考慮損失厭惡型顧客的產(chǎn)品推薦方法研究

胡禮梅，譚春橋

(1.安徽科技學院 管理學院,安徽 蚌埠 233000; 2.中南大學 商學院,湖南 長沙 410083)

0 引言

隨著互聯(lián)網(wǎng)、電子商務與社交網(wǎng)絡的快速發(fā)展，在線商品和服務的數(shù)量成倍增長，越來越多用戶習慣于瀏覽在線評論信息制定其購買決策。現(xiàn)有研究表明，在線產(chǎn)品的等級評分對消費者的購買決策具有顯著影響[1～3]。但隨著歷史用戶評論信息的指數(shù)倍增長，消費者很難根據(jù)數(shù)量龐大的在線產(chǎn)品評分直接定位自己想要的產(chǎn)品[4,5]。因此，結合數(shù)據(jù)體量較大的在線等級評分信息，進行有針對性的產(chǎn)品推薦研究是非常有必要的。

基于在線等級評分(數(shù)值)數(shù)據(jù)進行購買決策制定是當前研究的熱點[6～10]。例如，Li等[6]構建了產(chǎn)品等級綜合評價模型，該模型主要利用社會網(wǎng)絡分析理論對產(chǎn)品在線評級進行分析，并根據(jù)綜合評價值得到產(chǎn)品的排序結果。Engler等[7]提出了基于在線產(chǎn)品評分的顧客滿意度模型，結果表明顧客的購買前預期和實際產(chǎn)品性能對在線產(chǎn)品評分有顯著影響，且直接反映了顧客對產(chǎn)品的滿意度，可據(jù)此進一步得到產(chǎn)品的排序結果。Yang等[8]提出一種基于電子口碑(eWOM)的產(chǎn)品排序方法，通過集成不同類型在線評論信息(數(shù)字評分、文本描述和比較詞)，可計算得到每個產(chǎn)品的總體eWOM得分和所有產(chǎn)品的排名，并在所提方法基礎上提供一個排名系統(tǒng)，幫助消費者制定恰當?shù)馁徺I決策。Fan等[9]將隨機優(yōu)勢規(guī)則與PROMETHEE-II方法相結合，提出一種基于在線多屬性產(chǎn)品評級的排序方法，該方法主要通過定義隨機優(yōu)勢規(guī)則和隨機優(yōu)勢度，計算出每對產(chǎn)品相應的隨機優(yōu)勢度，并利用PROMETHEE-II方法確定備選產(chǎn)品的排序。

然而，現(xiàn)有研究存在一定局限性。首先，大部分文獻直接對采集的等級評分實數(shù)進行研究，導致模糊和不確定信息的丟失，更鮮有研究考慮歷史用戶給定產(chǎn)品等級評分時的猶豫性特征[11]。其次，大部分現(xiàn)有研究中的對象是完全理性顧客，但在現(xiàn)實的決策過程中，消費者具有有限理性[12]，往往對出現(xiàn)的負面信息或者數(shù)值評分較低的信息表現(xiàn)出損失厭惡的行為特征[13]。因此，本文提出一種基于在線產(chǎn)品數(shù)值評分和顧客損失厭惡心理的產(chǎn)品推薦模型。通過引入直覺梯形模糊數(shù)來處理歷史用戶給定在線數(shù)值評分的不確定性、模糊性和猶豫性特征，使得數(shù)據(jù)的轉化更接近實際值?？紤]到顧客的有限理性行為，基于前景理論構造面向損失厭惡型顧客群體的產(chǎn)品推薦模型。最后，將該模型應用到汽車之家網(wǎng)站汽車產(chǎn)品的推薦問題中，并與完全理性顧客的推薦結果進行對比，以驗證所提推薦模型的實用性和有效性。

1 預備知識

考慮到歷史用戶給定數(shù)值評分時的猶豫特性、不同等級評分的比率以及顧客的損失厭惡心理，這里引入直覺梯形模糊數(shù)、基本可信度分配以及前景理論來分別處理數(shù)值評分數(shù)據(jù)以及顧客的有限理性行為。

1.1 直覺梯形模糊數(shù)

1.2 基本可信度分配

為了測量證據(jù)之間的相似度，Jousselme[16]提出了如下的證據(jù)距離公式：

定義3令m1和m2是同一識別框架Θ上的兩個信度結構，m1和m2之間的距離為:

(1)

1.3 前景理論

前景理論是一個用來預測決策者真實行為的描述性模型[17]，它考慮了不確定情況下決策者的心理行為因素。前景理論主要考慮價值函數(shù)和決策權重，前景價值V表示如下:

(2)

稱為決策權重；x0表示參照點；參數(shù)γ和δ不同，表示面臨收益和損失時，決策權重有所不同；

表示為價值函數(shù)，是決策者主觀感受形成的價值，x0表示參照點，式中α和β表示前景值的凹凸程度，即決策者在面對收益時是凹函數(shù)，表現(xiàn)出風險厭惡，在面對損失時是凸函數(shù)，表現(xiàn)出風險偏好，且有0≤α,β≤1；τ表示決策者對損失的規(guī)避程度，τ>1,τ值越大，表示決策者在面對損失時的風險規(guī)避程度越大。

2 損失厭惡型顧客產(chǎn)品推薦模型

已知顧客欲購買產(chǎn)品屬性C={c1,c2,…,cq}(q≥2)，根據(jù)顧客給定的基本需求篩選出n個備選產(chǎn)品A={a1,a2,…,an}(n≥2)。為了幫助損失厭惡型顧客制定最佳購買決策，需結合歷史用戶給定備選產(chǎn)品各屬性下的在線數(shù)值評分來構建產(chǎn)品的推薦模型。

2.1 采集并處理在線數(shù)值評分數(shù)據(jù)

對于“利益型”屬性：

(3)

對于“成本型”屬性：

(4)

因而，標準化后產(chǎn)品ai在屬性cj下的信度結構表示為:

(5)

2.2 計算產(chǎn)品各屬性權重值

已知產(chǎn)品ai屬性cj的權重值表示為φij，為求得各產(chǎn)品屬性權重，這里結合定義3中距離公式，具體計算過程如下：

(6)

(7)

(8)

(9)

2.3 損失厭惡型顧客產(chǎn)品推薦方法

產(chǎn)品ai屬性cj下標準化處理后的歷史評分中，包含了各評分等級st及該等級出現(xiàn)的概率pijst。需要針對不同產(chǎn)品不同屬性對應求出其價值函數(shù)，這里選取中間的評分等級s0作為參考點，根據(jù)式(2)可知，產(chǎn)品ai屬性cj下價值函數(shù)公式為:

(10)

這里，γ=0.61，δ=0.69；α=β=0.88,τ=2.25[19]。

據(jù)此可求得產(chǎn)品各屬性的綜合前景值。再結合式(9)所計算出的屬性權重值，加權平均計算得到產(chǎn)品ai各屬性集成后的綜合前景值:

(11)

最后依據(jù)前景值Vi大小進行排序，將綜合前景值最大的產(chǎn)品推薦給顧客。

3 案例分析

為了驗證所提方法的實用性，本文以汽車之家平臺(https://www.autohome.com.cn)的汽車產(chǎn)品推薦為例。根據(jù)顧客給定的基本需求(品牌：奧迪；價格區(qū)間：20～35萬；座位數(shù)：5座等)對口碑產(chǎn)品進行初步篩選得到四款汽車產(chǎn)品：奧迪Q3、奧迪A4L、奧迪A3和奧迪Q2L。具體的用戶需求采集界面及篩選結果見圖1和圖2。

圖1 汽車之家用戶需求采集界面

圖2 汽車之家用戶需求篩選結果

從圖1及圖2中可以看出，面向不同偏好的損失厭惡型顧客，初步篩選得到的備選產(chǎn)品存在差異，最終會產(chǎn)生不同的推薦結果，具體推薦過程如下。

步驟1采集并處理在線數(shù)值評分數(shù)據(jù)

采集初步篩選后各產(chǎn)品的口碑評論信息(在線數(shù)值等級評分)，具體采集界面如圖3所示。

圖3 某用戶口碑評價數(shù)值采集界面

根據(jù)最新評論數(shù)據(jù)顯示，這四款產(chǎn)品截止至2019年4月24日的總評論數(shù)分別為：1788條、4978條、2045條、11條。已知汽車產(chǎn)品的屬性包括：空間、動力、操控、油耗、舒適性、外觀、內(nèi)飾和性價比，通過對所有評論信息中各屬性數(shù)值評分的采集與統(tǒng)計，可計算得到產(chǎn)品各屬性下不同數(shù)值出現(xiàn)的概率，匯總至表1(其中奧迪Q2L口碑數(shù)過少，在此不作推薦考慮)。

這里以產(chǎn)品1“奧迪Q3”為例來詳細闡述所提推薦模型的實用性。根據(jù)上表中內(nèi)容，可對應列出產(chǎn)品1“奧迪Q3”相應的信度結構如下表所示(為了方便區(qū)分，將各數(shù)值(1, 2, 3, 4, 5)分別對應表示為等級(s-2，s-1，s0，s1，s2))。據(jù)此，可統(tǒng)計出產(chǎn)品1在各屬性的信度結構 (j=1,2,…,7,8;t=-2,-1,0,1,2)，見表2。

表1 汽車產(chǎn)品各屬性下各評分數(shù)值概率匯總表

表2 產(chǎn)品1各屬性的信度結構

步驟2計算產(chǎn)品各屬性權重值

根據(jù)式(6)至式(9)，可計算得到產(chǎn)品1各屬性的權重值為:

φ(c11)=0.0995;φ(c12)=0.1332;φ(c13)=0.1242;φ(c14)=0.1313;φ(c15)=0.1342;φ(c16)=0.1107,φ(c17)=0.1345;φ(c18)=0.1324。

同理，可計算出所有備選產(chǎn)品各屬性的權重值，匯總至表3。

表3 產(chǎn)品各屬性的權重值

步驟3損失厭惡型顧客產(chǎn)品推薦方法

已知歷史用戶給定等級評分時存在一定的模糊、猶豫及不確定性，這里先將歷史用戶提供的等級評分全部轉換成直覺梯形模糊數(shù)的形式，轉換標準見表4[20]。

表4 等級評分與直覺梯形模糊數(shù)間的轉換標準

表5 產(chǎn)品1屬性“空間”各等級對應概率及直覺梯形模糊數(shù)轉化

考慮到顧客的損失厭惡心理，這里需針對不同產(chǎn)品各屬性對應求出其價值函數(shù)。以產(chǎn)品1屬性“空間”為例，結合表2和4中內(nèi)容，列出各等級出現(xiàn)的概率及各等級所對應的直覺梯形模糊數(shù)，見表5。

根據(jù)式(10)，可計算得到產(chǎn)品1屬性“空間”的綜合前景值:V11=0.3288。

同理可得其余產(chǎn)品各屬性在考慮顧客損失厭惡心理后的綜合前景值，匯總至表6。

表6 產(chǎn)品各屬性的綜合前景值

結合表3所求的產(chǎn)品各屬性權重值，運用式(11)可得到各產(chǎn)品加權平均的綜合前景值分別為:

V1=0.4689,V2=0.4766，V3=0.4740

根據(jù)產(chǎn)品綜合前景值大小，排序如下：V2?V3?V1，這里將前景值最大的產(chǎn)品2：奧迪A4L推薦給顧客。

4 對比分析

為了驗證本文所提方法的有效性，這里將其與完全理性顧客的排序結果進行對比(為了比對明顯，將產(chǎn)品4：奧迪Q2L考慮在內(nèi))。

對于完全理性顧客而言，可直接對產(chǎn)品各屬性的證據(jù)進行融合得到產(chǎn)品的排序結果，具體過程如下：

根據(jù)第3部分表1中備選產(chǎn)品的評分數(shù)值及對應概率，以及表3中產(chǎn)品各屬性的權重值，結合文獻[21]中式(8)和(9)，可計算得到產(chǎn)品1融合后的綜合信度結構為:

同理，可以得到其余各備選產(chǎn)品的綜合信度結構，匯總至表7。

根據(jù)上表內(nèi)容，可進一步計算出產(chǎn)品1的最終得分：

根據(jù)最終得分大小，列出完全理性顧客的排序結果為V3?V2?V1?V4。

為了對比明顯，在本文案例分析中進一步考慮產(chǎn)品4。根據(jù)表1及式(6)至式(9)，可計算出產(chǎn)品4各屬性的權重值，見表8。

表7 各備選產(chǎn)品綜合信度結構

表8 產(chǎn)品各屬性的權重值

結合所選取的參考點，運用式(10)和式(11)可計算得到產(chǎn)品4的綜合前景值：V4=0.4808。

可以得知，考慮產(chǎn)品4時，本文的排序結果為V4?V2?V3?V1。兩種方法的排序結果匯總如表9所示。

表9 各方法綜合排序結果對比

從上表中可以看出，不考慮產(chǎn)品4時，本文排序結果(V2?V3?V1)與完全理性顧客的排序結果(V3?V2?V1)存在差異，說明考慮顧客損失厭惡心理是有必要的。當考慮產(chǎn)品4時，本文排序結果(V4?V2?V3?V1)與直接融合的結果(V3?V2?V1?V4)存在顯著差異。從表1可以看出，產(chǎn)品4所采集的評論信息中，各屬性低于參考點“s0”等級出現(xiàn)的概率為零，考慮顧客的損失厭惡心理時，產(chǎn)品4的收益明顯大于損失，排序結果呈現(xiàn)顯著變化。所以當備選產(chǎn)品評論數(shù)量較大但正負評論信息存在差異時，針對損失厭惡型顧客的購買行為進行相應的產(chǎn)品推薦研究就顯得極其重要。

5 結論

為滿足在線商品和服務數(shù)量日益增長的需要，本文基于數(shù)據(jù)體量較大的數(shù)值評分來構造產(chǎn)品的推薦模型，便于為顧客提供產(chǎn)品購買策略。考慮歷史用戶給定在線數(shù)值評分的猶豫性特征，以及顧客參考評論信息時表現(xiàn)出的損失厭惡心理，本文結合直覺梯形模糊數(shù)和前景理論來構建基于在線數(shù)值評分的損失厭惡型顧客產(chǎn)品推薦模型。最后，將所提模型應用到汽車之家網(wǎng)站的汽車購買案例中，并與完全理性顧客的推薦結果進行對比，以進一步闡述所提模型的實用性和有效性。相比于易獲取的數(shù)值評分，顧客往往更愿意瀏覽在線文本評論信息，在今后研究中，可以考慮采集信息全面、情感豐富的在線文本評論信息來進行產(chǎn)品的推薦策略研究。