿。

步骤8团购推荐。

产品类型A的团购推荐。首先对500名实验对象组成的团购网络划分社区，然后计算每个社区的聚合度，具有最高聚合度的社区中产品购买意愿得分最高的成员就是产品类型A的团购推荐对象，同时向其推荐社区成员名单。以团购产品编号2为例，设定的团购产品中产品2所需消费人数最大为4人，因此，在层次树状图中选择社区成员数目a为4的位置，对其进行社区划分。推荐对象及社区成员名单如表5所示。

表5 推荐对象及社区成员名单示例Table 5 Example of names of recommended people and community members

步骤9团购推荐结果反馈。通过调查问卷收集被推荐实验对象对团购推荐结果的反馈满意度，同时收集他们对推荐的社区成员名单的满意度，满意度得分区间为[0，5]，得分越高，用户的满意度越高。

步骤10推荐机制有效性分析。为了评估本研究的推荐机制有效性，将其与单独考虑单一影响因素的基于情境推理的偏好分析模块以及基于复杂网络的社会影响分析模块两种方法的精确性进行对比分析。评估包括两个部分：对推荐产品的满意度、对推荐社区成员名单的满意度。将每个算法推荐信息（包括推荐产品以及社区成员名单）的反馈结果汇总后进行对比分析，如表7所示。最后，对汇总表7的对比结果进行统计分析，得到产品类型A不同推荐机制的用户满意度如图5所示，得到产品类型B不同推荐机制的用户满意度如图6所示。同时，将每个算法推荐信息（只包括推荐产品，无社区成员名单）的反馈结果汇总后进行对比分析，如表8所示。最后，对汇总表7与表8的对比结果进行统计分析，得到有无社区成员名单的用户满意度如图7所示。

表6 推荐产品及社区成员名单示例Table 6 Example of recommended products and community members

表8 推荐信息反馈结果汇总（无社区成员名单）Table 8 Summary of feedback results of recommendation information（Not include list of community members）

图5 产品类型A不同推荐机制的用户满意度Fig.5 User satisfaction of product type A with different recommendation mechanisms

图6 产品类型B不同推荐机制的用户满意度Fig.6 User satisfaction of product type B with different recommendation mechanisms

图7 有无社区成员名单的用户满意度Fig.7 User satisfaction of having or having notlist of community members

表7 推荐信息反馈结果汇总（有社区成员名单）Table 7 Summary of feedback results of recommendation information（Include list of community members）

图5、图6显示了对不同推荐机制的满意度反馈结果，由图可知，综合情境语义推理以及社会影响的团购推荐机制具有最高的满意度得分，传统的推荐机制的满意度得分最低。实验结果表明综合情境语义推理以及社会影响的团购推荐机制较其他的推荐机制具有较高的推荐有效性。同时实验结果揭示了，针对产品类型A，用户偏好影响较社会影响具有更重要的作用；而针对产品类型B，社会影响较用户偏好影响具有更重要的作用。可见当只需要向个人推荐时，用户偏好的影响更重要，当向多人同时推荐时，群体间的社会影响更重要。

图7显示了有无社区成员名单对不同推荐机制的满意度反馈结果，由图7可知，无论是哪种推荐机制，生成社区成员名单的推荐都较直接推荐产品具有更好的推荐满意度。当推荐目标产品的同时推荐社区成员名单，会提升潜在团购成员的团购意愿。

4 结语

本研究分别针对团购平台中的两种类型产品（单人购买多人消费类产品、多人购买多人消费类产品）设计了一种团购推荐机制，该推荐机制综合考虑了用户长期偏好以及基于情境形成的短期偏好，并结合社会心理学理论，引入复杂网络构建团购社会网络，考虑社区成员间的社会影响力，通过计算团购社区的聚合度，来完成最终的团购推荐。对于单人购买多人消费类产品，识别具有较高团购意愿的潜在消费者，并为其建议具有较高聚合度的社区成员。对于多人购买多人消费类产品，识别具有较高团购意愿的一群潜在消费者，并从这一群消费者中选择具有较高社区聚合度的组合。

本研究全面考虑了用户偏好、现实情境及社会影响对消费者团购意愿可能产生的影响，而且提出了基于复杂网络聚合度的计算，可以有效评估社区的团购购买意愿。该团购推荐机制，可以有效提升团购推荐的成功率。

该团购推荐机制的有效性虽然得到了验证，但仍有一些团购推荐的特殊问题没有有效解决，如，一个消费者可以属于多个社区，当同时为这些社区推荐同一个产品时，消费者该如何选择，这并不是简单的通过聚合度高低就能解决的问题。另外，每个用户受偏好相似性及社会影响的程度是不同的，本文基于社会心理学理论中的从众效应对社会影响的权重进行调节，后期还需要通过实证研究计算出偏好相似性及社会影响对用户团购影响的不同权重。