考虑损失厌恶型顾客的产品推荐方法研究

胡礼梅，谭春桥

(1.安徽科技学院 管理学院,安徽 蚌埠 233000; 2.中南大学 商学院,湖南 长沙 410083)

0 引言

随着互联网、电子商务与社交网络的快速发展，在线商品和服务的数量成倍增长，越来越多用户习惯于浏览在线评论信息制定其购买决策。现有研究表明，在线产品的等级评分对消费者的购买决策具有显著影响[1～3]。但随着历史用户评论信息的指数倍增长，消费者很难根据数量庞大的在线产品评分直接定位自己想要的产品[4,5]。因此，结合数据体量较大的在线等级评分信息，进行有针对性的产品推荐研究是非常有必要的。

基于在线等级评分(数值)数据进行购买决策制定是当前研究的热点[6～10]。例如，Li等[6]构建了产品等级综合评价模型，该模型主要利用社会网络分析理论对产品在线评级进行分析，并根据综合评价值得到产品的排序结果。Engler等[7]提出了基于在线产品评分的顾客满意度模型，结果表明顾客的购买前预期和实际产品性能对在线产品评分有显著影响，且直接反映了顾客对产品的满意度，可据此进一步得到产品的排序结果。Yang等[8]提出一种基于电子口碑(eWOM)的产品排序方法，通过集成不同类型在线评论信息(数字评分、文本描述和比较词)，可计算得到每个产品的总体eWOM得分和所有产品的排名，并在所提方法基础上提供一个排名系统，帮助消费者制定恰当的购买决策。Fan等[9]将随机优势规则与PROMETHEE-II方法相结合，提出一种基于在线多属性产品评级的排序方法，该方法主要通过定义随机优势规则和随机优势度，计算出每对产品相应的随机优势度，并利用PROMETHEE-II方法确定备选产品的排序。

然而，现有研究存在一定局限性。首先，大部分文献直接对采集的等级评分实数进行研究，导致模糊和不确定信息的丢失，更鲜有研究考虑历史用户给定产品等级评分时的犹豫性特征[11]。其次，大部分现有研究中的对象是完全理性顾客，但在现实的决策过程中，消费者具有有限理性[12]，往往对出现的负面信息或者数值评分较低的信息表现出损失厌恶的行为特征[13]。因此，本文提出一种基于在线产品数值评分和顾客损失厌恶心理的产品推荐模型。通过引入直觉梯形模糊数来处理历史用户给定在线数值评分的不确定性、模糊性和犹豫性特征，使得数据的转化更接近实际值。考虑到顾客的有限理性行为，基于前景理论构造面向损失厌恶型顾客群体的产品推荐模型。最后，将该模型应用到汽车之家网站汽车产品的推荐问题中，并与完全理性顾客的推荐结果进行对比，以验证所提推荐模型的实用性和有效性。

1 预备知识

考虑到历史用户给定数值评分时的犹豫特性、不同等级评分的比率以及顾客的损失厌恶心理，这里引入直觉梯形模糊数、基本可信度分配以及前景理论来分别处理数值评分数据以及顾客的有限理性行为。

1.1 直觉梯形模糊数

1.2 基本可信度分配

为了测量证据之间的相似度，Jousselme[16]提出了如下的证据距离公式：

定义3令m1和m2是同一识别框架Θ上的两个信度结构，m1和m2之间的距离为:

(1)

1.3 前景理论

前景理论是一个用来预测决策者真实行为的描述性模型[17]，它考虑了不确定情况下决策者的心理行为因素。前景理论主要考虑价值函数和决策权重，前景价值V表示如下:

(2)

称为决策权重；x0表示参照点；参数γ和δ不同，表示面临收益和损失时，决策权重有所不同；

表示为价值函数，是决策者主观感受形成的价值，x0表示参照点，式中α和β表示前景值的凹凸程度，即决策者在面对收益时是凹函数，表现出风险厌恶，在面对损失时是凸函数，表现出风险偏好，且有0≤α,β≤1；τ表示决策者对损失的规避程度，τ>1,τ值越大，表示决策者在面对损失时的风险规避程度越大。

2 损失厌恶型顾客产品推荐模型

已知顾客欲购买产品属性C={c1,c2,…,cq}(q≥2)，根据顾客给定的基本需求筛选出n个备选产品A={a1,a2,…,an}(n≥2)。为了帮助损失厌恶型顾客制定最佳购买决策，需结合历史用户给定备选产品各属性下的在线数值评分来构建产品的推荐模型。

2.1 采集并处理在线数值评分数据

对于“利益型”属性：

(3)

对于“成本型”属性：

(4)

因而，标准化后产品ai在属性cj下的信度结构表示为:

(5)

2.2 计算产品各属性权重值

已知产品ai属性cj的权重值表示为φij，为求得各产品属性权重，这里结合定义3中距离公式，具体计算过程如下：

(6)

(7)

(8)

(9)

2.3 损失厌恶型顾客产品推荐方法

产品ai属性cj下标准化处理后的历史评分中，包含了各评分等级st及该等级出现的概率pijst。需要针对不同产品不同属性对应求出其价值函数，这里选取中间的评分等级s0作为参考点，根据式(2)可知，产品ai属性cj下价值函数公式为:

(10)

这里，γ=0.61，δ=0.69；α=β=0.88,τ=2.25[19]。

据此可求得产品各属性的综合前景值。再结合式(9)所计算出的属性权重值，加权平均计算得到产品ai各属性集成后的综合前景值:

(11)

最后依据前景值Vi大小进行排序，将综合前景值最大的产品推荐给顾客。

3 案例分析

为了验证所提方法的实用性，本文以汽车之家平台(https://www.autohome.com.cn)的汽车产品推荐为例。根据顾客给定的基本需求(品牌：奥迪；价格区间：20～35万；座位数：5座等)对口碑产品进行初步筛选得到四款汽车产品：奥迪Q3、奥迪A4L、奥迪A3和奥迪Q2L。具体的用户需求采集界面及筛选结果见图1和图2。

图1 汽车之家用户需求采集界面

图2 汽车之家用户需求筛选结果

从图1及图2中可以看出，面向不同偏好的损失厌恶型顾客，初步筛选得到的备选产品存在差异，最终会产生不同的推荐结果，具体推荐过程如下。

步骤1采集并处理在线数值评分数据

采集初步筛选后各产品的口碑评论信息(在线数值等级评分)，具体采集界面如图3所示。

图3 某用户口碑评价数值采集界面

根据最新评论数据显示，这四款产品截止至2019年4月24日的总评论数分别为：1788条、4978条、2045条、11条。已知汽车产品的属性包括：空间、动力、操控、油耗、舒适性、外观、内饰和性价比，通过对所有评论信息中各属性数值评分的采集与统计，可计算得到产品各属性下不同数值出现的概率，汇总至表1(其中奥迪Q2L口碑数过少，在此不作推荐考虑)。

这里以产品1“奥迪Q3”为例来详细阐述所提推荐模型的实用性。根据上表中内容，可对应列出产品1“奥迪Q3”相应的信度结构如下表所示(为了方便区分，将各数值(1, 2, 3, 4, 5)分别对应表示为等级(s-2，s-1，s0，s1，s2))。据此，可统计出产品1在各属性的信度结构 (j=1,2,…,7,8;t=-2,-1,0,1,2)，见表2。

表1 汽车产品各属性下各评分数值概率汇总表

表2 产品1各属性的信度结构

步骤2计算产品各属性权重值

根据式(6)至式(9)，可计算得到产品1各属性的权重值为:

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，可计算出所有备选产品各属性的权重值，汇总至表3。

表3 产品各属性的权重值

步骤3损失厌恶型顾客产品推荐方法

已知历史用户给定等级评分时存在一定的模糊、犹豫及不确定性，这里先将历史用户提供的等级评分全部转换成直觉梯形模糊数的形式，转换标准见表4[20]。

表4 等级评分与直觉梯形模糊数间的转换标准

表5 产品1属性“空间”各等级对应概率及直觉梯形模糊数转化

考虑到顾客的损失厌恶心理，这里需针对不同产品各属性对应求出其价值函数。以产品1属性“空间”为例，结合表2和4中内容，列出各等级出现的概率及各等级所对应的直觉梯形模糊数，见表5。

根据式(10)，可计算得到产品1属性“空间”的综合前景值:V11=0.3288。

同理可得其余产品各属性在考虑顾客损失厌恶心理后的综合前景值，汇总至表6。

表6 产品各属性的综合前景值

结合表3所求的产品各属性权重值，运用式(11)可得到各产品加权平均的综合前景值分别为:

V1=0.4689,V2=0.4766，V3=0.4740

根据产品综合前景值大小，排序如下：V2≻V3≻V1，这里将前景值最大的产品2：奥迪A4L推荐给顾客。

4 对比分析

为了验证本文所提方法的有效性，这里将其与完全理性顾客的排序结果进行对比(为了比对明显，将产品4：奥迪Q2L考虑在内)。

对于完全理性顾客而言，可直接对产品各属性的证据进行融合得到产品的排序结果，具体过程如下：

根据第3部分表1中备选产品的评分数值及对应概率，以及表3中产品各属性的权重值，结合文献[21]中式(8)和(9)，可计算得到产品1融合后的综合信度结构为:

同理，可以得到其余各备选产品的综合信度结构，汇总至表7。

根据上表内容，可进一步计算出产品1的最终得分：

根据最终得分大小，列出完全理性顾客的排序结果为V3≻V2≻V1≻V4。

为了对比明显，在本文案例分析中进一步考虑产品4。根据表1及式(6)至式(9)，可计算出产品4各属性的权重值，见表8。

表7 各备选产品综合信度结构

表8 产品各属性的权重值

结合所选取的参考点，运用式(10)和式(11)可计算得到产品4的综合前景值：V4=0.4808。

可以得知，考虑产品4时，本文的排序结果为V4≻V2≻V3≻V1。两种方法的排序结果汇总如表9所示。

表9 各方法综合排序结果对比

从上表中可以看出，不考虑产品4时，本文排序结果(V2≻V3≻V1)与完全理性顾客的排序结果(V3≻V2≻V1)存在差异，说明考虑顾客损失厌恶心理是有必要的。当考虑产品4时，本文排序结果(V4≻V2≻V3≻V1)与直接融合的结果(V3≻V2≻V1≻V4)存在显著差异。从表1可以看出，产品4所采集的评论信息中，各属性低于参考点“s0”等级出现的概率为零，考虑顾客的损失厌恶心理时，产品4的收益明显大于损失，排序结果呈现显著变化。所以当备选产品评论数量较大但正负评论信息存在差异时，针对损失厌恶型顾客的购买行为进行相应的产品推荐研究就显得极其重要。

5 结论

为满足在线商品和服务数量日益增长的需要，本文基于数据体量较大的数值评分来构造产品的推荐模型，便于为顾客提供产品购买策略。考虑历史用户给定在线数值评分的犹豫性特征，以及顾客参考评论信息时表现出的损失厌恶心理，本文结合直觉梯形模糊数和前景理论来构建基于在线数值评分的损失厌恶型顾客产品推荐模型。最后，将所提模型应用到汽车之家网站的汽车购买案例中，并与完全理性顾客的推荐结果进行对比，以进一步阐述所提模型的实用性和有效性。相比于易获取的数值评分，顾客往往更愿意浏览在线文本评论信息，在今后研究中，可以考虑采集信息全面、情感丰富的在线文本评论信息来进行产品的推荐策略研究。