电子商务个性化条件研究论文

2022-04-27

摘要：伴随互联网经济和电子商务的快速发展，不少企业和网络零售商均已采纳在线个性化产品定制这一市场策略，然而目前对于在线个性化定制相关理论与方法的研究还较为有限。下面是小编整理的《电子商务个性化条件研究论文(精选3篇)》，仅供参考，大家一起来看看吧。

电子商务个性化条件研究论文篇1：

基于顾客交易数据的电子商务推荐方法研究

摘要：文章首先简要介绍了电子商务个性化推荐系统的概念、分类及作用，并综述了几种主要的协同过滤推荐技术；然后针对当前推荐系统的缺点提出了基于顾客交易数据的协同过滤推荐方法；最后简单评述了电子商务个性化推荐领域所面临的挑战及需解决的问题。

关键词：电子商务；推荐系统；协同过滤；交易数据

一、电子商务个性化推荐系统简介

1．电子商务个性化推荐系统的概念。在文献“1”中，Resnick等对电子商务网站个性化推荐系统进行了明确的定义，即利用电子商务网站向客户提供商品信息和建议，帮助用户选择应该购买的商品，模拟销售人员帮助客户完成购买过程。推荐系统首先要分析以前的顾客行为数据，建立表示顾客行为的模型，并充分利用模型模拟商店销售人员向用户提供商品推荐，帮助用户找到所需商品，从而顺利完成购买过程。

2．电子商务网站个性化推荐系统的分类。根据用户获得推荐系统推荐的自动化程度和持久性程度我们可以将电子商务个性化推荐系统分为以下几类：（1）基于产品属性的推荐系统：根据商品的属性特征向用户产生推荐列表。（2）相关产品推荐系统：根据客户感兴趣的产品推荐相关的产品。（3）相关客户推荐系统：又称协同过滤推荐系统，它是根据客户与其他已经购买了商品的客户之间的相关性进行推荐。

3．电子商务个性化推荐系统的作用。电子商务网站可以使用推荐系统来分析顾客的消费偏好，向每个顾客具有针对性地推荐商品，帮助用户从庞大的商品目录中挑选适合自己需要的商品。电子商务个性化推荐系统的作用主要表现在三个方面：（1）将电子商务网站的浏览者转变为购买者；（2）提高电子商务网站的交叉销售能力；（3）提高客户对电子商务网站的忠诚度。

二、协同过滤推荐技术

目前推荐系统中应用到的个性化推荐技术有很多，例如协同过滤推荐技术、基于内容推荐技术、基于人口统计信息推荐技术、基于效用推荐、基于知识推荐、基于关联规则推荐和混合推荐技术等等。而在众多推荐技术当中，协同过滤推荐（collaborative filtering recommendation）是目前研究最多并且应用最成功的个性化推荐技术。以下是目前所应用的几种协同过滤推荐技术。

1． User—based协同过滤。该推荐是根据其他用户的观点产生对目标用户的推荐列表。它使用统计技术搜索目标用户的若干最近邻居，然后根据最近邻居对项的评分预测目标用户对未评分项的评分，选择预测评分最高的前若干项作为推荐结果反馈给用户。

2． Item—based协同过滤。根据用户对相似项的评分预测该用户对目标项的评分。它使用统计技术找到目标项的若干最近邻居，由于当前用户对最近邻居的评分与对目标项的评分比较类似，所以可以根据当前用户对最近邻居的评分预测当前用户对目标项的评分，然后选择预测评分最高的前若干项作为推荐结果反馈给用户。

3．基于Horting图的协同过滤。它是一种基于图表的技术，图中的节点代表顾客，连接节点的边显示两个顾客之间的相似度。通过沿着图寻找邻近节点并且结合邻近顾客的评价产生预测。Horting图技术不同于最近邻居查询，因为通过图可以搜索到对目标项没有进行评分的顾客，这样就可以发现最近邻居算法所考虑不到的过渡关联。

4． Cluster—based协同过滤。该技术将整个用户空间根据用户的购买习惯和评分特点划分为若干不同的聚类，从而使得聚类内部用户对项的评分尽可能相似，而不同聚类间用户对项的评分尽可能不同。根据每个聚类中用户对商品的评分信息生成一个虚拟用户，将所有虚拟用户对商品的评分作为新的搜索空间，查询当前用户在虚拟用户空间中的最近邻居，产生对应的推荐结果。这种方法有效地提高了推荐算法的实时响应速度。

5．基于降维的协同过滤。该推荐方法将奇异值分解应用到协同过滤推荐算法中，用奇异值分解算法分解后的低维正交矩阵在原始矩阵基础上降低了噪音，并且可以更有效地揭示用户和商品的潜在关联。这种算法较好的解决了数据稀疏性问题，但推荐的精确性会有一定的下降。

6．基于Bayesian网络的协同过滤。该推荐技术是基于训练数据集建立一个模型，训练集是一个决策树，并且每个节点和边都描述了顾客信息。在关于顾客偏好的知识变化相对于建模时间较慢的环境中，Bayesian网络技术显得更具实用价值。

三、基于顾客交易数据的电子商务推荐系统

1．电子商务推荐系统存在的问题。尽管提出了这么多种推荐技术，然而大部分推荐系统都没有针对性，对待浏览者（未注册）、新顾客（已注册但未进行购买）和老顾客（有购买记录的注册用户）都是应用同样的推荐方法，并没有体现出个性化。其次，传统协同过滤推荐模型的输入即数据源，大都是基于顾客评分/评价或是简单的购买/未购买记录。基于顾客评分/评价的推荐系统采用顾客评分的方法，通过获得的评价值来反映顾客的购买兴趣，这种方法缺乏通用性，因为收集评分数据需要顾客的一些额外配合，这并不是每一个电子商务网站都能做到的，其推荐结果也不一定客观，同时还存在数据稀疏性问题、推荐准确性问题等等。也有的推荐系统采用简单的购买/未购买交易记录，通过这些购买行为数据来反映顾客的兴趣，这种方法虽然考虑到了顾客的购买经历，但是它却不能动态地反映顾客的兴趣变化，推荐结果自然不能令顾客十分满意。更重要的是，目前很少推荐系统考虑到顾客忠诚度及其对商品推荐的影响，在当今竞争日趋激烈的环境下，识别顾客的忠诚度在帮助决策者更加清晰地定位目标市场过程中显得更加重要，为了制定更有效的销售策略，我们应在商品推荐过程中着重对顾客忠诚度的研究。

2．基于顾客交易数据的协同过滤推荐方法。针对目前推荐系统的弱点本文提出基于顾客交易数据的个性化商品推荐思想。该推荐思想的创新之处在于它是专门针对老顾客提供高质量推荐，推荐模型的输入是这些老顾客的购买历史即以往的实际交易数据。

购买历史记录中有大量的交易信息，但并不是每一项信息都应该或者都能被考虑到，所以选择能够更好的体现顾客购买偏好的交易信息是推荐过程中很重要的环节。一般顾客的购买偏好经常表现为经常性购买某种商品或者在某种商品上花费很多金额，而这种购买行为正体现了一个顾客对商品或站点的忠诚度。所以可以通过对顾客忠诚度进行评价来度量顾客的购买偏好。RFM方法是目前应用最广泛的一种顾客忠诚度评价方法，即用RFM数据来表现顾客特征，从而对不同的顾客采取不同的市场策略。本文也正是应用该理论，从顾客的交易数据库中抽取顾客购买商品项目的RFM值，并在此基础上分析顾客的购买偏好。

RFM分析方法的基本思想是通过3个重要的顾客行为指标，即最近购买时间R（Recency），购买频率F（Frequency），总购买金额M（Monetary）来判断顾客对某种商品的偏好程度。从交易数据库中很容易获得m个顾客对n个商品项的RFM指标值，这样便可得到顾客—商品项RFM分析矩阵。通过获得的顾客—商品项RFM分析矩阵，我们可以很好的度量顾客的购买偏好。但对于一个具有多顾客多商品的大型网站来说，从交易数据库中分别获得的RFM指标值也会较多，这样决策者依据这些值来进行分析就显得过于繁琐。为了解决这一问题，可以用综合指标值WRFM来描述顾客对商品的忠诚度，且

WRFMij=WRRij＋WFFij＋WMMij

其中WRFMij表示第i个顾客对第j个商品项的综合指标值，Rij、Fij和Mij 分别表示第i个顾客对第j个商品项的RFM指标值，WR、WF和WM是应用RFM变量的相对权重。由此可得顾客—商品项WRFM分析矩阵。

获得的顾客—商品项WRFM分析矩阵即作为协同过滤商品推荐系统模型的输入，从而为顾客提供个性化的商品推荐。

四、总结

本文在分析当前推荐系统缺点的基础上提出了基于顾客交易数据的协同过滤推荐方法，该思想突破传统协同过滤推荐模型将顾客评分/评价或是简单的购买/未购买记录作为模型的输入，而提出将顾客的购买历史即以往的实际交易数据作为模型的数据源，由此而建立的模型具有良好的通用性，实现起来比较简洁，而且能够动态地把顾客兴趣变化反映到推荐结果当中。

但是电子商务推荐系统还是存在很多问题，例如数据稀疏性问题（Sparsity）、冷开始问题（Cold—start）、奇异发现问题（Serendipity）、健壮性分析、评价数据模型、自动化推荐问题以及多种数据和多种推荐技术的有效集成问题等等。

未来电子商务网站个性化推荐研究要对下面几个问题进行更进一步的探讨。（1）有效地解决用户评分数据的极端稀疏性问题，对推荐算法要进一步改进，提高推荐算法性能及实时性，以使推荐系统能产生更精确、实时的推荐；（2）根据用户行为向用户提供完全自动化的推荐；（3）将电子商务推荐系统由虚拟的销售人员转变为市场分析工具，增强其市场分析能力；（4）利用尽可能多的信息，收集多种类型的数据并有效集成，从而提供更加精确而有效的推荐；（5）增强推荐系统的功能，集成企业销售系统、客户关系管理系统和供应链系统等企业信息系统，共同为企业的产品定价、销售等提供决策支持；（6）对于站点的老顾客，推荐系统要试图从他们的购买记录即交易数据中获得更多的信息，从而提供更准确、高质量的推荐，提高他们的忠诚度；（7）在不需要用户提供主观评价信息的条件下，为非注册用户提供更高质量的推荐；（8）为了适用于多种不同的商业应用环境，电子商务个性化推荐系统要将多种模型集成到一起，例如同时提供关联规则推荐模型、热门销售推荐模型和协同过滤推荐模型等。

参考文献：

1．Resnick and Varian．Recommender systems．Communications of the ACM，1997，40（3）：56-58．

2．Schafer J B，Konstan J，Riedl J．Recommender systems in e—commerce．Proceedings of the First ACM Conference on Electronic Commerce．Denver，1999：158-166．

3．Ben J，Konstan J A，John R．．E—commerce recommendation applications．University of Minnesota，2001．

作者简介：赵晓煜，东北大学工商管理学院副教授、博士；丁延玲，东北大学管理科学与工程专业硕士生。

作者：赵晓煜　丁延玲

电子商务个性化条件研究论文篇2：

个性化产品在线定制意愿影响因素研究

摘要：伴随互联网经济和电子商务的快速发展，不少企业和网络零售商均已采纳在线个性化产品定制这一市场策略，然而目前对于在线个性化定制相关理论与方法的研究还较为有限。本研究以计划行为理论为理论分析框架，通过半结构化的在线访谈获取资料数据，运用扎根理论的研究方法归纳影响消费者在线定制个性化产品意愿的因素，在此基础上构建了在线个性化产品定制影响因素的多层次的理论概念模型。研究发现：消费者在线定制个性化产品的意愿主要取决于行为态度、主观规范和感知行为控制三个关键变量；上述三个变量均受到各自维度的影响；在线个性化定制情境下三个变量的维度又受到不同突显信念的影响。

关键词：个性化产品；在线定制意愿；影响因素；计划行为理论；扎根理论

Research on Factors Influencing Intention to Personalize ProductOnline Based on Theory of Planned Behavior

YAN Jian-yuan， ZHEN Jie， XIE Zong-xiao， DONG Kun-xiang

（Business School， Nankai University， Tianjin 300071， China）

Key words：personalized products； online personalization intention； influencing factors； theory of planned behavior； grounded theory

1 引言

伴隨互联网经济以及电子商务的快速发展，消费者在线定制个性化产品的需求表现得愈发强烈，因此为用户提供个性化产品的在线定制成为众多企业和网络零售商拓展市场的有效策略[1]。例如，苹果公司的在线商店就推出了激光镌刻文字服务，目的是为了让产品变得与众不同；摩托罗拉公司旗下的手机定制网站Moto Maker专门为消费者提供多种个性化手机的定制方案。而以淘宝网为代表的B2C平台上同样拥有众多为用户提供个性化产品定制的卖家，其产品种类覆盖服饰、箱包、鞋品及各种配饰等。尽管在线个性化产品定制作为差异营销和互动营销的市场策略已经得到不少企业的认同，然而由于对影响消费者在线定制个性化产品意愿的因素缺乏足够了解，造成不少企业无法把握消费者的基本诉求[2]，进而导致所提供的个性化定制产品不能得到市场认可。因此，探究消费者在线定制个性化产品意愿的影响因素，有助于企业和网络零售商更好地满足消费者的需求。

当前，在线个性化定制的相关研究涉及两个主题：网络服务的个性化定制和产品的个性化定制。所谓网络服务的个性化定制，是指网站或内容提供商通过分析用户的浏览过程和交易记录，向消费者推送高度相关的在线内容或者产品推荐[3]；在线个性化产品定制是指消费者通过企业或网络零售商提供的在线工具包，根据自身的偏好和对产品的特定诉求来定制个性化产品[4]。本研究所关注的个性化产品定制，与传统意义上的产品定制有明显区别：传统产品定制强调从功能方面满足消费者的需求，可定制内容主要集中在功能属性上，具体表现形式是产品的规模化定制。例如，戴尔电脑允许消费者选择处理器、内存和硬盘，以满足消费者对产品功能的不同需求；在线个性化产品定制强调定制产品能够有效突显消费者的个性和独特追求，定制内容更加注重外观属性和视觉展示，其目的是实现与标准化产品的差异，具体表现形式是基于个人偏好的个性化定制。在明晰了在线个性化产品定制概念范畴的基础上，可以把涉及个性化产品定制的研究分为两方面：分析外部环境对消费者定制个性化产品的影响。例如，Moon等[4]，Thomas等[5]通过实验研究发现，强调个人自由的消费者比强调集体主义的消费者具有更强的个性化产品定制意愿；论证个体情绪对产品定制意愿的影响。例如，Pappas等通过实验研究发现，高兴和自我肯定对个性化产品的定制意愿有正向影响[6]。

上述文献为本研究提供了有益参考，同时证明了定制意愿是个性化产品定制行为的重要预测指标。然而研究还存在以下局限：没有明确在线个性化产品定制的概念范畴，这就导致所识别影响因素与产品功能属性密切相关，而没有突显个性化产品定制的独特属性；以在校大学生为样本开展的实验研究，由于无法规避样本高度同质性的缺点[7]，导致结论在普遍化过程中存在局限。因此，到底何种因素以及哪些具体因素会影响消费者在线定制个性化产品的意愿呢？这些影响因素是否包含更为细化的维度呢？那么这些维度变量背后的影响机制是怎样产生的呢？基于此，本研究在明确研究主题的条件下，以计划行为理论为分析框架，运用扎根理论的研究方法，对上述问题进行系统、全面的分析和研究，以期为企业和网络零售商的在线个性化产品定制策略提供有针对性的建议。

2 计划行为理论

计划行为理论（theory of planned behavior，TPB）主要用来解释个人行为的选择，因此被广泛运用到市场营销和电子商务等多个研究领域内以解释特定行为的发生[8]。TPB认为个体行为意愿主要由行为态度、主观规范和感知行为控制三个变量决定。其中行为态度是指个人对于某种行为的主观判定（包括积极或消极的判定）；主观规范是指个体的决策是否受到来自外部环境的压力；感知行为控制是指个人所感知到的实施某一行为容易或困难的程度[9]。此外，个体拥有大量关于行为的信念，但在特定情境下只有特定的行为信念会起作用，进而对行为态度产生影响。因此，行为态度、主观规范和计划行为控制又由各自的行为信念所决定[10]。基于上述分析，可以用图1来描述计划行为理论。据此，本研究以TPB作为理论分析框架，以构建在线个性化产品定制意愿影响因素模型为目标，提出以下研究问题：在线个性化定制情境下，上述三个变量的内涵及维度构成有何表现？行为信念是决定行为意愿的重要前因变量，那么在线个性化产品定制情境下可以提取哪些突显信念？

3 研究方法、设计与实施

3.1 研究方法

质性研究的目的在于识别现实生活中社会现象的基本特征，它除了可以验证理论之外同样可以构建理论，回答诸如“是什么”，“为什么”和“怎么样”的问题，它同时兼具描述、解释和探索的功能[11]。扎根理论作为主流的质性研究方法，其主要目的是构建新的理论或概念命题，也可以丰富和拓展已有理论。扎根理论建构是一个系统化并具有探索性的搜索过程，其基本建构逻辑为：在特定研究情境下收集数据和资料，通过对数据的比较和分析，不断对数据进行抽象化和概念化，目的是從中提炼和归纳出概念和类别，并在此基础上构建、发展或丰富理论和概念命题[12]。

3.2 研究设计

访谈是个体研究中收集有关行为和态度等信息的重要方式[13]，为了获取消费者在线定制个性化产品的相关信息，本研究选取通过网易印象派网站定制个性化产品的消费者为访谈对象，原因有三个：（1）该网站致力于为消费者提供具有差异性的个性化定制产品（定制产品能够与标准化产品区分），这与本研究中的“个性化产品定制”主题一致；（2）该网站重视为消费者提供便捷的在线定制体验，因此已经建立了稳定的用户群；（3）通过产品定制界面的“晒单”，我们可以与完成并个性化产品定制的消费者取得联系，进而可以在征得其同意的前提下邀请他们参与本研究的访谈。

访谈对象的数量依据理论是否饱和来确定。理论上讲，样本数量越大，则越趋于理论饱和。然而，有学者通过研究证实了访谈对象的数量维持在20～30之间较为理想[14，15]。据此，本研究根据扎根理论研究的成熟经验标准，最后选取了25个具有不同职业的访谈对象（男性占44%）。数据收集工作从2015年5月10日开始到2015年6月20日止，课题组调研时间累积约为70小时。其中受访者的年龄分布为：20岁以下3人（12%），20～30岁16人（64%），30～40岁6人（24%）；教育背景为：专科及以下学历4人（16%），本科学历12人（48%），硕士学历8人（32%），博士学历1人（4%）。

3.3 研究实施

研究的实施主要以半结构化的在线访谈为核心，这是因为半结构化访谈不仅能够获取受访者对关键问题的解释，而且能够有效限定受访者访谈过程中问题回答的边界，从而保证访谈资料的质量[16]；而Couper等通过研究证实利用在线访谈对在线研究议题展开调查是合理且有效的，而且在线访谈更有利于获取消费者对在线行为的解释和说明，因此在线访谈并不会降低访谈数据的质量[17]。基于此，本研究利用语音软件来完成对受访者的在线访谈，并在征得受访者同意的前提下对访谈内容进行录音，以便将其整理成文本材料进行后续分析。半结构化访谈的主要问题围绕“促使您愿意（或者）不愿意在线定制个性化产品的原因有哪些”“您和您身边的同事、朋友愿意选择在线定制个性化产品吗”“您认为通过个性化产品的在线定制您会获取哪些方面的收益”。在访谈执行过程中，访谈者的提问以解释性问题为主，探索性问题为辅，我们鼓励受访者将对问题的所有想法描述出来；若没有得到受访者的正面或直接回答，需要交替使用这些问题继续访谈，直至获取受访者对于相关问题的直接描述；而对于理论证据不是很充分的表述，本研究进行了基于理论抽样的回访，以明确受访者所传达的信息。

4 数据分析

完成访谈数据的收集之后，需要对访谈数据进行分析。按照样本比例随机抽取了20份访谈记录进行编码分析，剩余5份用作理论饱和度的检验。扎根理论对资料数据的分析有一套严密的程序和步骤，如果研究者能够系统地按照该程序去完成数据的分析，则可以有效保证研究结论的可靠性。本研究严格遵守Strauss和Corbin所提出的三步编码技术和程序对访谈数据进行主题的提炼、范畴的归纳和模型的构建[18]，以保证研究的信度和模型的效度。为了保证编码工作的可靠性和有效性，同时为了最大限度保证编码结果的客观性和科学性，本研究设计了以下编码规则：采用样本本身的描述而不是通过猜测被访者可能考虑的问题来整理数据；组成编码小组共同完成对数据的编码和讨论，以保证处理意见的一致性；对存在争议的概念范畴，在咨询第三方专家基础上做修订。

4.1 开放式编码

利用开放式编码对访谈数据和资料进行逐字逐句的编码和标签，目的是从大量访谈资料中创建和提炼尽可能多的概念范畴来组织、解释和匹配经验数据。编码小组通过开放式编码初步提取了29个影响消费者在线定制个性化产品意愿的概念范畴。由于所获取的初始概念范畴较多，而且不同概念范疇之间所涵盖的要素存在交叉和重叠，因此需要对29个原始概念范畴进行分解、提炼与整合。按照上述操作过程，编码小组最终提炼和整合了17个概念范畴，图2揭示了概念范畴的提炼过程。

4.2 主轴编码

主轴编码旨在实现访谈数据与概念范畴之间的匹配。具体来说，经过开放式编码已经提炼了17个概念范畴；编码小组需要完成概念范畴与访谈数据之间的匹配，并判断访谈数据是否真正从属于该概念范畴。更为重要的是，编码小组还需要分析不同概念范畴之间的关系（是否存在相互影响或作用），目的是对不同的概念范畴做归类处理。通过主轴编码发现，17个概念范畴可以归纳为7种不同类别，即功用性结果、享乐性结果；指令性规范、示范性规范；自我效能、感知易用性和资源可得性。通过对这7种类别的分析与总结，最终发现了3个主范畴，即消费者对在线个性化产品定制的行为态度（对行为结果的评判）、主观规范（行为的外部影响）和感知行为控制（对行为执行能力的感知）。

4.3 选择性编码

上述开放性编码和主轴编码的分析展示了在线个性化产品定制意愿影响因素的基本框架，还需要通过选择性编码来选择概括性较强的核心范畴来整合主范畴。本研究确定“在线个性化产品定制意愿影响因素”为核心范畴，经过选择性编码之后基本可以得出清晰的故事线：消费者的行为态度、主观规范、感知行为控制三个主范畴对“在线个性化产品定制意愿”存在显著影响；三个主范畴又从不同维度进一步揭示了这一影响过程；而多个概念范畴更为详尽地展示了不同因素对于主范畴的影响机理。基于上述分析，本研究构建了个性化产品在线定制意愿影响因素模型，如图3所示。

4.4 理论饱和度检验

本研究对于理论饱和度的检验包括两个方面。首先，将剩余的5份访谈记录进行相同的编码和分析，已完成概念范畴内面向的饱和度检验；其次，继续对这5份访谈记录进行比较验证，以完成概念范畴之间关系的饱和度检验。结果显示，模型中的概念范畴已经足够充分，没有发现新的概念范畴以及概念范畴之间的关系。因此，本研究结果具有较好地理论饱和度。

5 基于理论的影响因素模型解释

由基于扎根理论的编码程序所构建的影响因素模型可知：行为态度、主观规范和感知行为控制是影响消费者在线定制意愿的主要变量，三个主要变量又有各自的构成维度，即在线个性化产品定制情境下的突显信念。

5.1 行为态度

消费者对在线个性化产品定制的态度实际上是其对该行为喜爱程度的评估，主要表现是对该行为预期结果的综合性评价[9]，行为态度对个性化产品的在线定制有着关键性的影响。例如，消费者对在线定制个性化产品持有越积极的态度，则消费者越容易产生强烈的定制意愿。在线个性化定制情境下消费者行为态度的形成主要受其对两类预期结果的评价：对功用性结果的评价以及对享乐性成果的评价。具体来说，功用性是指通过在线定制所获取的个性化产品能够给消费者所带来的工作（生活）表现、效率和吸引力等方面的提升[19]。例如，消费者在线定制了一件个性化的T恤（将自己的卡通形象印在了T恤上），当消费者在人群中穿着这样一件T恤时，他/她可以有效地吸引别人的注意力，进而在传递信息或者与人交流时更容易留下印象。而享乐性结果是指个性化产品的在线定制能够为消费者带来愉快、享受和乐趣，以及在使用个性化产品的过程中所产生的满足和愉悦感[19]。例如，当消费者在线定制一款个性化的项链（吊坠是自己名字或者拼音）时，通过点击鼠标进而在电脑屏幕上选择不同吊坠的样式，可以为消费者带来愉快的体验和感受，这样的个性化定制项链在佩戴过程中也会给消费者带来不少满足感，因为这一款项链是消费者参与设计的与众不同的产品。

5.2 主观规范

个性化产品的在线定制意愿会受到指令性规范和示范性规范的影响。具体来说，指令性规范是指团体或者组织的期望（如组织中重要他人的推荐）给消费者的行为带来的压力和影响[20]。例如，组织中的重要成员经常推荐别人在线定制一个特定产品（例如非正式组织活动的T恤），消费者由于受到来自于组织中重要他人的期望，因此其选择在线定制这一产品的意愿会得到增强。示范性规范主要是指消费者身边的朋友、同事和家人的行为和态度对消费者的在线定制行为产生的示范性作用[20]。例如，当消费者周围的朋友或者同事经常在线定制个性化产品时，那么消费者在线定制个性化产品的意愿就会愈发强烈。

5.3 感知行为控制

来自于感知行为控制的影响可以细分为三个不同的方面：自我效能、感知易用性和资源可得性。自我效能是指消费者个人对自己是否能够成功完成在线定制行为的主观判断，它主要反映的是消费者是否具备在线定制的能力，如消费者是否具备足够的信息、技巧和知识。感知易用性是指消费者在定制产品的过程中所体会到的操作网站的困难或者容易的程度。一般来说，消费者所感知到的网站的易用性程度越高，则消费者在线定制个性化产品的意愿就会越强烈，反之亦然。资源的可得性指消费者是否具备足够的渠道和资源（如网络和时间等）来实施个性化产品的在线定制行为[19]。

6 结论与讨论

6.1 研究结论与理论贡献

为了探究消费者在线定制个性化产品意愿的影响因素，本文通过对25名拥有在线个性化产品定制经历的消费者进行半结构化的在线访谈以获取其在线定制个性化产品的一手资料。在此基础上，运用扎根理论处理数据资料的编码技术，完成对消费者访谈数据的归纳和分析，进而构建了影响消费者在线定制个性化产品意愿的理论模型。该模型纳入个性化产品在线定制意愿这一核心范畴，包括行为态度、主观规范和感知行为控制3个主范畴，展示了功用性结果、享乐性结果、指令性规范、示范性规范、自我效能、感知易用性和资源可得性7个类别所包含的17个概念范畴。通过对概念范畴以及它们之间关系的分析，本研究可以有效预测和解释消费者在线定制个性化产品的行为意愿。

本文的主要研究结论包括：（1）影响消费者在线定制个性化产品意愿的因素主要包括行为态度、主观规范和感知行为控制三个方面。（2）行为态度主要是消费者对在线定制个性化产品这一行为预期的综合性判断，消费者会从功用性结果和享乐性结果两个方面来衡量和评价在线个性化定制行为。（3）主观规范由指令性规范和示范性规范两方面构成，前者主要是指组织或者群体的期望对消费者是否执行定制行为所产生的压力；而后者主要是指家人、朋友或同事的行为或者态度对消费者在线个性化定制行为的示范和影响。（4）感知行为控制由自我效能、感知易用性和资源可得性三个方面构成。自我效能反映了消费者对完成在线定制个性化产品所需能力的认知，感知易用性则反映了消费者所感知到的企业或网络零售商的个性化定制网站使用的难度，而资源可得性是指消费者实施个性化定制所具备的资源、机会和时间等因素。

本研究的理论贡献体现在：（1）拓展了计划行为理论在电子商务和消费者行为研究领域中的应用。利用该理论框架分析在线个性化定制意愿的影响因素，不仅系统性地整合了已有研究中影响消费者购买意愿的因素，而且在个性化产品定制这一特定情境下识别出特定的影响因素。例如，在线个性化产品定制中所附带的情感依赖，以及在线个性化产品定制所实现的产品创新等都是本研究所识别出的在线个性化产品定制情境下值得進一步研究的构念。（2）系统地探究了消费者在线定制个性化产品的影响因素及其不同因素之间的逻辑关系和作用机理，在此基础上构建了本文的理论模型，为后续学者研究在线个性化产品定制对消费者购买决策的影响等议题提供了有益的理论参考。

6.2 现实意义

本文的研究结论对提供在线个性化产品定制的企业和网络零售商具有一定的实践启示，具体表现在：（1）聚焦消费者在线定制个性化产品的基本诉求。从消费者对在线个性化定制的行为态度入手，重视满足消费者对个性化产品的功用性和享乐性需求。例如，消费者在线定制个性化产品不仅为了满足自身的独特性追求，而且注重从产品的在线定制中获取感知乐趣。这就要求企业和零售商要提供与独特性相关的产品属性定制，而且要提高网站以及产品定制过程的趣味性和吸引力，以提高消费者对在线个性化产品定制的喜爱程度。（2）主观规范对在线个性化产品定制意愿产生影响，因此网络零售商应尽可能多地利用社交媒体或者其它网络宣传手段，发挥网站传播过程中的“口碑效应”，目的是不断提高在线个性化产品定制的受众群体。（3）提高消费者在线定制个性化产品过程的感知控制水平。针对感知易用性，企业应重视在线定制工具包操作的简洁性和便利性，保证在线定制的完成方式既具备网络购物的所有优点，又能够突显个性化产品定制的独有属性；而为了提高消费者的自我效能感，应该保证在线个性化定制不需要消费者付出过多的学习努力，同时保证产品定制页面能够及时反馈定制产品的视觉效果，以强化消费者对自身能力的认知；对于资源的可得性，企业和网络零售商需要利用信息技术的分析手段去发掘消费者浏览网页的时间、尝试点击了定制产品的哪些属性等细节问题，以保证能够为消费者提供及时和合理的定制资源。

参考文献：

[1]Kwon K， Kim C. How to design personalization in a context of customer retention： who personalizes what and to what extent[J]. Electronic Commerce Research and Applications， 2012， 11（2）： 101-116.

[2]Li T， Unger T. Willing to pay for quality personalization？ Trade-off between quality and privacy[J]. European Journal of Information Systems， 2012， 21（6）： 621-642.

[3]Hu S Y， Bodoff D. The effects of web personalization on user attitude and behavior： an integration of the elaboration likelihood model and consumer search theory[J]. MIS Quarterly， 2014， 38（2）： 497-520.

[4]Moon J， Chadee D， Tikoo S. Culture， product type， and price influences on consumer purchase intention to buy personalized products online[J]. Journal of Business Research， 2008， 61（1）： 31-39.

[5]Thomas K， Suri S W， Maneesh T. The effect of cultural orientation on consumer responses to personalization[J]. Marketing Science， 2007， 26（2）： 246-258.

[6]Pappas I O， Kourouthanassis P E， Giannakos M N， et al.. Shiny happy people buying： the role of emotions on personalized e-shopping[J]. Electronic Markets， 2014， 24（3）： 193-206.

[7]James W L， Sonner B S. Just say no to traditional student samples[J]. Journal of Advertising Research， 41（5）： 33-52.

[8]Ajzen I. The theory of planned behavior[J]. Organizational Behavior and Human Decision Processes， 1991， 50（2）： 179-211.

[9]Mathieson K. Predicting user intentions： comparing the technology acceptance model with the theory of planned behavior[J]. Information Systems Research， 1991， 2（3）： 173-191.

[10]Bulgurcu B， Cavusoglu H， Benbasat I. Information security policy compliance： an empirical study of rationality-based beliefs and information security awareness[J]. MIS Quarterly， 2010， 34（3）： 523-548.

[11]Oberseder M， Schlegelmilch B B， Gruber V. “Why don’t consumers care about CSR？”： a qualitative study exploring the role of CSR in consumption decisions[J]. Journal of Business Ethics， 2011， 204（4）： 449-460.

[12]Fassinger R E. Paradigms， praxis， problems and promise： grounded theory in counseling psychology research[J]. Journal of Counseling Psychology， 2005， 52（2）： 156-166.

[13]Hew K F， Hara N. Knowledge sharing in online environments： a qualitative case study[J]. Journal of the American Society for Information Science and Technology， 2007， 58（14）： 2310-2324.

[14]Jarvenpaa S L， Staples D S. The use of collaborative electronic media for information sharing： an exploratory study of determinants[J]. Journal of Strategic Information Systems， 2000， 9（2-3）： 129-154.

[15]趙斌，陈玮，李新建，等.基于计划行为理论的科技人员创新意愿影响因素模型构建[J].预测，2013，32（4）：58-63.

[16]Fontana A， Frey J H. The interview： from neutral stance to political involvement[M]. Thousand Oaks， CA： Sage， 2005.

[17]Couper M P， Traugott M W， Lamias M J. Web survey design and administration[J]. Public Opinion Quarterly， 2001， 65（2）： 230-253.

[18]Strauss A L， Corbin J M. Basics of qualitative research techniques and procedures for developing grounded theory[M]. 2nd ed. Thousand Oaks， CA： Sage， 1998.

[19]Hsieh J， Rai A， Keil M. Understanding digital inequality： comparing continued use behavioral models of the socio-economically advantaged and disadvantaged[J]. MIS Quarterly， 2008， 32（1）： 97-126.

[20]Bock G， Zmud R W， Kim Y， et al.. Behavioral intention formation in knowledge sharing： examining the roles of extrinsic motivations， social-psychological forces， and organizational climate[J]. MIS Quarterly， 2005， 29（1）： 87-111.

作者：严建援甄杰谢宗晓董坤祥

电子商务个性化条件研究论文篇3：

融入情境的个性化推荐模型在旅游业的应用

摘要：近年来，移动电子商务的快速发展及应用使得商家可准确地为用户提供相关的推荐，个性化推荐系统成为业界研究的新方向。本文主要阐述了移动电子商务在我国发展的趋势，重点在于将移动定位LBS技术同传统的推荐系统相结合，将情境融入到个性化推荐模型当中，提出了U-C-I模型，将情境作为一个新的维度添加到传统的用户-项目矩阵中。

关键词：移动电子商务；个性化推荐；基于位置的服务（LBS）；用户兴趣模型

一、引言

2011年中国移动电子商务进入了快速发展的轨道，部分电商企业在移动终端取得了非常不错的成绩，到2012年年末，中国移动电子商务的发展进入爆发期。相对于传统电子商务而言，移动电子商务具有移动性、虚拟性、非结构化数据、个性化和社会性等主要特征，其移动性一般体现在用户的可移动特征及用户需求对情境的依赖性。推荐系统便是在这种大的环境下产生的，主要是为用户推荐其感兴趣的对象。

二、个性化推荐系统简介

个性化推荐系统主要是为了向用户自动推荐，是从信息中找出符合用户喜好或需求的资源，在此基础上为用户提供一种智能推荐系统，解决互联网信息过载的问题。

（一）个性化推荐系统的构成

个性化推荐系统可分三个部分：输入模块（Input Function）、推荐模块（Recommendation Method）和输出模块（Output Function）。一个完整的个性化推荐系统包括三个部分：用户信息的收集和分类、建立用户喜好的模型、使用算法为用户推荐。

（二）电子商务活动与个性化推荐系统的结合

客户在选择商品时往往会碰到在商家提供的浩大的信息面前无法快速找到所需产品信息的问题，在此种情形下，商家通过个性化推荐可快速地为客户提供服务，找到其所需的商品，最终完成购买活动。

1.将电子商务网站的浏览者转变为购买者

个性化推荐可快速的为客户找到其所需的商品，可以将一个网页的浏览者变成一个实实在在的购买者。可减少商家客户的流失率，减少客户浏览网页查询商品目录的时间。

2.提高电子商务网站的销售能力

个性化推荐可减少客户浏览网页的时间，为客户提供精准的推荐，如果推荐的产品得到客户的认同，可大大地提高网站的销售量，订单数量也会增加。

（三）个性化推荐系统的分类

从技术实现角度来看，个性化推荐系统主要划分为四大类：一是规则基础上的推荐；二是内容基础上的推荐；三是协同过滤基础上的推荐；四是混合型推荐。

1.规则基础上的推荐

规则基础上的推荐主要是通过系统之前的规则进行推荐。规则基础上的推荐所用的语句为IF-Then，根据事先设定的规则，“IF”主要规定了所出现的各种情形，在各种情形基础上，“Then”将输出提供的各种推荐资源和服务。这种规则也是可变的，客户也可以制定规则。规则基础上的推荐相对比较简单，客户理解起来比较容易。

2.内容基础上的推荐

内容基础上的推荐主要是基于用户之前喜欢的产品，通过分析之前所喜好的产品特征，通过相似度计算和其他技术，最终为客户提供与其偏好相似的新产品系列。

3.协同过滤推荐

协同过滤推荐是一种综合推荐，结合客户之前的购买活动特征与新晋的目标客户之间的相似度进行比较，为新客户进行推荐。

4.混合型推荐

和如上两种推荐不同，混合型推荐不涉及比较用户模型和信息的相似度，而主要是利用用户对于各个资源的评分或评价来发掘各个用户之前的相似点，应用这些相似点为新客户提供更加精确的推荐。混合型推荐成立的前提是具有相似点的客户对于一种资源的评价一致，那么其对另外一种资源的评价也将是一致的。这样我们便可将不同兴趣的用户进行划分分类，为同一类的客户推荐相似的产品。

三、移动客户端与个性化的结合

使用移动客户端的用户，其兴趣和需求并不是固定不变的，而是随着时间和用户所处的情景而变化。例如，用户在旅行时往往会关注天气、旅馆和交通工具信息；在休假时一般会关注娱乐信息和促销信息。这些都极大地增加了预测用户行为和分析用户偏好的难度。

（一）移动电子商务环境下个性化推荐的特点

随着3G技术的发展及移动客户端的开发应用，用户可在移动环境下进行办公或购物。相比传统电子商务环境下的推荐，移动商务环境下的个性化推荐拥有新的特点，主要表现在推荐范围和推荐时间方面。从推荐范围来看，移动环境下的推荐并非是固定的，面对的用户群也不是有限的；移动推荐系统所面对的是“移动”的用户，而不是传统的位置相对不变的传统的台式机访问，移动环境下更多的要考虑用户的空间位置变化，要随时将用户位置纳入到推荐序列中。

（二）基于LBS的个性化推荐系统

1.LBS简介

LBS（Location Based system）是在互联网快速发展的基础上新兴的位置服务。伴随着手机终端的迅速发展，使用LBS的用户总数也在逐年增加。LBS也被称为位置签到服务，其定义为采用GPS基站等相关定位技术，结合GIS，以短信、彩信及客户端软件为用户提供的基于地理位置的信息服务。下图主要展示了我国提供LBS企业的市场情况。

特别对于旅行者而言，LBS可实时了解到旅行者的空间位置信息，针对移动变化的位置也可以提供准确的推荐。

2.LBS的特征及其对个性化推荐的要求

（1）LBS的特征

LBS的突出特征体现在位置敏感、突发性和即时访问三个方面。在LBS环境下，可以方便地跟踪到用户的地理位置信息，很容易地识别用户的身份及对用户的需求进行处理。在移动环境下，即使发生突发事件，也能及时满足用户的需要，这些都提高了用户使用LBS的便利性。例如，用户可及时了解天气、酒店和所感兴趣的其他信息，不会受到时间、地点的阻碍，同步性增强。

（2）LBS对个性化推荐系统的要求

LBS环境下的用户处于不断变化的情境之下，用户的兴趣可分为短期的和长期的，因此必须区分出长期兴趣和短期兴趣，对于用户兴趣的变化要进行及时响应，最终才能为用户做出精准的个性化推荐。

四、个性化推荐系统与情境的结合

（一）传统二维推荐系统

传统的推荐系统将用户作为一个推荐列表输出，将用户项目描述成一个函数，主要包括：输入数据、二维推荐函数、推荐输出列表。

传统推荐系统使用的数据一般以用户、项目、评分的形式出现。首先收集数据，之后构建推荐函数，在构建函数过程中主要是使用函数处理用户u及每个用户对项目的评价或评分，在分析后根据用户的项目评分排序最终生成推荐列表。

（二）基于情境的推荐系统

和传统的推荐系统相比，融入了情境的推荐流程会发生变化，数据由U*I*R变为U*I*C*R，该模型中引入的C为情境维度，也就是将情境加入到推荐模型中。随着应用情境信息阶段的不同，有了在推荐系统中整合情境信息的三种不同的方式。

1.前置情境过滤

这种方式的推荐模型主要是将情境C纳入到用于选择或构建相关数据之中，在处理数据之前便将情境融入模型中。前置情境过滤方法使用情境信息作为过滤条件来选择最相关的用户X项目数据来生成推荐。前置情境过滤相比较其他两种的优势主要是其使用是为传统推荐方法。

2.后置情境过滤

与前置情境过滤相比较而言，在后置情境过滤下，一开始并没有将情境信息融入进来，应用传统的推荐系统事先将各种数据进行处理和评分，在此之后再将情境信息C引入到模型中，调整之前的推荐结果，主要是剔除与情境不符合的推荐列表，调整列表推荐的顺序，找出最符合用户特定情境的推荐列表。