基于电子商务的用户消费偏好研究综述

王扶东 吴 冲

(东华大学旭日工商管理学院,上海200051)

0 引言

随着信息技术的发展和网络规模的快速扩大,电子商务平台上的商品和用户也成指数增加。丰富的商品选择满足了用户各方面的需求,但也大大增加了用户在选择真正需要的物品方面花费的时间和精力。商品推荐的出现解决了这一问题。个性化商品推荐在用户手动搜索之前根据历史数据自动化、智能化地对不同用户分类推荐更符合用户消费偏好的商品,既能提高用户的满意度又能提高网站的推荐准确性,因而成为研究的热点。

基于用户消费偏好的推荐是个性化商品推荐的重要方向。准确定义用户消费偏好,构建用户消费偏好模型进而为用户产生更准确有效的推荐是推荐系统的关键。近年来,学术领域也较多地关注用户消费偏好与电子商务的结合。模型、算法研究方面,研究集中在用户消费偏好模型的构建,基于用户消费偏好模型的协同过滤推荐推荐算法设计。在应用方面,研究集中在如何根据用户消费偏好辅助商家和企业进行决策,调节生产,改善运营。京东、天猫、亚马逊等大型网站也在实践中运用相关理论进行个性化推荐,从而更促进了用户消费偏好学术方面的研究。

综上,关于消费偏好的研究和运用的文献越来越多,但是相关的综述比较少。本文试图对电子商务领域中用户消费偏好的概念、相关研究、偏好挖掘进行归纳总结,并对电子商务领域中用户消费偏好的进一步研究提出思考。

1 用户消费偏好的概念

用户消费偏好的涵义比较宽泛,不同的研究领域和学科基础对偏好的理解不同。在哲学上,古希腊的亚里士多德首次在理论上将偏好定义为主体在两种现象或状态的比较中表现出来的倾向性。在心理学上,偏好被定义为认为人们在某件事情或动作中所表现的正面的或反面,肯定或否定的情绪体验。在经济学中,用户偏好被定义为用户在审查商品或服务时综合用户认知、内心感受以及经济学考量的具有倾向性的选择。

在许多研究中,用户消费偏好体现了用户的一种消费观。Scott等人在1973年提出用户消费偏好是用户在购买产品时所反映的一种消费价值观。崔艳武等人研究了电子商户环境下的用户消费偏好并将其定义为“顾客在交易活动中表现出来的,对交易过程和结果的某种习惯性倾向”。

总之,用户消费偏好是商品市场中重要的信息,在电子商务环境中也一样,是消费者的一种心理反应,表达了消费者对某商品或服务的喜欢程度和再次需要的可能性。

2 用户消费偏好文献统计分析

本文以“用户偏好”或“用户兴趣”为主题并且限定主题为“电子商务”,选择CSSCI、EI等核心来源期刊为检索条件在中国知网数据库进行期刊检索,得到54篇文献。近几年呈现增多趋势。期刊主要分布在计算机工程与应用、中国管理科学、商场现代化、计算机应用研究、情报理论与实践。相关高频关键词为电子商务、协同过滤、推荐系统、个性化、个性化推荐。在知网博硕士论文库中,以同样的检索式检索,得到317篇相关学位论文,主要学校授予单位为重庆大学、电子科技大学、北京邮电大学、合肥工业大学、东华大学等。综合相关文献的发表情况发现,有关用户消费偏好与电子商务的结合研究逐年增多,多刊登在理工科学术期刊。用户消费偏好研究属于电子商务和推荐算法研究中的热门领域。

3 用户消费偏好的相关研究

了解用户消费偏好的分类方式和影响因素是进行用户消费偏好挖掘的基础,下面从消费偏好的分类和影响因素进行梳理。

3.1 用户消费偏好的分类

不同的用户持有不同的消费观念和行为,也就是消费偏好不同。在电子商务中,只有对消费用户进行准确分类才能更好地对用户进行服务,公司决策人员才能有针对性的制定方案提高市场地位和盈利能力。

文献研究中,关于用户消费偏好的分类并没有一个统一的方法。经典的罗兰贝格分类根据不同的消费偏好将用户分为八种类型,即进取精英型、自我中心型、现代理智型、极致享乐型、传统安逸型、传统奢华型、勤俭持家型及简约中庸型。早期利用人口统计特针对消费者进行分类。目前学者关于用户消费偏好分类的研究主要从用户的心理和行为两个角度去划分。根据Holbrook提出的消费价值观,用户消费偏好可分为经济型、享乐型、社会型和利他型。按照用户的消费行为特点对用户消费偏好进行划分,可以划分为交易行为偏好、风险偏好、便利性偏好、价值偏好和关系偏好。Morganosky提出根据用户对时间和精力的控制与对交易效率的要求,将用户消费偏好分为便利导向和非便利导向。

在网络环境中,研究人员在沿用传统的用户消费偏好的分类方式上做了一定的适应性调整。电子商务下的用户特征更加多元化,Barnes等人提出了组合方式划分。他们综合用户性格、信任程度、感知风险的能力、对网购的态度、购物享乐和购买的意愿六个维度,利用聚类分析对用户消费偏好进行了分类。Teo提出了利用在线用户的行为信息如信息传递、浏览、下载与购买对用户消费偏好进行分类。王海萍根据用户主动浏览网页的数量、内容、时间等行为将用户消费偏好分为浏览型、搜索型、购买型和知识建立型。总之,将人口统计特征与购物动机结合,将消费心理因素、消费行为、消费目标结合进行用户消费偏好分类是目前研究中的主要方式。

3.2 用户消费偏好的影响因素

用户消费偏好影响了消费行为,消费行为反过来体现了用户消费偏好。任何消费决策行为都是有依据的,Anderson等人的研究表明每个人都希望以最小的成本得到最符合自己需求的商品。与传统购物不同,网络用户无法亲身对商品的质量进行检验。因此,用户网上购物需要考虑更多方面。个人态度、商品特性、卖家特点、网站特点等都会对用户消费偏好产生影响。王崇、赵金楼提出,由于用户在判定商品是否满意时,是以用户目前的状态为基础的,因此用户的购买决策和偏好受到自身价值观、购物经验等个人主观因素影响。Hoffman和Novak认为,用户在选购商品时,会根据自己的评价标准对商品进行一定的比较和分析,如：商品的价格、质量、售后服务等,其结果是以用户的认可程度在潜意识里进行购买排序,进而做出决策。赵科翔提出在C2C网店购物中,商品的可信度、商家的信用依赖度以及商品的辅助信息是决定消费者偏好的重要影响因素。吴磊等人实验验证了,用户网上购物时对价格和品牌的偏好受感知风险的影响。高风险感知用户者更愿意购买价格和品牌知名度较高的商品,低风险感知用户对商品价格和品牌差异化反应不明显。

目前对用户消费偏好影响因素的研究中,大多从某一个角度进行分析,多角度交叉进行分析的较少。在网络的多元化特征下,时间因素、个人态度、商品特性、卖家特点、网站特点等多个方面结合来影响用户消费偏好的研究呈现增多的趋势。

4 用户消费偏好挖掘

用户消费偏好挖掘是指利用数据挖掘、行为分析、趋势预测等技术对用户消费偏好信息进行深入挖掘分析,从而获取对用户消费偏好知识。对用户消费偏好的提取和模型构建是近年来消费偏好文献中研究的热点。

4.1 用户消费偏好提取

传统的用户消费偏好主要利用调查问卷的方式进行提取。目前,用户消费偏好挖掘主要利用网络上用户注册信息、用户评分等显性信息的分析处理来获取用户显性偏好知识,利用在网页的停留时间、访问次数等隐性行为信息的分析处理来获取用户隐性偏好知识。在电子商务环境下,网购商品在上架之前都有所属品类、性能等固有属性的介绍。用户可以根据个人喜好进行特定条件下的筛选,其筛选的一系列动作行为被记录在网络日志中,对网络日志进行挖掘可以获取用户在一定时间内的偏好。王忠友等人利用logical回归方法对用户行为信息进行消费偏好挖掘,得到了用户在某类商品上的用户偏好度。由于在线商品评论情感分析研究的深入,从在线评论中提取偏好信息的研究也越来越多。王伟等人通过对在线商品评论的情感分析挖掘了用户消费偏好,并根据偏好相似度进行推荐取得了较好的效果。

综上分析,研究人员从调查问卷、网络日志中提取显、隐性信息对消费偏好已经做了大量的研究,并取得了一定的进展,但是结合评论信息的深度挖掘较少,不能很好的在电子商务中应用。

4.2 用户消费偏好模型

个性化商品推荐系统用户的核心是用户消费偏好模型的构建。用户消费偏好模型的可解释能力和可计算能力直接反映了推荐系统的好坏。目前用户消费偏好模型按照表示方法主要分为三类：向量空间模型表示法、基于概念和概念层次表示法和基于本体技术的模型表示法。李爱明、张帆在分析信息过滤系统与用户模型的基础上,提出了基于向量空间模型的信息过滤系统用户建模方法,实验证明该方法一定程度上能够准确反映用户偏好,提高推荐效率。苏雪阳、左万利等人通用本体中的概念描述网页对用户行为信息进行提取,构建了基于本体技术的用户消费偏好模型。

由于用户消费偏好模型并不是一成不变的,随着时间和周围环境的变化,用户的消费偏好也会发生偏移,最近一段时间内的数据更能反映用户当前偏好。现有用户消费偏好模型根据数据的可变化性分为静态模型和动态模型,根据时间的长短和兴趣的偏移分为长期模型和短期模型,具有机器学习功能的模型又称自适应的偏好模型。研究中单个类型的模型并不能更准确地描述用户的消费偏好,为了更准确地描述用户消费偏好,研究人员多使用混合模型。杨继萍等人根据远期偏好与近期偏好对用户的影响程序设计权重,建立混合模型进行推荐,有效提高了用户消费偏好模型的准确度。

5 结束语

随着互联网的快速发展,网络消费问题已经成为研究热点,电子商务领域的用户消费偏好研究主要目标是个性化商品推荐。根据文献梳理发现,用户消费偏好的分类、影响因素、获取方式、模型构建方法等因为互联网用户的个性化呈现出多样性。利用综合的方法进行分析是用户消费偏好未来研究的方向。根据用户消费偏好相关研究,采用适当的建模方法识别用户消费偏好与推荐系统相结合是下一步研究的重点。

[1]石文典,丁乃姝.国内外消费观研究述评[J].重庆理工大学学报(社会科学),2010,(02)：48-52.

[2]崔艳武,苏秦,李钊.基于电子商务环境的顾客消费偏好研究[J].软科学,2007,(06)：19-23.

[3]王海萍.在线消费者分类研究述评[J].华东经济管理,2011,(03)：147-150.

[4]高佳林.基于罗兰贝格消费者分类的消费观评测工具[J].现代营销(学苑版),2012,(05)：241.

[5]石文典,丁乃姝.国内外消费观研究述评[J].重庆理工大学学报(社会科学),2010,(02)：48-52.

[6]Morganosky M A.Cost-versus convenience-oriented consumers：Demographic,lifestyle,and value perspectives[J].Psychology&Marketing,1986,3(1)：35-46.

[7]Barnes S J,Bauer H H,Neumann M M,et al.Segmenting cyberspace：a customer typology for the internet[J].European journal of marketing,2007,41(1/2)：71-93.

[8]Teo T S H.Demographic and motivation variables associated with Internet usage activities[J].Internet Research,2001,11(2)：125-137.

[9]王海萍.在线消费者分类研究述评[J].华东经济管理,2011,(03)：147-150.

[10]Anderson J C,Jain D C,Chintagunta P K.Customer value assessment in business markets：A state－of－practice study[J].Journal of Business－to－Business Marketing,1992,1(1)：3-29.

[11]王崇,赵金楼.电子商务下消费者购买行为偏好的量化研究[J].软科学,2011,(08)：134-138.

[12]Hoffman D L,Novak T P.Marketing I Hypermedia Computer－Mediated Environments：Conceptual Foundations[J].Journal of Marketing,1997,(60).

[13]赵科翔,陆程程.C2C网络购物偏好影响因素实证分析[J].企业活力,2012,(12)：52-55.

[14]吴磊,梁东明,王秋月等.网上购物风险对消费者行为的影响——感知风险不同对购买偏好的影响机制比较[J].现代商业,2013,(10)：80-81.

[15]王中友,肖鹰,吴哲夫.基于用户喜好的个性推荐系统优化[J].杭州电子科技大学学报(自然科学版),2015,(03)：56-59.

[16]王伟,王洪伟,孟园.协同过滤推荐算法研究：考虑在线评论情感倾向[J].系统工程理论与实践,2014,(12)：3238-3249.

[17]李爱明,张帆.一种基于向量空间模型的信息过滤系统用户建模研究[J].图书与情报,2007,(04)：43-47.

[18]苏雪阳,左万利,王俊华.基于本体与模式的网络用户兴趣挖掘[J].电子学报,2014,(08)：1556-1563.

[19]杨继萍,王跃,高雪松.个性化流媒体服务中基于行为分析的用户兴趣建模[J].计算机应用与软件,2011,(08)：247-250,278.