考虑产品特征的个性化推荐及应用

　　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