張光前，白 雪

大連理工大學(xué) 管理與經(jīng)濟(jì)學(xué)部，遼寧 大連116024

1 引言

電子商務(wù)推薦(系統(tǒng))在緩解商品信息過載、提高消費(fèi)者個(gè)性化體驗(yàn)和銷售轉(zhuǎn)化率等方面發(fā)揮著不可替代的作用［1］，如Amazon 宣稱推薦系統(tǒng)提高了其30%的銷售額［2］。但隨著電子商務(wù)的發(fā)展，電子商務(wù)推薦面臨兩方面的變化:①商品日益豐富，沒有被購(gòu)買甚至被瀏覽過的“新商品”越來(lái)越多;②消費(fèi)個(gè)性日益凸顯，消費(fèi)內(nèi)容和消費(fèi)形式都在快速變化。這些變化導(dǎo)致推薦系統(tǒng)難以給出令消費(fèi)者滿意的推薦結(jié)果［3］，從而造成“新商品”推薦問題。這里的新商品是從消費(fèi)者視角出發(fā)的，即對(duì)某個(gè)消費(fèi)者而言沒有被其購(gòu)買過的商品即為新商品。

目前，電子商務(wù)推薦的思路主要是基于各種相關(guān)關(guān)系進(jìn)行推薦，如基于商品之間的關(guān)系、消費(fèi)者之間的關(guān)系、消費(fèi)者與商品之間的關(guān)系進(jìn)行推薦等。當(dāng)面對(duì)新商品時(shí)，這些相關(guān)關(guān)系沒有了或變得很少，導(dǎo)致難以對(duì)新商品做出恰當(dāng)推薦。由于導(dǎo)致新商品推薦問題的癥結(jié)在于缺乏消費(fèi)者與新商品之間的聯(lián)系，如果能夠找到面對(duì)新商品時(shí)仍然成立的深層次關(guān)系，那么新商品推薦問題就可能得到解決，至少會(huì)有所緩解。消費(fèi)心理學(xué)研究表明，消費(fèi)者的行為(含選擇商品)是由其內(nèi)在消費(fèi)心理決定的，且消費(fèi)心理具有穩(wěn)定性，說(shuō)明即使在面對(duì)新商品時(shí)，成熟消費(fèi)者的消費(fèi)心理也基本沒有變化，而消費(fèi)內(nèi)容和形式的改變是外在的變化，也是由消費(fèi)心理決定的。因此，若能基于用戶消費(fèi)心理進(jìn)行推薦，則推薦所依賴的關(guān)系是深層而穩(wěn)定的因果關(guān)系，就有可能解決新商品推薦問題。

實(shí)現(xiàn)這一想法需要解決兩個(gè)基本問題，一是如何從消費(fèi)者的消費(fèi)記錄中分析出其消費(fèi)心理，二是如何根據(jù)消費(fèi)者消費(fèi)心理實(shí)現(xiàn)新商品推薦。為此，本研究根據(jù)消費(fèi)心理學(xué)中關(guān)于消費(fèi)性格的論述，以貝葉斯網(wǎng)絡(luò)為基本方法，建立消費(fèi)者購(gòu)物記錄與其消費(fèi)性格間的聯(lián)系，并據(jù)此實(shí)現(xiàn)基于消費(fèi)性格的新商品推薦。

2 相關(guān)研究評(píng)述

2.1 新商品推薦研究

分析推薦效果的研究表明，單純根據(jù)消費(fèi)者歷史消費(fèi)記錄進(jìn)行推薦會(huì)造成少數(shù)商品多次被推薦，而沒有被瀏覽或購(gòu)買過的新商品根本無(wú)法被推薦［4］，導(dǎo)致電子商務(wù)推薦的實(shí)際作用有限。

由于新商品缺乏與消費(fèi)者、消費(fèi)者的朋友以及他們購(gòu)買或?yàn)g覽過商品之間的聯(lián)系，使現(xiàn)有協(xié)同過濾推薦、基于內(nèi)容過濾推薦等基于關(guān)系進(jìn)行推薦的方法缺乏必要的信息，無(wú)法做出合適的推薦。隨著電子商務(wù)的發(fā)展，新商品推薦問題已經(jīng)無(wú)法回避。目前，對(duì)新商品推薦的研究通常與電子商務(wù)推薦的評(píng)價(jià)標(biāo)準(zhǔn)聯(lián)系在一起?，F(xiàn)有的評(píng)價(jià)標(biāo)準(zhǔn)可分為兩類:一類是技術(shù)性標(biāo)準(zhǔn)，主要用于衡量推薦方法的推薦精度和計(jì)算復(fù)雜性等性能指標(biāo)［5］;另一類是商務(wù)性標(biāo)準(zhǔn)，如希望推薦結(jié)果達(dá)到新穎性、驚喜性和多樣性等標(biāo)準(zhǔn)［6］。這些標(biāo)準(zhǔn)反映了對(duì)個(gè)性化推薦服務(wù)的各種要求。

與新商品推薦相關(guān)的是商務(wù)性標(biāo)準(zhǔn)中的新穎性、驚喜性、多樣性3個(gè)指標(biāo)。①新穎性，指推薦消費(fèi)者不知道的商品，通常是在過濾掉消費(fèi)者購(gòu)買或?yàn)g覽過的商品基礎(chǔ)上進(jìn)行推薦，或者在與購(gòu)物記錄相關(guān)的商品中選擇消費(fèi)者不熟悉的，或者推薦不流行的商品，但這些做法對(duì)消費(fèi)者來(lái)說(shuō)無(wú)法保證是有用的［7］。②驚喜性，即意外發(fā)現(xiàn)新奇、有價(jià)值的事物的運(yùn)氣，指推薦結(jié)果獲得令人驚訝的成功。這個(gè)指標(biāo)強(qiáng)調(diào)一定要有新的內(nèi)容出現(xiàn)［8］，通常是對(duì)帶有相同內(nèi)容標(biāo)記的商品不予推薦，而推薦與消費(fèi)者偏好距離較遠(yuǎn)的商品。但推薦結(jié)果是對(duì)自然預(yù)測(cè)的偏離，消費(fèi)者可能會(huì)試探該推薦結(jié)果，但如果發(fā)現(xiàn)推薦結(jié)果無(wú)用反而會(huì)棄用電子商務(wù)推薦系統(tǒng)。③多樣性，通常選擇與消費(fèi)者以前購(gòu)買的商品不相似的商品來(lái)推薦，但代價(jià)是犧牲準(zhǔn)確性，且結(jié)果可能是無(wú)用的［9］。

可見，上述做法都是采用一種故意避開與消費(fèi)者購(gòu)物記錄相近的商品，通過隨機(jī)選擇的方式推薦新商品，是為了達(dá)到商務(wù)性標(biāo)準(zhǔn)而采用的應(yīng)對(duì)措施，不但無(wú)法保證甚至無(wú)法解釋推薦結(jié)果具有合理性，而且還會(huì)犧牲掉電子商務(wù)推薦系統(tǒng)應(yīng)該具有的基本性能，如準(zhǔn)確性等。

2.2 消費(fèi)心理研究

消費(fèi)心理研究是在心理科學(xué)理論指導(dǎo)下，研究人們?cè)谙M(fèi)活動(dòng)中的行為和心理，以觀察和實(shí)驗(yàn)為獲取數(shù)據(jù)的基本手段，以統(tǒng)計(jì)分析為基本數(shù)據(jù)分析工具，通過對(duì)消費(fèi)者外在行為的理性分析，把握消費(fèi)習(xí)慣、消費(fèi)方式和消費(fèi)結(jié)構(gòu)產(chǎn)生的內(nèi)在心理基礎(chǔ)及其發(fā)展變化規(guī)律［10］。

消費(fèi)心理的基本規(guī)律是消費(fèi)心理是內(nèi)在且穩(wěn)定的，消費(fèi)行為是消費(fèi)心理的外在表現(xiàn)，消費(fèi)心理決定消費(fèi)行為?，F(xiàn)階段的消費(fèi)心理研究已經(jīng)揭示了消費(fèi)者在個(gè)性心理特征和消費(fèi)傾向等消費(fèi)心理方面的一般規(guī)律，明確了消費(fèi)心理包括消費(fèi)態(tài)度、需要、動(dòng)機(jī)、消費(fèi)者氣質(zhì)、消費(fèi)技能和消費(fèi)能力等多個(gè)方面［11］。消費(fèi)心理方面的規(guī)律多是一種統(tǒng)計(jì)規(guī)律，且這些規(guī)律通常表現(xiàn)為定性的論述。消費(fèi)者的行為表現(xiàn)與其消費(fèi)心理之間常常是一因多果、一果多因、多因多果等情況，多種因素相互作用和影響。因此，從外在表現(xiàn)定位內(nèi)在心理有一定難度。

對(duì)電子商務(wù)推薦來(lái)說(shuō)，消費(fèi)心理方面的理論是理解和把握消費(fèi)者行為的領(lǐng)域知識(shí)，引入消費(fèi)心理理論會(huì)極大增加電子商務(wù)推薦方法的理論基礎(chǔ)。當(dāng)然，若把消費(fèi)心理因素引入到新商品推薦方法中，必須解決如何根據(jù)以定性論述為主的消費(fèi)心理學(xué)理論對(duì)具體消費(fèi)者的消費(fèi)心理進(jìn)行定量的分析和應(yīng)用。

3 基于購(gòu)物記錄的消費(fèi)性格分析

性格是人的個(gè)性中最重要、最顯著的個(gè)性心理特征，消費(fèi)性格是個(gè)人在消費(fèi)方面穩(wěn)定的態(tài)度和習(xí)慣的行為方式，是決定消費(fèi)行為的重要因素。通常，有什么樣的消費(fèi)性格則有相應(yīng)的消費(fèi)行為［11］。盡管消費(fèi)性格是決定消費(fèi)行為的一個(gè)重要原因，但消費(fèi)性格有不同類型甚至混合型，其外在表現(xiàn)與具體消費(fèi)性格之間通常是多因多果關(guān)系。根據(jù)購(gòu)物記錄分析其消費(fèi)性格，是根據(jù)外在表現(xiàn)確定內(nèi)在心理，是由果溯因的過程，可以看做是確定條件概率的過程。為此，選用貝葉斯網(wǎng)絡(luò)作為工具推斷消費(fèi)性格。貝葉斯網(wǎng)絡(luò)是一種自然表示因果信息的方法，在設(shè)備故障診斷和模式識(shí)別等很多方面都有成功的應(yīng)用。

3.1 消費(fèi)性格及其表現(xiàn)

按照消費(fèi)態(tài)度的不同，消費(fèi)性格分為經(jīng)濟(jì)型、自由型、保守型、順應(yīng)型、怪僻型5種類型。根據(jù)公認(rèn)的成熟的、關(guān)于消費(fèi)性格的論述，把各種消費(fèi)性格類型及其表現(xiàn)進(jìn)行總結(jié)，結(jié)果見表1。

由表1 可知，不同的消費(fèi)性格在消費(fèi)態(tài)度、行為方式和關(guān)注點(diǎn)方面有明顯差別，對(duì)消費(fèi)性格的論述是整理實(shí)際的購(gòu)物記錄并建立消費(fèi)心理及其外在表現(xiàn)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)時(shí)的理論依據(jù)及指導(dǎo)原則。

3.2 變量選擇和處理

購(gòu)物記錄如實(shí)地記錄了消費(fèi)者在電子商務(wù)網(wǎng)站上的消費(fèi)行為，這些數(shù)據(jù)現(xiàn)實(shí)可得且與消費(fèi)選擇密切相關(guān)，是分析消費(fèi)者消費(fèi)性格的理想素材。貝葉斯網(wǎng)絡(luò)使用的變量是離散型的，需要對(duì)購(gòu)物記錄中數(shù)值型變量進(jìn)行離散化處理。變量的含義、來(lái)源和處理說(shuō)明見表2，其中消費(fèi)性格是類別變量，其余變量均為屬性變量。

3.3 基于貝葉斯網(wǎng)絡(luò)的消費(fèi)性格分析

應(yīng)用貝葉斯網(wǎng)絡(luò)進(jìn)行消費(fèi)性格分析就是根據(jù)某消費(fèi)者的歷史數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，學(xué)習(xí)結(jié)果表明了該消費(fèi)者的消費(fèi)性格。在貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法中，由Cooper等［28］提出的K2 結(jié)構(gòu)學(xué)習(xí)算法以高效、準(zhǔn)確而著稱，本研究采用K2 算法和互信息相結(jié)合的方式進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，根據(jù)評(píng)分函數(shù)選擇最優(yōu)模型，用貝葉斯估計(jì)進(jìn)行參數(shù)學(xué)習(xí)。具體學(xué)習(xí)過程描述如下。

表2 商品變量離散化處理Table 2 Discretization of the Variables of Commodities Variables

(1)引入條件互信息計(jì)算屬性變量之間的依賴關(guān)系，以確定K2 算法的輸入順序。根據(jù)消費(fèi)者瀏覽記錄，計(jì)算每對(duì)屬性變量Xi與Xj之間的條件互信息I(Xi;Xj|Ck)，即

其中，Xi、Xj和C均為隨機(jī)變量，P為概率，xi、xj和ck為樣本中某件商品在對(duì)應(yīng)的隨機(jī)變量上的取值，i和j為對(duì)應(yīng)的具體屬性編號(hào)，k 為對(duì)應(yīng)的具體消費(fèi)性格類型。

(2)以屬性變量間的條件互信息I(Xi;Xj|C)作為權(quán)重，根據(jù)權(quán)重大小將屬性變量X1，X2，…，X9排序，并把類別變量C 排在序列的首位，得到一組基于因果關(guān)系的變量序列{C，Y1，Y2，…，Y9}，作為節(jié)點(diǎn)輸入順序，設(shè)Y ={y1，y2，…，y9}。

(3)初始化一個(gè)空網(wǎng)絡(luò)，根據(jù)預(yù)先設(shè)定的節(jié)點(diǎn)輸入順序，利用網(wǎng)絡(luò)結(jié)構(gòu)評(píng)分公式(2)式和(3)式，依次為每一個(gè)節(jié)點(diǎn)添加合適的父節(jié)點(diǎn)，父節(jié)點(diǎn)只能在該節(jié)點(diǎn)順序之前的節(jié)點(diǎn)集合中選取，使(2)式的概率值最高。

其中，D 為實(shí)例數(shù)據(jù);Bs為網(wǎng)絡(luò)結(jié)構(gòu);yl為Y 中各變量的取值;v(yl)為yl父節(jié)點(diǎn)的取值，即概率大小;h為該節(jié)點(diǎn)的父節(jié)點(diǎn)個(gè)數(shù);Γ()為Γ 函數(shù);?lhg為yl第g個(gè) 狀態(tài)，?lh=∑?lhg;Nlhg為v(yl)的第g個(gè)狀態(tài)，Nlh=∑Nlhg。

(4)根據(jù)評(píng)分公式得到一個(gè)分值最高的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和此時(shí)各節(jié)點(diǎn)的條件概率分布表。學(xué)習(xí)類別節(jié)點(diǎn)C的概率分布為P(Ck)，該概率分布表示分析對(duì)象的消費(fèi)性格情況，概率值大的類別表示該消費(fèi)者的主導(dǎo)消費(fèi)性格。

4 基于消費(fèi)性格的新商品推薦方法

4.1 新商品推薦的基本思想

從電子商務(wù)推薦角度，基于消費(fèi)性格的新商品推薦是在已知某消費(fèi)者的消費(fèi)性格的情況下，當(dāng)有新商品到來(lái)時(shí)，判斷是否向其推薦這一商品。落實(shí)到貝葉斯網(wǎng)絡(luò)則是一個(gè)后驗(yàn)概率問題，即在知道了已存在的貝葉斯網(wǎng)絡(luò)中各種屬性之間組織關(guān)系的情況下，當(dāng)有新的觀察數(shù)據(jù)到來(lái)時(shí)，分析網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)變化情況。在后驗(yàn)概率推理中，在已知從消費(fèi)者購(gòu)物記錄的學(xué)習(xí)中得到貝葉斯網(wǎng)絡(luò)中各節(jié)點(diǎn)的取值情況下，把新商品作為證據(jù)變量，把用戶的消費(fèi)性格作為查詢變量，通過近似推理，可以在已知完整的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖和節(jié)點(diǎn)的概率分布表的條件下，求出該消費(fèi)者在新商品條件下的消費(fèi)性格。

若新商品條件下消費(fèi)者的消費(fèi)性格與從購(gòu)物記錄得到的消費(fèi)性格之間無(wú)本質(zhì)差別，則認(rèn)為該新商品符合該用戶消費(fèi)性格，則向用戶推薦該商品，否則不向用戶做此推薦。這樣就以是否符合用戶的消費(fèi)性格作為是否推薦的判定標(biāo)準(zhǔn)，實(shí)現(xiàn)對(duì)新商品的合理推薦。

4.2 基于貝葉斯推理的新商品推薦的具體步驟

根據(jù)存在的貝葉斯網(wǎng)絡(luò)圖(記為S)，先對(duì)(新)商品的屬性進(jìn)行離散化處理，然后作為已知節(jié)點(diǎn)的輸入，通過貝葉斯網(wǎng)絡(luò)推理查詢“消費(fèi)性格”的后驗(yàn)概率分布，后驗(yàn)概率分布反映出在該新商品條件下該消費(fèi)性格。對(duì)已經(jīng)建立的網(wǎng)絡(luò)圖S，類別變量“消費(fèi)性格”的概率分布為P(Ck)，概率數(shù)值的大小表示屬于該種性格類型可能性的大小。依照概率大小對(duì)性格類型排序，選擇排序靠前的作為衡量指標(biāo)M(可能不止一個(gè)指標(biāo))，M 即為主導(dǎo)消費(fèi)性格，對(duì)應(yīng)的概率值作為閾值εM?？赡艽嬖诙鄠€(gè)閾值，選擇所有在衡量指標(biāo)M的概率均高于閾值εM的商品作為推薦對(duì)象。這時(shí)該推薦方法的輸入為新商品屬性、貝葉斯網(wǎng)絡(luò)圖S，輸出為消費(fèi)性格概率P(Ck)、新商品是否進(jìn)行推薦的判定。

貝葉斯網(wǎng)絡(luò)推理過程較為復(fù)雜，由于推薦時(shí)對(duì)計(jì)算精度要求不高，故采用性能較好的、廣為應(yīng)用的連接樹近似推理算法。具體步驟如下。

(1)任意選取網(wǎng)上用戶未購(gòu)買過的商品，對(duì)商品屬性進(jìn)行處理，使所有的屬性變量均為離散型，并構(gòu)成商品屬性變量集合，記為A，A ={X1，X2，…，X9}。

(2)依據(jù)P(Ck)的取值進(jìn)行累計(jì)處理，把概率取值P(Ck)較大的確定為該消費(fèi)者的消費(fèi)性格閾值，記為εM，相應(yīng)的消費(fèi)性格類型記為衡量指標(biāo)M。

(3)根據(jù)已經(jīng)存在的網(wǎng)絡(luò)圖，選擇聯(lián)合樹算法，由網(wǎng)絡(luò)結(jié)構(gòu)圖生成Moral 圖，通過無(wú)向圖三角化和量化處理，獲得處于平衡狀態(tài)的聯(lián)合樹。

(4)把新商品的屬性變量集合A 作為證據(jù)變量輸入，設(shè)定查詢變量為“消費(fèi)性格”，最終通過消息傳遞使聯(lián)合樹達(dá)到平衡。

(5)利用貝葉斯公式求解變量“消費(fèi)性格”的后驗(yàn)概率分布P(C| A)，概率值記為Fk。

(6)在衡量指標(biāo)M上，比較εM與Fk的取值，若所有Fk＞εM，則把該商品作為推薦的對(duì)象。

5 方法驗(yàn)證和分析

上述新商品推薦方法包括兩個(gè)部分，先通過歷史記錄分析某消費(fèi)者的消費(fèi)性格，在此基礎(chǔ)上判斷當(dāng)有新商品到來(lái)時(shí)是否向該消費(fèi)者推薦，二者是一個(gè)有機(jī)的整體，一起構(gòu)成完整的基于消費(fèi)性格的新商品推薦方法。下面采用實(shí)際數(shù)據(jù)驗(yàn)證和分析該方法的可行性和合理性。

5.1 樣本選取和處理

電子商務(wù)推薦是一種個(gè)性化的信息服務(wù)，首先以某個(gè)消費(fèi)者(甲)為研究對(duì)象，根據(jù)其個(gè)人在淘寶網(wǎng)上的購(gòu)物記錄，只使用甲購(gòu)買商品的信息，不涉及姓名、性別和年齡等隱私信息。記錄時(shí)間為2013年3月至2014年3月，對(duì)該數(shù)據(jù)樣本中商品屬性值按表2規(guī)則進(jìn)行離散化處理，可以得到貝葉斯網(wǎng)絡(luò)建立的訓(xùn)練集。新商品集合是選取甲未購(gòu)買過的10種網(wǎng)上商品，對(duì)其屬性進(jìn)行離散化處理，作為推理時(shí)的證據(jù)變量。

5.2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)和推理結(jié)果

采用Matlab 軟件中的BNT 工具箱進(jìn)行輔助編程，并結(jié)合互信息進(jìn)行貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)和推理。

(1)確定K2 算法的節(jié)點(diǎn)輸入順序。根據(jù)前述的消費(fèi)性格分析步驟，計(jì)算條件互信息對(duì)稱矩陣(僅寫出上三角部分)，計(jì)算結(jié)果見表3。

表3的數(shù)據(jù)表示兩個(gè)隨機(jī)變量間存在的統(tǒng)計(jì)依賴關(guān)系的大小，如第3 行第4 列的值為0.032，說(shuō)明變量X2與X3的依賴程度為0．032;第2行第4列的值為0.061，即X1與X3的依賴程度為0．061;比較兩個(gè)數(shù)值，認(rèn)為X2與X3的聯(lián)系程度不如X1與X3的聯(lián)系程度緊密。

根據(jù)表3 確定變量輸入節(jié)點(diǎn)順序，并把類別變量C(消費(fèi)性格)加在最開始的位置，確定最后的輸入順序?yàn)閛rder =［C，X4，X6，X3，X9，X8，X5，X7，X2，X1］。

表3 條件互信息矩陣Table 3 Matirx of Conditional Mutual Information

(2)獲得網(wǎng)絡(luò)結(jié)構(gòu)圖，通過對(duì)輸入數(shù)據(jù)的學(xué)習(xí)得到貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖，見圖1，箭頭方向?yàn)閺母腹?jié)點(diǎn)到子節(jié)點(diǎn)。

圖1 基于甲的購(gòu)物記錄得到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)Figure 1 Bayesian Network Based on a Consumer′ Purchasing Data

由圖1 可知，與節(jié)點(diǎn)10 直接相連的節(jié) 點(diǎn)是2、3、7、9，故認(rèn)為該網(wǎng)絡(luò)用戶在瀏覽購(gòu)物時(shí)關(guān)注的商品屬性是折扣、質(zhì)量、銷量和評(píng)價(jià)，對(duì)其他商品屬性關(guān)注度不大，但仍存在間接聯(lián)系。

(3)參數(shù)分布學(xué)習(xí)。通過參數(shù)學(xué)習(xí)可得到所有節(jié)點(diǎn)的條件概率表，它反映了樣本數(shù)據(jù)學(xué)習(xí)后的變量之間的依賴程度大?。?0］。每個(gè)節(jié)點(diǎn)都擁有一條件概率表，它定量地刻畫了其父節(jié)點(diǎn)對(duì)該節(jié)點(diǎn)的影響。以節(jié)點(diǎn)9的條件概率表為例，由圖1 可知，節(jié)點(diǎn)9的父節(jié)點(diǎn)是節(jié)點(diǎn)3 和節(jié)點(diǎn)10，那么節(jié)點(diǎn)9 受到節(jié)點(diǎn)3 和節(jié)點(diǎn)10的直接影響。節(jié)點(diǎn)9的條件概率分布見表4。

表4 中父節(jié)點(diǎn)X3(質(zhì)量)一欄對(duì)應(yīng)的是質(zhì)量這個(gè)屬性的具體取值，離散化的取值為一般和優(yōu)良兩類;父節(jié)點(diǎn)X10(消費(fèi)性格)一欄對(duì)應(yīng)的是消費(fèi)性格的具體類型。以表4 中第2 行為例，該行表示若商品質(zhì)量為一般且消費(fèi)性格為經(jīng)濟(jì)型，則評(píng)價(jià)結(jié)果是差的概率為0.794，評(píng)價(jià)為好的概率為0.206。

表4 節(jié)點(diǎn)9的條件概率表Table 4 Conditional Probability Table of Node 9

(4)消費(fèi)性格類型的學(xué)習(xí)。通過貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)得到甲的消費(fèi)性格概率分布，見表5。

表5 甲的消費(fèi)性格概率分布Table 5 Probability Distribution of the Consuming Personalities

表6 新商品推薦結(jié)果Table 6 Results of Recommendation of New Commodities

由表5 性格類型的取值概率可知，消費(fèi)者甲的消費(fèi)性格并不單一，各種類型所占比例各不相同。概率數(shù)值越大，表示對(duì)應(yīng)性格類型在甲的性格中所占比例越大。甲的消費(fèi)性格表現(xiàn)出混合型的特點(diǎn)，經(jīng)濟(jì)型和自由型所占的比例將近六成，可看做是“經(jīng)濟(jì)+ 自由”型是甲的主導(dǎo)消費(fèi)性格，這幾種消費(fèi)性格類型表現(xiàn)為經(jīng)濟(jì)型＞自由型＞順應(yīng)型＞保守型＞怪僻型。

(5)消費(fèi)性格閾值確定。為了根據(jù)消費(fèi)性格判別某新商品是否值得向其推薦，需要設(shè)定判定新商品與消費(fèi)性格符合時(shí)的閾值。采用的方式為:把得到的性格類型按照概率值降序排列，由于前兩個(gè)類型已經(jīng)占到約六成，所以選取前兩個(gè)類型的概率值作為閾值ε，可以得到ε1=0．337，ε2=0．249。

(6)新商品推薦。新商品推薦對(duì)應(yīng)的貝葉斯網(wǎng)絡(luò)的推理，推理的節(jié)點(diǎn)確定為消費(fèi)性格，選取的已知證據(jù)節(jié)點(diǎn)為X1、X2、X3、X4、X5、X6、X7、X8、X9。通過聯(lián)合樹推理引擎，得到消費(fèi)性格的后驗(yàn)概率。

選取該消費(fèi)者從未購(gòu)買過的10種商品，對(duì)其商品屬性進(jìn)行離散化處理，使用學(xué)習(xí)好的貝葉斯網(wǎng)絡(luò)進(jìn)行推理，得到其推薦結(jié)果，見表6。

表6 中每一個(gè)新商品對(duì)應(yīng)的行都是在已學(xué)習(xí)好的貝葉斯網(wǎng)絡(luò)中輸入該新商品屬性時(shí)得到的消費(fèi)性格分布，如果這個(gè)分布與從甲真實(shí)消費(fèi)的商品中得到的消費(fèi)性格一致，則為其推薦該商品。具體做法是若得到的消費(fèi)性格類型大于設(shè)定閾值ε 時(shí)，則用(* )標(biāo)示出來(lái)，當(dāng)前兩個(gè)消費(fèi)性格類型都大于設(shè)定閾值時(shí)，表明該商品符合甲的主導(dǎo)消費(fèi)性格，則向消費(fèi)者甲進(jìn)行推薦，否則就不予推薦。

以商品A 為例，性格類型為經(jīng)濟(jì)型的概率取值為0.469，大于ε1;自由型的概率取值為0．530，大于ε2。兩者同時(shí)大于設(shè)定的閾值，表示商品A 所反映的性格類型水平大于甲的主導(dǎo)消費(fèi)性格，滿足其個(gè)性心理需求，所以把商品A 推薦給用戶甲。

根據(jù)表6 標(biāo)示情況選擇這10種商品中的A、F、I 向甲進(jìn)行推薦，其他商品則不作為被推薦的對(duì)象。

(7)推薦結(jié)果的驗(yàn)證分析。為了驗(yàn)證推薦算法的有效性和合理性，讓該消費(fèi)者對(duì)這10種商品進(jìn)行判斷，希望購(gòu)買的是其中哪些商品。把調(diào)查結(jié)果與推薦結(jié)果進(jìn)行綜合，得到的結(jié)果見表7。

表7 推薦結(jié)果的混淆矩陣Table 7 Confusion Matirx of Recommendation

5.3 基于消費(fèi)性格的新商品推薦方法的普適性分析

為了驗(yàn)證該方法是否具有一般性，需要對(duì)該方法進(jìn)行假設(shè)檢驗(yàn)。由于這種方法是以消費(fèi)性格為基礎(chǔ)進(jìn)行推薦的，需要做兩個(gè)方面驗(yàn)證:一是消費(fèi)性格的穩(wěn)定性驗(yàn)證，二是推薦結(jié)果合理性驗(yàn)證。前者是確定把消費(fèi)性格作為推薦基礎(chǔ)可行，后者是分析推薦結(jié)果有效。

為此，選擇MBA 學(xué)員、高校教師和高校學(xué)生作為分析對(duì)象，共40 人，獲得他們近1年的購(gòu)物記錄，并進(jìn)行與甲相同的分析，得到結(jié)果如下。

(1)消費(fèi)性格穩(wěn)定性分析。對(duì)每個(gè)人的購(gòu)物記錄采用4 折交叉驗(yàn)證，把購(gòu)物記錄按月份分為4 組數(shù)據(jù)，選擇3 組作為訓(xùn)練集，剩余1 組作為測(cè)試集，每個(gè)訓(xùn)練集的分析方法和步驟與甲相同。對(duì)4 次分析的結(jié)果做方差分析，若無(wú)明顯差別則證明所分析出的消費(fèi)性格基本一致，是穩(wěn)定的。如果證明某個(gè)人的消費(fèi)性格穩(wěn)定，則認(rèn)為該次分析通過檢驗(yàn)。

統(tǒng)計(jì)40 名實(shí)驗(yàn)者通過檢驗(yàn)的情況，有39 人通過檢驗(yàn)，1個(gè)人未通過檢驗(yàn)。把通過與否看作二項(xiàng)實(shí)驗(yàn)，根據(jù)二項(xiàng)分布期望值為np(試驗(yàn)次數(shù)與單次發(fā)生概率之積)可近似估計(jì)出每次實(shí)驗(yàn)通過概率為0.975，可見消費(fèi)性格穩(wěn)定且可知。同時(shí)也意味著，消費(fèi)性格獨(dú)立于其所購(gòu)商品，這與消費(fèi)心理學(xué)的理論吻合。

對(duì)未通過檢驗(yàn)者訪談得知，他主要為家人購(gòu)買了一些商品，故購(gòu)物記錄所反映的消費(fèi)性格不是他自身的，也不是某1個(gè)人的。

(2)推薦結(jié)果合理性分析。與向甲推薦新商品的過程和方法一樣，對(duì)樣本中其他消費(fèi)者做同樣的分析處理。統(tǒng)計(jì)40 名實(shí)驗(yàn)用戶的推薦結(jié)果和調(diào)查結(jié)果，當(dāng)推薦符合率達(dá)到85%以上時(shí)，認(rèn)為通過檢驗(yàn)，否則未通過檢驗(yàn)。

統(tǒng)計(jì)40 名實(shí)驗(yàn)者通過檢驗(yàn)的情況，有38 人通過檢驗(yàn)，2 人未通過檢驗(yàn)。把檢驗(yàn)結(jié)果看成是二項(xiàng)試驗(yàn)，根據(jù)二項(xiàng)分布期望值為np 可近似估計(jì)出每次試驗(yàn)通過概率為0.950。雖然測(cè)試是否購(gòu)買新商品與真實(shí)購(gòu)買存在差別，但推薦符合率和通過檢驗(yàn)比率說(shuō)明推薦結(jié)果比較符合用戶偏好，基于消費(fèi)性格的推薦基本可行。

總之，通過對(duì)樣本的消費(fèi)性格穩(wěn)定性分析和推薦結(jié)果合理性分析，說(shuō)明該方法能夠推廣到樣本之外的消費(fèi)者，即所提出的消費(fèi)性格分析以及基于消費(fèi)性格的推薦方法具有一定的普適性。

6 結(jié)論

管理活動(dòng)所涉及的因素及其類型越來(lái)越復(fù)雜，將研究視野放大到更多、更廣的學(xué)科領(lǐng)域是大勢(shì)所趨［30］。本研究把消費(fèi)性格理論與貝葉斯網(wǎng)絡(luò)相結(jié)合解決新商品推薦問題，提出并驗(yàn)證基于消費(fèi)性格的新商品推薦方法，得到如下研究結(jié)論。

(1)通過定量分析明確消費(fèi)者的消費(fèi)性格。目前消費(fèi)心理理論多是描述性的，在應(yīng)用方面主要以定性分析為主。本研究在消費(fèi)性格理論指導(dǎo)下，采用貝葉斯網(wǎng)絡(luò)從消費(fèi)者的實(shí)際購(gòu)物記錄中分析出其消費(fèi)性格，且定量分析結(jié)果與消費(fèi)性格理論能夠相互印證，如消費(fèi)者選擇的多樣性只是其消費(fèi)性格的外在反映，內(nèi)在的消費(fèi)性格具有穩(wěn)定性等。這說(shuō)明個(gè)體的消費(fèi)心理能通過定量分析加以認(rèn)識(shí)，也就意味著消費(fèi)心理學(xué)理論能夠與其他方法進(jìn)行有機(jī)結(jié)合。

(2)基于消費(fèi)性格進(jìn)行新商品推薦的思路是可行的。傳統(tǒng)推薦思路如協(xié)同過濾、基于內(nèi)容等推薦是基于相關(guān)關(guān)系進(jìn)行推薦，但由于新商品問題日益突出，使這種基于事后型分析得到的“關(guān)系”在應(yīng)用到新商品情形時(shí)很難奏效。由于消費(fèi)性格與消費(fèi)行為之間是因果關(guān)系，故本研究提出的方法是一種基于因果關(guān)系的推薦，與傳統(tǒng)推薦方法有本質(zhì)不同。通過判定某一新商品與消費(fèi)者的消費(fèi)性格符合的程度進(jìn)行推薦，使即使面對(duì)新商品和消費(fèi)者選擇多樣性的情況，仍能給出合理的推薦，且結(jié)果的可解釋性也增強(qiáng)。

本研究?jī)H探討基于消費(fèi)性格的新商品推薦方法，還有些問題有待進(jìn)一步研究。①消費(fèi)心理是多方面的，如果能對(duì)消費(fèi)心理做全面、綜合的分析，并在此基礎(chǔ)上推薦，可以預(yù)期推薦結(jié)果會(huì)更理想、更有說(shuō)服力;②在做推薦時(shí)采用閾值判斷的方式，而沒有采用傳統(tǒng)的距離和相似度等判定方式，可以考慮與現(xiàn)有推薦方法結(jié)合，衍生出更好的推薦方法;③商品屬性劃分是根據(jù)消費(fèi)性格方面的論述做出的，偏重于經(jīng)濟(jì)方面的屬性，屬性劃分粒度顯得稍粗，但好處是即使面對(duì)新商品也沒有不能涵蓋的新屬性，在實(shí)際推薦系統(tǒng)中可以通過試驗(yàn)的方式確定合適的屬性粒度;④與現(xiàn)有推薦方法進(jìn)行全面細(xì)致的對(duì)比分析，以期進(jìn)一步明了該方法的優(yōu)缺點(diǎn)。

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

［2］Linden G，Smith B，York J.Amazon.com recommendations:Item-to-item collaborative filtering ［J］.IEEE Internet Computing，2003，7(1):76-80.

［3］Fleder D M，Hosanagar K.Blockbuster culture′s next rise or fall:The impact of recommender systems on sales diversity［J］.Management Science，2009，55(5):697-712.

［4］Kelly J P，Bridge D.Enhancing the diversity of conversational collaborative recommendations:A comparison［J］.Artificial Intelligence Review，2006，25(1/2):79-95.

［5］劉平峰，聶規(guī)劃，陳冬林.電子商務(wù)推薦系統(tǒng)研究綜述［J］.情報(bào)雜志，2007，26(9):46-50.Liu Pingfeng，Nie Guihua，Chen Donglin.A survey:Electronic commerce recommender systems［J］.Journal of Intelligence，2007，26(9):46-50.(in Chinese)

［6］Pu P，Chen L，Hu R.Evaluating recommender systems from the user′s perspective:Survey of the state of the art［J］.User Modeling and User-Adapted In-teraction，2012，22(4/5):317-355.

［7］Zhang Y，Callan J，Minka T.Novelty and redundancy detection in adaptive filtering［C］∥Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval.New York，NY:ACM Press，2002:81-88.

［8］Murakami T，Mori K，Orihara R.Metrics for evaluating the serendipity of recommendation lists［J］.New Frontiers in Artificial Intelligence，2008，4914:40-46.

［9］Zhang M，Hurley N.Avoiding monotony:Improving the diversity of recommendation lists［C］∥Proceedings of the 2008 ACM Conference on Recommender Systems.New York，NY:ACM Press，2008:123-130.

［10］劉魯蓉，孫順根.消費(fèi)心理學(xué)［M］.北京:科學(xué)出版社，2008:5-9.Liu Lurong，Sun Shungen.Consumer psychology［M］.Beijing:Science Press，2008:5-9.(in Chinese)

［11］Solomon M R，Russell-Bennett B，Previte J.Consumer behaviour:Buying，having，being［M］.3 rd ed.Austialia:Pearson Higher Education AU，2012:106-112.

［12］Biswas A，Bhowmick S，Guha A，Grewal D.Consumer evaluations of sale prices:Role of the subtraction principle［J］.Journal of Marketing，2013，77(4):49-66.

［13］王海忠，王晶雪，何云.品牌名、原產(chǎn)國(guó)、價(jià)格對(duì)感知質(zhì)量與購(gòu)買意向的暗示作用［J］.南開管理評(píng)論，2007，10(6):19-25，32.Wang Haizhong，Wang Jingxue，He Yun.The suggestive effects of brand naming，county-of-origin，price on quality perception and purchase willingness:An empirical study in China［J］.Nankai Business Review，2007，10(6):19-25，32.(in Chinese)

［14］Yao S，Mela C F，Chiang J，Chen Y.Determining consumers′ discount rates with field studies［J］.Journal of Marketing Research，2012，49(6):822-841.

［15］Weatherly J N，Terrell H K，Derenne A.Delay discounting of different commodities［J］.The Journal of General Psychology，2010，137(3):273-286.

［16］Golder P N，Mitra D，Moorman C.What is quality?An integrative framework of processes and states［J］.Journal of Marketing，2012，76(4):1-23.

［17］Kianpour K，Jusoh A，Asghari M.Environmentally friendly as a new dimension of product quality［J］.International Journal of Quality ＆ Reliability Management，2014，31(5):547-565.

［18］Park H S.Culture，need for uniqueness，and the false consensus effect［J］.Journal of Social，Evolutionary，and Cultural Psychology，2012，6(1):82-92.

［19］Chan C，Berger J，Van Boven L.Identifiable but not identical:Combining social identity and uniqueness motives in choice［J］.Journal of Consumer Research，2012，39(3):561-573.

［20］Lee H J，Kang M S.The effect of brand personality on brand relationship，attitude and purchase intention with a focus on brand community［J］.Academy of Marketing Studies Journal，2013，17(2):85-97.

［21］Lee H J，Kang M S.The effect of brand experience on brand relationship quality［J］.Academy of Marketing Studies Journal，2012，16(1):87-98.

［22］Oestreicher-Singer G，Sundararajan A.Recommendation networks and the long tail of electronic commerce［J］.MIS Quarterly，2012，36(1):65-83.

［23］Hultink E J，Atuahene-Gima K，Lebbink I.Determinants of new product selling performance:An empirical examination in the Netherlands［J］.European Journal of Innovation Management，2000，3(1):27-36.

［24］Neganova V，Neganova I.Development of innovation products based on the consumers′ preferences［J］.International Journal of Management Cases，2011，13(4):261-266.

［25］Lovett M J，Peres R，Shachar R.On brands and word of mouth［J］.Journal of Marketing Research，2013，50(4):427-444.

［26］de Matos C A，Rossi C A V.Word-of-mouth communications in marketing:A meta-analytic review of the antecedents and moderators［J］.Journal of the Academy of Marketing Science，2008，36(4):578-596.

［27］Baybars M，Ustundagli E.Attitudes toward online shopping from the aspects of personal characteristics and shopping motive through a developing concept:Private shopping［J］.International Journal of Business and Management Studies，2011，3(2):201-210.

［28］Cooper G F，Herskovits E.A Bayesian method for the induction of probabilistic networks from data［J］.Machine Learning，1992，9(4):309-347.

［29］Sokolova M，Lapalme G.A systematic analysis of performance measures for classification tasks［J］.Information Processing ＆ Management，2009，45(4):427-437.

［30］國(guó)家自然科學(xué)基金委，中國(guó)科學(xué)院.未來(lái)10年中國(guó)學(xué)科發(fā)展戰(zhàn)略:管理科學(xué)［M］.北京:科學(xué)出版社，2012:1-12.The National Natural Science Foundation of China，Chinese Academy of Sciences.Disipline development strategy of China in the next decade:Management Science［M］.Beijing:Science Press，2012:1-12.(in Chinese)