周良　王璇　王寧

摘要：在實(shí)時(shí)推薦服務(wù)中，如果較早的進(jìn)行個(gè)性化推薦，商家通過點(diǎn)擊流收集到得信息較少，推出的個(gè)性化方案可能并不能精確命中用戶的需求，無法轉(zhuǎn)化為顧客的購買行為；如果為了收集到盡量多的信息而延后推薦，那么就面臨著用戶流失的風(fēng)險(xiǎn)。那么，如何在推薦時(shí)間和推薦質(zhì)量之間進(jìn)行權(quán)衡呢？文章通過博弈論的方法，構(gòu)建了一個(gè)模型，并就其簡單情形進(jìn)行了分析，得出均衡的時(shí)間t。

關(guān)鍵詞：個(gè)性化推薦；博弈論；實(shí)時(shí)性；推薦質(zhì)量

一、 引言

個(gè)性化推薦研究直到20世紀(jì)90年代才被作為一個(gè)獨(dú)立的概念提出來。隨著web2.0的成熟和普及，個(gè)性化推薦在技術(shù)和形式上突飛猛進(jìn)。在新的網(wǎng)絡(luò)環(huán)境下，用戶不再是被動(dòng)的網(wǎng)頁瀏覽者，而是成為主動(dòng)參與者。在日趨激烈的競爭環(huán)境下，個(gè)性化推薦系統(tǒng)已經(jīng)不僅僅是一種商業(yè)營銷手段，更重要的是可以增進(jìn)用戶的黏著性。個(gè)性化推薦系統(tǒng)已經(jīng)給電子商務(wù)領(lǐng)域帶來巨大的商業(yè)利益。據(jù)Vent ureBeat統(tǒng)計(jì)，Amazon的推薦系統(tǒng)為其提供了35%的商品銷售額。

當(dāng)前計(jì)算機(jī)技術(shù)的不斷發(fā)展也為個(gè)性化推薦提供了有力的保障。傳統(tǒng)數(shù)據(jù)挖掘技術(shù)和點(diǎn)擊流分析技術(shù)能夠幫助網(wǎng)絡(luò)銷售商隨時(shí)更新網(wǎng)站內(nèi)容，給每位瀏覽該網(wǎng)站的用戶提供個(gè)性化的服務(wù)，以及時(shí)抓住當(dāng)前用戶。以往的推薦技術(shù)都是根據(jù)用戶歷史瀏覽和購買行為，預(yù)測其后續(xù)的需求，從而推出個(gè)性化推薦方案。然而，每個(gè)人的需求其實(shí)是一個(gè)實(shí)時(shí)性的，即會(huì)隨著時(shí)間的變化而變化。比如說，今天我需要一塊香皂，明天可能需要一個(gè)U盤，如果根據(jù)以往的購買歷史行為，作出的個(gè)性化推薦必然困囿于家居方向，而完全沒辦法兼顧實(shí)時(shí)的用戶需求。對(duì)用戶點(diǎn)擊流的分析技術(shù)可以幫助我們部分解決這個(gè)問題。用戶登錄網(wǎng)站后，會(huì)有不同的點(diǎn)擊行為，形成一系列的點(diǎn)擊流，從中商家可以分析出用戶當(dāng)前感興趣的商品，如此實(shí)時(shí)的監(jiān)控技術(shù)可以使得商家并不完全根據(jù)用戶歷史消費(fèi)行為來推出個(gè)性化推薦方案。結(jié)合點(diǎn)擊流分析和數(shù)據(jù)挖掘技術(shù)，商家可以利用用戶的歷史消費(fèi)信息和當(dāng)前的實(shí)時(shí)瀏覽信息共同決定個(gè)性化推薦的方案，如此一來，能夠較好地提高個(gè)性化推薦的精確度和轉(zhuǎn)化率。

新的技術(shù)和方式的應(yīng)用必然會(huì)遇到新的問題。對(duì)點(diǎn)擊流的分析可以幫助商家更實(shí)時(shí)的了解用戶需求，并做出適當(dāng)?shù)膫€(gè)性化推薦。然而，既然是對(duì)“流”的分析，必然涉及到時(shí)間的問題。即：從用戶登錄網(wǎng)站以來，必然要發(fā)生一系列的點(diǎn)擊行為，那么，在何時(shí)推出個(gè)性化推薦的方案，才能使得效果最好呢？可以設(shè)想一下，如果較早的進(jìn)行個(gè)性化推薦，商家通過點(diǎn)擊流收集到得信息較少，推出的個(gè)性化方案可能并不能精確命中用戶的需求，無法轉(zhuǎn)化為顧客的購買行為--我們稱之為“推薦質(zhì)量低”；如果為了收集到盡量多的信息而延后推薦（相對(duì)應(yīng)著更高的“推薦質(zhì)量”），那么就面臨著用戶流失的風(fēng)險(xiǎn)--用戶不可能永久的停留在你的網(wǎng)站上，一旦在一定的時(shí)間內(nèi)沒有搜尋到滿意的商品，很有可能會(huì)離開，或者是用戶在某一時(shí)點(diǎn)已經(jīng)找到滿意的商品從而完成購買行為，此時(shí)，個(gè)性化推薦失去了價(jià)值，從而失敗——盡管你的推薦方案可能是質(zhì)量高的（精確地命中了用戶的需求）。另外，從用戶的角度考慮，更長時(shí)間的瀏覽，必然導(dǎo)致搜尋成本的上升，從而降低顧客的滿意度，使得顧客黏性下降，不利于商家留住老顧客。因此，如何在推薦時(shí)間和推薦質(zhì)量中進(jìn)行權(quán)衡，是商家必須考慮的一個(gè)問題。

基于以上的問題，本文應(yīng)用博弈論的方法，對(duì)商家的個(gè)性化推薦和顧客的商品搜索行為進(jìn)行分析，以幫助商家決策如何進(jìn)行實(shí)時(shí)個(gè)性化推薦，已獲得最大收益。

二、 文獻(xiàn)回顧

消費(fèi)者在進(jìn)行網(wǎng)上購物時(shí)，產(chǎn)品的不同顯示方式會(huì)對(duì)消費(fèi)者的購買決定產(chǎn)品影響，Eric（2004）對(duì)智能軟件代理進(jìn)行了研究，結(jié)果發(fā)現(xiàn)智能軟件代理的應(yīng)用會(huì)影響網(wǎng)上購物的效果，包括購物時(shí)間、消費(fèi)者做出購買決策時(shí)的信心、消費(fèi)者做出購買決策的質(zhì)量和選擇要購買的產(chǎn)品所花費(fèi)的認(rèn)知努力。Sicilia（2005）對(duì)網(wǎng)站交互性做了研究，主要是對(duì)比交互性網(wǎng)站和非交互性網(wǎng)站對(duì)顧客處理信息及購物經(jīng)歷的不同影響，發(fā)現(xiàn)交互性的購物網(wǎng)站有著更多的信息處理過程、消費(fèi)者對(duì)網(wǎng)站和產(chǎn)品的支持率也會(huì)更高。Cai和Xu（2008）研究發(fā)現(xiàn)電子商務(wù)中產(chǎn)品列表的不同設(shè)計(jì)也會(huì)影響消費(fèi)者的購物決策，當(dāng)產(chǎn)品質(zhì)量與產(chǎn)品價(jià)格呈正相關(guān)關(guān)系時(shí)，如果顧客想選擇高質(zhì)量的產(chǎn)品，那么就應(yīng)該按照倒序的方式來排列商品。網(wǎng)上購物決策支持系統(tǒng)的使用也會(huì)對(duì)消費(fèi)者的購物行為和購買決策產(chǎn)生影響，有關(guān)網(wǎng)上購物決策支持系統(tǒng)的研究也有很多。H？覿ubl和Trifts（2000）曾對(duì)兩種交互式?jīng)Q策輔助工具進(jìn)行了實(shí)證研究：推薦代理RA（顧客可對(duì)商品屬性的重要程度和每種屬性可以接受的取值范圍做出選擇，推薦代理就會(huì)給出符合顧客要求的產(chǎn)品以供顧客選擇）和比較矩陣CM（系統(tǒng)將會(huì)以矩陣的方式列出每種商品的不同屬性情況以供顧客選擇），結(jié)果發(fā)現(xiàn)不同的交互式?jīng)Q策輔助工具會(huì)對(duì)可行集的大小和質(zhì)量、購買決策的質(zhì)量產(chǎn)生影響。Bharati和Chaudhury（2004） 通過實(shí)證研究證明不同的決策支持系統(tǒng)會(huì)影響消費(fèi)者網(wǎng)上購物的滿意程度。Garrity（2005）也通過實(shí)證研究分析了決策支持系統(tǒng)的設(shè)計(jì)對(duì)顧客決策和決策結(jié)果的影響。Benbasat（2007）對(duì)推薦代理RA進(jìn)行了進(jìn)一步的研究，主要是推薦代理的類型、輸入情況、使用過程和輸出情況對(duì)顧客行為的影響。Wang（2009）又對(duì)三種有著不同的決策戰(zhàn)略支持能力的輔助決策工具（Additive-compensatory based aid/補(bǔ)償型的決策輔助工具，Elimination-based aid/消除式的決策輔助工具以及Hybrid aid supporting both strategies/混合型的決策輔助工具）怎樣影響顧客感知和使用意向進(jìn)行了研究，結(jié)果顯示：補(bǔ)償型的決策輔助工具相對(duì)于消除式的決策輔助工具來說限制性較小、得出產(chǎn)品建議的質(zhì)量更高、購買過程所付出的努力程度更小，但是混合型的決策輔助工具與補(bǔ)償型的決策輔助工具并沒有什么顯著的不同。Song（2007）的研究也發(fā)現(xiàn)，考慮到顧客對(duì)產(chǎn)品屬性重要程度偏好和權(quán)重的決策工具更受顧客的青睞。

隨著居民生活質(zhì)量的提高，現(xiàn)有的網(wǎng)上購物方式已經(jīng)不能滿足消費(fèi)者的需求，人們希望能夠通過網(wǎng)絡(luò)買到滿足自己個(gè)性化需求的產(chǎn)品，這時(shí)對(duì)能夠支持消費(fèi)者實(shí)現(xiàn)個(gè)性化定制的決策工具的研究也就開始出現(xiàn)了。Dabholkar（2006）發(fā)現(xiàn)消費(fèi)者網(wǎng)上購物時(shí)關(guān)注對(duì)信息定制的機(jī)會(huì)，而網(wǎng)站能夠提供許多可選擇的替代品的資料并不是很重要，減少風(fēng)險(xiǎn)、節(jié)省搜尋努力才是最重要的目標(biāo)，這才是顧客使用評(píng)級(jí)網(wǎng)站的基本動(dòng)機(jī)。Kamis等人（2008）通過一個(gè)實(shí)驗(yàn)來研究在線顧客使用Alternative-based和Attribute-based決策支持系統(tǒng)時(shí)的產(chǎn)品定制情況，并且運(yùn)用認(rèn)知適配理論發(fā)展了一個(gè)有著四個(gè)中間變量（感知易用性、感知有用性、感知愉快感、感知控制感）的理論模型，前因包括兩種個(gè)性化決策支持工具和任務(wù)的復(fù)雜度。結(jié)果發(fā)現(xiàn)：決策支持工具會(huì)通過感知有用性和感知愉快感來影響消費(fèi)者的行為傾向；在使用Attribute-based決策支持工具的時(shí)候，使用者的感知有用性和感知愉快感會(huì)更多，都優(yōu)于Alternative-based DSS。任務(wù)復(fù)雜度對(duì)感知有用性和感知愉快感的影響是倒U型變化的，隨著任務(wù)復(fù)雜度的增加，感知有用性和感知愉快感先增大再減小。最后還發(fā)現(xiàn)：Alternative-based DSS的使用者的感知易用性和感知控制感都會(huì)隨著任務(wù)復(fù)雜度的增加而減小，而Attribute-based DSS的使用卻可在任務(wù)復(fù)雜度較大時(shí)大大提高消費(fèi)者的感知易用性和感知控制感。

Levav等人（2010）對(duì)個(gè)性化定制過程中屬性的定制順序進(jìn)行了探討，自變量主要為不同屬性的定制順序、依照屬性選擇集的大小進(jìn)行排列；不同的定制順序會(huì)影響使用者的意愿支付價(jià)格、定制時(shí)間、對(duì)默認(rèn)選項(xiàng)的接受程度和滿意度。文章設(shè)計(jì)了三個(gè)漸進(jìn)的實(shí)驗(yàn)來檢驗(yàn)假設(shè)，這篇文章主要研究了依照屬性選擇集的大小排列定制屬性時(shí)，順序的不同對(duì)定制效果的影響。

Shuk Ying Ho等（2011）研究了及時(shí)個(gè)性化推薦與消費(fèi)者行為的關(guān)系，該文通過對(duì)消費(fèi)者搜尋理論進(jìn)行演繹的方式提出了多個(gè)假設(shè)，并通過實(shí)驗(yàn)室和實(shí)地?cái)?shù)據(jù)進(jìn)行了驗(yàn)證，其結(jié)果顯示，隨著時(shí)間的推移，商家進(jìn)行個(gè)性化推薦的質(zhì)量會(huì)越來越高（命中顧客需求的精確度）。本文的假設(shè)之一就是基于該文章的結(jié)論，推薦質(zhì)量是關(guān)于時(shí)間的一個(gè)增函數(shù)，但其是一個(gè)概率上的增函數(shù)，即隨著時(shí)間的增加，高質(zhì)量的推薦的概率越大。

以上關(guān)于文獻(xiàn)的回顧顯示，在個(gè)性化推薦領(lǐng)域中，關(guān)注時(shí)間屬性的文章很少。另外，大部分文章都是從實(shí)證的角度來研究問題，而應(yīng)用博弈論的觀點(diǎn)來分析問題的文章很少。因此，本文基于博弈論的角度，從商家和顧客雙方入手，從理論上對(duì)個(gè)性化推薦中推薦時(shí)間和推薦質(zhì)量的問題進(jìn)行分析，以期能得到好的結(jié)果，對(duì)個(gè)性化推薦領(lǐng)域有理論和實(shí)踐的貢獻(xiàn)。

三、 模型構(gòu)建

本文中，博弈的雙方為電子商務(wù)的賣家和買家。對(duì)于賣家而言，其個(gè)性化推薦的質(zhì)量為q，其出現(xiàn)的概率是推薦時(shí)間的增函數(shù)，Pq=Q（t）。對(duì)買家而言，有三個(gè)選擇，離開網(wǎng)站、拒絕推薦、接受推薦，為了分析的方便，并且不失真實(shí)性，我們把前兩種選擇歸為一類，即買家有兩個(gè)選擇，接受推薦和拒絕推薦。買家搜尋時(shí)間越長，成本越高，從認(rèn)知上考慮，愿意繼續(xù)搜尋的愿望越小，從而越容易離開網(wǎng)站或者拒絕推薦。因此，買家離開網(wǎng)站或者拒絕個(gè)性化推薦的概率是時(shí)間的減函數(shù)，其隨著時(shí)間的增加而減少，我們定義為Ps=S（t），相應(yīng)的，買家接受推薦的概率為（1-Ps）。如果買家接受賣家的個(gè)性化推薦，購買推薦產(chǎn)品，則買家和賣家雙贏，分別都獲得收益；若買家拒絕推薦，則雙方分別付出成本，而沒有收益。定義賣家的成本為收集買家點(diǎn)擊流所花費(fèi)的資源，其隨著時(shí)間的增加而增加，設(shè)為mc=mc（t）。定義買家的成本是搜尋產(chǎn)品的時(shí)間花費(fèi)，亦為時(shí)間的增函數(shù)，設(shè)為cc=cc（t）。買家的收益根據(jù)賣家推薦質(zhì)量的不同而不同，其為質(zhì)量q的函數(shù)，設(shè)為cr=cr（q），若拒絕推薦，則收益為0；賣家的收益相對(duì)固定，設(shè)為mr。如此，可構(gòu)造博弈雙方的收益矩陣，如表1。

四、 模型分析

對(duì)上述模型進(jìn)行分析，需要注意：如果顧客購買了質(zhì)量低的推薦——這完全是有可能的，因?yàn)轭櫩蛯?duì)自己的需求存在一定的盲目性，可能由于商家的廣告或者是網(wǎng)頁上的視覺誤差，而購買了不是自己所需的商品--那么總體來說，買家的收益可以為負(fù)值。如此，上述收益矩陣則不存在完全占有策略，而需要進(jìn)行分析。

1. 兩質(zhì)量模型。為了分析的方便，我們僅關(guān)注兩種質(zhì)量：在t時(shí)刻，商家給出的推薦為低質(zhì)量的推薦q1（顧客接受后有負(fù)的收益），出現(xiàn)的概率為（1-Pq1），和給出的推薦為高質(zhì)量的推薦q2（顧客接受后有正的收益），出現(xiàn)的概率為Pq1。如此，收益矩陣可以簡化為表2。

其中，q1表示低質(zhì)量推薦，其買家的收益函數(shù)為負(fù)，q2代表高質(zhì)量推薦，其買家的收益函數(shù)為正。所以，買家接受推薦和拒絕推薦的期望收益分別為：

cr1=[cr（q1）-cc（t）]*[1-Q（t）]+[cr（q2）-cc（t）]*Q（t）

cr2=[-cc（t）]*[1-Q（t）]+[-cc（t）]*Q（t）

同理，賣家在時(shí)間t給出推薦的期望收益為：

mr1=mr2=[mr-mc（t）]*[1-S（t）]-mc（t）*S（t）=mr（1-S（t））-mc（t）

對(duì)賣家而言，若要買家沒有完全占有策略，需要使得 cr1=cr2。即，選擇適當(dāng)?shù)臅r(shí)間t，使得：

cr1=[cr（q1）-cc（t1）]*[1-Q（t）]+[cr（q2）-cc（t2）]*Q（t）=cr2=[-cc（t1）]*[1-Q（t）]+[-cc（t2）]*Q（t）

兩邊合并同類項(xiàng)可得：

■=■

從上式中可以看出，對(duì)于賣家而言，若想達(dá)到均衡解，必須尋找到某一個(gè)時(shí)間點(diǎn)t，使得上式成立。

而對(duì)于買家而言，不論其作出何種選擇（拒絕或者接受推薦），賣家的期望收益均相同，也就是說，買家的行為不能對(duì)賣家造成影響。但是賣家的期望收益會(huì)隨著時(shí)間的延長而減少，因此，賣家需要盡量快得作出推薦。

因此，綜上所述，在買家和賣家之間的博弈選擇中，賣家處于占優(yōu)的一方，其策略選擇將會(huì)影響到買家的策略，相反地，買家的策略選擇對(duì)賣家不會(huì)造成影響。從而，對(duì)賣家的行為求出均衡解時(shí)，整個(gè)博弈可以達(dá)到均衡。

五、 總結(jié)

隨著網(wǎng)絡(luò)的發(fā)展，信息大爆炸現(xiàn)象日趨明顯，電子商務(wù)背景下的零售業(yè)競爭及其激烈。為了應(yīng)對(duì)殘酷的生存環(huán)境，各大商家紛紛推出各種營銷戰(zhàn)略，個(gè)性化推薦服務(wù)是其中應(yīng)用較廣泛，效果比較明顯的一種策略。在新技術(shù)的推動(dòng)下，個(gè)性化推薦服務(wù)不但能夠跟顧客的歷史消費(fèi)記錄作出推薦，還能根據(jù)對(duì)顧客點(diǎn)擊流的分析實(shí)時(shí)地作出推薦。然而，在實(shí)時(shí)推薦中，選擇恰當(dāng)?shù)貢r(shí)間進(jìn)行推薦，是商家需要考慮的一大問題。本文應(yīng)用博弈論的方法，從賣家和買家雙方的角度出發(fā)，構(gòu)造了一個(gè)雙人博弈模型，并就其簡化情形進(jìn)行了求解分析，得出結(jié)論：賣家只有選擇適當(dāng)?shù)臅r(shí)間t，使得其滿足■=■，才能最大限度地促使買家接受推薦，購買產(chǎn)品，同時(shí)，延時(shí)推薦的時(shí)間越長，賣家的期望收益就越??；然而，買家的決策并不會(huì)影響到賣家的行為。

本文將博弈論的方法應(yīng)用到個(gè)性化推薦當(dāng)中，這在已往的文獻(xiàn)中是沒有的，具有一定的理論意義。同時(shí)，其結(jié)果對(duì)指導(dǎo)商家進(jìn)行實(shí)時(shí)推薦服務(wù)具有一定的實(shí)踐意義。然而，本文也存在一些不足，未能對(duì)復(fù)雜情況的博弈模型進(jìn)行求解分析就是其中之一。另外，模型當(dāng)中的參數(shù)均為虛擬函數(shù)，沒有具體的函數(shù)形式，對(duì)于實(shí)際的應(yīng)用有很大的障礙，如何通過實(shí)證數(shù)據(jù)的分析得出具體的函數(shù)形式亦是未來的研究方向。

參考文獻(xiàn)：

1. 劉建國，周濤.個(gè)性化推薦系統(tǒng)的研究進(jìn)展.自然科學(xué)進(jìn)展，2009，（1）：1-15.

2. R.Eric Hostler， Victoria Y.Yoon， Tor Gu- imaraes.Assessing.The Impact of Internet Agent On End Users' Performance.Decision Support Systems，2005，（41）：313-323.

3. Maria Sicilia，Salvador Ruiz，Jose L.Mun- uera.Effects of Interactivity In A Web Site. Journal of Advertising，2005，34（3）：31.

4. Shun Cai， Yunjie （Calvin） Xu. Designing Product Lists for E-commerce：The Effects of Sorting on Consumer Decision Making.Journal of Human-computer Interaction，2008，24（7）：700-721.

5. H？覿ubl， Gerald， Trifts. Consumer Decision Making In Online Shopping Environments：The Effects Of Interactive Decision Aids. Marketing Science， 2000，19（1）：4-21.

基金項(xiàng)目：中國人民大學(xué)科學(xué)研究基金（中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助）“在線個(gè)性化定制：內(nèi)在獨(dú)特性需求與外在社會(huì)化影響之間的平衡”（項(xiàng)目號(hào)：14XNH087）。

作者簡介：周良（1985-），男，漢族，江西省都昌縣人，中國人民大學(xué)商學(xué)院博士生，新加坡國立大學(xué)信息系統(tǒng)系聯(lián)合培養(yǎng)博士生，研究方向?yàn)殡娮由虅?wù)、在線個(gè)性化定制；王璇（1968-），女，漢族，北京市人，北京化工大學(xué)經(jīng)濟(jì)管理學(xué)院運(yùn)營管理系系主任、副教授，研究方向?yàn)殡娮由虅?wù)、信息管理與信息系統(tǒng)；王寧（1987-），女，漢族，山東省臨沂市人，中國人民大學(xué)商學(xué)院博士生，德國亞琛工大聯(lián)合培養(yǎng)博士生，研究方向?yàn)殡娮由虅?wù)、在線個(gè)性化定制。

收稿日期：2015-03-08。