张明月，上海外国语大学国际工商管理学院副教授。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。

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。最后，通过亚马逊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。

第一章引言

1.1 电子商务与海量数据

近些年来，随着互联网渗透率尤其是移动互联的快速提升，电子商务在经历了十几年的发展后更加成熟，它的普及大大降低了用户对商品的搜索成本，逐渐成为互联网用户的一种主要的购物习惯。目前我国的电子商务已具有较大规模，增速保持平稳增长状态。根据商务部发布的《中国电子商务报告（2017）》［1］显示，2017年全国电子商务交易额达29.16万亿元，同比增长11.7%。其中，商品类电子商务交易额16.87万亿元，同比增长21%，比上年提高8.7个百分点；服务类电子商务交易额4.96万亿元，同比增长35.1%，比上年提高13.2个百分点。中国网上零售交易额近年来以40%以上的速度快速增长，2017年全年网上零售额达到7.18万亿元，同比增长39.1%（见图1.1）。其中，实物商品网上零售额5.48万亿元，增长28%，占社会消费品零售总额的比重为15%。2018年上半年，全国网上零售额为4.08万亿元，同比增长30.1%。

在这一背景下，电商持续走向平台化，大批企业都将销售的重心从线下转移到线上，开设网店或利用成熟的B2C平台进行销售。统计数据显示，2015年的B2C 网购规模首次超过C2C。平台化可以充分利用社会资源来弥补商家自身的不足，并且最大效率地实现网站积聚的流量的价值。据艾瑞咨询报告显示，2017 年“双十一购物节”，淘宝天猫平台实现了11分钟突破亿元的交易额，3分钟成交额超过100亿元，并在“双十一”当天创下了总销售额1682亿元的最高纪录。

通过在线购物平台，消费者可以足不出户便完成产品的浏览、选择、支付、收货及售后服务等全部操作。电子商务以其便利性吸引了越来越多的用户，截至2017年，全国网购用户规模达到5.33亿，同比增长14.3%。用户在电子商务平台上的活动包括了浏览、搜索、点击和购买等行为，同时也会作为内容产生者在购物后提供产品评论等信息内容。由此可见, 用户的全部行为轨迹都被记录下来，而这些行为轨迹往往是用户偏好、行为特征的一种表现。

艾瑞咨询2016年中国网络购物行业监测报告［2］显示，电商平台上的网购品类向全覆盖消费需求发展，单个用户网购品类显著增多；网购用户逐渐趋于细分，90后、老年人成为消费新动力；用户更加注重商品品质，选择符合自身特征的商品。因此，未来电子商务企业应提供更精准的服务，来满足不同消费群体的需求。用户的点击流数据是用户偏好与需求的直观反映，这为企业营销决策提供了丰富的大数据资源。大量企业在自身发展过程中也开始意识到数据资源对于企业的营销、运营管理决策的重要意义，因而希望借助大数据的理论、方法来指导企业的管理实践，提供决策支持。在互联的信息网络环境下，企业所面对的顾客群体不再是整体，而是每一个可以在网络中独立表达、具有个性化需求的个体，这对企业洞察顾客行为模式、开展精准营销提出了新的挑战，而电商平台上丰富的用户行为数据也使得个性化服务成为可能。

1.2 个性化与推荐系统

在互联网时代，低效率的大众营销将会被高效率的精准营销所取代。电商可以详细地追踪每一个顾客的信息来源，包括其在网上的购物路径，搜索、购买行为，购买商品的关联性、重复性和周期性等。通过对这些数据进行分析，可以建造顾客行为模型，为顾客进行精准化推荐和个性化服务。用户在信息网络中的深度参与、个性化需求的增长，对电商的营销方法也提出了新的要求和挑战［3,4］。例如，如何根据用户的偏好来制定个性化的搜索结果，如何根据用户的浏览、点击及购买记录实现个性化推荐，都成为企业在电子商务营销中关注的问题。

近些年来，消费者对于企业推荐商品的营销行为的认可度不断提高。根据中国互联网络信息中心(CNNIC) 发布的2015年《中国网络购物市场研究报告》［5］可知，2015 年有83.5%的消费者感知到并明确表示电商平台根据自己的浏览痕迹和购买记录推荐商品，这一比例相比2014 年提升了25.9 个百分点。同时，2015年表示可以接受企业这种根据浏览历史推荐商品的营销行为，并且认为其有助于提升自身购物效率的消费者比例也由34.9% 提升到40.1%，相较于上年增加了5.2 个百分点。

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