李金海，何有世，張 鵬

1.泰州學院 計算機科學與技術學院，江蘇 泰州225300

2.江蘇大學 管理學院，江蘇 鎮(zhèn)江212013

3.泰州學院 經(jīng)濟與管理學院，江蘇 泰州225300

自2010年3月4日美團出現(xiàn)以來，我國的團購行業(yè)已經(jīng)經(jīng)歷了10個年頭。這10年里，團購經(jīng)歷了一系列過山車式的發(fā)展。團購作為一種新興的電子商務模式，主要通過如下三種形式提高用戶與商家的議價能力，包括，消費者自行組團、商家組織團購、專業(yè)團購網(wǎng)站的形式，根據(jù)薄利多銷的原理，商家可以給出低于零售價格的團購折扣。

目前，由于商家進入團購平臺的限制并不高，導致各團購平臺的產(chǎn)品數(shù)量都較多，同一產(chǎn)品可能在多個團購平臺同時存在，而且可能存在不同的團購方案。這不僅給平臺的收益帶來了影響，也使消費者需要花費更多的時間去發(fā)現(xiàn)滿意的團購產(chǎn)品。面對越來越激烈的競爭環(huán)境，團購平臺面臨著諸多的挑戰(zhàn)，主要的問題就是：團購平臺如何提升團購用戶的個性化服務；以及如何利用消費者的社會影響力增加收益。團購推薦通過分析個人偏好、情境敏感性及社會影響力發(fā)現(xiàn)對產(chǎn)品感興趣及情境適宜的一群消費者去完成團購交易。

傳統(tǒng)的推薦系統(tǒng)是向個體用戶提供個性化推薦。但是團購推薦中的產(chǎn)品并不是推薦給個人而是一個群體[1]。這就使得推薦系統(tǒng)的相關研究需要解決群體的推薦，盡量滿足所有群體人員的偏好[2]。一般情況下，團購推薦只是利用群體人員偏好的簡單聚合產(chǎn)生推薦結果，導致部分成員的偏好，特別是那些不活躍成員的偏好被忽視了。

因此，國內(nèi)外學者在傳統(tǒng)推薦模式的基礎上，提出了一些改進的方案[3-4]。如，國外學者在提高群體推薦質量的同時，兼顧滿足個體的個性化需求[5]。國內(nèi)學者結合云模型和改進均方差的協(xié)同過濾推薦方法，為團購網(wǎng)站的用戶提供個性化推薦[6]。但團購推薦機制設計方面的相關研究仍鳳毛麟角。

消費者一般傾向于選擇具有相似興趣或頻繁交互的群體一起購買團購產(chǎn)品，隨著微信、微博等網(wǎng)絡社交軟件以及移動終端的不斷普及，社會交往互動聯(lián)系更加頻繁，以“拼多多”為代表的社交團購的銷售模式也應運而生[7]。而且，由于社會影響力的作用，個體消費者的消費行為也可能被群體所影響[8]。團購商家通過找到與目標消費者具有同樣購買興趣的合適消費者群體，能夠增加產(chǎn)品的銷售量。因此，針對潛在消費者挖掘合適的群體是增加其購買意愿的有效途徑。針對目標消費者通過提供群體名單，利用群體成員的社會影響力可以增強其購買團購產(chǎn)品的意愿。

1 團購推薦系統(tǒng)框架研究

1.1 團購推薦中相關理論分析

（1）用戶偏好分析

用戶偏好模型是團購推薦以及個性化服務中的關鍵因素，用戶偏好包含經(jīng)長期演化形成的長期偏好以及基于情境形成的短期偏好[9]。有研究結合社會網(wǎng)絡分析以及語義分析改進推薦的效果[10]?；诒倔w的建模方法是一種用于處理用戶偏好的有效方法[11]。本研究采用本體模型評估用戶偏好與產(chǎn)品之間的相似性。而且本體被認為是對情境語義進行建模的最有效工具，情境信息可以通過領域本體構建情境本體，使情境現(xiàn)實中的實體被形式化，映射為機器可理解、可共享的知識結構，用于情境語義的推理[12]。

（2）情境語義推理

大多數(shù)推薦系統(tǒng)在形成推薦時，只考慮了用戶與產(chǎn)品信息，忽略了情境信息，如位置、天氣、時間等[13]。團購推薦不同于一般的推薦系統(tǒng)，它實現(xiàn)了線上信息與線下信息的融合，對情境信息特別敏感[14]。目前，學術界關于融合情境信息的推薦系統(tǒng)研究主要三種不同的范式：①情境預先過濾?；谔厥獾那榫呈紫冗x擇數(shù)據(jù)或創(chuàng)建數(shù)據(jù)，之后的推薦基于傳統(tǒng)的推薦系統(tǒng)。②情境后期過濾。首先基于整體數(shù)據(jù)利用傳統(tǒng)推薦產(chǎn)生推薦結果，然后為每個用戶基于情境信息調整推薦結果。③情境建模。情境信息被直接應用于模型處理工程中。本研究基于本體技術設計情境語義推理模型。

隨著移動智能終端的激增，為移動團購平臺提供了更多的商機，獲取用戶的情境信息可以實現(xiàn)及時速遞、個性化服務等[15]。其中，位置信息在團購推薦的情境中起到重要作用[16]。本研究將在團購推薦機制中考慮情境信息，主要測量消費者與團購實體店的地理便利性、天氣狀況以及時間因素對消費者選擇的影響。

（3）社會心理學理論

相關研究表明，用戶參與團購的動機，除了與折扣有關外，羊群效應也起到相當大的影響[17]，團購網(wǎng)站會將已加入團購的用戶信息推送給消費者，使他們受到群體的影響或壓力，個人的購買決定可能會受到群體的影響，形成從眾效應。

諸多研究表明，社會影響在團購推薦中扮演了重要的角色[18]。當消費者適應群體成員的行為或態(tài)度時，社會影響會產(chǎn)生作用。在團購推薦中，群體成員間并不需要面對面的交流，只需了解群體成員的相關信息就可以發(fā)揮社會影響的作用。

本研究將通過提供具有高聚合的群體成員組成的團購名單產(chǎn)生的社會影響力來增加消費者團購的意愿。

（4）團購社會網(wǎng)絡構建

團購網(wǎng)絡的成員可以看作以特定方式相聯(lián)系的一種網(wǎng)絡拓撲形態(tài)，是一種特殊的復雜網(wǎng)絡，因此，引入復雜網(wǎng)絡思想劃分團購社區(qū)（群體）以及計算聚合度[19]。將團購網(wǎng)絡中的每個成員設定為復雜網(wǎng)絡中的一個節(jié)點，將成員間的相互關系表示為節(jié)點的鏈接，構建團購用戶組成的復雜網(wǎng)絡。團購推薦不同于傳統(tǒng)推薦，不能片面地看待團購網(wǎng)絡中各用戶的購買意愿，需要結合用戶節(jié)點內(nèi)容之間的語義關聯(lián)，基于團購網(wǎng)絡全局識別對指定產(chǎn)品具有綜合購買意愿的社區(qū)。本研究以網(wǎng)絡化的視角來描述團購成員之間的關聯(lián)，提出基于復雜網(wǎng)絡的團購推薦方法。

1.2 團購平臺的產(chǎn)品類型

團購平臺主要存在著兩種待推薦的產(chǎn)品：單人購買多人消費類產(chǎn)品、多人購買多人消費類產(chǎn)品。

本研究將單人購買多人消費類產(chǎn)品定義為產(chǎn)品類型A：是指那些價格不是太貴，只需要一個人購買，但允許多人一起消費的產(chǎn)品。如“多人用餐券”。針對這種類型的產(chǎn)品，團購推薦機制就是要挖掘最愿意購買產(chǎn)品A的消費者。

本研究將多人購買多人消費類產(chǎn)品定義為產(chǎn)品類型B：是指那些價格較貴，同時有最少團購參與人數(shù)的限制，每個團體人員只需要支付自己的相應費用。如“旅游團購券”。針對這種類型的產(chǎn)品，團購推薦機制就需要利用團體中具有較強社會影響力成員的作用，來增加社區(qū)內(nèi)其他成員購買的意愿。

1.3 團購推薦系統(tǒng)的總體框架

在團購推薦機制的設計過程中，要綜合考慮用戶偏好與產(chǎn)品特征的相似性、消費者的情境便利性、團體成員的社會影響力?；诖?，設計團購推薦系統(tǒng)的各模塊功能：

（1）基于情境語義推理的偏好分析模塊

該模塊的作用在于通過對比分析用戶偏好與產(chǎn)品特征的相似性，找出對目標產(chǎn)品感興趣的潛在消費者；然后通過收集用戶的情境信息基于情境語義推理劃分出那些在地里便利性以及其他情境相似的消費者社區(qū)。

（2）基于復雜網(wǎng)絡的社會影響分析模塊

該模塊用于劃分團購社區(qū)，以及評測社區(qū)中成員對產(chǎn)品的評價對于其他成員的影響。消費者更容易受到那些對產(chǎn)品評價相似以及更信任的社區(qū)成員的影響。

團購推薦系統(tǒng)的總體框架如圖1所示。

圖1 團購推薦系統(tǒng)的總體框架Fig.1 Overall framework of group recommendation system

2 團購推薦系統(tǒng)的實現(xiàn)

2.1 基于情境語義推理的偏好分析模塊

在計算用戶與產(chǎn)品的相似性前，首先需要構建基于本體的用戶偏好模型。以消費者的歷史消費行為構建用戶偏好本體，并利用本體的層次化結構，將每一個產(chǎn)品按照屬性進行層次劃分，構建產(chǎn)品屬性本體。要實現(xiàn)團購推薦，就必須依據(jù)用戶偏好本體中蘊含的情境語義，找出情境與用戶興趣的關聯(lián)性，進而根據(jù)用戶的當前情境，推導出用戶感興趣的產(chǎn)品。

系統(tǒng)將針對每個團購用戶生成一套其專屬的推薦規(guī)則集，以實現(xiàn)對團購的推薦[20]。由情境語義推理機將用戶的當前情境與用戶推薦規(guī)則進行匹配，通過推薦規(guī)則集預測用戶在當前情境下偏好的產(chǎn)品屬性，將生產(chǎn)的產(chǎn)品屬性與產(chǎn)品屬性本體進行比較，通過Jaccard算法計算用戶i偏好與產(chǎn)品c的相似性JAic?；谇榫痴Z義推理的相似性計算流程如圖2所示。

圖2 基于情境語義推理的相似性計算流程Fig.2 Similarity calculation process based on contextual semantics reasoning

其中，通過語義分析，將用戶偏好本體分解為產(chǎn)品屬性概念集與情境屬性概念集兩部分；借鑒關聯(lián)規(guī)則挖掘技術的思想，挖掘產(chǎn)品屬性概念集與情境屬性概念集之間的頻繁關聯(lián)模式。

在上述的相似性計算過程中，基于用戶偏好本體產(chǎn)生團購推薦規(guī)則是實現(xiàn)團購推薦的關鍵。團購推薦規(guī)則生成的具體過程如下：

假定用戶i的用戶偏好本體實例集為POS。首先從POS里的每一個用戶偏好實例po中，抽取兩個概念集：PNS和CNS,PNS包含產(chǎn)品屬性實例概念，CNS包含情境屬性實例概念。從用戶偏好本體實例中抽取的部分PNS和CNS概念集如表1所示，其中，括號中為實例概念所屬的概念類。在情境屬性概念集CNS中共抽取三類情景屬性，包括：地理（Location）、天氣（Weather）以及時間（Time）。為了保證Apriori關聯(lián)規(guī)則挖掘算法的適用性，對三類情景屬性的具體指標進行統(tǒng)一定義，其中，地理（Location）指標包括，市中心、郊區(qū)；天氣（Weather）指標包括，晴天、多云、陰天、雨天、雪天；時間（Time）指標包括，白天、晚上、工作日、周末。

表1 部分產(chǎn)品屬性概念集PNS與情境屬性概念集CNSTable 1 Part of product attribute concept set PNS and context attribute concept set CNS

從某個用戶偏好實例po中抽取的概念是彼此關聯(lián)的，利用Apriori關聯(lián)規(guī)則挖掘算法可以從POS抽取的所有概念集中歸納出頻繁概念關聯(lián)模式。

本文基于Python數(shù)據(jù)分析技術進行Apriori關聯(lián)規(guī)則挖掘算法的實現(xiàn)，Python的第三方庫mlxtend庫中集成了Apriori關聯(lián)規(guī)則挖掘算法，通過以下命令導入Apriori算法：

Apriori算法共四個參數(shù)，將從用戶偏好本體實例中抽取的PNS和CNS概念集賦值給數(shù)據(jù)集參數(shù)df=(PNS+CNS)，設定頻繁項集最小支持度min_support=0.6，設定顯示項目列名use_colnames=True，設定不限制最大項目組合數(shù)max_len=None。

通過Apriori關聯(lián)規(guī)則挖掘算法的運行，可以得到頻繁項集最小支持度大于0.6的頻繁項集。對于每一個頻繁項集（頻繁概念關聯(lián)模式），將屬于CNS的情境屬性概念視為前提，PNS中的產(chǎn)品屬性概念視為結果，相關聯(lián)的CNS和PNS生成推薦規(guī)則。

部分頻繁概念關聯(lián)模式及其對應推薦規(guī)則的實例如表2所示。

表2 部分頻繁概念關聯(lián)模式及其對應推薦規(guī)則Table 2 Part of frequent concept association patterns and corresponding recommended rules

2.2 基于復雜網(wǎng)絡的社會影響分析模塊

團購平臺中的每個成員設定為復雜網(wǎng)絡中的一個節(jié)點，節(jié)點的鏈接由成員間的相互關系表示，構建團購用戶的復雜網(wǎng)絡G=(V,E)。G為無向加權圖，V={v1,v2,…,vn}是復雜網(wǎng)絡中的n個節(jié)點，即n個團購成員集合，E是vi與vj組成的邊的集合，通過節(jié)點之間的相似性wij確定邊(vi,vj),wij是用戶i與用戶j的偏好相似度。若用戶i與j的用戶偏好本體經(jīng)語義分析后得到的產(chǎn)品屬性概念集為PAi與PAj，則用戶i與j的偏好相似度wij為：

上述只是計算了用戶i與j的偏好相似性，為了完成團購推薦，還需要計算用戶所處社區(qū)對其的全局社會影響力。用戶與社區(qū)成員的相似性越大，那么該成員對其的團購購買影響力越大。如果相似性較大的成員購買某產(chǎn)品的可能性較大，那么該用戶也很有可能購買此產(chǎn)品。所以，用戶團購某產(chǎn)品的意愿受社會影響的大小應該由全部社區(qū)成員對其的影響綜合決定。若社區(qū)成員為F個，則用戶i團購產(chǎn)品c的意愿受社會影響的大小SIiC定義為：

基于用戶i偏好與產(chǎn)品c的相似性JAic以及用戶i團購產(chǎn)品c的意愿受社會影響的大小SIiC綜合得到用戶i團購產(chǎn)品c的意愿得分GWic。考慮到每個用戶受偏好相似性及社會影響的程度是不同的，基于社會心理學理論中的從眾效應，社區(qū)成員數(shù)F越大，用戶所受到社會的影響或壓力也隨之增加。因此，本文以平均社區(qū)成員數(shù)M為權重基準，設定當社區(qū)成員數(shù)F>M時，社會影響的權重增大，當社區(qū)成員數(shù)F

2.3 產(chǎn)品類型A的推薦

針對團購平臺中的單人購買多人消費類產(chǎn)品，團購成員傾向于選擇具有相似用戶偏好的其他成員一起去消費，因此，為潛在團購消費者發(fā)掘合適社區(qū)成員是加強其購買意愿的主要途徑。針對產(chǎn)品類型A，團購推薦機制在于發(fā)掘具有較高購買意愿的消費者，以及從他的朋友中甄別同樣具有較高購買意愿的其他成員。通過比較每個社區(qū)的聚合度，可以發(fā)現(xiàn)具有最高聚合度的社區(qū)，并將這個社區(qū)中團購意愿得分最高的消費者視為最優(yōu)潛在團購消費者。在具體的團購推薦機制設計中涉及到社區(qū)的劃分及聚合度計算。

（1）社區(qū)劃分

團購社會網(wǎng)絡中的“社區(qū)結構特性”是由于成員之間存在偏好的相似性，所以團購社會網(wǎng)絡會依據(jù)用戶偏好呈現(xiàn)出社區(qū)結構，并通過劃分的團購社區(qū)定位成員的所屬社區(qū)。

而團購網(wǎng)絡社區(qū)的劃分，是以具有相似特征的成員節(jié)點為中心，形成若干規(guī)模不等的局部用戶偏好相似度較大的網(wǎng)絡拓撲結構，所形成的網(wǎng)絡拓撲結構就是劃分的團購網(wǎng)絡社區(qū)。

團購社會網(wǎng)絡中成員節(jié)點間除了具有偏好相似性之外，社區(qū)結構還存在另一個特征即重疊性，指團購社會網(wǎng)絡中的某些節(jié)點同時屬于多個社區(qū)，如成員節(jié)點Vi同時與社區(qū)X和Y中的成員用戶偏好相似，那么節(jié)點Vi就被同時劃分到社區(qū)X和Y中，這樣的節(jié)點被稱為“騎墻節(jié)點”。

傳統(tǒng)的社區(qū)結構劃分方法都是從節(jié)點的角度出發(fā)，把網(wǎng)絡中的節(jié)點看作是研究對象，根據(jù)節(jié)點之間的相似度，把它們劃分到不同的社區(qū)，這樣的處理方法很難從根本上解決“騎墻節(jié)點”的歸屬問題?？紤]到團購社會網(wǎng)絡的重疊性，本研究采用一種能夠劃分重疊性的算法[21]，該算法以邊為研究對象，依據(jù)邊之間的相似度對網(wǎng)絡進行社區(qū)劃分，由于邊的社區(qū)歸屬性是唯一確定的，這就可以避免“騎墻節(jié)點”對社區(qū)劃分結果的影響。該算法核心思想是根據(jù)邊的凝聚過程得到網(wǎng)絡的層次樹結構，在合適位置對層次樹進行切割，從而得到網(wǎng)絡的社區(qū)結構。為了實現(xiàn)邊的凝聚過程，首先定義相鄰邊的相似度S：

其中，對于相鄰邊eik和ejk，若它們同時連接到公共節(jié)點k上，則稱節(jié)點k為基節(jié)點，節(jié)點i、j稱為關聯(lián)節(jié)點。對于任意節(jié)點i，定義節(jié)點i的廣泛鄰居節(jié)點為n+(x)，則：

其中，d(i,x)為節(jié)點i和x之間的最短路徑長度。

在定義了相鄰邊的相似度S后，就可以進行邊的凝聚。邊的凝聚流程如下所示：

步驟1進行網(wǎng)絡社區(qū)的初始化。

步驟2將每一條邊視作一個社區(qū)。

步驟3計算相鄰社區(qū)之間邊的相似度。

步驟4合并相似度最大的兩個社區(qū)。

步驟5反復執(zhí)行凝練過程。

步驟6網(wǎng)絡凝練為一個社區(qū)，算法終止。

經(jīng)過上述流程后就可以得到團購社會網(wǎng)絡的層次樹結構。

而如何從層次樹結構中劃分需要的社區(qū)，則是由目標產(chǎn)品設定的消費人員數(shù)目n決定，在層次樹狀圖中選擇社區(qū)成員數(shù)目a為n的位置，對其進行切割，得到如圖3所示的社區(qū)劃分結果。與以節(jié)點為研究對象進行社區(qū)劃分相比，以邊為研究對象更容易發(fā)現(xiàn)社區(qū)的重疊部分。

圖3 基于邊的團購社會網(wǎng)絡社區(qū)劃分結果Fig.3 Division results of group purchase social network community based on edge

（2）聚合度的計算

在計算社區(qū)的聚合度前，首先需要計算社區(qū)的網(wǎng)絡密度，網(wǎng)絡密度反映的是相鄰節(jié)點之間聯(lián)系的緊密程度，社區(qū)的網(wǎng)絡密度越大，說明社區(qū)成員間聯(lián)系越緊密，一起參與團購的意愿越強烈。

經(jīng)過社區(qū)劃分后，假設社區(qū)X中包含成員節(jié)點V(x)個，邊E(x)個，則社區(qū)X的網(wǎng)絡密度為：

選擇網(wǎng)絡密度較大的社區(qū)進行下一步聚合度的計算。聚合度分析的目的是為了從眾多的社區(qū)中找出聚合度較高的社區(qū)，如果一個社區(qū)具有較高的平均鏈接強度，可以推測這個社區(qū)中的大部分成員具有相似的偏好，且更易受社區(qū)成員的影響。成員vi和vj間的鏈接強度由vi和vj的偏好相似度wij決定。

對于特定社區(qū)X，聚合度通過測量社區(qū)X中每個鏈接的鏈接強度聚集系數(shù)得到：

最終，具有最高聚合度的社區(qū)中團購意愿得分最高的成員會被當作主要推薦對象。

2.4 產(chǎn)品類型B的推薦

在針對團購平臺中的單人購買多人消費類產(chǎn)品研究的基礎上，繼續(xù)研究多人購買多人消費類產(chǎn)品的團購推薦問題。發(fā)現(xiàn)并形成具有高聚合度的社區(qū)，向社區(qū)中的所有成員進行團購推薦，有益于整個社區(qū)的團購購買意愿。為了增強潛在消費者的購買意愿，還可以將社區(qū)成員名單同時推薦給潛在消費者。

若目標團購產(chǎn)品B需要n個成員同時購買，首先，需要確定具有較高團購意愿的N個潛在消費者，然后列出所有可能的含n個成員的社區(qū)，則共有CnN個潛在團購社區(qū)。并計算每個潛在團購社區(qū)的聚合度，最終，具有最高社區(qū)聚合度的前k個社區(qū)將作為團購社區(qū)的推薦目標，推薦的內(nèi)容包括目標產(chǎn)品以及社區(qū)成員名單。其中，產(chǎn)品類型B的聚合度計算與產(chǎn)品類型A的聚合度計算同理，這里不再贅述。

3 仿真實驗

為了評估本研究設計的團購推薦機制的有效性，仿真實驗構建了團購網(wǎng)絡，構建的團購網(wǎng)絡如圖4所示（由于網(wǎng)絡圖較大，截取其中的10個節(jié)點進行展示），團購網(wǎng)絡的統(tǒng)計信息如表3所示。

表3 團購網(wǎng)絡統(tǒng)計信息Table 3 Statistics of group purchase network

圖4 團購網(wǎng)絡示例Fig.4 Example of group purchase network

仿真實驗的具體步驟如下：

步驟1數(shù)據(jù)收集。利用Python的爬蟲框架采集團購網(wǎng)上實驗對象的已有團購消費記錄信息，通過Python爬蟲采集：分類-Classification、區(qū)域-Address、價格-Price、星級-Star，其中，通過標簽類名class=“breadcrumbs”，可以獲取分類-Classification，通過標簽類名class=“address”，可以獲取區(qū)域-Address，通過標簽類名class=“score clear”，可以獲取價格-Price、星級-Star。

步驟2數(shù)據(jù)預處理。對原始數(shù)據(jù)進行清理，提取實驗數(shù)據(jù)中的情景屬性、產(chǎn)品屬性以及評價信息，其中，針對產(chǎn)品屬性以及評價信息，將分類-Classification統(tǒng)一為團購的標準分類，將區(qū)域-Address統(tǒng)一為市中心、郊區(qū)；將價格-Price統(tǒng)一為便宜、適中、昂貴；將星級-Star統(tǒng)一為1~5。針對情景屬性，以實驗對象的所在地為地理-Location，地理情景屬性衡量指標統(tǒng)一為市中心、郊區(qū)；消費時間為時間-Time，時間情景屬性衡量指標統(tǒng)一為白天、晚上、工作日、周末；并根據(jù)消費時間推導出當時的天氣-Weather，天氣情景屬性衡量指標統(tǒng)一為晴天、多云、陰天、雨天、雪天。

步驟3團購產(chǎn)品的設定。設定20個虛擬的團購產(chǎn)品，其中，單人購買多人消費類產(chǎn)品A共10個、多人購買多人消費類產(chǎn)品B共10個。團購產(chǎn)品具體信息如表4所示。

表4 設定的團購產(chǎn)品具體信息Table 4 Specific information of group purchase product

步驟4用戶偏好本體與產(chǎn)品屬性本體的構建。以實驗對象的歷史消費行為數(shù)據(jù)構建用戶偏好本體；并利用本體的層次化結構，將20個虛擬的團購產(chǎn)品按照屬性進行層次劃分，構建產(chǎn)品屬性本體。

步驟5團購推薦模式歸納?；谟脩羝帽倔w中的產(chǎn)品屬性概念集與情境屬性概念集，利用關聯(lián)規(guī)則挖掘技術，挖掘產(chǎn)品屬性概念集與情境屬性概念集之間的頻繁關聯(lián)模式，為每個實驗對象生成一套其專屬的推薦規(guī)則集。

步驟6團購情景的設定。為每個實驗對象設定10個虛擬的團購情景。

步驟7基于用戶偏好的產(chǎn)品購買意愿計算。由情境語義推理機將實驗對象的當前虛擬情境與實驗對象對應的推薦規(guī)則進行匹配，通過推薦規(guī)則集預測用戶在當前虛擬情境下偏好的產(chǎn)品屬性，將生產(chǎn)的產(chǎn)品屬性與產(chǎn)品屬性本體進行比較，通過Jaccard算法計算實驗對象偏好與產(chǎn)品的相似性，該相似性就是實驗對象的產(chǎn)品購買意愿。

步驟8團購推薦。

產(chǎn)品類型A的團購推薦。首先對500名實驗對象組成的團購網(wǎng)絡劃分社區(qū)，然后計算每個社區(qū)的聚合度，具有最高聚合度的社區(qū)中產(chǎn)品購買意愿得分最高的成員就是產(chǎn)品類型A的團購推薦對象，同時向其推薦社區(qū)成員名單。以團購產(chǎn)品編號2為例，設定的團購產(chǎn)品中產(chǎn)品2所需消費人數(shù)最大為4人，因此，在層次樹狀圖中選擇社區(qū)成員數(shù)目a為4的位置，對其進行社區(qū)劃分。推薦對象及社區(qū)成員名單如表5所示。

表5 推薦對象及社區(qū)成員名單示例Table 5 Example of names of recommended people and community members

步驟9團購推薦結果反饋。通過調查問卷收集被推薦實驗對象對團購推薦結果的反饋滿意度，同時收集他們對推薦的社區(qū)成員名單的滿意度，滿意度得分區(qū)間為[0，5]，得分越高，用戶的滿意度越高。

步驟10推薦機制有效性分析。為了評估本研究的推薦機制有效性，將其與單獨考慮單一影響因素的基于情境推理的偏好分析模塊以及基于復雜網(wǎng)絡的社會影響分析模塊兩種方法的精確性進行對比分析。評估包括兩個部分：對推薦產(chǎn)品的滿意度、對推薦社區(qū)成員名單的滿意度。將每個算法推薦信息（包括推薦產(chǎn)品以及社區(qū)成員名單）的反饋結果匯總后進行對比分析，如表7所示。最后，對匯總表7的對比結果進行統(tǒng)計分析，得到產(chǎn)品類型A不同推薦機制的用戶滿意度如圖5所示，得到產(chǎn)品類型B不同推薦機制的用戶滿意度如圖6所示。同時，將每個算法推薦信息（只包括推薦產(chǎn)品，無社區(qū)成員名單）的反饋結果匯總后進行對比分析，如表8所示。最后，對匯總表7與表8的對比結果進行統(tǒng)計分析，得到有無社區(qū)成員名單的用戶滿意度如圖7所示。

表6 推薦產(chǎn)品及社區(qū)成員名單示例Table 6 Example of recommended products and community members

表8 推薦信息反饋結果匯總（無社區(qū)成員名單）Table 8 Summary of feedback results of recommendation information（Not include list of community members）

圖5 產(chǎn)品類型A不同推薦機制的用戶滿意度Fig.5 User satisfaction of product type A with different recommendation mechanisms

圖6 產(chǎn)品類型B不同推薦機制的用戶滿意度Fig.6 User satisfaction of product type B with different recommendation mechanisms

圖7 有無社區(qū)成員名單的用戶滿意度Fig.7 User satisfaction of having or having notlist of community members

表7 推薦信息反饋結果匯總（有社區(qū)成員名單）Table 7 Summary of feedback results of recommendation information（Include list of community members）

圖5、圖6顯示了對不同推薦機制的滿意度反饋結果，由圖可知，綜合情境語義推理以及社會影響的團購推薦機制具有最高的滿意度得分，傳統(tǒng)的推薦機制的滿意度得分最低。實驗結果表明綜合情境語義推理以及社會影響的團購推薦機制較其他的推薦機制具有較高的推薦有效性。同時實驗結果揭示了，針對產(chǎn)品類型A，用戶偏好影響較社會影響具有更重要的作用；而針對產(chǎn)品類型B，社會影響較用戶偏好影響具有更重要的作用?？梢姰斨恍枰騻€人推薦時，用戶偏好的影響更重要，當向多人同時推薦時，群體間的社會影響更重要。

圖7顯示了有無社區(qū)成員名單對不同推薦機制的滿意度反饋結果，由圖7可知，無論是哪種推薦機制，生成社區(qū)成員名單的推薦都較直接推薦產(chǎn)品具有更好的推薦滿意度。當推薦目標產(chǎn)品的同時推薦社區(qū)成員名單，會提升潛在團購成員的團購意愿。

4 結語

本研究分別針對團購平臺中的兩種類型產(chǎn)品（單人購買多人消費類產(chǎn)品、多人購買多人消費類產(chǎn)品）設計了一種團購推薦機制，該推薦機制綜合考慮了用戶長期偏好以及基于情境形成的短期偏好，并結合社會心理學理論，引入復雜網(wǎng)絡構建團購社會網(wǎng)絡，考慮社區(qū)成員間的社會影響力，通過計算團購社區(qū)的聚合度，來完成最終的團購推薦。對于單人購買多人消費類產(chǎn)品，識別具有較高團購意愿的潛在消費者，并為其建議具有較高聚合度的社區(qū)成員。對于多人購買多人消費類產(chǎn)品，識別具有較高團購意愿的一群潛在消費者，并從這一群消費者中選擇具有較高社區(qū)聚合度的組合。

本研究全面考慮了用戶偏好、現(xiàn)實情境及社會影響對消費者團購意愿可能產(chǎn)生的影響，而且提出了基于復雜網(wǎng)絡聚合度的計算，可以有效評估社區(qū)的團購購買意愿。該團購推薦機制，可以有效提升團購推薦的成功率。

該團購推薦機制的有效性雖然得到了驗證，但仍有一些團購推薦的特殊問題沒有有效解決，如，一個消費者可以屬于多個社區(qū)，當同時為這些社區(qū)推薦同一個產(chǎn)品時，消費者該如何選擇，這并不是簡單的通過聚合度高低就能解決的問題。另外，每個用戶受偏好相似性及社會影響的程度是不同的，本文基于社會心理學理論中的從眾效應對社會影響的權重進行調節(jié)，后期還需要通過實證研究計算出偏好相似性及社會影響對用戶團購影響的不同權重。