基于农产品品牌社会责任的消费者智能消费推荐研究

施荣晓

(华南理工大学，工商管理学院，广东广州510641)

1 引言

品牌营销战略奠定了企业可持续发展的基础，而社会责任[1]对企业发展的影响是一个长期且不断积累的过程。因此，在对消费者进行智能消费推荐时，需将品牌社会责任融入推荐系统中，结合具体销售策略履行社会责任，从而获得消费者积极强烈的响应，并促进农产品品牌发展与成熟。由此可见，基于农产品品牌社会责任的消费者智能推荐研究既是一种营销手段，着眼于长远角度，也是一种提高市场竞争力的战略性行为，既强调营销战略性又注重企业长远可持续发展。

车梦然[2]等人为了在众多“在线”算法中自动选择出最适用于解决当前问题的算法，提出了基于多分类支持向量机的优化算法智能推荐系统与实证分析。依据无免费午餐定理和Rice 算法选择框架理论，假设问题特征与算法性能表现间存在潜在关联关系；以多模式资源约束项目调位为数据集，粒子群和人工蜂等为优化算法推荐对象，以多支持向量机分类车型略实现算法分类，验证假设成立；经交叉验证结果表明所提方法的各项评价指标均为优秀。张家录[3]等人为了提高智能推荐算法效率，提出了基于决策软件集的典型软决策规则提取算法。引入基于软集的软命题逻辑公式，并解释其语义信息，其中参数为原子公式，函数关系为原子公式的赋值集合；引入基本、条件、绝对软真度等概念，对软决策规则进行提取计算及综合评价；经实际例子和实验数值验证了所提智能推荐算法的有效性。

由于农产品具有高同质性，上述两种智能推荐算法不能将消费者社会责任心理代入品牌营销战略中，分析出消费者的消费需求存在一定误差，因此本文开展了基于品牌社会责任的消费者智能消费推荐研究。

2 后悔理论与消费决策分析

后悔理论[4]中舍弃了独立性概念，提出单因素效用函数不能对非理性行为作出完美解释，基于此，提出将后悔和欣喜因素引入至效用函数中。其基本原理为：消费者在购买商品行为中不仅在乎已购买商品，还会考虑其他商品的可能性。消费者在购买商品时会对其他结果产生一定后悔和欣喜，尽量避免后悔概率，被称为后悔规避。

使用x表示产品A，y表示产品B，结合后悔理论，消费者的感知效用由已选产品的效用函数和后悔—欣喜函数构成，因此消费者对产品A的感知效用为：

其中，v(x)和v(y)代表产品A 和B 的感知效应，r(v(x)-v(y))为后悔—欣喜值。

将后悔理论用于消费者购买行为中，若消费者选择产品A，那么当r(v(x)-v(y)＞0时，代表消费者对购买的产品感觉欣喜；反之，当v(x)-v(y)＜0 时，则代表消费者对购买的产品感觉后悔，r(v(x)-v(y))表示后悔函数，后悔—欣喜函数为单调递增的凹函数方程，且当v(x)-v(y)=0时，即r(v(x)-v(y))=0，说明消费者购买任意一种产品，不会出现后悔和欣喜感觉。

将不同类型消费者决定购买农产品阈值满足概率分布条件Pi～Uniform(m，n)，i=1，2，3。

消费者的决策行为不仅受自身行为影响，还受其他因素影响，即模仿邻居决策行为。个体对他人的模仿与个性特征有关，两者间的相似性越大，模仿概率越高；反之，相似性越低时，模仿概率越小。一般使用个性特征匹配度描述个体间模仿决策程度，如下述：将消费者的个性特征[5]匹配度描述为Mapping(Pi，Pj)∈(0，1)，i，j=1，2，3。计算过程中令：

结合式(2)对比消费者自身决策与邻居效应，假设邻居决策中不存在更高效应，则无学习行为；若存在，则可选择高效应者为学习对象，则模仿概率表达为：

其中Uj表示最大邻居效应值，Ui为自身效应值，r为其他信息干扰值，该数值越大，模仿概率越低。若存在模仿行为，下一时刻与行为发起者决策一致；若概率不在特征值内，说明无模仿行为，决策概率超出性格阈值。在模仿完成阶段，消费者会随着时间变化按照一定概率进行下一决策。

3 农产品品牌社会责任下智能消费推荐框架构建

长久以来，大量优质农产品一直止步于传统经营模式，品牌销量低、影响力差。为了提升品牌影响力推动企业发展，借助品牌社会责任做高级营销势在必行。社会责任令消费者在情感上产生依赖，建立起农产品与消费者间的忠诚度才能推荐出认同度最高的产品，在承担社会责任的同时根据消费决策行为进行智能推荐[6]，完成竞争转化。

如图1所示，智能消费推荐模型主要分成三部分：信息采集、决策行为分析、智能推荐计算。信息采集模块主要分类消费者行为习惯[7]和基本信息，决策行为分析模块主要对消费者信息和行为进行预分类，智能推荐计算模块对得到的分类结果使用不同渠道推荐给消费者。

图1 智能消费推荐模型

第一部分：信息采集模块：是推荐系线的入口，手机消费者信息并提交至智能推荐计算模块。首先确定信息来源，产品新的信息源比较多，除了消费者信息外还包含品牌及其他信息，对信息来源进行归类后，主要有两种输入方式：

(1)直接输入。是系统提取信息的主要方式，也是价值型最高的推荐依据。主要来源于消费信息、社会评价、品牌销售策略记录等。在农产品智能推荐模型的设计中要详细地记录相关信息，保证一手资料的完整性和精确度，便于更好地分析消费者的偏好和需求。

(2)间接输入。通过数据挖掘[8]或人工智能手段无限挖掘消费信息，分析消费者心理。

第二部分：决策行为分析模块。反馈产品评分和评价。对于本文设计的智能推荐模型面而言，推荐对象大多为关注农产品用户，所以直接以短信形式为主的输出方式，反馈产品社会责任对品牌销售的影响。

第三部分：推荐计算模块。是智能推荐的核心，是采集和分析模块的衔接，决定了智能推荐系统性能。为了配合下一步计算，依据数据表示模型判断下一步选择。以决策行为分析模块生成的数据结果生成推荐结果，如图2所示为该模块构成。

图2 智能推荐模块构成框架

由图2所示将智能推荐结果传送至输出模块，在计算过程中需处理多种情况，实现快速准确处理。

4 消费者智能消费推荐计算

上述智能推荐模型中，影响农产品消费决策变量包括成本价格[9]Pw(Cm≤Pw≤1)和销售价格Po(Cm≤Po≤1)，影响代理商的决策变量为零售价格Pr(Cm≤Pr≤1)，如图3所示，为智能推荐中消费者选择购买渠道分析。

图3 购买渠道分析

为了规避非正规渠道销售的不合理情况，假设Pw≤Po。农产品需求分为直接销售Do和订单需求Dr两种，农产品销售利润为：

直接销售利润为：

供应系统的总需求为：

总利润为：

假定农产品市场中品牌责任价值服从均匀分布条件v～uniform(0，1)。

如图4消费类型和图5消费者决策类型所示，消费类型为T1 和T2 的消费者考虑从代理商处购买该产品，当消费者对产品价值判断为v≥Pr，消费者肯定该价值并购买产品；若v＜Pr，证明消费者不认同该产品。同理，T5和T6类型的消费者考虑从直接销售渠道购买，v≥Po时，消费者有意购买该产品，v＜Po无购买意愿。

图4 消费类型

图5 消费者决策类型

T4 为同时考虑代理商和直销渠道的消费类型，认为直销渠道品牌价值比代理商低1-θ，结合相关统计结果大多数消费者认为直销渠道购买的产品社会责任要低于代理商，农产品价值低20．6%。当v≥Pr时，犹豫不决的消费者考虑代理商；当θ·v≥Po，犹豫不决的消费者从代理商购买产品。当同时满足θ·v≥Po、v-Pr≥θ·v-Po条件时，消费者认同该品牌从代理商渠道购买，反之v-Pr＜θ·v-Po，消费者从直销渠道购买。

T3 与T4 类型的消费差别主要为当v≥Pr，θ·v≥Po时，两种购买渠道的可能性相差不大。当v-Pr≥θ·v-Po，消费者选择代理商的可能性更高，当v-Pr＜θ·v-Po，选择直销渠道的可能性更高。

使用离散选择函数[10]描述消费者智能推荐选择结果，即：

式(8)中，τ表示消费者对品牌社会责任的认可度，当τ→∞，消费者选择该农产品的概率为50%，当τ→0，说明消费者认同此品牌的社会责任，完全认同此类产品。

为了令品牌社会责任影响消费者购买意向，需完全掌握企业社会责任对消费者购买决策过程的影响。品牌社会责任对消费者购买意向的影响可分成：购买认知、信息收集、决定购买三个阶段。如果让品牌社会责任成为消费者决策标准，影响消费意愿。首先要让消费者重视产品社会责任，掌握品牌履行社会责任的相关信息，品牌社会责任成为购买决策重要因素。如果消费者购买该农产品后满意度不低于期望值，消费者今后仍会购买该品牌，社会责任对消费者购买意向产生长期影响。

5 实验结果分析

5.1 实验数据

本文采用某农产品市场消费者购买行为情况，其中可分为成4种类型销售策略：基于价格销售、基于产品质量、基于营养性产品推荐、基于品牌社会责任的消费推荐。

实验共采用300 位消费者对50 种农产品的800 条评分数据作为实验数据集，数据集稀疏性表示为：

随机选取数据集中大部分数据为训练数据存在严重的稀疏性，实验数据接近20%，平均绝对误差MAE利用推荐模型和算法计算，推荐结果越满意MAE值越小，即：

基于品牌社会责任的智能推荐验证方法主要为：系统训练采用的数据集合为样本数据，经过多次训练得到的推荐模型对系统预测误差进行有效计算，主要有以下两种衡量指标。

第一种：均方差公式。设随机数m的取值范围为[m1，mn]，与平均值差的平方和均值被称作方差，表示为R(x)，正平方根作为判定智能推荐精准度的一种方式，如下：

5.2 实验结果分析

研究多类型的消费推荐结果，使用方差分析通过分析均数差，对所代表的总体关系进行验证。针对基于品牌社会责任的智能消费推荐研究，本文使用单因素方差验证，将指数值作为自变量，消费者认同度为因变量，表1中方差最大值均小于5，说明消费者对推荐结果的认可度较高。

表1 消费者认同智能推荐指数

由图6得出，本文建立的智能推荐模型与文献方法相比，精确度有明显提升。分析消费决策行为给出的个性化推荐列表，是基于品牌社会责任的基础上将各种推荐结果进行综合处理所生成的。其中的推荐选项依据系统计算过程中所采用的离散算法对相应的推荐进行划分与解释。在所有的推荐计算中，按照购买渠道划分消费类型对系统中所存储的消费者行为数据采取相应处理实现计算，使得推荐结果就是跟消费者游览过的产品历史相似程度最高。所以，本文基于品牌社会责任建立的智能推荐模型具有更高精准度。

图6 本文与其他方法精确度对比

6 结束语

本文设计的智能消费推荐模型将消费者决策行为信息和购买渠道考虑其中，通过各模块逐步得到适当的推荐结果。近年来，电子商务规模越来越大，在农产品市场有所作为，届时农资电子商务产品品牌价值也会水涨船高，智能推荐系统的应用也将越来越高效。越高效的智能推荐系统越会产生更好的推荐作用。基于社会责任的推荐方式通过总结消费者习惯生成更加精确的推荐效果，需要较高的算法支撑，协作购买渠道在推荐系统中，能产生认可度更高的推荐效果。农产品社会责任的品牌价值发展空间依然巨大，推荐系统应用空间也会越来越广，所以应提高社会责任基础上的智能推荐研究，才能在激烈的市场竞争中迎接挑战。