基于管理和消費者行為視角的個性化推薦研究與展望

張 琳，閆 強

(北京郵電大學(xué) 經(jīng)濟管理學(xué)院，北京 100876)

·電子商務(wù)·

基于管理和消費者行為視角的個性化推薦研究與展望

張 琳，閆 強

(北京郵電大學(xué) 經(jīng)濟管理學(xué)院，北京 100876)

個性化推薦對于提升網(wǎng)絡(luò)購物的效率、促進產(chǎn)品的銷售具有非常重要的影響，如何提升個性化推薦的效果受到了研究人員的廣泛關(guān)注。先前研究大多數(shù)關(guān)注如何提升推薦算法的精確性和效率，或者關(guān)注如何提升消費者的推薦滿意度以及個性化推薦采納的影響因素。與既往研究不同，本文首先闡述了目前推薦系統(tǒng)采用的主流算法，而后基于管理和消費者行為的視角，從推薦時機、推薦產(chǎn)品組合、推薦效果三方面重點介紹了目前以該視角對個性化推薦的研究現(xiàn)狀及研究成果，指出該研究方向具有較大的挖掘空間和研究價值，最后提出個性化推薦未來的研究趨勢與展望。

個性化推薦；推薦時機；推薦產(chǎn)品組合；推薦效果

一、引 言

隨著Internet的迅猛發(fā)展，互聯(lián)網(wǎng)成為人們獲取信息、購物消費的重要途徑[1]。根據(jù)由中國互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC)發(fā)布的《第38次中國互聯(lián)網(wǎng)絡(luò)發(fā)展統(tǒng)計報告》顯示，截至2016年7月，我國網(wǎng)絡(luò)購物用戶規(guī)模達到4.48億，較2015年底增加3 488萬，增長率為8.3%。同時，我國手機網(wǎng)絡(luò)購物用戶規(guī)模增長迅速，達到4.01億，手機購物的使用比例由54.8%提升至64.1%[2]如圖1所示。

伴隨著網(wǎng)絡(luò)購物用戶數(shù)量的不斷增長，電子商務(wù)市場的規(guī)模也相應(yīng)增大。眾所周知，對比線下購買，網(wǎng)絡(luò)中的商品數(shù)量大、種類多、信息豐富，因此個性化推薦系統(tǒng)應(yīng)運而生。個性化推薦通過向消費者推薦符合其偏好的產(chǎn)品，減少消費者的認知付出，幫助消費者能夠快速并且容易地找到滿足其需求的商品[3]，同時又促進了網(wǎng)站的產(chǎn)品銷售[4]。

目前主流電子商務(wù)網(wǎng)站如Amazon、淘寶網(wǎng)、京東商城等都會采用多種形式的推薦服務(wù)來改進用戶的體驗并提高產(chǎn)品展現(xiàn)率等。例如，淘寶網(wǎng)主要利用消費者的購買、瀏覽、收藏以及評價等歷史行為，向消費者進行推薦；而京東商城則參考用戶已經(jīng)瀏覽、已經(jīng)購買、已經(jīng)評分的產(chǎn)品，來判斷消費者的行為偏好，從而推薦消費者可能感興趣的產(chǎn)品。

然而，購物網(wǎng)站紛繁的產(chǎn)品推薦在給消費者帶來豐富的產(chǎn)品信息和選擇機會的同時，也使得消費者面臨著信息超載的困境。事實上，推薦系統(tǒng)雖然已經(jīng)成為目前解決信息過載最有效的工具之一，但由于消費者在線購買的需求逐漸呈現(xiàn)出個性化和多樣性的特征，不恰當(dāng)?shù)耐扑]不僅不能幫助消費者快速地選擇滿足自己需求的商品以達到預(yù)期的效果，甚至?xí)?dǎo)致消費者的反感。實證研究表明，有21%的消費者并未對個性化推薦服務(wù)做出積極的響應(yīng)[5-6]。

盡管計算機科學(xué)奠定了推薦系統(tǒng)的理論基礎(chǔ)，但個性化推薦系統(tǒng)卻始終秉承以“人”為本。為了滿足不同消費者的多種需求，個性化推薦系統(tǒng)必然橫跨自然與社會科學(xué)，并且涉及多學(xué)科的交叉，以體現(xiàn)出其“個性化”的特點[7]。因此，將從管理與消費者行為視角來重點介紹個性化推薦的研究進展，以期為個性化推薦所涉及的學(xué)科領(lǐng)域及相關(guān)產(chǎn)業(yè)的發(fā)展提供進一步的理論與實踐的支撐。

二、個性化推薦概述

1. 推薦系統(tǒng)

20世紀90年代初發(fā)表的第一篇關(guān)于協(xié)調(diào)過濾的論文標志著推薦系統(tǒng)已經(jīng)成為一個重要的研究領(lǐng)域[8]。Resnick et al[9]于1997年提出推薦系統(tǒng)的規(guī)范化定義：利用電子商務(wù)網(wǎng)站向用戶提供商品信息和建議，模擬銷售人員幫助客戶完成購買的過程。推薦系統(tǒng)的根源可以追溯到認知科學(xué)、近似理論、信息檢索、預(yù)測理論的大量工作，同時也涉及到管理科學(xué)以及對市場營銷中的消費者選擇建模。在過去的二十年里，不論是相關(guān)產(chǎn)業(yè)還是學(xué)術(shù)領(lǐng)域，針對推薦系統(tǒng)的研究都做出了很多貢獻。

1992年，Goldberg et al開發(fā)出了第一個推薦系統(tǒng)，被認為是能夠幫助用戶和商家解決信息過載問題的一種有效方式和平臺10]。一般來說，推薦系統(tǒng)通過收集和分析來自于專家或其他用戶的建議來直接幫助用戶找到其需要的產(chǎn)品或服務(wù)(如書籍、電子產(chǎn)品、電影、音樂、電視節(jié)目以及網(wǎng)站等)[11]。

2. 個性化推薦的概念

“個性化推薦”這一概念自20世紀90年代初提出以來，在理論研究及實際應(yīng)用方面都得到了跨越式的發(fā)展[12]。美國人工智能協(xié)會春季會議、國際人工智能聯(lián)合大會以及ACM智能用戶接口會議等一系列國際重要會議發(fā)表了多篇關(guān)于個性化推薦的論文，從此個性化推薦被國內(nèi)外學(xué)者在多個學(xué)科領(lǐng)域廣泛地研究[13]。

個性化推薦技術(shù)主要通過收集用戶的歷史信息來分析用戶的興趣，從而采用恰當(dāng)?shù)耐扑]方式向用戶推薦符合其偏好的內(nèi)容信息，所謂的“個性化”指向不同的用戶推薦不同的產(chǎn)品或服務(wù)，以滿足不同的需求來體現(xiàn)[14]。

3. 個性化推薦涉及的學(xué)科

盡管個性化推薦的起源始于計算機學(xué)科領(lǐng)域，但隨著電子商務(wù)產(chǎn)業(yè)的迅速崛起，用戶需求的個性化和多樣化以及消費者對電子商務(wù)網(wǎng)站使用意愿的不斷提高促使個性化推薦越發(fā)體現(xiàn)出其因“人”而異的本質(zhì)。近年來，關(guān)于個性化推薦的研究已涉及多個學(xué)科，在Elsevier和CNKI中國知網(wǎng)中輸入關(guān)鍵詞“個性化推薦”，通過總結(jié)歸納，可以觀察到個性化推薦的研究涉及以下主要學(xué)科領(lǐng)域，如圖2所示。

需要指出的是，對個性化推薦的客觀思考，應(yīng)該打破計算機科學(xué)的范疇，而是從多學(xué)科交叉研究的層面去考慮[7]。

三、個性化推薦算法

推薦算法是個性化推薦服務(wù)中的核心部分，目前主流的推薦算法包括：基于內(nèi)容的推薦，協(xié)同過濾推薦、混合推薦以及其他推薦算法等[15]。

1. 基于內(nèi)容的推薦

基于內(nèi)容的推薦指系統(tǒng)通過提取用戶的歷史交易記錄和用戶對產(chǎn)品提供的評級，通過分析用戶感興趣的產(chǎn)品作為用戶的購物偏好。同時，對產(chǎn)品進行特征提取，基于用戶的特征偏好與產(chǎn)品特征的匹配程度來向用戶推薦其感興趣的產(chǎn)品或服務(wù)[16]?；趦?nèi)容的推薦也存在不足之處，該算法只能根據(jù)用戶的歷史信息向用戶進行推薦，而不能發(fā)現(xiàn)用戶與原有興趣項不同的潛在興趣，并且對產(chǎn)品與用戶興趣特征提取的準確度還有待提高[17]。

2. 協(xié)同過濾推薦

協(xié)同過濾推薦最早由Goldberg[18]提出并在新聞與電影的推薦中應(yīng)用，該算法基于用戶先前對產(chǎn)品的評估或先前的購買歷史來進行信息過濾，其基本思想借鑒了人們?nèi)粘Ｉ缃簧钪匈徺I商品的方法——我們往往會利用好朋友的推薦來進行一些選擇，例如，當(dāng)自己的親戚朋友購買了某件商品并且對該商品評價很好時，那么自己在很大程度上也會嘗試購買該商品，協(xié)同過濾正是把該思想應(yīng)用到了推薦系統(tǒng)中，即在具有相似購物偏好的用戶之間進行交叉推薦。然而，協(xié)同過濾技術(shù)同時也顯示出了其存在兩個主要的問題：稀疏性和冷啟動[19]。

3. 混合推薦

由于協(xié)同過濾推薦存在數(shù)據(jù)稀疏性、新用戶新產(chǎn)品冷啟動的問題，而同時基于內(nèi)容的推薦存在產(chǎn)品特征的提取與表示等問題，很多學(xué)者將這兩種技術(shù)或者更多的技術(shù)結(jié)合起來、取長補短來提高推薦的“質(zhì)量”，這也是混合推薦算法的思想[20]。

4. 其他推薦算法

其他推薦算法還包括基于關(guān)聯(lián)規(guī)則的推薦、基于知識的推薦與基于效用的推薦等。其中，基于關(guān)聯(lián)規(guī)則的推薦以產(chǎn)品間關(guān)聯(lián)規(guī)則為基礎(chǔ)，通過數(shù)據(jù)挖掘技術(shù)來分析用戶在已選擇項目與未選擇項目之間的相關(guān)性，進而得到推薦的產(chǎn)品[21]；基于知識的推薦系統(tǒng)則通過用戶知識與產(chǎn)品知識來向用戶推薦滿足其需求的產(chǎn)品[22]；基于效用的推薦依據(jù)產(chǎn)品屬性、供應(yīng)商可靠性、產(chǎn)品的可用性等指標為用戶建立效用函數(shù)，從而向用戶推薦產(chǎn)品[23]。

四、基于消費決策過程的個性化推薦研究進展

通過整理先前關(guān)于個性化推薦的研究文獻發(fā)現(xiàn)已有研究主要關(guān)注三個方面：首先，關(guān)注提高推薦算法的準確性；其次，關(guān)注影響消費者對個性化推薦的采納因素；再次，關(guān)注消費者對個性化推薦內(nèi)容的滿意度。這些工作雖然對提升個性化推薦效果具有重要作用，但它們都忽略了消費者的決策過程和對產(chǎn)品的偏好差異[24]。本研究不同于先前的研究，主要基于管理與消費者行為視角來介紹目前國內(nèi)外對于個性化推薦的研究現(xiàn)狀以及未來的研究方向。

1. 推薦時機

Zhang et al[25]在人機交互的研究中曾提出，“時機”這個系統(tǒng)設(shè)計元素是一個被較少關(guān)注的研究點。在個性化推薦的研究歷程中，國外學(xué)者Ho et al[26]研究了自適應(yīng)網(wǎng)絡(luò)個性化推薦的時機選擇問題及其對消費者在線行為的影響作用。根據(jù)偏好構(gòu)建觀點可知，消費者的購買偏好是在購物決策的過程中構(gòu)建形成的，而并非是已知的。自適應(yīng)網(wǎng)絡(luò)個性化推薦則依據(jù)消費者的歷史數(shù)據(jù)來推斷消費者的實時偏好，從而推薦符合其偏好的內(nèi)容。

Ho et al把消費者的整個的購買過程看成是一個囫圇的決策過程。然而，有學(xué)者卻提出利用兩階段決策理論來描述消費者的決策過程會更合適[27]。由于消費者購買產(chǎn)品的任務(wù)不是瞬間的發(fā)生事件，而是持續(xù)一段時間的過程，那么“時機”就自然地包含在消費者購買產(chǎn)品的過程中[28]。國內(nèi)學(xué)者史雅妮[29]通過研究證實之所以向消費者推薦的產(chǎn)品并沒有如愿地被其接受甚至?xí)鹣M者的反感，原因是由于不恰當(dāng)?shù)漠a(chǎn)品推薦時機和推薦信息來源所導(dǎo)致的。她在研究中提到兩階段理論指出消費者的購買決策過程可以分為兩個階段：在決策第一階段，形成一個考慮集合[30]；在決策第二階段，從考慮集合中挑選最終購買的產(chǎn)品[31]。

由于信息處理理論主張人的理性是有限的，而人腦處理信息的能力也是有限的。消費者的購買決策過程是一個邏輯思考、解決問題的過程，當(dāng)面臨個性化推薦服務(wù)提供的大量的產(chǎn)品信息時，評估所有的選項一般是比較困難的。因此，消費者在進行決策時往往只能考慮可選項中的一部分，先形成一個考慮集合，此也即決策的第一階段。由于考慮集合是有目的地構(gòu)建起來的[32]，消費者會根據(jù)自己的目標和需求綜合考慮搜索成本等因素而將合適數(shù)量的產(chǎn)品放入考慮集合?？紤]集合的形成是消費者制定購物決策的重要階段，因為通常最終的購買決策就僅限于考慮集合里面的選項[33]。當(dāng)考慮集合形成后，此時，消費者會進入決策的第二階段，也即根據(jù)自己的目標和需要從已經(jīng)形成的考慮集合中選擇一個或者多個選項，完成整個購買過程。對于考慮集合中的每一個產(chǎn)品而言，都有一定的概率被選中。在此階段，消費者的主要任務(wù)就是對產(chǎn)品信息進行深入地甄別，比較各產(chǎn)品的差異化特征，依據(jù)自己的效用函數(shù)，選擇使自己效用最大的產(chǎn)品，從而做出最終的購買決策[34]。

綜上所述，推薦時機的選擇對于提升個性化推薦服務(wù)的質(zhì)量是非要重要的因素。一方面，在合適的時機向消費者提供推薦信息，是站在消費者的角度來解決個性化推薦中存在的問題，而兩階段決策理論則揭示了消費者對個性化推薦采納的內(nèi)在機制，更符合“時機”因素對消費者決策過程的影響[35]；另一方面，推薦時機的恰當(dāng)選擇從管理學(xué)的角度而言，對于今后電子商務(wù)網(wǎng)站的設(shè)計也提出了新的思路。因此，推薦時機是個性化推薦研究中值得去深入探索的研究點。

2. 推薦產(chǎn)品組合

除了推薦時機，在個性化推薦的研究中，推薦產(chǎn)品組合也是一個被關(guān)注較少的研究點[24]。Picard[36]提到當(dāng)公司開始向市場提供多于一種的產(chǎn)品時就形成了產(chǎn)品組合。與提供單一產(chǎn)品相比，公司提供多種產(chǎn)品來改革原有的模式，這樣的管理方式被認為是有效的。為什么要提供不同類型的產(chǎn)品組合？原因就是能夠降低風(fēng)險[37]、有效地管理產(chǎn)品的生命周期[38]、開發(fā)市場[39]、增加服務(wù)的廣度和效率[40]。同時，實證研究結(jié)果也表明，隨著對重點市場的關(guān)注，公司可以通過根據(jù)市場的進入者來調(diào)整自己的產(chǎn)品組合，以增加公司綜合競爭力[41]。

關(guān)于個性化推薦中產(chǎn)品組合的研究，Yan et al[24]在研究中提出，當(dāng)電子商務(wù)網(wǎng)站向消費者提供產(chǎn)品推薦時，可以將推薦產(chǎn)品提供為不同比例的同類和相關(guān)產(chǎn)品的組合。其中，同類產(chǎn)品是指與消費者打算購買的目標產(chǎn)品為同一種類的產(chǎn)品。例如，MacBook電腦和Thinkpad電腦就是典型的同類產(chǎn)品，此類產(chǎn)品的推薦主要通過混合推薦算法來生成。相比于同類產(chǎn)品，相關(guān)產(chǎn)品是指與目標產(chǎn)品在使用功能上互補的產(chǎn)品，如電腦和鼠標就是典型的相關(guān)產(chǎn)品，此類產(chǎn)品往往通過關(guān)聯(lián)推薦算法來生成推薦。該研究證實，在界定了產(chǎn)品分類后，電子商務(wù)網(wǎng)站在推薦恰當(dāng)?shù)漠a(chǎn)品數(shù)量的約束下，向消費者提供不同數(shù)量比例的同類和相關(guān)產(chǎn)品的組合，可以有效地提升個性化推薦的效果，提高消費者對推薦產(chǎn)品的采納。

3. 推薦效果

現(xiàn)有針對推薦系統(tǒng)的研究大部分都將注意力集中在如何提高推薦算法的準確性上，而一個好的推薦系統(tǒng)不僅需要關(guān)注準確性，同時也需要關(guān)注消費者的滿意度[42]。然而，推薦準確性并不能完全決定用戶的滿意度，某些情況下推薦內(nèi)容的多樣性在一定程度上可能降低了結(jié)果的準確性，但卻提高了用戶對推薦系統(tǒng)的主觀評價[43]。目前有研究從消費者的感知信任和感知風(fēng)險的角度，注重分析個性化推薦和用戶滿意度之間的關(guān)系[44]，關(guān)注推薦系統(tǒng)對消費者決策結(jié)果的影響[45]。以上研究對于提升個性化推薦效果做出了貢獻，并且也顯示出基于管理和消費者行為視角來提升個性化推薦效果是需要學(xué)者們重點關(guān)注的研究點。

五、研究展望

主要分析了目前國內(nèi)外學(xué)者對個性化推薦研究的進展以及重點介紹了基于管理與消費者行為視角的個性化推薦研究的現(xiàn)狀?；谝陨系姆治龊完U述可以觀察到，盡管針對個性化推薦的研究已經(jīng)持續(xù)多年，并且各個學(xué)科領(lǐng)域的研究者們都在致力于提升個性化推薦的服務(wù)質(zhì)量，而基于管理與消費者行為視角的個性化推薦的研究還有待進一步的探索?？傮w來說，關(guān)于消費者對推薦的滿意度以及影響推薦采納的因素的研究較多，但以消費者行為視角來研究如何提升個性化推薦效果的研究還比較少，尤其以管理學(xué)角度來模擬消費者購買行為以測量推薦效果的實驗方法的研究更少，這需要后續(xù)的研究者進行深入而廣泛的研究。基于以上分析，提出以下研究展望：

(1)基于管理與消費者行為視角的個性化推薦的研究方法還有待創(chuàng)新。

(2)基于管理與消費者行為視角的個性化推薦效果的提升還有待系統(tǒng)的研究。

(3)基于管理與消費者行為視角的個性化推薦依然是當(dāng)前和未來一段時間的前沿研究問題。

建議今后對于個性化推薦系統(tǒng)的設(shè)計，應(yīng)充分考慮消費者在不同決策階段的行為特點。另外，電子商務(wù)網(wǎng)站除了繼續(xù)完善推薦算法外，還需進一步探索與其他營銷手段相結(jié)合來促進產(chǎn)品銷售。

[1] Xu Yunhong, Guo Xitong, Hao Jinxing, et al. Combining social network and semantic concept analysis for personalized academic researcher recommendation[J]. Decision Support Systems, 2012, 54(1): 564-573.

[2] 中國互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC). 第38次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告. [R/OL]. (2016) [2016-10-16]. http: //www.cnnic.cn/gywm/xwzx/rdxw/2016/201608/W020160803204144417902.pdf.

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

[4] H?ubl G, Murray K B. Double agents: assessing the role of electronic product recommendation systems[J]. Sloan Management Review, 2006, 47(3): 8-12.

[5] Fitzsimons G J, Lehmann D R. Reactance to recommendations: when unsolicited advice yields contrary responses[J]. Marketing Science, 2004, 23(1): 82-94.

[6] Burke R R. Technology and the customer interface: what consumers want in the physical and virtual store[J]. Journal of the Academy of Marketing Science, 2002, 30(4): 411-432.

[7] 劉凱, 王偉軍, 黃英輝, 等. 個性化推薦系統(tǒng)理論探索: 從系統(tǒng)向用戶為中心的演進[J]. 情報理論與實踐, 2016, 39(3): 52-56.

[8] Resnick P, Iacovou N, Suchak M, et al. Grouplens: an open architecture for collaborative filtering of netnews[C]// Proceedings of ACM Conference on Computer Supported Cooperative Work. New York: ACM Press, 1994: 175-186.

[9] Resnick P, Varian H R. Recommender systems[J]. Communications of the ACM, 1997, 40(3): 56-58.

[10] Adomavicius G, Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions[J]. IEEE transactions on knowledge and data engineering, 2005, 17(6): 734-749.

[11] Kim H, Ji A, Ha I, et al. Collaborative filtering based on collaborative tagging for enhancing the quality of recommendation[J]. Electronic Commerce Research and Applications, 2010, 9(1): 73-83.

[12] Hill W, Stead L, Rosenstein M, et al. Recommending and evaluating choices in a virtual community of use[C]// ACM Press/Addison-Wesley Publishing Co., 1995: 194-201.

[13] 單明. 基于個性化推薦的電子商務(wù)推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 長春: 吉林大學(xué), 2014.

[14] 涂偉, 甘麗新, 黃樂輝, 等. 個性化學(xué)術(shù)推薦系統(tǒng)的研究與設(shè)計[J]. 商業(yè)時代, 2011(18): 46-47.

[15] 黃仁, 孟婷婷. 個性化推薦算法綜述[J]. 中小企業(yè)管理與科技, 2015(8): 271-273.

[16] Basu C, Hirsh H, Cohen W. Recommendation as classification: using social and content-based information in recommendation[C]// AAAI/IAAI, 1998: 714-720.

[17] 崔春生, 李光, 吳祈宗. 基于 Vague 集的電子商務(wù)推薦系統(tǒng)研究[J]. 計算機工程與應(yīng)用, 2011, 47(10): 237-239.

[18] Goldberg D, Nichols D, Oki B M, et al. Using collaborative filtering to weave an information tapestry[J]. Communications of the ACM, 1992, 35(12): 61-70.

[19] Sarwar B, Karypis G, Konstan J, et al. Analysis of recommendation algorithms for E-commerce[C]// ACM, 2000: 158-167.

[20] Carrer-Neto W, Hernández-Alcaraz M L, Valencia-García R, et al. Social knowledge-based recommender system. Application to the movies domain[J]. Expert Systems with Applications, 2012, 39(12): 10990-11000.

[21] Burke R R. Computer system for allowing a consumer to purchase packaged goods at home[Z]. Google Patents, 2000.

[22] 劉平峰, 聶規(guī)劃, 陳冬林. 基于知識的電子商務(wù)智能推薦系統(tǒng)平臺設(shè)計[J]. 計算機工程與應(yīng)用, 2007,43(19): 199-201.

[23] 吳兵, 葉春明. 基于效用的個性化推薦方法[J]. 計算機工程, 2012, 38(4): 49-51.

[24] Yan Qiang, Zhang Lin, Li Yuxia, et al. Effects of product portfolios and recommendation timing in the efficiency of personalized recommendation[J]. Journal of Consumer Behaviour, 2016,15(6): 516-526.

[25] Zhang Ping, Benbasat I, Carey J, et al. Amcis 2002 panels and workshops I: human-computer interaction research in the mis discipline[J]. Communications of the Association for Information Systems, 2002, 9(1): 334-355.

[26] Ho S Y, Bodoff D, Tam K Y. Timing of adaptive web personalization and its effects on online consumer behavior[J]. Information Systems Research, 2011, 22(3): 660-679.

[27] Payne J W. Task complexity and contingent processing in decision making: an information search and protocol analysis[J]. Organizational behavior and human performance, 1976, 16(2): 366-387.

[28] Jacoby J, Szybillo G J, Berning C K. Time and consumer behavior: an interdisciplinary overview[J]. Journal of Consumer Research, 1976, 2(4): 320-339.

[29] 史雅妮. 關(guān)于在線產(chǎn)品推薦時機與推薦信息來源選擇的實證研究[D]. 合肥: 中國科學(xué)技術(shù)大學(xué), 2013.

[30] Nedungadi P. Recall and consumer consideration sets: influencing choice without altering brand evaluations[J]. Journal of consumer research, 1990, 17(3): 263-276.

[31] Moe W W. An empirical two-stage choice model with varying decision rules applied to Internet clickstream data[J]. Journal of Marketing Research, 2006, 43(4): 680-692.

[32] Shocker A D, Ben-Akiva M, Boccara B, et al. Consideration set influences on consumer decision-making and choice: issues, models, and suggestions[J]. Marketing letters, 1991, 2(3): 181-197.

[33] Chakravarti A, Janiszewski C. The influence of macro-level motives on consideration set composition in novel purchase situations[J]. Journal of Consumer Research, 2003, 30(2): 244-258.

[34] Ursic M L, Helgeson J G. The impact of choice phase and task complexity on consumer decision making[J]. Journal of Business Research, 1990, 21(1): 69-90.

[35] Chernev A. Decision focus and consumer choice among assortments[J]. Journal of Consumer Research, 2006, 33(1): 50-59.

[36] Picard R G. Media product portfolios: issues in management of multiple products and services[M]. London: Routledge, 2014.

[37] Picard R G. Effects of recessions on advertising expenditures: an exploratory study of economic downturns in nine developed nations[J]. The Journal of Media Economics, 2001, 14(1): 1-14.

[38] Barksdale H C, Harris C E. Portfolio analysis and the product life cycle[J]. Long Range Planning, 1982, 15(6): 74-83.

[39] Price C L. Threats and opportunities of free newspapers[M]. Dallas: INMA, 2002.

[40] Albarran A B, Porco J F. Measuring and analyzing diversification of corporations involved in pay cable[J]. Journal of Media Economics, 1990, 3(2): 3-14.

[41] Lee G K. Relevance of organizational capabilities and its dynamics: what to learn from entrants' product portfolios about the determinants of entry timing[J]. Strategic Management Journal, 2008, 29(12): 1257-1280.

[42] Liang Tingping, Lai Hungjen, Ku Yicheng. Personalized content recommendation and user satisfaction: theoretical synthesis and empirical findings[J]. Journal of Management Information Systems, 2006, 23(3): 45-70.

[43] Dabholkar P A, Sheng Xiaojing. Consumer participation in using online recommendation agents: effects on satisfaction, trust, and purchase intentions[J]. The Service Industries Journal, 2012, 32(9): 1433-1449.

[44] Tsao W. The fitness of product information: evidence from online recommendations[J]. International Journal of Information Management, 2013, 33(1): 1-9.

[45] Diehl K. When two rights make a wrong: searching too much in ordered environments[J]. Journal of Marketing Research, 2005, 42(3): 313-322.

Personalized Recommendation and Its Future Prospect: Based on the Perspective of Management and Consumer Behavior

ZHANG Lin, YAN Qiang

(School of Economics and Management, Beijing University of Posts and Telecommunications, Beijing 100876, China)

Personalized recommendation has great influence on raising online shopping efficiency and increasing product sales. The ways to provide more efficient personalized recommendations have drawn researchers’ attention. Most existing studies focus on how to improve the accuracy and efficiency of the recommendation algorithms, or are more concerned about ways to increase consumer satisfaction and the impact factors of personalized recommendation adoption. Unlike previous studies, first the current mainstream algorithms of recommendation system are summarized. Then based on the perspectives of management and consumer behavior, the current research status and results of personalized recommendation are mainly introduced from three aspects: recommendation timing, recommendation product portfolio and recommendation efficiency. It is pointed out the research of personalized recommendation has much potential and research value, and finally the future research trends and prospects are put forward.

personalized recommendation; recommendation timing; recommendation product portfolio; recommendation efficiency

2016- 10 - 20

教育部人文社會科學(xué)研究規(guī)劃基金(16YJA630063)

張琳(1986—)，女，陜西華陰人，北京郵電大學(xué)經(jīng)濟管理學(xué)院2013級博士生研究生，主要研究方向為網(wǎng)絡(luò)用戶行為分析。

F713.365.2

A

1008-7729(2016)06- 0024- 07