王曉耘，高 敬

（杭州電子科技大學(xué) 管理學(xué)院，浙江 杭州 310018）

基于本地團(tuán)購類電商用戶消費(fèi)心理的個(gè)性化推薦研究

王曉耘，高 敬

（杭州電子科技大學(xué) 管理學(xué)院，浙江 杭州 310018）

推薦系統(tǒng)是當(dāng)今解決電子商務(wù)“信息過載”的重要手段，其推薦方法主要是根據(jù)用戶、商品的歷史數(shù)據(jù)進(jìn)行推薦。消費(fèi)心理學(xué)認(rèn)為消費(fèi)心理支配消費(fèi)行為，消費(fèi)行為是消費(fèi)心理的外在表現(xiàn)。文章基于本地團(tuán)購類電商這一特定視角，從用戶消費(fèi)心理出發(fā)，將用戶消費(fèi)心理引入電子商務(wù)推薦中，結(jié)合用戶歷史購買記錄，利用信念網(wǎng)絡(luò)建立用戶消費(fèi)心理網(wǎng)絡(luò)模型，并利用該模型進(jìn)行商品推薦。實(shí)驗(yàn)結(jié)果證明基于消費(fèi)心理的推薦方法可行且具有一定一般性。

電子商務(wù)推薦系統(tǒng)；消費(fèi)心理；信念網(wǎng)絡(luò)

一、引言

電子商務(wù)網(wǎng)站在提供大量商品的同時(shí)也為其用戶帶來了“信息過載”問題，用戶需要的是能滿足自己需求及興趣的富有針對(duì)性的產(chǎn)品。電子商務(wù)推薦系統(tǒng)被認(rèn)為是解決當(dāng)今電子商務(wù)領(lǐng)域“信息過載”的重要手段之一，其目的是需要將該產(chǎn)品推薦給對(duì)其感興趣的用戶。

隨著當(dāng)今社會(huì)消費(fèi)者生活水平及消費(fèi)能力的提高，消費(fèi)者不僅單純關(guān)注商品的使用價(jià)值，更加關(guān)注商品對(duì)其內(nèi)在心理需求的滿足。消費(fèi)心理學(xué)認(rèn)為：消費(fèi)心理支配消費(fèi)行為，是一種相對(duì)穩(wěn)定的心理態(tài)勢，消費(fèi)行為是消費(fèi)心理的外在表現(xiàn)[1]。本文以某本地團(tuán)購電商平臺(tái)為例，通過該平臺(tái)消費(fèi)者的購買歷史衡量其消費(fèi)心理，進(jìn)而在推薦過程考慮用戶消費(fèi)心理并通過實(shí)驗(yàn)證明該方法可行且有效。

二、相關(guān)研究評(píng)述

（一）網(wǎng)購用戶消費(fèi)心理研究

近些年對(duì)于消費(fèi)者網(wǎng)購消費(fèi)心理與行為的研究逐漸增多，主要集中于特定人群在特定產(chǎn)品下的網(wǎng)購消費(fèi)心理與行為。在電子商務(wù)消費(fèi)環(huán)境下，消費(fèi)者消費(fèi)心理與行為的作用關(guān)系相對(duì)于線上消費(fèi)環(huán)境呈現(xiàn)出一些特殊性質(zhì)：高芳放[2]研究了當(dāng)代大學(xué)生網(wǎng)購消費(fèi)心理，研究表明大學(xué)生在網(wǎng)購中注重便利、實(shí)惠的同時(shí)也希望展現(xiàn)個(gè)性，網(wǎng)購安全意識(shí)、攀比心理相對(duì)較強(qiáng)；孟澤云[3]、高海霞[4]等從性別角度研究了網(wǎng)購用戶消費(fèi)心理，認(rèn)為女性消費(fèi)者網(wǎng)購消費(fèi)心理在情緒性消費(fèi)等四方面較為凸顯，而男性消費(fèi)者則對(duì)網(wǎng)購環(huán)境擔(dān)憂程度較低；茍玲[5]等分析網(wǎng)絡(luò)團(tuán)購消費(fèi)者消費(fèi)心理及行為特點(diǎn)，認(rèn)為網(wǎng)絡(luò)團(tuán)購消費(fèi)者其消費(fèi)心理主要體現(xiàn)在求廉、求便、求新、從眾四方面。結(jié)合國內(nèi)外對(duì)網(wǎng)購消費(fèi)心理的研究現(xiàn)狀，本文對(duì)于本地團(tuán)購電商用戶消費(fèi)心理特征總結(jié)如下：

1.便捷的消費(fèi)心理：表現(xiàn)為消費(fèi)者意圖通過團(tuán)購電商節(jié)省時(shí)間與勞動(dòng)成本的心理訴求。

2.實(shí)惠的消費(fèi)心理：具體表現(xiàn)為團(tuán)購類電商消費(fèi)者貨比三家、擇優(yōu)選擇的消費(fèi)心理。

3.求質(zhì)的消費(fèi)心理：具體表現(xiàn)為消費(fèi)者對(duì)于團(tuán)購商品質(zhì)量、口碑及品牌具有一定心理訴求。

4.個(gè)性的消費(fèi)心理：具體表現(xiàn)為消費(fèi)者在線上購物時(shí)更加追求個(gè)性，不拘于大眾商品。

5.擔(dān)憂的消費(fèi)心理：具體表現(xiàn)在消費(fèi)者對(duì)于線上商家、產(chǎn)品及網(wǎng)上支付體系缺乏信任。

（二）電子商務(wù)個(gè)性化推薦研究

電子商務(wù)推薦系統(tǒng)由P Resnick與HR Varian于1997年提出，指利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定應(yīng)該購買什么產(chǎn)品，模擬銷售人員幫助客戶完成購買過程[6]。推薦算法是整個(gè)推薦系統(tǒng)中的核心部分，其很大程度上決定了推薦系統(tǒng)的性能及推薦效果，目前主流的推薦算法大致分為以下幾類：

1.協(xié)同過濾算法：該算法是電子商務(wù)推薦系統(tǒng)中應(yīng)用最成功的推薦技術(shù)之一[7]，算法思想借鑒人們?nèi)粘Ｉ缃簧钪匈徺I商品的方式：即如果某消費(fèi)者的親朋好友購買了某件商品且對(duì)該商品評(píng)價(jià)很好時(shí)，那么該消費(fèi)者在很大程度上也會(huì)嘗試購買該商品。

2.基于內(nèi)容的推薦：基于內(nèi)容的推薦算法根據(jù)用戶歷史消費(fèi)數(shù)據(jù)，建立用戶模型，針對(duì)被推薦物品進(jìn)行特征提取，進(jìn)而比較物品特征與用戶模型的相似性進(jìn)行推薦，項(xiàng)目特征表示目前最常用的是TF-IDF[8]方法?；跇?biāo)簽的推薦是一個(gè)新的研究方向，國內(nèi)外諸多學(xué)者對(duì)標(biāo)簽結(jié)構(gòu)、語意等方面進(jìn)行了研究探討[9-11]。

3.基于社會(huì)網(wǎng)絡(luò)的推薦：社會(huì)網(wǎng)絡(luò)是現(xiàn)實(shí)社會(huì)中人與人之間關(guān)系的延續(xù)與擴(kuò)展，現(xiàn)實(shí)生活中用戶更喜歡來自朋友而非來自系統(tǒng)的推薦，文獻(xiàn)[12]證實(shí)了用戶興趣相似度和用戶信任度之間的正相關(guān)性。

三、商品屬性與用戶消費(fèi)心理聯(lián)系

基于消費(fèi)心理學(xué)分析網(wǎng)絡(luò)團(tuán)購消費(fèi)者的消費(fèi)過程：當(dāng)且僅當(dāng)商品屬性符合消費(fèi)者的消費(fèi)心理時(shí)，該消費(fèi)者才會(huì)做出購買決策。本文通過建立本地團(tuán)購電商用戶其消費(fèi)心理與商品屬性之間的聯(lián)系，根據(jù)信念網(wǎng)絡(luò)構(gòu)建用戶消費(fèi)心理網(wǎng)絡(luò)模型，得到消費(fèi)者消費(fèi)心理類別概率，進(jìn)而根據(jù)被推薦商品屬性計(jì)算該消費(fèi)者消費(fèi)心理后驗(yàn)概率，幫助推薦系統(tǒng)做出推薦決策。

（一）商品屬性與消費(fèi)心理的關(guān)系

對(duì)于商品屬性的獲取，考慮到本文研究對(duì)象及本地團(tuán)購電商的特殊性，所選商品屬性需與消費(fèi)者消費(fèi)心理相關(guān)且需適用于本地團(tuán)購電商環(huán)境，本文選取的商品屬性依次為：折扣、價(jià)格、商家檔次、銷量、評(píng)價(jià)、距離、經(jīng)營性質(zhì)、獨(dú)特性這8個(gè)屬性，離散化處理結(jié)果如表1所示。

表1 本地團(tuán)購類電商商品屬性離散化處理表

根據(jù)上文中對(duì)于本地團(tuán)購電商用戶消費(fèi)心理特征的總結(jié)結(jié)論，本文將本地團(tuán)購電商背景下的用戶消費(fèi)心理劃分為：便捷心理、實(shí)惠心理、求質(zhì)心理、個(gè)性心理、擔(dān)憂心理5個(gè)維度，具體描述如表2所示。

表2 本地團(tuán)購類電商用戶消費(fèi)心理類型劃分表

（二）基于信念網(wǎng)絡(luò)的消費(fèi)心理分析

信念網(wǎng)絡(luò)是一種模擬人類推理過程中因果關(guān)系的不確定性處理模型，目前應(yīng)用較為成功。本文利用Cooper和Herskovits[13]提出K2結(jié)構(gòu)算法學(xué)習(xí)本地團(tuán)購電商用戶消費(fèi)心理網(wǎng)絡(luò)結(jié)構(gòu)模型，進(jìn)而為消費(fèi)者做出商品推薦。具體描述如下：

（1）根據(jù)用戶消費(fèi)歷史，計(jì)算每對(duì)商品屬性變量Xi與Xj（i，j=1，2，3，…，8；i≠j）間的條件互信息I（Xi；Xj|D），其數(shù)值表示商品屬性變量間的依賴程度：（k=1，2，3，4，5） （1）

（2）以 I（Xi；Xj|D）為權(quán)重，結(jié)合消費(fèi)心理學(xué)的經(jīng)驗(yàn)判斷，對(duì)商品屬性X1到X8進(jìn)行排序，將D放在首位，確定K2結(jié)構(gòu)算法的初始節(jié)點(diǎn)，得到變量序列 F={f1，f2，f3，…，f9}。

（3）由初始節(jié)點(diǎn)構(gòu)建網(wǎng)絡(luò)空間，采用家族CH評(píng)分函數(shù) CHscore（fi，θ（fi））計(jì)算后驗(yàn)概率。

（4）對(duì)變量序列 F={f1，f2，f3，…，f9}中的每一個(gè)節(jié)點(diǎn)構(gòu)建其父節(jié)點(diǎn)，其父節(jié)點(diǎn)的選取必須在該節(jié)點(diǎn)的前序集合中，計(jì)算：

其中j為該節(jié)點(diǎn)父節(jié)點(diǎn)的個(gè)數(shù)，D為F的實(shí)例數(shù)據(jù)，θ（fi）表示fi父節(jié)點(diǎn)的概率大小，BS為信念網(wǎng)絡(luò)結(jié)構(gòu)，?ijk、Wijk分別為 fi、θ（fi）第 k 個(gè)狀態(tài)。選取使評(píng)分函數(shù) CHscore（fi，θ（fi））最大值的信念網(wǎng)絡(luò)結(jié)構(gòu)，得到研究對(duì)象消費(fèi)心理類型概率分布。

四、方法驗(yàn)證與實(shí)驗(yàn)分析

（一）樣本選取與處理

本文以某本地團(tuán)購電商用戶A為研究對(duì)象，根據(jù)其在該團(tuán)購平臺(tái)近一年（2016年1月至2017年1月）的團(tuán)購消費(fèi)記錄，將其記錄按表1離散化處理后得到建立消費(fèi)心理信念網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練集。隨機(jī)選取10例該平臺(tái)新加入的團(tuán)購項(xiàng)目，對(duì)商品屬性離散化處理后作為測試集。為確保A用戶未接觸過測試集，將禁止A用戶使用該平臺(tái)一段時(shí)間，直至測試集項(xiàng)目足夠充分（30個(gè)新項(xiàng)目以上）。

（二）消費(fèi)心理網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

本文采取Matlab軟件的貝葉斯網(wǎng)絡(luò)工具箱[14]作為消費(fèi)心理信念網(wǎng)絡(luò)的學(xué)習(xí)工具，按照上文中給出的方法進(jìn)行消費(fèi)心理信念網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)。首先，根據(jù)公式確定每對(duì)商品屬性變量Xi與Xj（i，j=1，2，3，…，8；i≠j）間的條件互信息 I（Xi；Xj|D），如表3所示。

表3 商品屬性條件互信息表

計(jì)算表中全部 I（Xi；Xj|D）的算數(shù)平均值 I（Xi；Xj|D）=0.102，篩選出大于 I（Xi；Xj|D）的結(jié)果并升序排列，排序結(jié)果如表4所示。

表4 商品屬性條件互信息升序表

將序號(hào)作為權(quán)重，計(jì)算各個(gè)節(jié)點(diǎn)的權(quán)重，得到節(jié) 點(diǎn) 次 序 由 高 到 低 分 別 是 X3、X1、X8、X7、X2、X4、X5、X6，權(quán)重越高的節(jié)點(diǎn)對(duì)其他節(jié)點(diǎn)影響越大。根據(jù)K2算法的輸入要求，結(jié)合消費(fèi)心理學(xué)考慮各個(gè)變量之間的因果關(guān)系，因在前，果在后，將節(jié)點(diǎn)重新排序，加入變量D，最終得到初始變量序列F={D，X3，X1，X7，X8，X2，X5，X4，X6}。將訓(xùn)練集輸入 K2算法，學(xué)習(xí)得到用戶A消費(fèi)心理信念網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，與A用戶消費(fèi)心理直接相連的節(jié)點(diǎn)為折扣、評(píng)價(jià)、距離。由該網(wǎng)絡(luò)結(jié)構(gòu)，得到A用戶消費(fèi)心理的類別概率如表5所示。

圖1 A用戶消費(fèi)心理網(wǎng)絡(luò)結(jié)構(gòu)

表5 A用戶消費(fèi)心理類別概率表

由表5可得，用戶A的消費(fèi)心理表現(xiàn)從強(qiáng)到弱依次為實(shí)惠心理、求質(zhì)心理、擔(dān)憂心理、便捷心理、個(gè)性心理。其實(shí)惠心理（D2）、求質(zhì)心理（D3）、擔(dān)憂心理（D5）三者總和占據(jù)全部消費(fèi)心理的80%以上，說明該用戶在實(shí)際消費(fèi)中主要關(guān)注商品的價(jià)格、質(zhì)量和網(wǎng)購帶來的相關(guān)隱患。

（三）基于消費(fèi)心理網(wǎng)絡(luò)結(jié)構(gòu)的新產(chǎn)品推薦

新產(chǎn)品推薦的主要思想是將離散化后的商品屬性輸入A的消費(fèi)心理信念網(wǎng)絡(luò)，得到該用戶消費(fèi)者心理的后驗(yàn)概率，若后驗(yàn)概率分布與表5的概率分布大致一致，則進(jìn)行推薦，否則不推薦，具體步驟如下：

（1）將測試集商品屬性輸入圖1的消費(fèi)心理信念網(wǎng)絡(luò)，得到消費(fèi)者消費(fèi)心理的后驗(yàn)概率。

（2）由于用戶A實(shí)惠心理、求質(zhì)心理、擔(dān)憂心理三者總和占據(jù)全部消費(fèi)心理的80%以上，若根據(jù)測試集得到的消費(fèi)心理后驗(yàn)概率在該三種消費(fèi)心理的結(jié)果均大于表5的結(jié)果，則進(jìn)行推薦，否則不推薦，實(shí)驗(yàn)結(jié)果如表6所示。

表6 測試集商品實(shí)驗(yàn)結(jié)果表

（3）依據(jù)測試集的商品，對(duì)用戶A進(jìn)行訪問，判斷該用戶的購買意向，與表6實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，最終得到推薦效果的混淆矩陣如下：

表7 推薦效果混淆矩陣

由表7可知，通過測試集實(shí)驗(yàn)結(jié)果與用戶訪問結(jié)果進(jìn)行比較，推薦的精確度為90%，推薦結(jié)果較為精準(zhǔn)。

五、實(shí)驗(yàn)結(jié)果驗(yàn)證

為驗(yàn)證本文所提出的基于本地團(tuán)購電商用戶消費(fèi)心理的推薦方法是否具有一般性，從全校范圍內(nèi)選擇30位志愿者進(jìn)行試驗(yàn)結(jié)果驗(yàn)證。將30位志愿者在該平臺(tái)為期一年（2016年1月至2017年1月）的消費(fèi)記錄進(jìn)行整理，按照上文提出的方法進(jìn)行消費(fèi)心理信念網(wǎng)絡(luò)建模，得到每位用戶的消費(fèi)心理分布，之后利用測試集數(shù)據(jù)學(xué)習(xí)某種商品下該用戶消費(fèi)心理的后驗(yàn)概率，判斷是否推薦該商品，并通過訪談與用戶實(shí)際的購買意愿進(jìn)行比較，當(dāng)推薦結(jié)果的準(zhǔn)確率高于百分之80，認(rèn)為該用戶通過檢驗(yàn)，否則不通過。實(shí)驗(yàn)結(jié)果顯示：參與調(diào)查的30名用戶中有28名用戶通過檢驗(yàn)，總體通過率達(dá)到93.3%，認(rèn)為該基于本地團(tuán)購類電商消費(fèi)者消費(fèi)心理的推薦方法基本可行且具有一般性。

六、小結(jié)

本文基于電子商務(wù)個(gè)性化推薦，根據(jù)本地團(tuán)購電商用戶消費(fèi)歷史對(duì)其消費(fèi)心理進(jìn)行分析，結(jié)合信念網(wǎng)絡(luò)建立其消費(fèi)心理網(wǎng)絡(luò)結(jié)構(gòu)，得出用戶消費(fèi)心理類型概率分布，進(jìn)而進(jìn)行產(chǎn)品推薦，促進(jìn)了電子商務(wù)、消費(fèi)心理理論的交叉融合，實(shí)驗(yàn)結(jié)果表明所提出的方法可行且具有一定一般性。不足之處在于本文僅采用消費(fèi)心理這一消費(fèi)行為影響因素作為研究對(duì)象，若將消費(fèi)者消費(fèi)能力、人口統(tǒng)計(jì)學(xué)特征等其他因素結(jié)合融入推薦模型中，其推薦結(jié)果可能更為精準(zhǔn)。

[1]BOLLERSLEVT.Generalizedautoregressiveconditionalheteroskedasticity[J].Journal of Econometrics，1986，31（3）：307-327.

[2]高芳放，2015.大學(xué)生網(wǎng)絡(luò)消費(fèi)心理與行為調(diào)查[J].中國青年研究（2）：100-102，107.

[3]孟澤云，2012.基于女性網(wǎng)購群體消費(fèi)心理的營銷策略探析[J].電子商務(wù)（6）：46-47.

[4]高海霞，劉大為，2011.淺析男性的購物特征與男性市場拓展策略[J].中國市場（48）：121-124.

[5]茍玲，周韻桐，2014.基于團(tuán)購消費(fèi)心理的商家營銷策略研究[J].E-Commerce Letters（3）：18-21.

[6]RESNICK P，VARIAN H R.Recommender systems[J].Communications of the Acm，1997，40（3）：56-58.

[7]黃濤，黃仁，張坤.一種改進(jìn)的協(xié)同過濾推薦算法[J].計(jì)算機(jī)科學(xué)，2016，43（S1）：400-403.

[8]BEEL J，GIPP B，LANGER S，et al.Research-paper recommender systems：a literature survey[J].International Journal on Digital Libraries，2015，17（4）：1-34.

[9]CARO P D，PINI M S，SAMBO F.A Tag-Based Recommender System[M].Springer International Publishing，2016.

[10]B.THORAT P，M.GOUDAR R，BARVE S.Survey on Collaborative Filtering，Content-based Filteringand Hybrid Recommendation System[J].International Journal of Computer Applications，2015，110（4）：31-36.

[11]SEO Y，AHN J.Hybrid Contents Recommendation Service Using LBS and NFC Tagging[J].International Journal of Smart Home，2013，7（5）：251-262.

[12]BHUIYAN T.A Survey on the Relationship between Trust and Interest Similarity in Online Social Networks[J].Journal of Emerging Technologies in Web Intelligence，2010，2（4）：291-299.

[13]COOPER G F，HERSKOVITS E.A Bayesian Method for the Induction of Probabilistic Networks from Data[J].Machine Learning，1992，9（4）：309-347.

[14]蔣望東，林士敏，2007.基于貝葉斯網(wǎng)絡(luò)工具箱的貝葉斯學(xué)習(xí)和推理[J].信息技術(shù)（2）：5-8.

（責(zé)任編輯：C 校對(duì)：L）

F724.6

A

1004-2768（2017）06-0112-05

2017-04-05

杭州電子科技大學(xué)優(yōu)秀碩士學(xué)位論文培育項(xiàng)目（GK160203204004/001）

王曉耘（1956-），男，浙江杭州人，杭州電子科技大學(xué)管理學(xué)院教授，研究方向：數(shù)據(jù)挖掘與商務(wù)智能；高敬（1993-），男，甘肅蘭州人，杭州電子科技大學(xué)管理學(xué)院碩士研究生，研究方向：數(shù)據(jù)挖掘與商務(wù)智能。