基于消費性格的新商品推薦方法

張光前，白 雪

大連理工大學 管理與經(jīng)濟學部，遼寧 大連116024

1 引言

電子商務推薦(系統(tǒng))在緩解商品信息過載、提高消費者個性化體驗和銷售轉化率等方面發(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］。但隨著電子商務的發(fā)展，電子商務推薦面臨兩方面的變化:①商品日益豐富，沒有被購買甚至被瀏覽過的“新商品”越來越多;②消費個性日益凸顯，消費內(nèi)容和消費形式都在快速變化。這些變化導致推薦系統(tǒng)難以給出令消費者滿意的推薦結果［3］，從而造成“新商品”推薦問題。這里的新商品是從消費者視角出發(fā)的，即對某個消費者而言沒有被其購買過的商品即為新商品。

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

實現(xiàn)這一想法需要解決兩個基本問題，一是如何從消費者的消費記錄中分析出其消費心理，二是如何根據(jù)消費者消費心理實現(xiàn)新商品推薦。為此，本研究根據(jù)消費心理學中關于消費性格的論述，以貝葉斯網(wǎng)絡為基本方法，建立消費者購物記錄與其消費性格間的聯(lián)系，并據(jù)此實現(xiàn)基于消費性格的新商品推薦。

2 相關研究評述

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)消費者歷史消費記錄進行推薦會造成少數(shù)商品多次被推薦，而沒有被瀏覽或購買過的新商品根本無法被推薦［4］，導致電子商務推薦的實際作用有限。

由于新商品缺乏與消費者、消費者的朋友以及他們購買或瀏覽過商品之間的聯(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系進行推薦的方法缺乏必要的信息，無法做出合適的推薦。隨著電子商務的發(fā)展，新商品推薦問題已經(jīng)無法回避。目前，對新商品推薦的研究通常與電子商務推薦的評價標準聯(lián)系在一起。現(xiàn)有的評價標準可分為兩類:一類是技術性標準，主要用于衡量推薦方法的推薦精度和計算復雜性等性能指標［5］;另一類是商務性標準，如希望推薦結果達到新穎性、驚喜性和多樣性等標準［6］。這些標準反映了對個性化推薦服務的各種要求。

與新商品推薦相關的是商務性標準中的新穎性、驚喜性、多樣性3個指標。①新穎性，指推薦消費者不知道的商品，通常是在過濾掉消費者購買或瀏覽過的商品基礎上進行推薦，或者在與購物記錄相關的商品中選擇消費者不熟悉的，或者推薦不流行的商品，但這些做法對消費者來說無法保證是有用的［7］。②驚喜性，即意外發(fā)現(xiàn)新奇、有價值的事物的運氣，指推薦結果獲得令人驚訝的成功。這個指標強調(diào)一定要有新的內(nèi)容出現(xiàn)［8］，通常是對帶有相同內(nèi)容標記的商品不予推薦，而推薦與消費者偏好距離較遠的商品。但推薦結果是對自然預測的偏離，消費者可能會試探該推薦結果，但如果發(fā)現(xiàn)推薦結果無用反而會棄用電子商務推薦系統(tǒng)。③多樣性，通常選擇與消費者以前購買的商品不相似的商品來推薦，但代價是犧牲準確性，且結果可能是無用的［9］。

可見，上述做法都是采用一種故意避開與消費者購物記錄相近的商品，通過隨機選擇的方式推薦新商品，是為了達到商務性標準而采用的應對措施，不但無法保證甚至無法解釋推薦結果具有合理性，而且還會犧牲掉電子商務推薦系統(tǒng)應該具有的基本性能，如準確性等。

2.2 消費心理研究

消費心理研究是在心理科學理論指導下，研究人們在消費活動中的行為和心理，以觀察和實驗為獲取數(shù)據(jù)的基本手段，以統(tǒng)計分析為基本數(shù)據(jù)分析工具，通過對消費者外在行為的理性分析，把握消費習慣、消費方式和消費結構產(chǎn)生的內(nèi)在心理基礎及其發(fā)展變化規(guī)律［10］。

消費心理的基本規(guī)律是消費心理是內(nèi)在且穩(wěn)定的，消費行為是消費心理的外在表現(xiàn)，消費心理決定消費行為?，F(xiàn)階段的消費心理研究已經(jīng)揭示了消費者在個性心理特征和消費傾向等消費心理方面的一般規(guī)律，明確了消費心理包括消費態(tài)度、需要、動機、消費者氣質、消費技能和消費能力等多個方面［11］。消費心理方面的規(guī)律多是一種統(tǒng)計規(guī)律，且這些規(guī)律通常表現(xiàn)為定性的論述。消費者的行為表現(xiàn)與其消費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。

對電子商務推薦來說，消費心理方面的理論是理解和把握消費者行為的領域知識，引入消費心理理論會極大增加電子商務推薦方法的理論基礎。當然，若把消費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心理學理論對具體消費者的消費心理進行定量的分析和應用。

3 基于購物記錄的消費性格分析

性格是人的個性中最重要、最顯著的個性心理特征，消費性格是個人在消費方面穩(wěn)定的態(tài)度和習慣的行為方式，是決定消費行為的重要因素。通常，有什么樣的消費性格則有相應的消費行為［11］。盡管消費性格是決定消費行為的一個重要原因，但消費性格有不同類型甚至混合型，其外在表現(xiàn)與具體消費性格之間通常是多因多果關系。根據(jù)購物記錄分析其消費性格，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)絡作為工具推斷消費性格。貝葉斯網(wǎng)絡是一種自然表示因果信息的方法，在設備故障診斷和模式識別等很多方面都有成功的應用。

3.1 消費性格及其表現(xiàn)

按照消費態(tài)度的不同，消費性格分為經(jīng)濟型、自由型、保守型、順應型、怪僻型5種類型。根據(jù)公認的成熟的、關于消費性格的論述，把各種消費性格類型及其表現(xiàn)進行總結，結果見表1。

由表1 可知，不同的消費性格在消費態(tài)度、行為方式和關注點方面有明顯差別，對消費性格的論述是整理實際的購物記錄并建立消費心理及其外在表現(xiàn)的貝葉斯網(wǎng)絡結構時的理論依據(jù)及指導原則。

3.2 變量選擇和處理

購物記錄如實地記錄了消費者在電子商務網(wǎng)站上的消費行為，這些數(shù)據(jù)現(xiàn)實可得且與消費選擇密切相關，是分析消費者消費性格的理想素材。貝葉斯網(wǎng)絡使用的變量是離散型的，需要對購物記錄中數(shù)值型變量進行離散化處理。變量的含義、來源和處理說明見表2，其中消費性格是類別變量，其余變量均為屬性變量。

3.3 基于貝葉斯網(wǎng)絡的消費性格分析

應用貝葉斯網(wǎng)絡進行消費性格分析就是根據(jù)某消費者的歷史數(shù)據(jù)進行貝葉斯網(wǎng)絡結構學習，學習結果表明了該消費者的消費性格。在貝葉斯網(wǎng)絡學習方法中，由Cooper等［28］提出的K2 結構學習算法以高效、準確而著稱，本研究采用K2 算法和互信息相結合的方式進行貝葉斯網(wǎng)絡結構學習，根據(jù)評分函數(shù)選擇最優(yōu)模型，用貝葉斯估計進行參數(shù)學習。具體學習過程描述如下。

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

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

其中，Xi、Xj和C均為隨機變量，P為概率，xi、xj和ck為樣本中某件商品在對應的隨機變量上的取值，i和j為對應的具體屬性編號，k 為對應的具體消費性格類型。

(2)以屬性變量間的條件互信息I(Xi;Xj|C)作為權重，根據(jù)權重大小將屬性變量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系的變量序列{C，Y1，Y2，…，Y9}，作為節(jié)點輸入順序，設Y ={y1，y2，…，y9}。

(3)初始化一個空網(wǎng)絡，根據(jù)預先設定的節(jié)點輸入順序，利用網(wǎng)絡結構評分公式(2)式和(3)式，依次為每一個節(jié)點添加合適的父節(jié)點，父節(jié)點只能在該節(jié)點順序之前的節(jié)點集合中選取，使(2)式的概率值最高。

其中，D 為實例數(shù)據(jù);Bs為網(wǎng)絡結構;yl為Y 中各變量的取值;v(yl)為yl父節(jié)點的取值，即概率大小;h為該節(jié)點的父節(jié)點個數(shù);Γ()為Γ 函數(shù);?lhg為yl第g個 狀態(tài)，?lh=∑?lhg;Nlhg為v(yl)的第g個狀態(tài)，Nlh=∑Nlhg。

(4)根據(jù)評分公式得到一個分值最高的貝葉斯網(wǎng)絡結構和此時各節(jié)點的條件概率分布表。學習類別節(jié)點C的概率分布為P(Ck)，該概率分布表示分析對象的消費性格情況，概率值大的類別表示該消費者的主導消費性格。

4 基于消費性格的新商品推薦方法

4.1 新商品推薦的基本思想

從電子商務推薦角度，基于消費性格的新商品推薦是在已知某消費者的消費性格的情況下，當有新商品到來時，判斷是否向其推薦這一商品。落實到貝葉斯網(wǎng)絡則是一個后驗概率問題，即在知道了已存在的貝葉斯網(wǎng)絡中各種屬性之間組織關系的情況下，當有新的觀察數(shù)據(jù)到來時，分析網(wǎng)絡結構和參數(shù)變化情況。在后驗概率推理中，在已知從消費者購物記錄的學習中得到貝葉斯網(wǎng)絡中各節(jié)點的取值情況下，把新商品作為證據(jù)變量，把用戶的消費性格作為查詢變量，通過近似推理，可以在已知完整的貝葉斯網(wǎng)絡結構圖和節(jié)點的概率分布表的條件下，求出該消費者在新商品條件下的消費性格。

若新商品條件下消費者的消費性格與從購物記錄得到的消費性格之間無本質差別，則認為該新商品符合該用戶消費性格，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性格作為是否推薦的判定標準，實現(xiàn)對新商品的合理推薦。

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)絡圖(記為S)，先對(新)商品的屬性進行離散化處理，然后作為已知節(jié)點的輸入，通過貝葉斯網(wǎng)絡推理查詢“消費性格”的后驗概率分布，后驗概率分布反映出在該新商品條件下該消費性格。對已經(jīng)建立的網(wǎng)絡圖S，類別變量“消費性格”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。依照概率大小對性格類型排序，選擇排序靠前的作為衡量指標M(可能不止一個指標)，M 即為主導消費性格，對應的概率值作為閾值εM?？赡艽嬖诙鄠€閾值，選擇所有在衡量指標M的概率均高于閾值εM的商品作為推薦對象。這時該推薦方法的輸入為新商品屬性、貝葉斯網(wǎng)絡圖S，輸出為消費性格概率P(Ck)、新商品是否進行推薦的判定。

貝葉斯網(wǎng)絡推理過程較為復雜，由于推薦時對計算精度要求不高，故采用性能較好的、廣為應用的連接樹近似推理算法。具體步驟如下。

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

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

(3)根據(jù)已經(jīng)存在的網(wǎng)絡圖，選擇聯(lián)合樹算法，由網(wǎng)絡結構圖生成Moral 圖，通過無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，設定查詢變量為“消費性格”，最終通過消息傳遞使聯(lián)合樹達到平衡。

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

(6)在衡量指標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象。

5 方法驗證和分析

上述新商品推薦方法包括兩個部分，先通過歷史記錄分析某消費者的消費性格，在此基礎上判斷當有新商品到來時是否向該消費者推薦，二者是一個有機的整體，一起構成完整的基于消費性格的新商品推薦方法。下面采用實際數(shù)據(jù)驗證和分析該方法的可行性和合理性。

5.1 樣本選取和處理

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

5.2 貝葉斯網(wǎng)絡學習和推理結果

采用Matlab 軟件中的BNT 工具箱進行輔助編程，并結合互信息進行貝葉斯網(wǎng)絡的學習和推理。

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

表3的數(shù)據(jù)表示兩個隨機變量間存在的統(tǒng)計依賴關系的大小，如第3 行第4 列的值為0.032，說明變量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;比較兩個數(shù)值，認為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)點順序，并把類別變量C(消費性格)加在最開始的位置，確定最后的輸入順序為order =［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)絡結構圖，通過對輸入數(shù)據(jù)的學習得到貝葉斯網(wǎng)絡結構圖，見圖1，箭頭方向為從父節(jié)點到子節(jié)點。

圖1 基于甲的購物記錄得到的貝葉斯網(wǎng)絡結構Figure 1 Bayesian Network Based on a Consumer′ Purchasing Data

由圖1 可知，與節(jié)點10 直接相連的節(jié) 點是2、3、7、9，故認為該網(wǎng)絡用戶在瀏覽購物時關注的商品屬性是折扣、質量、銷量和評價，對其他商品屬性關注度不大，但仍存在間接聯(lián)系。

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

表4 中父節(jié)點X3(質量)一欄對應的是質量這個屬性的具體取值，離散化的取值為一般和優(yōu)良兩類;父節(jié)點X10(消費性格)一欄對應的是消費性格的具體類型。以表4 中第2 行為例，該行表示若商品質量為一般且消費性格為經(jīng)濟型，則評價結果是差的概率為0.794，評價為好的概率為0.206。

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

(4)消費性格類型的學習。通過貝葉斯網(wǎng)絡的學習得到甲的消費性格概率分布，見表5。

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

表6 新商品推薦結果Table 6 Results of Recommendation of New Commodities

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

(5)消費性格閾值確定。為了根據(jù)消費性格判別某新商品是否值得向其推薦，需要設定判定新商品與消費性格符合時的閾值。采用的方式為:把得到的性格類型按照概率值降序排列，由于前兩個類型已經(jīng)占到約六成，所以選取前兩個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。新商品推薦對應的貝葉斯網(wǎng)絡的推理，推理的節(jié)點確定為消費性格，選取的已知證據(jù)節(jié)點為X1、X2、X3、X4、X5、X6、X7、X8、X9。通過聯(lián)合樹推理引擎，得到消費性格的后驗概率。

選取該消費者從未購買過的10種商品，對其商品屬性進行離散化處理，使用學習好的貝葉斯網(wǎng)絡進行推理，得到其推薦結果，見表6。

表6 中每一個新商品對應的行都是在已學習好的貝葉斯網(wǎng)絡中輸入該新商品屬性時得到的消費性格分布，如果這個分布與從甲真實消費的商品中得到的消費性格一致，則為其推薦該商品。具體做法是若得到的消費性格類型大于設定閾值ε 時，則用(* )標示出來，當前兩個消費性格類型都大于設定閾值時，表明該商品符合甲的主導消費性格，則向消費者甲進行推薦，否則就不予推薦。

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

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

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

表7 推薦結果的混淆矩陣Table 7 Confusion Matirx of Recommendation

5.3 基于消費性格的新商品推薦方法的普適性分析

為了驗證該方法是否具有一般性，需要對該方法進行假設檢驗。由于這種方法是以消費性格為基礎進行推薦的，需要做兩個方面驗證:一是消費性格的穩(wěn)定性驗證，二是推薦結果合理性驗證。前者是確定把消費性格作為推薦基礎可行，后者是分析推薦結果有效。

為此，選擇MBA 學員、高校教師和高校學生作為分析對象，共40 人，獲得他們近1年的購物記錄，并進行與甲相同的分析，得到結果如下。

(1)消費性格穩(wěn)定性分析。對每個人的購物記錄采用4 折交叉驗證，把購物記錄按月份分為4 組數(shù)據(jù)，選擇3 組作為訓練集，剩余1 組作為測試集，每個訓練集的分析方法和步驟與甲相同。對4 次分析的結果做方差分析，若無明顯差別則證明所分析出的消費性格基本一致，是穩(wěn)定的。如果證明某個人的消費性格穩(wěn)定，則認為該次分析通過檢驗。

統(tǒng)計40 名實驗者通過檢驗的情況，有39 人通過檢驗，1個人未通過檢驗。把通過與否看作二項實驗，根據(jù)二項分布期望值為np(試驗次數(shù)與單次發(fā)生概率之積)可近似估計出每次實驗通過概率為0.975，可見消費性格穩(wěn)定且可知。同時也意味著，消費性格獨立于其所購商品，這與消費心理學的理論吻合。

對未通過檢驗者訪談得知，他主要為家人購買了一些商品，故購物記錄所反映的消費性格不是他自身的，也不是某1個人的。

(2)推薦結果合理性分析。與向甲推薦新商品的過程和方法一樣，對樣本中其他消費者做同樣的分析處理。統(tǒng)計40 名實驗用戶的推薦結果和調(diào)查結果，當推薦符合率達到85%以上時，認為通過檢驗，否則未通過檢驗。

統(tǒng)計40 名實驗者通過檢驗的情況，有38 人通過檢驗，2 人未通過檢驗。把檢驗結果看成是二項試驗，根據(jù)二項分布期望值為np 可近似估計出每次試驗通過概率為0.950。雖然測試是否購買新商品與真實購買存在差別，但推薦符合率和通過檢驗比率說明推薦結果比較符合用戶偏好，基于消費性格的推薦基本可行。

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

6 結論

管理活動所涉及的因素及其類型越來越復雜，將研究視野放大到更多、更廣的學科領域是大勢所趨［30］。本研究把消費性格理論與貝葉斯網(wǎng)絡相結合解決新商品推薦問題，提出并驗證基于消費性格的新商品推薦方法，得到如下研究結論。

(1)通過定量分析明確消費者的消費性格。目前消費心理理論多是描述性的，在應用方面主要以定性分析為主。本研究在消費性格理論指導下，采用貝葉斯網(wǎng)絡從消費者的實際購物記錄中分析出其消費性格，且定量分析結果與消費性格理論能夠相互印證，如消費者選擇的多樣性只是其消費性格的外在反映，內(nèi)在的消費性格具有穩(wěn)定性等。這說明個體的消費心理能通過定量分析加以認識，也就意味著消費心理學理論能夠與其他方法進行有機結合。

(2)基于消費性格進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關系進行推薦，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“關系”在應用到新商品情形時很難奏效。由于消費性格與消費行為之間是因果關系，故本研究提出的方法是一種基于因果關系的推薦，與傳統(tǒng)推薦方法有本質不同。通過判定某一新商品與消費者的消費性格符合的程度進行推薦，使即使面對新商品和消費者選擇多樣性的情況，仍能給出合理的推薦，且結果的可解釋性也增強。

本研究僅探討基于消費性格的新商品推薦方法，還有些問題有待進一步研究。①消費心理是多方面的，如果能對消費心理做全面、綜合的分析，并在此基礎上推薦，可以預期推薦結果會更理想、更有說服力;②在做推薦時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)有推薦方法結合，衍生出更好的推薦方法;③商品屬性劃分是根據(jù)消費性格方面的論述做出的，偏重于經(jīng)濟方面的屬性，屬性劃分粒度顯得稍粗，但好處是即使面對新商品也沒有不能涵蓋的新屬性，在實際推薦系統(tǒng)中可以通過試驗的方式確定合適的屬性粒度;④與現(xiàn)有推薦方法進行全面細致的對比分析，以期進一步明了該方法的優(yōu)缺點。

［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.電子商務推薦系統(tǒng)研究綜述［J］.情報雜志，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.消費心理學［M］.北京:科學出版社，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、價格對感知質量與購買意向的暗示作用［J］.南開管理評論，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］國家自然科學基金委，中國科學院.未來10年中國學科發(fā)展戰(zhàn)略:管理科學［M］.北京:科學出版社，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)