個性化推薦的時效性與推薦質(zhì)量：博弈論的視角

周良　王璇　王寧

摘要：在實時推薦服務(wù)中，如果較早的進行個性化推薦，商家通過點擊流收集到得信息較少，推出的個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險。那么，如何在推薦時間和推薦質(zhì)量之間進行權(quán)衡呢？文章通過博弈論的方法，構(gòu)建了一個模型，并就其簡單情形進行了分析，得出均衡的時間t。

關(guān)鍵詞：個性化推薦；博弈論；實時性；推薦質(zhì)量

一、 引言

個性化推薦研究直到20世紀90年代才被作為一個獨立的概念提出來。隨著web2.0的成熟和普及，個性化推薦在技術(shù)和形式上突飛猛進。在新的網(wǎng)絡(luò)環(huán)境下，用戶不再是被動的網(wǎng)頁瀏覽者，而是成為主動參與者。在日趨激烈的競爭環(huán)境下，個性化推薦系統(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用戶的黏著性。個性化推薦系統(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，Amazon的推薦系統(tǒng)為其提供了35%的商品銷售額。

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

新的技術(shù)和方式的應(yīng)用必然會遇到新的問題。對點擊流的分析可以幫助商家更實時的了解用戶需求，并做出適當?shù)膫€性化推薦。然而，既然是對“流”的分析，必然涉及到時間的問題。即：從用戶登錄網(wǎng)站以來，必然要發(fā)生一系列的點擊行為，那么，在何時推出個性化推薦的方案，才能使得效果最好呢？可以設(shè)想一下，如果較早的進行個性化推薦，商家通過點擊流收集到得信息較少，推出的個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（相對應(yīng)著更高的“推薦質(zhì)量”），那么就面臨著用戶流失的風險--用戶不可能永久的停留在你的網(wǎng)站上，一旦在一定的時間內(nèi)沒有搜尋到滿意的商品，很有可能會離開，或者是用戶在某一時點已經(jīng)找到滿意的商品從而完成購買行為，此時，個性化推薦失去了價值，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，更長時間的瀏覽，必然導致搜尋成本的上升，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，如何在推薦時間和推薦質(zhì)量中進行權(quán)衡，是商家必須考慮的一個問題。

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

二、 文獻回顧

消費者在進行網(wǎng)上購物時，產(chǎn)品的不同顯示方式會對消費者的購買決定產(chǎn)品影響，Eric（2004）對智能軟件代理進行了研究，結(jié)果發(fā)現(xiàn)智能軟件代理的應(yīng)用會影響網(wǎng)上購物的效果，包括購物時間、消費者做出購買決策時的信心、消費者做出購買決策的質(zhì)量和選擇要購買的產(chǎn)品所花費的認知努力。Sicilia（2005）對網(wǎng)站交互性做了研究，主要是對比交互性網(wǎng)站和非交互性網(wǎng)站對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、消費者對網(wǎng)站和產(chǎn)品的支持率也會更高。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)計也會影響消費者的購物決策，當產(chǎn)品質(zhì)量與產(chǎn)品價格呈正相關(guān)關(guān)系時，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)的使用也會對消費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）曾對兩種交互式?jīng)Q策輔助工具進行了實證研究：推薦代理RA（顧客可對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策輔助工具會對可行集的大小和質(zhì)量、購買決策的質(zhì)量產(chǎn)生影響。Bharati和Chaudhury（2004） 通過實證研究證明不同的決策支持系統(tǒng)會影響消費者網(wǎng)上購物的滿意程度。Garrity（2005）也通過實證研究分析了決策支持系統(tǒng)的設(shè)計對顧客決策和決策結(jié)果的影響。Benbasat（2007）對推薦代理RA進行了進一步的研究，主要是推薦代理的類型、輸入情況、使用過程和輸出情況對顧客行為的影響。Wang（2009）又對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行了研究，結(jié)果顯示：補償型的決策輔助工具相對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)不能滿足消費者的需求，人們希望能夠通過網(wǎng)絡(luò)買到滿足自己個性化需求的產(chǎn)品，這時對能夠支持消費者實現(xiàn)個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)消費者網(wǎng)上購物時關(guān)注對信息定制的機會，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，減少風險、節(jié)省搜尋努力才是最重要的目標，這才是顧客使用評級網(wǎng)站的基本動機。Kamis等人（2008）通過一個實驗來研究在線顧客使用Alternative-based和Attribute-based決策支持系統(tǒng)時的產(chǎn)品定制情況，并且運用認知適配理論發(fā)展了一個有著四個中間變量（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，前因包括兩種個性化決策支持工具和任務(wù)的復雜度。結(jié)果發(fā)現(xiàn)：決策支持工具會通過感知有用性和感知愉快感來影響消費者的行為傾向；在使用Attribute-based決策支持工具的時候，使用者的感知有用性和感知愉快感會更多，都優(yōu)于Alternative-based DSS。任務(wù)復雜度對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隨著任務(wù)復雜度的增加而減小，而Attribute-based DSS的使用卻可在任務(wù)復雜度較大時大大提高消費者的感知易用性和感知控制感。

Levav等人（2010）對個性化定制過程中屬性的定制順序進行了探討，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行排列；不同的定制順序會影響使用者的意愿支付價格、定制時間、對默認選項的接受程度和滿意度。文章設(shè)計了三個漸進的實驗來檢驗假設(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，順序的不同對定制效果的影響。

Shuk Ying Ho等（2011）研究了及時個性化推薦與消費者行為的關(guān)系，該文通過對消費者搜尋理論進行演繹的方式提出了多個假設(shè)，并通過實驗室和實地數(shù)據(jù)進行了驗證，其結(jié)果顯示，隨著時間的推移，商家進行個性化推薦的質(zhì)量會越來越高（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)于時間的一個增函數(shù)，但其是一個概率上的增函數(shù)，即隨著時間的增加，高質(zhì)量的推薦的概率越大。

以上關(guān)于文獻的回顧顯示，在個性化推薦領(lǐng)域中，關(guān)注時間屬性的文章很少。另外，大部分文章都是從實證的角度來研究問題，而應(yīng)用博弈論的觀點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，從理論上對個性化推薦中推薦時間和推薦質(zhì)量的問題進行分析，以期能得到好的結(jié)果，對個性化推薦領(lǐng)域有理論和實踐的貢獻。

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。對于賣家而言，其個性化推薦的質(zhì)量為q，其出現(xiàn)的概率是推薦時間的增函數(shù)，Pq=Q（t）。對買家而言，有三個選擇，離開網(wǎng)站、拒絕推薦、接受推薦，為了分析的方便，并且不失真實性，我們把前兩種選擇歸為一類，即買家有兩個選擇，接受推薦和拒絕推薦。買家搜尋時間越長，成本越高，從認知上考慮，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)站或者拒絕個性化推薦的概率是時間的減函數(shù)，其隨著時間的增加而減少，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擊流所花費的資源，其隨著時間的增加而增加，設(shè)為mc=mc（t）。定義買家的成本是搜尋產(chǎn)品的時間花費，亦為時間的增函數(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

對上述模型進行分析，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，因為顧客對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值。如此，上述收益矩陣則不存在完全占有策略，而需要進行分析。

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時刻，商家給出的推薦為低質(zhì)量的推薦q1（顧客接受后有負的收益），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，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?shù)臅r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）

兩邊合并同類項可得：

■=■

從上式中可以看出，對于賣家而言，若想達到均衡解，必須尋找到某一個時間點t，使得上式成立。

而對于買家而言，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，買家的行為不能對賣家造成影響。但是賣家的期望收益會隨著時間的延長而減少，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，其策略選擇將會影響到買家的策略，相反地，買家的策略選擇對賣家不會造成影響。從而，對賣家的行為求出均衡解時，整個博弈可以達到均衡。

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)對殘酷的生存環(huán)境，各大商家紛紛推出各種營銷戰(zhàn)略，個性化推薦服務(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)的推動下，個性化推薦服務(wù)不但能夠跟顧客的歷史消費記錄作出推薦，還能根據(jù)對顧客點擊流的分析實時地作出推薦。然而，在實時推薦中，選擇恰當?shù)貢r間進行推薦，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)造了一個雙人博弈模型，并就其簡化情形進行了求解分析，得出結(jié)論：賣家只有選擇適當?shù)臅r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，延時推薦的時間越長，賣家的期望收益就越?。蝗欢I家的決策并不會影響到賣家的行為。

本文將博弈論的方法應(yīng)用到個性化推薦當中，這在已往的文獻中是沒有的，具有一定的理論意義。同時，其結(jié)果對指導商家進行實時推薦服務(wù)具有一定的實踐意義。然而，本文也存在一些不足，未能對復雜情況的博弈模型進行求解分析就是其中之一。另外，模型當中的參數(shù)均為虛擬函數(shù)，沒有具體的函數(shù)形式，對于實際的應(yīng)用有很大的障礙，如何通過實證數(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：

1. 劉建國，周濤.個性化推薦系統(tǒng)的研究進展.自然科學進展，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.

基金項目：中國人民大學科學研究基金（中央高?；究蒲袠I(yè)務(wù)費專項資金資助）“在線個性化定制：內(nèi)在獨特性需求與外在社會化影響之間的平衡”（項目號：14XNH087）。

作者簡介：周良（1985-），男，漢族，江西省都昌縣人，中國人民大學商學院博士生，新加坡國立大學信息系統(tǒng)系聯(lián)合培養(yǎng)博士生，研究方向為電子商務(wù)、在線個性化定制；王璇（1968-），女，漢族，北京市人，北京化工大學經(jīng)濟管理學院運營管理系系主任、副教授，研究方向為電子商務(wù)、信息管理與信息系統(tǒng)；王寧（1987-），女，漢族，山東省臨沂市人，中國人民大學商學院博士生，德國亞琛工大聯(lián)合培養(yǎng)博士生，研究方向為電子商務(wù)、在線個性化定制。

收稿日期：2015-03-08。