基于本地团购类电商用户消费心理的个性化推荐研究

王晓耘，高 敬

（杭州电子科技大学 管理学院，浙江 杭州 310018）

基于本地团购类电商用户消费心理的个性化推荐研究

王晓耘，高 敬

（杭州电子科技大学 管理学院，浙江 杭州 310018）

推荐系统是当今解决电子商务“信息过载”的重要手段，其推荐方法主要是根据用户、商品的历史数据进行推荐。消费心理学认为消费心理支配消费行为，消费行为是消费心理的外在表现。文章基于本地团购类电商这一特定视角，从用户消费心理出发，将用户消费心理引入电子商务推荐中，结合用户历史购买记录，利用信念网络建立用户消费心理网络模型，并利用该模型进行商品推荐。实验结果证明基于消费心理的推荐方法可行且具有一定一般性。

电子商务推荐系统；消费心理；信念网络

一、引言

电子商务网站在提供大量商品的同时也为其用户带来了“信息过载”问题，用户需要的是能满足自己需求及兴趣的富有针对性的产品。电子商务推荐系统被认为是解决当今电子商务领域“信息过载”的重要手段之一，其目的是需要将该产品推荐给对其感兴趣的用户。

随着当今社会消费者生活水平及消费能力的提高，消费者不仅单纯关注商品的使用价值，更加关注商品对其内在心理需求的满足。消费心理学认为：消费心理支配消费行为，是一种相对稳定的心理态势，消费行为是消费心理的外在表现[1]。本文以某本地团购电商平台为例，通过该平台消费者的购买历史衡量其消费心理，进而在推荐过程考虑用户消费心理并通过实验证明该方法可行且有效。

二、相关研究评述

（一）网购用户消费心理研究

近些年对于消费者网购消费心理与行为的研究逐渐增多，主要集中于特定人群在特定产品下的网购消费心理与行为。在电子商务消费环境下，消费者消费心理与行为的作用关系相对于线上消费环境呈现出一些特殊性质：高芳放[2]研究了当代大学生网购消费心理，研究表明大学生在网购中注重便利、实惠的同时也希望展现个性，网购安全意识、攀比心理相对较强；孟泽云[3]、高海霞[4]等从性别角度研究了网购用户消费心理，认为女性消费者网购消费心理在情绪性消费等四方面较为凸显，而男性消费者则对网购环境担忧程度较低；苟玲[5]等分析网络团购消费者消费心理及行为特点，认为网络团购消费者其消费心理主要体现在求廉、求便、求新、从众四方面。结合国内外对网购消费心理的研究现状，本文对于本地团购电商用户消费心理特征总结如下：

1.便捷的消费心理：表现为消费者意图通过团购电商节省时间与劳动成本的心理诉求。

2.实惠的消费心理：具体表现为团购类电商消费者货比三家、择优选择的消费心理。

3.求质的消费心理：具体表现为消费者对于团购商品质量、口碑及品牌具有一定心理诉求。

4.个性的消费心理：具体表现为消费者在线上购物时更加追求个性，不拘于大众商品。

5.担忧的消费心理：具体表现在消费者对于线上商家、产品及网上支付体系缺乏信任。

（二）电子商务个性化推荐研究

电子商务推荐系统由P Resnick与HR Varian于1997年提出，指利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程[6]。推荐算法是整个推荐系统中的核心部分，其很大程度上决定了推荐系统的性能及推荐效果，目前主流的推荐算法大致分为以下几类：

1.协同过滤算法：该算法是电子商务推荐系统中应用最成功的推荐技术之一[7]，算法思想借鉴人们日常社交生活中购买商品的方式：即如果某消费者的亲朋好友购买了某件商品且对该商品评价很好时，那么该消费者在很大程度上也会尝试购买该商品。

2.基于内容的推荐：基于内容的推荐算法根据用户历史消费数据，建立用户模型，针对被推荐物品进行特征提取，进而比较物品特征与用户模型的相似性进行推荐，项目特征表示目前最常用的是TF-IDF[8]方法。基于标签的推荐是一个新的研究方向，国内外诸多学者对标签结构、语意等方面进行了研究探讨[9-11]。

3.基于社会网络的推荐：社会网络是现实社会中人与人之间关系的延续与扩展，现实生活中用户更喜欢来自朋友而非来自系统的推荐，文献[12]证实了用户兴趣相似度和用户信任度之间的正相关性。

三、商品属性与用户消费心理联系

基于消费心理学分析网络团购消费者的消费过程：当且仅当商品属性符合消费者的消费心理时，该消费者才会做出购买决策。本文通过建立本地团购电商用户其消费心理与商品属性之间的联系，根据信念网络构建用户消费心理网络模型，得到消费者消费心理类别概率，进而根据被推荐商品属性计算该消费者消费心理后验概率，帮助推荐系统做出推荐决策。

（一）商品属性与消费心理的关系

对于商品属性的获取，考虑到本文研究对象及本地团购电商的特殊性，所选商品属性需与消费者消费心理相关且需适用于本地团购电商环境，本文选取的商品属性依次为：折扣、价格、商家档次、销量、评价、距离、经营性质、独特性这8个属性，离散化处理结果如表1所示。

表1 本地团购类电商商品属性离散化处理表

根据上文中对于本地团购电商用户消费心理特征的总结结论，本文将本地团购电商背景下的用户消费心理划分为：便捷心理、实惠心理、求质心理、个性心理、担忧心理5个维度，具体描述如表2所示。

表2 本地团购类电商用户消费心理类型划分表

（二）基于信念网络的消费心理分析

信念网络是一种模拟人类推理过程中因果关系的不确定性处理模型，目前应用较为成功。本文利用Cooper和Herskovits[13]提出K2结构算法学习本地团购电商用户消费心理网络结构模型，进而为消费者做出商品推荐。具体描述如下：

（1）根据用户消费历史，计算每对商品属性变量Xi与Xj（i，j=1，2，3，…，8；i≠j）间的条件互信息I（Xi；Xj|D），其数值表示商品属性变量间的依赖程度：（k=1，2，3，4，5） （1）

（2）以 I（Xi；Xj|D）为权重，结合消费心理学的经验判断，对商品属性X1到X8进行排序，将D放在首位，确定K2结构算法的初始节点，得到变量序列 F={f1，f2，f3，…，f9}。

（3）由初始节点构建网络空间，采用家族CH评分函数 CHscore（fi，θ（fi））计算后验概率。

（4）对变量序列 F={f1，f2，f3，…，f9}中的每一个节点构建其父节点，其父节点的选取必须在该节点的前序集合中，计算：

其中j为该节点父节点的个数，D为F的实例数据，θ（fi）表示fi父节点的概率大小，BS为信念网络结构，∂ijk、Wijk分别为 fi、θ（fi）第 k 个状态。选取使评分函数 CHscore（fi，θ（fi））最大值的信念网络结构，得到研究对象消费心理类型概率分布。

四、方法验证与实验分析

（一）样本选取与处理

本文以某本地团购电商用户A为研究对象，根据其在该团购平台近一年（2016年1月至2017年1月）的团购消费记录，将其记录按表1离散化处理后得到建立消费心理信念网络结构的训练集。随机选取10例该平台新加入的团购项目，对商品属性离散化处理后作为测试集。为确保A用户未接触过测试集，将禁止A用户使用该平台一段时间，直至测试集项目足够充分（30个新项目以上）。

（二）消费心理网络结构学习

本文采取Matlab软件的贝叶斯网络工具箱[14]作为消费心理信念网络的学习工具，按照上文中给出的方法进行消费心理信念网络结构学习。首先，根据公式确定每对商品属性变量Xi与Xj（i，j=1，2，3，…，8；i≠j）间的条件互信息 I（Xi；Xj|D），如表3所示。

表3 商品属性条件互信息表

计算表中全部 I（Xi；Xj|D）的算数平均值 I（Xi；Xj|D）=0.102，筛选出大于 I（Xi；Xj|D）的结果并升序排列，排序结果如表4所示。

表4 商品属性条件互信息升序表

将序号作为权重，计算各个节点的权重，得到节 点 次 序 由 高 到 低 分 别 是 X3、X1、X8、X7、X2、X4、X5、X6，权重越高的节点对其他节点影响越大。根据K2算法的输入要求，结合消费心理学考虑各个变量之间的因果关系，因在前，果在后，将节点重新排序，加入变量D，最终得到初始变量序列F={D，X3，X1，X7，X8，X2，X5，X4，X6}。将训练集输入 K2算法，学习得到用户A消费心理信念网络结构如图1所示，与A用户消费心理直接相连的节点为折扣、评价、距离。由该网络结构，得到A用户消费心理的类别概率如表5所示。

图1 A用户消费心理网络结构

表5 A用户消费心理类别概率表

由表5可得，用户A的消费心理表现从强到弱依次为实惠心理、求质心理、担忧心理、便捷心理、个性心理。其实惠心理（D2）、求质心理（D3）、担忧心理（D5）三者总和占据全部消费心理的80%以上，说明该用户在实际消费中主要关注商品的价格、质量和网购带来的相关隐患。

（三）基于消费心理网络结构的新产品推荐

新产品推荐的主要思想是将离散化后的商品属性输入A的消费心理信念网络，得到该用户消费者心理的后验概率，若后验概率分布与表5的概率分布大致一致，则进行推荐，否则不推荐，具体步骤如下：

（1）将测试集商品属性输入图1的消费心理信念网络，得到消费者消费心理的后验概率。

（2）由于用户A实惠心理、求质心理、担忧心理三者总和占据全部消费心理的80%以上，若根据测试集得到的消费心理后验概率在该三种消费心理的结果均大于表5的结果，则进行推荐，否则不推荐，实验结果如表6所示。

表6 测试集商品实验结果表

（3）依据测试集的商品，对用户A进行访问，判断该用户的购买意向，与表6实验结果进行对比，最终得到推荐效果的混淆矩阵如下：

表7 推荐效果混淆矩阵

由表7可知，通过测试集实验结果与用户访问结果进行比较，推荐的精确度为90%，推荐结果较为精准。

五、实验结果验证

为验证本文所提出的基于本地团购电商用户消费心理的推荐方法是否具有一般性，从全校范围内选择30位志愿者进行试验结果验证。将30位志愿者在该平台为期一年（2016年1月至2017年1月）的消费记录进行整理，按照上文提出的方法进行消费心理信念网络建模，得到每位用户的消费心理分布，之后利用测试集数据学习某种商品下该用户消费心理的后验概率，判断是否推荐该商品，并通过访谈与用户实际的购买意愿进行比较，当推荐结果的准确率高于百分之80，认为该用户通过检验，否则不通过。实验结果显示：参与调查的30名用户中有28名用户通过检验，总体通过率达到93.3%，认为该基于本地团购类电商消费者消费心理的推荐方法基本可行且具有一般性。

六、小结

本文基于电子商务个性化推荐，根据本地团购电商用户消费历史对其消费心理进行分析，结合信念网络建立其消费心理网络结构，得出用户消费心理类型概率分布，进而进行产品推荐，促进了电子商务、消费心理理论的交叉融合，实验结果表明所提出的方法可行且具有一定一般性。不足之处在于本文仅采用消费心理这一消费行为影响因素作为研究对象，若将消费者消费能力、人口统计学特征等其他因素结合融入推荐模型中，其推荐结果可能更为精准。

[1]BOLLERSLEVT.Generalizedautoregressiveconditionalheteroskedasticity[J].Journal of Econometrics，1986，31（3）：307-327.

[2]高芳放，2015.大学生网络消费心理与行为调查[J].中国青年研究（2）：100-102，107.

[3]孟泽云，2012.基于女性网购群体消费心理的营销策略探析[J].电子商务（6）：46-47.

[4]高海霞，刘大为，2011.浅析男性的购物特征与男性市场拓展策略[J].中国市场（48）：121-124.

[5]苟玲，周韵桐，2014.基于团购消费心理的商家营销策略研究[J].E-Commerce Letters（3）：18-21.

[6]RESNICK P，VARIAN H R.Recommender systems[J].Communications of the Acm，1997，40（3）：56-58.

[7]黄涛，黄仁，张坤.一种改进的协同过滤推荐算法[J].计算机科学，2016，43（S1）：400-403.

[8]BEEL J，GIPP B，LANGER S，et al.Research-paper recommender systems：a literature survey[J].International Journal on Digital Libraries，2015，17（4）：1-34.

[9]CARO P D，PINI M S，SAMBO F.A Tag-Based Recommender System[M].Springer International Publishing，2016.

[10]B.THORAT P，M.GOUDAR R，BARVE S.Survey on Collaborative Filtering，Content-based Filteringand Hybrid Recommendation System[J].International Journal of Computer Applications，2015，110（4）：31-36.

[11]SEO Y，AHN J.Hybrid Contents Recommendation Service Using LBS and NFC Tagging[J].International Journal of Smart Home，2013，7（5）：251-262.

[12]BHUIYAN T.A Survey on the Relationship between Trust and Interest Similarity in Online Social Networks[J].Journal of Emerging Technologies in Web Intelligence，2010，2（4）：291-299.

[13]COOPER G F，HERSKOVITS E.A Bayesian Method for the Induction of Probabilistic Networks from Data[J].Machine Learning，1992，9（4）：309-347.

[14]蒋望东，林士敏，2007.基于贝叶斯网络工具箱的贝叶斯学习和推理[J].信息技术（2）：5-8.

（责任编辑：C 校对：L）

F724.6

A

1004-2768（2017）06-0112-05

2017-04-05

杭州电子科技大学优秀硕士学位论文培育项目（GK160203204004/001）

王晓耘（1956-），男，浙江杭州人，杭州电子科技大学管理学院教授，研究方向：数据挖掘与商务智能；高敬（1993-），男，甘肃兰州人，杭州电子科技大学管理学院硕士研究生，研究方向：数据挖掘与商务智能。