考虑产品特征的个性化推荐及应用

   本书从技术视角和行为视角对产品推荐有了一个较为全面的认识，包括推荐相关算法的设计和改进，以及推荐系统对消费者行为的影响机制探究。本书内容对于营销决策中如何设计合适的推荐策略具有指导和借鉴意义。 

   随着电子商务的渗透和用户对个性化服务需求的激增，如何利用平台上的海量行为数据，设计合适的算法以进行个性化产品推荐，成为企业在电商营销中重点关注的问题。同时，深入了解已有推荐机制对消费者产生的行为影响，也能够有效地帮助商家和平台及时调整推荐策略。由此本书分别从技术视角和行为视角出发，针对同质性产品和非同质产品，对产品推荐的相关方法和行为影响进行介绍，较为完整地从多个角度丰富了对推荐系统的认识。

   此外，本书还介绍了以神经网络为基础的非同质产品的关系挖掘方法。以在线评论为数据源，对评论文本内容分析并构建产品两两之间的特征函数来对其关系建模。此外，从实际观测结果出发，还考虑了在线评论的其他非文本特征，进一步提高关系挖掘的准确率。*后，通过电商平台的真实数据分析了本书所介绍方法的有效性，并讨论了该预测方法在不同参数和稀疏性水平数据集下的表现。填补了学术空白。

   张明月，北京外国语大学国际商学院讲师。于2012年获得北京理工大学信息管理与信息系统专业学士学位，2017年获得清华大学管理科学与工程博士学位，并于2015年9月至2016年9月赴美国亚利桑那大学作为联合培养博士生学习访问。主持1项国家自然科学青年基金，曾获得2017年北京市优秀博士毕业生、2017年清华大学优秀博士论文、2012年北京市优秀毕业生、和小林实中国经济研究奖学金等荣誉。研究方向为电子商务、推荐系统、和消费者行为。在主流国际期刊和会议上发表论文10余篇。

第一章 引言

1.1电子商务与海量数据

1.2个性化与推荐系统

1.3技术与行为视角下推荐系统研究的价值

 

第二章 个性化推荐的发展趋势和前沿动态

2.1 推荐系统整体概述

2.1.1 传统推荐算法

2.1.2 社会化推荐

2.2 推荐算法中的预测不确定性

2.2.1 聚合层次的预测不确定性

2.2.2 个体层次的预测不确定性

2.3 互补性推荐与替代性推荐

2.4 推荐情境中产品关系挖掘方法介绍

2.5 推荐系统的行为影响

2.5.1 对消费者的影响

2.5.2 对产品的影响

2.6 本章小结

 

第三章 同质产品中考虑预测不确定性的个性化推荐方法

3.1 协同过滤方法介绍

3.2 预测不确定性的关键因素

3.3 对不确定性建模的二阶段方法

3.3.1 置信度估计

3.3.2 后验概率估计

3.4 考虑不确定性后的个性化推荐与排序方法

3.5 推荐方法在电影产品上的数据分析

3.5.1 数据描述

3.5.2 评价测度

3.5.3 置信度估计方法的效果分析

3.5.4 推荐和排序的效果分析

3.5.5 数据稀疏性与方法效率讨论

3.6 本章小结

 

第四章 非同质产品推荐对消费者支付意愿的影响

4.1 推荐系统中的互补品与替代品介绍

4.2 推荐中产品价格的影响

4.3 消费者两阶段决策过程

4.4 推荐对支付意愿影响的用户实验探究

4.4.1 实验设计与用户选择

4.4.2 实验步骤

4.4.3 因变量测度

4.5 实验结果分析

4.5.1 操控检查

4.5.2 主要实验结果

4.5.3 鲁棒性检验

4.6 本章小结

 

第五章 非同质产品的关系挖掘方法介绍

5.1 文本结构化介绍

5.2 基于在线评论的非同质产品的关系挖掘方法

5.2.1 基本模型

5.2.2 多输入模型

5.3 关系挖掘方法在亚马逊数据上的应用

5.3.1 非文本因素的实验证据

5.3.2 模型效果分析

5.3.3 鲁棒性分析

5.4 本章小结

 

第六章 结语

6.1 考虑产品特征的个性化推荐总结

6.2 技术与行为视角下个性化推荐的未来趋势

 

参考文献

   前言

   随着电子商务的渗透和用户对个性化服务需求的激增，如何利用平台上的海量行为数据，设计合适的算法以进行个性化产品推荐，成为企业在电商营销中重点关注的问题。同时，深入了解已有推荐机制对消费者产生的行为影响，也能够有效地帮助商家和平台及时调整推荐策略。

   产品推荐系统是一种典型的个性化服务，将平台沉淀的碎片化信息进行再分类，过滤再组织定向输出，这里的信息既包括用户的信息、产品的信息，也包括用户和产品之间交互的动态信息。为了提高用户在产品上的停留时间，从而提高产品的点击率，个性化推荐技术通过对用户行为数据进行分析，描绘清晰的产品定位和用户画像，结合产品进行个性化内容推荐。与此同时，个性化服务的存在也潜移默化地影响着消费者的行为，比如改变消费者的浏览路径，影响消费者对某些商品的支付意愿等。

   本书围绕个性化推荐分别从技术视角和行为视角出发，针对同质产品和非同质产品，对产品推荐的相关方法和行为影响进行介绍，较为完整地从多个角度丰富了对推荐系统的认识。这些内容大多为本书作者近年来的研究成果。作为一类应用场景较强的方法，个性化推荐研究还包含数据挖掘方法、用户实验设计方法、文本处理方法等不同领域的技术，本书也对这些技术方法从不同侧面进行了介绍。希望本书能让更多读者了解个性化推荐的不同技术方法和行为影响机制，并能为大数据背景下个性化服务的研究做出贡献。

   本书承蒙国家自然科学基金（71802024）和北京外国语大学一流学科建设项目（YY19ZZB007）资助，为北京外国语大学一流学科建设项目成果，在此对研究基金的大力资助深表感谢。同时要感谢我的父母，感谢他们对我研究工作的支持，使本书得以顺利出版。最后，由衷地感谢企业管理出版社在本书编辑和出版过程中所做的各项工作。

   由于作者水平有限，本书难免存在不足之处，恳请广大读者批评指正。

 

                                                                                                                                                       张明月

                                                                                                                                             2019年3月于北京外国语大学