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。

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

        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，如图1.2所示。

        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

        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。