孫魯平，張麗君，汪　平（. 中央財經(jīng)大學(xué) 商學(xué)院，北京 0008；. 陜西師范大學(xué) 國際商學(xué)院，陜西 西安 709；. 浙江師范大學(xué) 經(jīng)濟與管理學(xué)院、中非國際商學(xué)院，浙江 金華 004）

?

網(wǎng)上個性化推薦研究述評與展望

孫魯平1，張麗君2，汪平3
（1. 中央財經(jīng)大學(xué) 商學(xué)院，北京 100081；2. 陜西師范大學(xué) 國際商學(xué)院，陜西 西安 710119；3. 浙江師范大學(xué) 經(jīng)濟與管理學(xué)院、中非國際商學(xué)院，浙江 金華 321004）

摘要：在競爭激烈的網(wǎng)上零售活動中，為了提升消費者的購物體驗、培養(yǎng)顧客忠誠，越來越多的電子商務(wù)企業(yè)開始為顧客提供個性化商品推薦。目前個性化推薦相關(guān)文獻主要研究如何改進推薦算法、提升推薦質(zhì)量，而關(guān)于個性化推薦與消費者行為之間關(guān)系的研究相對較少。這導(dǎo)致學(xué)者和電子商務(wù)從業(yè)人員過于關(guān)注推薦算法本身，而忽略了推薦對消費者和電子商務(wù)企業(yè)的影響。為了幫助學(xué)界和業(yè)界更好地認識和理解個性化推薦及其研究脈絡(luò)，本文從個性化推薦的定義和分類、推薦算法和模型、個性化推薦與消費者行為之間的關(guān)系這三個方面對現(xiàn)有文獻進行了系統(tǒng)的梳理。與現(xiàn)有的相關(guān)文獻綜述不同，本文側(cè)重于探討個性化推薦與消費者行為之間的關(guān)系，主要包括消費者對個性化推薦的評價及其影響因素以及個性化推薦對消費者網(wǎng)上購買決策過程、決策結(jié)果的影響。最后，本文提出了將來的一些研究方向，供營銷和信息科學(xué)領(lǐng)域的學(xué)者進一步研究和探討。

關(guān)鍵詞：個性化推薦；網(wǎng)上購物行為；電子商務(wù)

張麗君（1980—），女，陜西師范大學(xué)國際商學(xué)院講師（通訊作者）；

汪平（1972—），男，浙江師范大學(xué)經(jīng)濟與管理學(xué)院、中非國際商學(xué)院講師。

一、引　言

隨著計算機和信息技術(shù)的不斷進步，以互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)為代表的新媒體在近十多年里得到了迅猛發(fā)展，消費者傳統(tǒng)的線下購物、社交、閱讀等行為正在向線上轉(zhuǎn)移。根據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的最新數(shù)據(jù)，截至2015年12月，我國網(wǎng)民規(guī)模達6.88億，互聯(lián)網(wǎng)普及率提升至50.3%?！鞍鹱稍儭卑l(fā)布的中國網(wǎng)購市場數(shù)據(jù)顯示，2014年我國網(wǎng)購市場交易規(guī)模達2.8萬億元，增長了48.7%。隨著越來越多的企業(yè)進入電子商務(wù)領(lǐng)域，網(wǎng)上零售業(yè)的競爭也日趨激烈。在當前的市場環(huán)境中，電子商務(wù)企業(yè)僅僅通過優(yōu)化傳統(tǒng)的營銷決策變量（即營銷4P組合）已經(jīng)很難在競爭中取勝。信息技術(shù)的快速發(fā)展正推動著數(shù)據(jù)運算和存儲能力的不斷提升，消費者需求也更加多元化。在此背景下，電子商務(wù)企業(yè)開始利用大量的消費者行為數(shù)據(jù)來尋求提升利潤的新方法。近幾年，電子商務(wù)企業(yè)最常用的策略之一是向顧客提供個性化推薦，以改善消費者的購物體驗，進而提升網(wǎng)站的交易額和利潤。目前，多數(shù)大型網(wǎng)上零售平臺，例如美國的亞馬遜、Barnes & Noble、Netflix等，中國的京東商城、1號店、紅孩子商城等，均在為其顧客提供個性化推薦。

個性化推薦相關(guān)研究最早起源于計算機和信息科學(xué)領(lǐng)域，該領(lǐng)域的學(xué)者們致力于改進個性化推薦算法、提高推薦的準確性。隨著市場競爭的加劇，電子商務(wù)企業(yè)改善用戶體驗的需求日趨增強，統(tǒng)計、營銷等相關(guān)領(lǐng)域的學(xué)者們也開始從不同的角度研究個性化推薦策略，使個性化推薦成為跨學(xué)科的前沿研究方向之一。計算機科學(xué)和統(tǒng)計學(xué)領(lǐng)域主要關(guān)注個性化推薦的算法和模型，而營銷和信息系統(tǒng)領(lǐng)域更加關(guān)注個性化推薦是否及如何影響消費者行為。

近年來，國內(nèi)外學(xué)者對個性化推薦研究越來越重視，很多學(xué)者對相關(guān)研究的進展進行了歸納和總結(jié)。但這些研究綜述主要集中在個性化推薦算法和模型及其效果評價等方面（吳麗花和劉魯，2006；許海玲等，2009；劉建國等，2009a；劉建國等，2009b；王國霞和劉賀平，2012；Lü等，2012；Bobadilla等，2013；安維等，2013），較少從消費者視角探討個性化推薦策略的影響。鑒于此，本文從個性化推薦的定義和分類、算法和模型，以及與消費者行為之間的關(guān)系等方面，對不同領(lǐng)域的研究進行了較為系統(tǒng)的梳理。圖1呈現(xiàn)了這幾類文獻的內(nèi)在邏輯聯(lián)系。

本文旨在幫助學(xué)者及從業(yè)人員更好地了解個性化推薦研究的脈絡(luò)、進展和未來方向。需要指出的是，本文著重對個性化推薦與消費者行為的關(guān)系進行了梳理和總結(jié)，并提出了將來的一些研究方向。個性化推薦與消費者行為之間的關(guān)系研究可以分為兩大類：第一類探討消費者對個性化推薦及推薦系統(tǒng)的評價及其影響因素；第二類探討個性化推薦對消費者決策過程和決策結(jié)果的影響，包括消費者的信息搜尋行為、產(chǎn)品偏好、決策質(zhì)量以及決策滿意度等。本文在第四、第五部分將分別對上述內(nèi)容進行詳細闡述。

二、個性化推薦的定義和類型

（一）個性化推薦的定義

個性化推薦是電子商務(wù)企業(yè)廣泛采用的個性化營銷策略之一，它是指電子商務(wù)網(wǎng)站根據(jù)消費者之前的評分、瀏覽、購買或搜索歷史等行為數(shù)據(jù)以及相似消費者的歷史行為數(shù)據(jù)推測目標消費者的需求和偏好，然后在目標消費者訪問網(wǎng)站時為其推薦或展示一組他們可能喜歡的商品或服務(wù)（孫魯平等，2011；Bobadilla等，2013）。由于不同消費者在購物網(wǎng)站的評分、瀏覽、購買和搜索歷史等都不相同，因此，在每位消費者訪問網(wǎng)站時，網(wǎng)站向其展示的推薦商品也各不相同。個性化推薦系統(tǒng)不僅能夠幫助消費者發(fā)現(xiàn)他們感興趣的商品，改善顧客的購物體驗，提高顧客的忠誠度，同時還能增加交叉銷售機會，因而成為電子商務(wù)企業(yè)重要的競爭工具之一（Srinivasan等，2002；Pathak等，2010）。

圖1　研究框架：個性化推薦系統(tǒng)的組成、分類及與消費者行為的關(guān)系

一般來說，個性化推薦由智能推薦系統(tǒng)產(chǎn)生，它是為消費者生成和展示其最可能喜歡的商品列表的過程。如圖1所示，這個過程包括數(shù)據(jù)輸入、個性化推薦算法和推薦列表輸出三個步驟（Herlocker等，2004；刑星，2013）。數(shù)據(jù)輸入是獲取消費者特征、偏好及行為等信息并用于推薦的過程，個性化推薦算法則用于為個體消費者建立偏好模型，而推薦列表輸出即根據(jù)偏好模型向消費者展示不同的商品。

（二）個性化推薦的類型

采用不同的標準，個性化推薦可以劃分為不同的類型。根據(jù)用于產(chǎn)生推薦的數(shù)據(jù)類型的不同，可以分為基于顯式反饋（explicit feedback）的個性化推薦和基于隱式反饋（implicit feedback）的個性化推薦。根據(jù)產(chǎn)生個性化推薦所采用算法的不同，可以分為基于內(nèi)容的推薦、基于協(xié)同過濾的推薦和混合推薦（Goldberg等，1992）。

1. 基于顯式反饋的個性化推薦和基于隱式反饋的個性化推薦。個性化推薦系統(tǒng)將消費者反饋信息作為輸入數(shù)據(jù)，為消費者提供高質(zhì)量的推薦（Lee和Brusilovsky，2009；印鑒等，2014）。消費者反饋信息即能夠揭示消費者偏好和興趣的數(shù)據(jù)，具體可以分為兩大類：第一類是顯式反饋，是指由消費者提供的揭示其偏好或行為傾向的數(shù)據(jù)，例如對產(chǎn)品的評分和評論等信息；第二類是隱式反饋，是指消費者未直接表示的、在不打擾消費者正?；顒拥那闆r下收集的消費者偏好或行為傾向數(shù)據(jù)，例如網(wǎng)頁瀏覽、鼠標點擊等。

基于顯式反饋的個性化推薦系統(tǒng)通常需要消費者提供他們對商品的偏好信息才能提供個性化推薦。例如，某些推薦系統(tǒng)需要消費者對產(chǎn)品的屬性水平和屬性重要性進行評分，然后才能產(chǎn)生個性化推薦（Zhen等，2009；Ma等，2011；Wu等，2012）。這個過程需要消費者付出額外的努力，一方面容易引起消費者的反感，另一方面消費者一般也沒有動力為產(chǎn)品評分，因此，對于電子商務(wù)網(wǎng)站來說獲取這類數(shù)據(jù)并不容易。

基于隱式反饋的個性化推薦系統(tǒng)在消費者不易察覺的情況下記錄其行為和偏好，一般不需要消費者提供關(guān)于產(chǎn)品屬性偏好和屬性重要性的信息就可以提供推薦（Kim和Chan，2008；Joachims等，2005）。這類個性化推薦的優(yōu)點在于提供推薦時不需要消費者回答任何問題，消費者在接收推薦時不會感覺到被打擾，因此，基于隱式反饋的推薦系統(tǒng)在電子商務(wù)中應(yīng)用較為廣泛。這類個性化推薦可以進一步劃分為基于正面反饋的個性化推薦和基于負面反饋的個性化推薦，前者?；跒g覽、收藏等揭示消費者產(chǎn)品偏好的信息進行推薦，而后者則基于消費者不喜歡某些產(chǎn)品的信息進行推薦，例如刪除、跳轉(zhuǎn)等信息（Lee和Brusilovsky，2009）。

2. 基于內(nèi)容的個性化推薦、基于協(xié)同過濾的個性化推薦和混合推薦。根據(jù)推薦算法的不同，個性化推薦可以劃分為基于內(nèi)容的個性化推薦、基于協(xié)同過濾的個性化推薦和混合推薦（Balabanovi?和Shoham，1997；Ariely等，2004；Adomavicius和Tuzhilin，2005）?；趦?nèi)容的推薦根據(jù)商品特征和消費者的購買歷史進行，不依賴其他消費者的偏好信息（Pazzani和Billsus，1997；Centeno等，1999），這類推薦算法會尋找與消費者喜歡或購買的商品具有相似特征或?qū)傩缘纳唐愤M行推薦?；趦?nèi)容的個性化推薦系統(tǒng)首先根據(jù)消費者的歷史偏好建立消費者配置文件，然后比較商品和消費者配置文件的相似度，并向消費者推薦一些與其配置文件最相似的商品。例如，在電影推薦中，推薦系統(tǒng)首先根據(jù)消費者評分較高的電影的共性（風(fēng)格、導(dǎo)演、主演等）為其建立配置文件，然后向消費者推薦一些與其配置文件最相似的電影（Adomavicius和Tuzhilin，2005）。

基于協(xié)同過濾的推薦一般不對商品的內(nèi)容或特征進行分析，而是利用其他消費者對商品的評分或隱式反饋數(shù)據(jù)來向當前的消費者進行推薦。目前，基于協(xié)同過濾的個性化推薦在電子商務(wù)中的應(yīng)用最為廣泛，其基本原理類似于消費者的口碑推薦，即利用其他相似消費者喜歡的商品來向當前的消費者進行推薦（Ansari等，2000）?；趨f(xié)同過濾的推薦又可以進一步劃分為基于記憶（memory-based）的協(xié)同過濾推薦和基于模型（model-based）的協(xié)同過濾推薦（Breese等，1998）。

基于記憶的協(xié)同過濾推薦通過計算消費者或產(chǎn)品的相似度進行預(yù)測和推薦，又可以分為基于用戶和基于項目的協(xié)同過濾推薦（Karypis，2001）?；谟脩舻膮f(xié)同過濾推薦根據(jù)不同消費者在行為或偏好上的相似性進行推薦。該算法首先識別與目標消費者具備相似偏好的消費者，然后推薦這些消費者喜歡但是目標消費者尚不知曉的商品（Herlocker等，2004）。基于項目的協(xié)同過濾推薦則根據(jù)產(chǎn)品間的相似性或關(guān)聯(lián)性進行推薦（Deshpande和Karypis，2004），推薦系統(tǒng)為目標消費者推薦一些與其已評價、瀏覽或購買的商品關(guān)聯(lián)性或相似性較高的商品。

基于模型的協(xié)同過濾推薦通過聚類分析（Ungar和Foster，1998）、貝葉斯模型（Chen和George，1999）、線性回歸（Sarwar等，2001）等方法建立消費者偏好模型，并用該模型生成個性化推薦。還有一些營銷學(xué)者建立了更為復(fù)雜的統(tǒng)計模型，但這些基于模型的方法響應(yīng)速度相對較慢，難以實時地為大量消費者生成個性化推薦（Deshpande和Karypis，2004）。

基于內(nèi)容的推薦和基于協(xié)同過濾的推薦都存在一些缺點（Balabanovi?和Shoham，1997；Ungar和Foster，1998），例如，不適用于復(fù)雜產(chǎn)品的推薦、存在“冷啟動”問題等?；旌贤扑]則結(jié)合了以上兩種推薦方法，推薦的準確率更高（Balabanovi?和Shoham，1997；劉建國等，2009b）。在第三部分，本文將簡要地梳理個性化推薦算法和模型。

三、個性化推薦算法和模型

個性化推薦算法和模型相關(guān)研究致力于提升推薦質(zhì)量，最新研究進展集中在計算機科學(xué)和統(tǒng)計學(xué)領(lǐng)域。這些研究假設(shè)消費者具有完備、穩(wěn)定的產(chǎn)品偏好，將生成個性化推薦的過程視為預(yù)測目標消費者產(chǎn)品偏好或效用的問題，通過提出復(fù)雜的算法、統(tǒng)計模型或設(shè)計更好的推薦引擎來提高推薦商品和消費者偏好之間的契合度。

1. 基于內(nèi)容的推薦算法。如前文所述，按照推薦算法的不同，個性化推薦可以分為基于內(nèi)容的推薦、基于協(xié)同過濾的推薦和混合推薦。基于內(nèi)容的推薦常用于對新聞、博客、網(wǎng)頁等商品的推薦，經(jīng)常采用的方法包括詞頻—倒排文檔頻率（Resnick和Varian，1997；劉建國等，2009b）、聚類分析法、貝葉斯分類算法（Mooney等，1998）等。最近有些學(xué)者根據(jù)物理學(xué)的框架將萬有引力定律引入個性化推薦，這些算法可以根據(jù)用戶的偏好進行個性化推薦（王國霞等，2015）。總的來說，這類推薦算法的優(yōu)點在于可以為用戶推薦新商品，但不適合復(fù)雜商品的推薦。

2. 協(xié)同過濾算法。協(xié)同過濾算法利用相似消費者的偏好生成個性化推薦，常用“最近鄰居”法（Resnick等，1994）、聚類分析法、數(shù)據(jù)降維法（Sarwar等，2000）、貝葉斯網(wǎng)絡(luò)法（Breese等，1998）等方法。很多學(xué)者通過改進該算法中的相似性測量來提升推薦效果。鄧愛林等（2003）用兩個用戶評分的并集計算用戶相似性，提出了基于項目評分預(yù)測的協(xié)同過濾法，而李聰?shù)龋?008）將用戶進一步區(qū)分為無推薦能力和有推薦能力兩類，并且只利用有推薦能力的用戶計算相似性。數(shù)據(jù)降維和奇異值分解也是協(xié)同過濾的常用方法（Lü等，2012）。孫小華等（2006）提出了Pear-After-SVD法，先用奇異值分解（singular value decomposition）對缺失數(shù)據(jù)進行預(yù)估，再用皮爾森相關(guān)系數(shù)識別“最近鄰居”，從而提高了推薦質(zhì)量。此外，一些學(xué)者還提出了概率矩陣分解（Salakhutdinov和Mnih，2008a）和貝葉斯概率矩陣分解（Salakhutdinov和Mnih，2008b）等方法。近些年，學(xué)者們還將其他一些方法引入?yún)f(xié)同過濾推薦以提升推薦質(zhì)量。例如，圖論（Huang等，2004）、支持向量機（李婧，2013）、博弈論模型（馮智明，2013；楊阿祧等，2015）等，均曾被學(xué)者們引入?yún)f(xié)同過濾推薦算法。

3. 混合推薦算法。協(xié)同過濾算法的局限性在于容易受到數(shù)據(jù)或偏好信息缺失的影響，且對新商品和新用戶的推薦效果不佳?；旌贤扑]結(jié)合了基于內(nèi)容的推薦和基于協(xié)同過濾的推薦這兩種方法（許海玲等，2009），常采用線性組合、投票機制（Pazzani，1999）等方法。一些新的方法，例如圖論、支持向量機等也可以用于混合推薦系統(tǒng)（Huang等，2004）。這類推薦算法兼?zhèn)湟陨蟽深愅扑]算法的優(yōu)點，但運算量較大，推薦過程也更為復(fù)雜。

4. 統(tǒng)計模型。營銷領(lǐng)域的一些研究還為個性化推薦建立了統(tǒng)計模型，他們?yōu)樵擃I(lǐng)域研究做出了重要貢獻，但這些模型往往較為復(fù)雜，難以實時生成個性化推薦，因此，目前在業(yè)界的應(yīng)用相對較少。Chen和George（1999）開創(chuàng)了這方面研究的先河，他們將貝葉斯混合模型用于美國Each Movie網(wǎng)站的電影評分數(shù)據(jù)，實證研究表明該模型比Sarwar等（2000）提出的“最近鄰居法”推薦效果更好。在此基礎(chǔ)上，Ansari等（2000）同時將消費者特征和產(chǎn)品特征的固定與隨機效應(yīng)引入分層貝葉斯模型，達到了比一般協(xié)同過濾算法更好的推薦質(zhì)量。Ying等（2006）同樣采用消費者的產(chǎn)品評分數(shù)據(jù)，進一步提出消費者產(chǎn)品評分的缺失并不是隨機產(chǎn)生的。在這個假設(shè)的基礎(chǔ)上，他們采用概率模型同時對評分缺失的機制和觀測到的產(chǎn)品評分建立模型，并采用實證數(shù)據(jù)證明該模型具有更高的推薦質(zhì)量。此外，還有一些學(xué)者采用消費者購買數(shù)據(jù)建立個性化推薦模型。例如，Bodapati（2008）使用交易數(shù)據(jù)建立了雙重潛類別模型，不僅考慮了消費者對產(chǎn)品的知曉和購買，還引入了消費者和產(chǎn)品的異質(zhì)性，該模型的樣本外預(yù)測誤差比一般推薦算法或二元回歸模型要低。

此外，還有一些研究致力于設(shè)計更好的推薦系統(tǒng)來解決“冷啟動”、信息缺失等問題，以提高推薦質(zhì)量。De Bruyn等（2008）設(shè)計了一個采用逐步成分回歸法的個性化推薦系統(tǒng)，可以為新用戶提供個性化推薦，試圖解決個性化推薦中常見的“冷啟動”問題。相對于整體輪廓的聯(lián)合分析法（full-profile conjoint analysis），該推薦系統(tǒng)只需要詢問較少且容易回答的問題就可以為消費者提供高質(zhì)量的個性化推薦。類似地，Chung等（2009）設(shè)計了自適應(yīng)的個性化推薦系統(tǒng)，該系統(tǒng)通過消費者聽每首歌的時長來了解其歌曲偏好，并隨時間推移不斷更新消費者的歌曲推薦列表。

綜上所述，與個性化推薦算法和模型相關(guān)的現(xiàn)有研究致力于提升個性化推薦質(zhì)量，這些研究均將推薦質(zhì)量界定為推薦商品與消費者偏好的契合度，一般采用均方誤差（mean squared error，MSE）來對其進行測量，均方誤差越低，則推薦質(zhì)量越高。然而，近幾年一些學(xué)者還提出，個性化推薦不能只根據(jù)消費者的歷史行為（即喜歡哪些商品）進行，而要同時兼顧消費者對多樣化、新穎性的尋求。也就是說，推薦算法和模型應(yīng)該為消費者推薦一些其之前沒有嘗試過的產(chǎn)品類型，這樣的個性化推薦可能會給消費者帶來驚喜，從而提升顧客的購物體驗（劉建國等，2009a；Lü等，2012）。

四、消費者對個性化推薦的評價及其影響因素

關(guān)于消費者對個性化推薦及推薦系統(tǒng)的評價及其影響因素的研究主要集中在信息系統(tǒng)領(lǐng)域，這類研究將個性化推薦系統(tǒng)視為一種新的信息技術(shù)，通常以Davis（1989）的信息技術(shù)采納模型（TAM）為理論框架，研究感知有用性（perceived usefulness）和感知易用性（perceived ease of use）等因素如何影響消費者對個性化推薦系統(tǒng)的采納和評價。此外，消費者對個性化推薦系統(tǒng)的采用意向和行為還受到信任（trust）、滿意度（satisfaction）等中介變量的影響。Martínez-López等（2015）發(fā)現(xiàn)，信任和感知有用性是決定消費者是否采用個性化推薦系統(tǒng)的重要前因，這也是相關(guān)研究關(guān)注信任、感知有用性、感知易用性等變量的原因。

消費者對個性化推薦的采納和評價受多種因素的影響，背后的作用機制也較為復(fù)雜。具體來說，學(xué)者們進一步研究了消費者特征、產(chǎn)品特征、個性化推薦系統(tǒng)的特征等因素如何影響消費者對個性化推薦的評價。

（一）消費者特征的影響

1. 消費者知識。消費者行為學(xué)相關(guān)研究表明，產(chǎn)品知識水平的高低會影響消費者決策過程的諸多方面（Alba和Hutchinson，1987）。消費者的產(chǎn)品知識也會影響他們對不同類型推薦系統(tǒng)的反應(yīng)或評價。一般來說，產(chǎn)品知識較多的消費者更可能對個性化推薦系統(tǒng)產(chǎn)生不滿，而且更少依賴推薦系統(tǒng)來做購買決策（Yoon等，2013）。前人的研究還發(fā)現(xiàn)，消費者的產(chǎn)品類別知識與其對個性化推薦系統(tǒng)的感知易用性和感知有用性具有顯著的負相關(guān)關(guān)系（Kamis和Davern，2004），也就是說，產(chǎn)品類別知識越多，消費者就越依賴自己的產(chǎn)品知識來進行決策，對推薦系統(tǒng)感知易用性和感知有用性的評價也就越低。此外，消費者知識與個性化推薦系統(tǒng)的特征還可能存在交互作用。Pereira （2000）發(fā)現(xiàn)，產(chǎn)品類別知識較多的消費者對基于內(nèi)容的個性化推薦系統(tǒng)的評價更正面，表現(xiàn)為更加信任和滿意，而產(chǎn)品類別知識較少的消費者則對基于協(xié)同過濾的個性化推薦系統(tǒng)的評價更正面。

2. 消費者對推薦系統(tǒng)的熟悉程度。消費者對推薦系統(tǒng)的熟悉程度指消費者所積累的與推薦系統(tǒng)的使用相關(guān)的直接和間接經(jīng)驗的總和。消費者行為學(xué)研究表明，熟悉是建立信任的必要條件（McKnight等，1998）。類似地，熟悉程度的提升將強化和增進消費者對個性化推薦系統(tǒng)的信任。Komiak和Benbasat（2006）發(fā)現(xiàn)，對推薦系統(tǒng)的熟悉可以提高消費者對推薦系統(tǒng)的信任，熟悉程度是影響消費者使用和評價個性化推薦系統(tǒng)的重要因素。陳明亮和蔡日梅（2009）針對中國消費者的研究也表明，消費者對推薦形式和推薦原理越熟悉，對推薦系統(tǒng)的信任度就越高，個性化推薦對其決策過程的影響也就越大。

（二）產(chǎn)品特征的影響

根據(jù)消費者對產(chǎn)品質(zhì)量或?qū)傩缘牧私馇兰霸u價方式的不同，產(chǎn)品大致可以分為搜尋型和體驗型兩類（Nelson，1970）。產(chǎn)品類型不同，消費者對個性化推薦系統(tǒng)的評價和反應(yīng)就不同。通常，個性化推薦系統(tǒng)可以為消費者提供有關(guān)產(chǎn)品的一些有價值的信息（如文字描述、圖片等），從而幫助消費者更好地判斷和衡量產(chǎn)品屬性，進而提升消費者感知的有用性。Aggarwal和Vaidyanathan（2003）發(fā)現(xiàn)，相較于體驗型產(chǎn)品，消費者認為搜尋型產(chǎn)品的個性化推薦更有用。但另一方面，也有研究表明，相對于搜尋型產(chǎn)品，消費者對體驗型產(chǎn)品的個性化推薦評價更高，此時推薦對消費者的影響更大（Senecal和Nantel，2004）。其原因在于，消費者在做出有關(guān)搜尋型產(chǎn)品的決策時更傾向于依靠自己的判斷，而在做出有關(guān)體驗型產(chǎn)品的決策時更傾向于借鑒他人的判斷，因此在做出后一種決策時更容易受到推薦的影響（King和Balasubramanian，1994）。

（三）個性化推薦系統(tǒng)特征的影響

1. 生成推薦所采用數(shù)據(jù)的收集方式。推薦的生成需要對消費者反饋信息進行深入的挖掘和分析，以使個性化推薦更加契合消費者的偏好。相較于評分、評價等顯式反饋數(shù)據(jù)，隱式反饋數(shù)據(jù)的收集不需要消費者付出認知努力，也不會造成任何干擾，因而消費者對基于隱式反饋的推薦系統(tǒng)感知易用性和滿意度更高（Xiao和Benbasat，2007）。但需要指出的是，隱式反饋數(shù)據(jù)的收集也可能會引起一些消費者對個人信息泄露和隱私安全的擔憂，從而影響消費者對個性化推薦的反應(yīng)或評價（Chellappa和Sin，2005）。就顯式反饋數(shù)據(jù)的收集而言，降低消費者在這個過程中的認知負擔和認知困難可以提升消費者對個性化推薦系統(tǒng)的感知易用性和滿意度。Kramer（2007）的實證研究發(fā)現(xiàn)，測量消費者偏好時所采用的任務(wù)透明度越高，越有利于消費者更好地理解和認識自身的偏好，進而使他們對個性化推薦的感知契合度和評價更高。

2. 推薦算法。推薦系統(tǒng)生成推薦所采用的算法不同，消費者對個性化推薦的反應(yīng)就不同。Schafer等（2002）發(fā)現(xiàn)，相較于僅采用協(xié)同過濾算法的推薦系統(tǒng)，消費者更信任混合推薦系統(tǒng)，對混合推薦系統(tǒng)的感知有用性評價也更高。此外，推薦算法的作用還會受到某些消費者特征的調(diào)節(jié)。Pereira（2000）發(fā)現(xiàn)，產(chǎn)品類別知識較多的消費者對基于內(nèi)容的推薦評價更高，而產(chǎn)品類別知識較少的消費者對協(xié)同過濾推薦評價更高。Ariely等（2004）系統(tǒng)地比較了基于內(nèi)容的個性化推薦與基于協(xié)同過濾的個性化推薦，他們發(fā)現(xiàn)，基于內(nèi)容的個性化推薦在消費者偏好較為穩(wěn)定時推薦效果更好；并且，當消費者的效用函數(shù)發(fā)生改變時，基于內(nèi)容的個性化推薦的推薦質(zhì)量受到的影響相對較小。

3. 推薦商品的展示。推薦商品展示的內(nèi)容和形式會影響消費者對個性化推薦的評價。如果推薦列表中包含消費者熟悉的產(chǎn)品，消費者對個性化推薦系統(tǒng)的信任程度就更高，而推薦商品時提供具體的產(chǎn)品信息也有助于提升消費者的信任程度（Sinha和Swearingen，2001）。同時，推薦商品列表導(dǎo)航和布局越簡潔、清楚、易用，消費者的感知易用性、感知有用性和滿意度就越高（Xiao和Benbasat，2007）。此外，從構(gòu)造偏好（constructive preference）的視角來看，消費者的偏好在很大程度上受情境因素的影響（Bettman等，1998）。Simonson（2005）指出給同一組推薦商品貼上不同的標簽會影響消費者對這些推薦的反應(yīng)。Kramer等（2007）的實證研究發(fā)現(xiàn)，給同一組推薦商品分別貼上“基于其他相似消費者”和“基于個人偏好”的推薦標簽時，相對于“基于其他相似消費者”的推薦，獨立取向（依存取向）消費者更喜歡（更不喜歡）“基于個人偏好”的推薦。

4. 交互過程。與個性化推薦系統(tǒng)的交互過程也會影響消費者對個性化推薦系統(tǒng)的評價和采用行為。Al-Natour等（2008）發(fā)現(xiàn)，消費者對推薦系統(tǒng)決策過程的感知相似性可以顯著地提升他們對推薦系統(tǒng)的感知有用性和信任水平，對決策結(jié)果的感知相似性也能顯著地提高他們對推薦系統(tǒng)的信任水平，但這一影響主要是通過提升決策過程的感知相似性發(fā)揮作用的。Wang和Benbasat（2004）指出，向消費者解釋推薦生成的內(nèi)在邏輯有助于提高他們對推薦系統(tǒng)的信任水平。Bechwati和Xia（2003）還發(fā)現(xiàn)，在搜索產(chǎn)品的交互過程中告知消費者搜索進程，可以使消費者認為該系統(tǒng)為其節(jié)省了更多的搜尋努力，進而能夠提升消費者對搜索過程的滿意度和評價。不僅如此，Dabholkar和Sheng（2012）的研究還表明，消費者在個性化推薦中的參與程度越高，他們對個性化推薦的滿意度和信任度就越高。

五、個性化推薦對消費者決策過程和決策結(jié)果的影響

個性化推薦系統(tǒng)生成的商品推薦對消費者決策具有重要的影響。相關(guān)研究表明，與傳統(tǒng)的商品推薦來源相比，推薦系統(tǒng)或虛擬導(dǎo)購生成的商品推薦對消費者決策的影響更大。Senecal和Nantel（2004）對比了三種不同來源的推薦對消費者選擇行為的影響，他們發(fā)現(xiàn)，相對于來自“專家”和“其他消費者”的推薦，來自“推薦系統(tǒng)”或虛擬導(dǎo)購的推薦對消費者選擇決策的影響更大。Urban和Hauser（2004）針對汽車行業(yè)的研究也發(fā)現(xiàn)，相對于經(jīng)銷商或銷售人員的推薦，消費者對虛擬導(dǎo)購?fù)扑]的商品購買可能性要高4倍多。

近年來，很多營銷學(xué)者將研究重點轉(zhuǎn)向個性化推薦對消費者決策的影響。消費者行為學(xué)相關(guān)理論指出，由于信息過載和認知資源有限，消費者往往將行為決策簡化為“瀏覽—考慮”兩階段過程（Payne等，1988；Roberts和Lattin，1991）。在瀏覽階段（又稱為篩選階段），消費者搜索感興趣的商品信息，并選擇一些喜歡的商品組成選擇集。在考慮階段（又稱為選擇階段），消費者仔細地評價和比較選擇集中的商品并選擇一個進行購買。在網(wǎng)絡(luò)購物環(huán)境中，信息過載和認知資源有限的沖突變得尤為明顯，因此，個性化推薦可能對這兩個決策階段的消費者行為都會產(chǎn)生較大的影響，例如影響消費者的信息搜尋行為、產(chǎn)品偏好、價格敏感度以及決策質(zhì)量和決策滿意度等（H?ubl和Trifts，2000；Bechwati和Xia，2003；H?ubl和Murray，2006）。表1簡要梳理了關(guān)于個性化推薦對消費者決策影響的主要實證研究發(fā)現(xiàn)。

1. 信息搜尋過程。個性化推薦顯著地影響消費者的信息搜尋過程。H?ubl和Trifts（2000）采用實驗室實驗研究了交互式?jīng)Q策輔助工具（包括個性化推薦系統(tǒng)和對比矩陣）對消費者決策的影響，他們發(fā)現(xiàn)，使用個性化推薦系統(tǒng)會顯著地降低消費者所考慮或搜尋的產(chǎn)品數(shù)量。然而，還有一些學(xué)者發(fā)現(xiàn)，個性化推薦系統(tǒng)在一些情況下可能會增加消費者考慮的產(chǎn)品數(shù)量（Pereira，2001）。研究結(jié)論的這些矛盾可能是由于學(xué)者們研究的產(chǎn)品類別不同造成的。Swaminathan（2003）的實證研究表明，個性化推薦對消費者搜尋產(chǎn)品數(shù)量的影響受產(chǎn)品復(fù)雜度的調(diào)節(jié)，對于復(fù)雜度低的產(chǎn)品，個性化推薦會顯著減少消費者的信息搜索量，而對于復(fù)雜度高的產(chǎn)品，個性化推薦反而會提高消費者的信息搜索量。更為重要的是，學(xué)者們發(fā)現(xiàn)，個性化推薦還會影響消費者在信息搜尋過程中的決策模式。Dellaert和H?ubl（2005）發(fā)現(xiàn)，個性化推薦促使消費者更多地采用啟發(fā)式的局部效用對比（heuristic local utility comparison）策略來評價產(chǎn)品。Dellaert和H?ubl（2012）的行為學(xué)實驗也表明，當網(wǎng)站向消費者展示推薦品時，消費者傾向于將信息搜尋過程轉(zhuǎn)換為“選擇導(dǎo)向”。在“選擇導(dǎo)向”的信息搜尋中，消費者更多地將當前產(chǎn)品跟之前搜索過的所有產(chǎn)品進行比較而不是僅與其中最好的進行比較，并且在搜索的產(chǎn)品差異較大時，消費者停止搜索的可能性更高。

表1　個性化推薦對消費者決策影響的主要研究發(fā)現(xiàn)

2. 產(chǎn)品偏好和價格敏感度。個性化推薦還會改變消費者的產(chǎn)品偏好和價格敏感度（Murray和H?ubl，2005）。例如，在生成個性化推薦的過程中引入某個產(chǎn)品屬性會顯著地提高該屬性在消費者之后決策中的重要程度（H?ubl和Murray，2003）。個性化推薦還會加劇推薦列表中排在前面的商品之間的競爭，提高消費者的價格敏感度，并最終使消費者支付更低的價格（Diehl等，2003）。

3. 決策質(zhì)量和決策滿意度。個性化推薦還會影響消費者的決策質(zhì)量和決策滿意度。一般來說，消費者希望有更多的選擇，但是面臨很多商品時又會在決策時感到“選擇過載”（Berger等，2007）。而個性化推薦可以幫助消費者減少搜尋成本和認知負擔，快速找到自己喜歡的商品，從而提升決策質(zhì)量和滿意度（H?ubl和Trifts，2000；H?ubl和Murray，2006）。需要指出的是，也有研究表明，個性化推薦可能對消費者產(chǎn)生負面影響，尤其是當個性化推薦不夠準確的時候。Fitzsimons和Lehmann（2004）發(fā)現(xiàn)，當個性化推薦和消費者對產(chǎn)品的最初印象相矛盾時，消費者可能會產(chǎn)生更低的決策滿意度、更高的決策困難，并且更可能選擇沒有被推薦的商品。Diehl（2005）的研究也表明，當推薦引擎將商品排序并推薦給消費者時，原本可以提升消費者決策質(zhì)量的因素反而可能會降低決策質(zhì)量。具體來說，當網(wǎng)站向消費者展示推薦時，更低的搜尋成本、更多的被推薦商品數(shù)量以及更強的做出準確購買決策的動機可能會誘使消費者搜索過多的商品，從而降低選擇集的質(zhì)量和消費者分辨商品好壞的能力。

4. 隱私保護。個性化推薦可以減少消費者的認知負擔、輔助制定購買決策，但它也存在潛在的風(fēng)險。目前學(xué)者們普遍關(guān)注的風(fēng)險是消費者個人信息泄露和隱私安全風(fēng)險，隱私保護意識較強的消費者可能對個性化推薦產(chǎn)生抗拒心理，從而影響個性化推薦的效果。例如，White等（2008）的研究發(fā)現(xiàn)，如果企業(yè)不能合理地解釋直郵廣告中的產(chǎn)品或服務(wù)與消費者個人特征之間的高度匹配，個性化信息就可能會使消費者產(chǎn)生抗拒心理，進而降低消費者對廣告產(chǎn)品或服務(wù)的評價。然而，Li和Unger（2012）關(guān)于個性化服務(wù)推薦的研究表明，如果推薦服務(wù)的質(zhì)量足夠高，消費者就能夠克服對隱私安全的擔憂而更多地使用個性化推薦，并愿意為推薦服務(wù)支付更高的價格。

綜上所述，個性化推薦可以在購買決策過程的每個階段對消費者行為產(chǎn)生影響，而影響的程度可能受到多種因素的影響，例如消費者特征、產(chǎn)品特征、個性化推薦的準確性等。一般來說，準確的個性化推薦往往可以提升消費者的決策質(zhì)量和決策滿意度，而對于準確度較低的個性化推薦或者隱私保護意識較強的消費者，個性化推薦則可能會適得其反。

六、未來研究展望

本文系統(tǒng)地回顧了國內(nèi)外關(guān)于個性化推薦的研究文獻，包括計算機科學(xué)、統(tǒng)計學(xué)、信息系統(tǒng)以及營銷學(xué)等領(lǐng)域的相關(guān)研究。目前國內(nèi)外大量相關(guān)文獻主要研究了如何改進個性化推薦的算法和模型，很多學(xué)者對個性化推薦算法和模型進行了綜述和評析，然而很少有學(xué)者系統(tǒng)地回顧個性化推薦和消費者行為之間的關(guān)系。本文梳理了不同領(lǐng)域的相關(guān)研究，并重點對有關(guān)個性化推薦與消費者行為之間關(guān)系的文獻進行了梳理，以期為市場營銷以及信息系統(tǒng)領(lǐng)域的學(xué)者進一步開展相關(guān)研究奠定基礎(chǔ)。

隨著個性化推薦在電子商務(wù)領(lǐng)域應(yīng)用的日趨廣泛，越來越多的學(xué)者開始展開相關(guān)研究。在計算機科學(xué)和統(tǒng)計學(xué)領(lǐng)域，學(xué)者們不斷改進個性化推薦的算法和模型，以實現(xiàn)更加精準的推薦。雖然現(xiàn)在業(yè)界采用的推薦算法已趨于成熟，但一些學(xué)者依然在致力于這方面的研究。在信息科學(xué)和營銷領(lǐng)域，關(guān)于消費者對個性化推薦評價和采用的研究已經(jīng)處于成熟階段，前人的大量研究為解釋消費者為何采用個性化推薦系統(tǒng)做出了貢獻（如Xiao和Benbasat，2007）。目前，相關(guān)研究領(lǐng)域的前沿和熱點是個性化推薦對消費者決策和行為的影響，這也是營銷學(xué)者最為關(guān)注的問題。

營銷領(lǐng)域大量的相關(guān)研究發(fā)現(xiàn)，個性化推薦可以改變消費者的信息搜尋行為、產(chǎn)品偏好、價格敏感度、選擇決策和決策質(zhì)量等，但該研究方向依然有很多值得進一步研究和探索的問題。通過對相關(guān)文獻的系統(tǒng)分析，本文提出了以下幾個值得進一步研究的問題：

（一）控制個性化推薦過程的內(nèi)生性

目前營銷學(xué)者最關(guān)心的問題之一是個性化推薦對產(chǎn)品銷量的影響。之前的相關(guān)文獻顯示，個性化推薦展示消費者可能喜歡的商品，降低了他們的搜尋成本（Tam和Ho，2005）。因此，與沒有個性化推薦的情形相比，展示個性化推薦可能會促使消費者產(chǎn)生購買行為?？傮w上看，個性化推薦可能能夠幫助零售商創(chuàng)造更多的交叉銷售機會、提升產(chǎn)品銷量。一些研究者采用產(chǎn)品層面的實證分析檢驗了個性化推薦的需求效應(yīng)，發(fā)現(xiàn)個性化推薦可以顯著地提升產(chǎn)品銷量（Oestreicher-Singer和Sundararajan，2012）。然而，這些研究往往忽視了推薦過程的內(nèi)生性，也就是說，個性化推薦系統(tǒng)并不是隨機選取一些商品進行推薦的，而是采用推薦算法和模型挑選消費者最可能喜歡的一些商品。在這種情況下，即使不向消費者展示這些商品，消費者也可能會根據(jù)自己的偏好找到這些商品并進行購買。而總體層面的研究一般沒有控制這種內(nèi)生性，因此無法準確地揭示個性化推薦對消費者購買和產(chǎn)品銷量的真正影響。將來學(xué)者們可以在真實的電子商務(wù)網(wǎng)站中開展現(xiàn)場實驗（field experiment），控制個性化推薦的內(nèi)生性問題，以更好地研究個性化推薦對消費者購買行為的影響。

（二）探討個性化推薦對消費者行為的長期影響

營銷從業(yè)者和學(xué)者們普遍認為個性化推薦可以在長期內(nèi)提升消費者的購物體驗，進而增進顧客忠誠（Srinivasan等，2002；Simonson，2005；Ying等，2006），而現(xiàn)有實證研究并沒有驗證個性化推薦的長期效應(yīng)。在生成個性化推薦的過程中，零售商掌握的消費者偏好信息越多，推薦的質(zhì)量就越高。如果消費者跳轉(zhuǎn)到該零售商的競爭對手，則需要付出時間和精力來讓其競爭對手了解自己的產(chǎn)品偏好，然后才能獲得高質(zhì)量的個性化推薦。因此，從理論上講，個性化推薦可能會幫助網(wǎng)上零售商為消費者設(shè)置一定程度的轉(zhuǎn)換成本，從而增進顧客忠誠（West等，1999；Simonson，2005）。而且，零售商的個性化推薦還可能作為關(guān)心顧客的一種信號，幫助零售商與顧客建立長期的共生關(guān)系（Morgan和Hunt，1994）。現(xiàn)有文獻表明，單純曝光和感官層面的信息處理也可能使消費者對某個事物或產(chǎn)品形成偏好或正面態(tài)度（Zajonc，1980）。類似地，僅僅提供個性化推薦就可能使得消費者對零售商或被推薦商品產(chǎn)生正面態(tài)度，從而表現(xiàn)出更高的店鋪忠誠（store loyalty）。營銷學(xué)者將來可以進一步研究個性化推薦對培養(yǎng)顧客忠誠和提升網(wǎng)站銷量的長期影響。

（三）研究個性化推薦在不同決策階段的影響

在消費者行為相關(guān)研究中，學(xué)者們發(fā)現(xiàn)消費者的購買行為往往經(jīng)歷兩個階段，即瀏覽和考慮（李雙雙等，2006；Shi和Zhang，2014）。目前消費者行為領(lǐng)域的相關(guān)文獻也采用了“瀏覽—考慮”兩階段范式來研究消費者的網(wǎng)上購買決策。這些文獻認為，在消費者決策過程中，第一個階段是識別需求和搜索商品信息的階段，即消費者在內(nèi)外部刺激的驅(qū)動下搜索和瀏覽商品信息、確認購買需求，并從眾多的商品中挑選出一些感興趣的商品形成考慮集，這個階段又被稱為篩選階段；第二個階段是評價產(chǎn)品和實施購買的階段，即消費者仔細比較和評價考慮集中的商品，然后做出購買決策，這個階段又被稱為選擇階段?！盀g覽—考慮”兩階段決策過程已經(jīng)被很多營銷學(xué)者所證實和借鑒（H?ubl和Trifts，2000）。在不同的決策階段，消費者的目標、信息處理方式、記憶、卷入度、態(tài)度、情感等心理變量是不一樣的（Puccinelli等，2009），因此，消費者對營銷策略的反應(yīng)在這兩個階段也有所不同。在研究個性化推薦對消費者購買行為的影響時，學(xué)者們也可以進一步區(qū)分消費者的購買決策階段。目前，一些營銷學(xué)者對個性化推薦展示時機的選擇開展了實證研究（如Ho等，2011），將來的實證研究可以探索何種個性化推薦更適合在瀏覽階段展示，何種個性化推薦更適合在考慮階段展示，諸如此類的研究可以為電子商務(wù)企業(yè)的個性化營銷實踐提供重要的啟示和指導(dǎo)。

（四）個性化推薦中的消費者隱私保護問題

消費者隱私保護一直是電子商務(wù)企業(yè)在利用消費者數(shù)據(jù)開展個性化推薦或營銷時所面臨的重要問題。目前已經(jīng)有一些學(xué)者開始關(guān)注個性化推薦中的消費者隱私保護問題（例如，陳婷等，2009；王國霞和劉賀平，2012），將來的研究還可以從保護消費者隱私的角度，為電子商務(wù)企業(yè)提出更好地利用消費者行為數(shù)據(jù)的模式，以在滿足企業(yè)需求的同時避免侵犯消費者的合法權(quán)益。同時，學(xué)者們將來還可以從消費者的角度出發(fā)，研究消費者對個性化推薦所涉及的隱私保護問題的態(tài)度，幫助企業(yè)采取一些策略更快地取得消費者的信任，進而使得消費者更易于接受個性化推薦。

主要參考文獻

［1］安維，劉啟華，張李義. 個性化推薦系統(tǒng)的多樣性研究進展［J］. 圖書情報工作，2013，（20）：127-135.

［2］陳明亮，蔡日梅. 電子商務(wù)中產(chǎn)品推薦代理對消費者購買決策的影響［J］. 浙江大學(xué)學(xué)報（人文社會科學(xué)版），2009，（5）：138-148.

［3］陳婷，韓偉力，楊珉. 基于隱私保護的個性化推薦系統(tǒng)［J］. 計算機工程，2009，（8）：283-285.

［4］鄧愛林，朱揚勇，施伯樂. 基于項目評分預(yù)測的協(xié)同過濾推薦算法［J］. 軟件學(xué)報，2003，（9）：1621-1628.

［5］馮智明. 基于均衡模型的矛盾沖突分析在優(yōu)化商品推薦算法中的應(yīng)用［D］. 南寧：廣西大學(xué)，2013.

［6］李聰，梁昌勇，馬麗. 基于領(lǐng)域最近鄰的協(xié)同過濾推薦算法［J］. 計算機研究與發(fā)展，2008，（9）：1532-1538.

［7］李婧. 基于支持向量機模型的電子商務(wù)推薦算法研究［D］. 大連：大連理工大學(xué)，2013.

［8］李雙雙，陳毅文，李江予. 消費者網(wǎng)上購物決策模型分析［J］. 心理科學(xué)進展，2006，（2）：294-299.

［9］劉建國，周濤，郭強，等. 個性化推薦系統(tǒng)評價方法綜述［J］. 復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2009a，（3）：1-10.

［10］劉建國，周濤，汪秉宏. 個性化推薦系統(tǒng)的研究進展［J］. 自然科學(xué)進展，2009b，（1）：1-15.

［11］孫魯平，汪平，蘇萌. 個性化商品推薦：基于“最近鄰居”的加權(quán)協(xié)同過濾推薦方法［J］. 營銷科學(xué)學(xué)報，2011，（4）：1-14.

［12］孫小華，陳洪，孔繁勝. 在協(xié)同過濾中結(jié)合奇異值分解與最近鄰方法［J］. 計算機應(yīng)用研究，2006，（9）：206-208.

［13］王國霞，劉賀平. 個性化推薦系統(tǒng)綜述［J］. 計算機工程與應(yīng)用，2012，（7）：66-76.

［14］王國霞，劉賀平，李擎. 基于萬有引力的個性化推薦算法［J］. 工程科學(xué)學(xué)報，2015，（2）：255-259.

［15］吳麗花，劉魯. 個性化推薦系統(tǒng)用戶建模技術(shù)綜述［J］. 情報學(xué)報，2006，（1）：55-62.

［16］邢星. 社交網(wǎng)絡(luò)個性化推薦方法研究［D］. 大連：大連海事大學(xué)，2013.

［17］許海玲，吳瀟，李曉東，等. 互聯(lián)網(wǎng)推薦系統(tǒng)比較研究［J］. 軟件學(xué)報，2009，（2）：350-362.

［18］楊阿祧，湯庸，王江斌，等. 基于博弈的社會網(wǎng)絡(luò)個性化好友推薦算法研究［J］. 計算機科學(xué)，2015，（9）：191-194，219.

［19］印鑒，王智圣，李琪，等. 基于大規(guī)模隱式反饋的個性化推薦［J］. 軟件學(xué)報，2014，（9）：1953-1966.

［20］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.

［21］Aggarwal P，Vaidyanathan R. Eliciting online customers' preferences：Conjoint vs self-explicated attribute-level measurements［J］. Journal of Marketing Management，2003，19（1-2）：157-177.

［22］Al-Natour S，Benbasat I，Cenfetelli R T. The effects of process and outcome similarity on users' evaluations of decision aids［J］. Decision Sciences，2008，39（2）：175-211.

［23］Alba J W，Hutchinson J W. Dimensions of consumer expertise［J］. Journal of Consumer Research，1987，13（4）：411-454.

［24］Ansari A，Essegaier S，Kohli R. Internet recommendation systems［J］. Journal of Marketing Research，2000，37（3）：363-375.

［25］Ariely D，Lynch J G，Aparicio Ⅳ M. Learning by collaborative and individual-based recommendation agents［J］. Journal of Consumer Psychology，2004，14（1-2）：81-95.

［26］Balabanovi? M，Shoham Y. Fab：Content-based，collaborative recommendation［J］. Communications of the ACM，1997，40（3）：66-72.

［27］Bechwati N N，Xia L. Do computers sweat？ The impact of perceived effort of online decision aids on consumers' satisfaction with the decision process［J］. Journal of Consumer Psychology，2003，13（1-2）：139-148.

［28］Berger J，Draganska M，Simonson I. The influence of product variety on brand perception and choice［J］. Marketing Science，2007，26（4）：460-472.

［29］Bettman J R，Luce M F，Payne J W. Constructive consumer choice processes［J］. Journal of Consumer Research，1998，25（3）：187-217.

［30］Bobadilla J，Ortega F，Hernando A，et al. Recommender systems survey［J］. Knowledge-Based Systems，2013，46：109-132.

［31］Bodapati A V. Recommendation systems with purchase data［J］. Journal of Marketing Research，2008，45（1）：77-93.

［32］Breese J S，Heckerman D，Kadie C. Empirical analysis of predictive algorithms for collaborative filtering［A］. Proceedings of the 14th conference on uncertainty in artificial intelligence［C］. San Francisco：Morgan Kaufmann，1998：43-52.

［33］Centeno V L，Panadero C F，Kloos C D，et al. Personalizing your electronic newspaper［A］. Proceedings of the 4th Euromedia conference［C］. Siemens，Munich，Germany，1999：26-28.

［34］Chellappa R K，Sin R G. Personalization versus privacy：An empirical examination of the online consumer's dilemma［J］. Information Technology and Management，2005，6（2-3）：181-202.

［35］Chen Y H，George E I. A bayesian model for collaborative filtering［A］. Proceedings of the 7th International Workshop Artificial Intelligence & Statistics［C］. San Francisco：Morgan Kaufmann，1999.

［36］Chung T S，Rust R T，Wedel M. My mobile music：An adaptive personalization system for digital audio players［J］. Marketing Science，2009，28（1）：52-68.

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

［38］Davis F D. Perceived usefulness，perceived ease of use，and user acceptance of information technology［J］. MIS Quarterly，1989，13（3）：319-340.

［39］De Bruyn A，Liechty J C，Huizingh E K R E，et al. Offering online recommendations with minimum customer input through conjoint-based decision aids［J］. Marketing Science，2008，27（3）：443-460.

［40］Dellaert B G C，H?ubl G. Consumer product search with personalized recommendations［R］. Unpublished working paper. Edmonton，AB：Department of Marketing，Business Economics and Law，University of Alberta，2005.

［41］Dellaert B G C，H?ubl G. Searching in choice mode：Consumer decision processes in product search with recommendations［J］. Journal of Marketing Research，2012，49（2）：277-288.

［42］Deshpande M，Karypis G. Item-based top-N recommendation algorithms［J］. ACM Transactions on Information Systems，2004，22（1）：143-177.

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

［44］Diehl K，Kornish L J，Lynch Jr J G. Smart agents：When lower search costs for quality information increase price sensitivity［J］. Journal of Consumer Research，2003，30（1）：56-71.

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

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

［47］H?ubl G，Murray K B. Preference construction and persistence in digital marketplaces：The role of electronic recommendation agents［J］. Journal of Consumer Psychology，2003，13（1-2）：75-91.

［48］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.

［49］H?ubl G，Trifts V. Consumer decision making in online shopping environments：The effects of interactive decision aids［J］. Marketing Science，2000，19（1）：4-21.

［50］Herlocker J L，Konstan J A，Terveen L G，et al. Evaluating collaborative filtering recommender systems［J］. ACM Transactions on Information Systems，2004，22（1）：5-53.

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

［52］Huang Z，Chung W，Chen H. A graph model for E-commerce recommender systems［J］. Journal of the American Society for Information Science and Technology，2004，55（3）：259-274.

［53］Joachims T，Granka L，Pan B，et al. Accurately interpreting clickthough data as implicit feedback［A］. Proceedings of the 28th annual international ACM SIGIR conference on research and development in information retrieval［C］. Salvador，Brazil：ACM，2005：154-161.

［54］Kamis A，Davern M J. Personalizing to product category knowledge：Exploring the mediating effect of shopping tools on decision confidence［A］. Proceedings of the 37th annual Hawaii international conference on system sciences［C］. Big Island，HI：IEEE，2004.

［55］Karypis G. Evaluation of item-based top-n recommendation algorithms［A］. Proceedings of the 10th international conference on information and knowledge management［C］. Atlanta，Georgia：ACM，2001：247-254.

［56］Kim H R，Chan P K. Learning implicit user interest hierarchy for context in personalization［J］. Applied Intelligence，2008，28（2）：153-166.

［57］King M F，Balasubramanian S K. The effects of expertise，end goal，and product type on adoption of preference formation strategy［J］. Journal of the Academy of Marketing Science，1994，22（2）：146-159.

［58］Komiak SY X，Benbasat I. The effects of personalization and familiarity on trust and adoption of recommendation agents［J］. MIS Quarterly，2006，30（4）：941-960.

［59］Kramer T. The effect of measurement task transparency on preference construction and evaluations of personalized recommendations［J］. Journal of Marketing Research，2007，44（2）：224-233.

［60］Kramer T，Spolter-Weisfeld S，Thakkar M. The effect of cultural orientation on consumer responses to personalization［J］. Marketing Science，2007，26（2）：246-258.

［61］Lee D H，Brusilovsky P. Reinforcing recommendation using implicit negative feedback［A］. Houben G J，McCalla G，Pianesi F，et al（Eds.）. User modeling，adaptation，and personalization［C］. Berlin Heidelberg：Springer，2009：422-427.

［62］Li T，Unger T. Willing to pay for quality personalization？ Trade-off between quality and privacy［J］. European Journal of Information Systems，2012，21（6）：621-642.

［63］Lü LY，Medo M，Yeung C H，et al. Recommender systems［J］. Physics Reports，2012，519（1）：1-49.

［64］Ma H，Zhou DY，Liu C，et al. Recommender systems with social regularization［A］. Proceedings of the 4th ACM international conference on web search and data mining［C］. New York，NY，USA：ACM，2011：287-296.

［65］Martínez-López F J，Esteban-Millat I，Cabal C C，et al. Psychological factors explaining consumer adoption of an E-vendor's recommender［J］. Industrial Management & Data Systems，2015，115（2）：284-310.

［66］McKnight D H，Cummings L L，Chervany N L. Initial trust formation in new organizational relationships［J］. The Academy of Management Review，1998，23（3）：473-490.

［67］Mooney R J，Bennett P N，Roy L. Book recommending using text categorization with extracted information［A］. Proceedings of the 15th national conference on artificial intelligence［C］. Madison：AAAI Press，1998：49-54.

［68］Morgan R M，Hunt S D. The commitment-trust theory of relationship marketing［J］. Journal of Marketing，1994，58（3）：20-38.

［69］Murray K B，H?ubl G. Processes of preference construction in agent-assisted online shopping［A］. Haughvedt C P，Machleit K，Yalch R（Eds.）. Online consumer psychology：Understanding and influencing consumer behavior in the virtual world［C］. Mahwah，NJ：Lawrence Erlbaum Associates，2005：246.

［70］Nelson P. Information and consumer behavior［J］. Journal of Political Economy，1970，78（2）：311-329.

［71］Oestreicher-Singe G，Sundararajan A. The visible hand？ Demand effects of recommendation networks in electronic markets［J］. Management Science，2012，58（11）：1963-1981.

［72］Pathak B，Garfinkel R，Gopal R D，et al. Empirical analysis of the impact of recommender systems on sales［J］. Journal of Management Information Systems，2010，27（2）：159-188.

［73］Payne J W，Bettman J R，Johnson E J. Adaptive strategy selection in decision making［J］. Journal of Experimental Psychology：Learning，Memory，and Cognition，1988，14（3）：534-552.

［74］Pazzani M J. A framework for collaborative，content-based and demographic filtering［J］. Artificial Intelligence Review，1999，13（5-6）：393-408.

［75］Pazzani M J，Billsus D. Learning and revising user profiles：The identification of interesting web sites［J］. Machine Learning，1997，27（3）：313-331.

［76］Pereira R E. Influence of query-based decision aids on consumer decision making in electronic commerce［J］. Information Resources Management Journal，2001，14（1）：31-48.

［77］Pereira R E. Optimizing human-computer interaction for the electronic commerce environment［J］. Journal of Electronic Commerce Research，2000，1（1）：23-44.

［78］Puccinelli N M，Goodstein R C，Grewal D，et al. Customer experience management in retailing：Understanding the buying process［J］. Journal of Retailing，2009，85（1）：15-30.

［79］Resnick P，Iacovou N，Suchak M，et al. GroupLens：An open architecture for collaborative filtering of netnews［A］. Proceedings of the 1994 ACM conference on computer supported cooperative work［C］.Chapel Hill，NC：ACM，1994：175-186.

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

［81］Roberts J H，Lattin J M. Development and testing of a model of consideration set composition［J］. Journal of Marketing Research，1991，28（4）：429-440.

［82］Salakhutdinov R，Mnih A. Probabilistic matrix factorization［A］. Advances in Neural Information Processing Systems，NIPS［C］. Cambridge，MA：MIT Press，2008a：1257-1264.

［83］Salakhutdinov R，Mnih A. Bayesian probabilistic matrix factorization using Markov chain Monte Carlo［A］. Proceedings of the 25th international conference on machine learning［C］. Helsinki Finland：ACM，2008b：880-887.

［84］Sarwar B，Karypis G，Konstan J，et al. Analysis of recommendation algorithms for e-commerce［A］. Proceedings of the 2nd ACM Conference on Electronic Commerce［C］. Minneapolis，Minnesota：ACM，2000：206-207.

［85］Sarwar B，Karypis G，Konstan J，et al. Item-based collaborative filtering recommendation algorithms［A］. Proceedings of the 10th international conference on world wide web［C］. New York：ACM，2001：285-295.

［86］Schafer J B，Konstan J A，Riedl J. Meta-recommendation systems：User-controlled integration of diverse recommendations［A］. Proceedings of the 11th international conference on information and knowledge management［C］. McLean，VA：ACM，2002.

［87］Senecal S，Nantel J. The influence of online product recommendations on consumers' online choices［J］. Journal of Retailing，2004，80（2）：159-169.

［88］Shi S W，Zhang J. Usage experience with decision aids and evolution of online purchase behavior［J］. Marketing Science，2014，33（6）：871-882.

［89］Simonson I. Determinants of customers' responses to customized offers：Conceptual framework and research propositions［J］. Journal of Marketing，2005，69（1）：32-45.

［90］Sinha R，Swearingen K. Comparing recommendations made by online systems and friends［A］. Proceedings of the 2nd DELOS network of excellence workshop on personalisation and recommender systems in digital libraries［C］. Ireland：Dublin City University，2001.

［91］Srinivasan S S，Anderson R，Ponnavolu K. Customer loyalty in e-commerce：An exploration of its antecedents and consequences［J］. Journal of Retailing，2002，78（1）：41-50.

［92］Swaminathan V. The impact of recommendation agents on consumer evaluation and choice：The moderating role of category risk，product complexity，and consumer knowledge［J］. Journal of Consumer Psychology，2003，13（1-2）：93-101.

［93］Tam K Y，Ho S Y. Web personalization as a persuasion strategy：An elaboration likelihood model perspective［J］. Information Systems Research，2005，16（3）：271-291.

［94］Ungar L H，F(xiàn)oster D P. Clustering methods for collaborative filtering［A］. Proceedings of the workshop on recommendation systems［C］. Menlo Park：AAAI Press，1998：112-125.

［95］Urban G L，Hauser J R. “Listening in” to find and explore new combinations of customer needs［J］. Journal of Marketing，2004，68（2）：72-87.

［96］Wang W，Benbasat I. Impact of explanations on trust in online recommendation agents［R］. Unpublished working paper No.02-MIS-002，MIS Division. Vancouver：Sauder School of Business，University of British Columbia，2004.

［97］West P M，Ariely D，Bellman S，et al. Agents to the rescue？［J］. Marketing Letters，1999，10（3）：285-300.

［98］White T B，Zahay D L，Thorbj?rnsen H，et al. Getting too personal：Reactance to highly personalized email solicitations［J］. Marketing Letters，2008，19（1）：39-50.

［99］Wu L，Chen EH，Liu Q，et al. Leveraging tagging for neighborhood-aware probabilistic matrix factorization［A］. Proceedings of the 21st ACM international conference on information and knowledge management［C］. New York，NY：ACM，2012：1854-1858.

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

［101］Ying YP，F(xiàn)einberg F，Wedel M. Leveraging missing ratings to improve online recommendation systems［J］. Journal of Marketing Research，2006，43（3）：355-365.

［102］Yoon V Y，Hostler R E，Guo Z L，et al. Assessing the moderating effect of consumer product knowledge and online shopping experience on using recommendation agents for customer loyalty［J］. Decision Support Systems，2013，55（4）：883-893.

［103］Zajonc R B. Cognition and social cognition：A historical perspective［A］. Festinger L（Ed.）. Retrospections on social psychology［C］. New York：Oxford University Press，1980：180-204.

［104］Zhen Y，Li W J，Yeung D Y. TagiCoFi：Tag informed collaborative filtering［A］. Proceedings of the 3rd ACM conference on recommender systems［C］. New York：ACM，2009：69-76.

（責任編輯：蘇 寧）

A Literature Review of Online Personalized Recommendations and Prospects

Sun Luping1，Zhang Lijun2，Wang Ping3
（1. School of Business，Central University of Finance and Economics，Beijing 100081，China；2. International Business School，Shaanxi Normal University，Xi'an 710119，China；3. College of Economics and Management，Zhejiang Normal University，Jinhua 321004，China）

Abstract：In fiercely competitive online retail activities，to improve customer shopping experience and cultivate consumer loyalty，more and more e-commerce websites now begin to providepersonalized recommendations for their customers. The earliest studies regarding personalized recommendations focus on the improvement of algorithms or models that improve recommendation quality. However，relatively few studies examine the relationship between personalized recommendations and customer online shopping behavior. It makes scholars and e-commerce practioners place more emphasis on recommendation algorithm itself but neglect the effects of recommendations on consumers and e-commerce websites. To help people better understand personalized recommendations and related research context，this paper comprehensively reviews related literature in three research streams. The first research stream is the definition and classification of personalized recommendations. The second research stream includes investigations and explorations on the recommendation algorithms and statistical models that improve the recommendation quality. The third research stream includes literature on the relationship between personalized recommendations and customer shopping behavior. Different from current literature review，it places emphasis on the relationship between personalized recommendations and consumer shopping behavior，including evaluation of personalized recommendations by consumers and influencing factors and the effects of personalized recommendations on the process and results of consumer online shopping decisions. Finally it provides marketing and information science scholars with some directions in future research.

Key words：personalized recommendation；online shopping behavior；e-commerce

中圖分類號：F274

文獻標識碼：A

文章編號：1001-4950（2016）06-0082-18

DOI：10.16538/j.cnki.fem.2016.06.006

收稿日期：2016-01-06

基金項目：國家自然科學(xué)基金重點項目（71332006）；國家自然科學(xué)基金青年項目（71502182）；中央高?；究蒲袠I(yè)務(wù)費專項基金項目（14SZYB12）

作者簡介：孫魯平（1985—），女，中央財經(jīng)大學(xué)商學(xué)院講師；