基于知识的消费者决策推荐

Monika Mandl, Alexander Felfernig, Erich Teppan，和Monika Schubert¹¹²¹

奥地利格拉茨工业大学软件技术研究所，奥地利Inffeldgasse 16b, A-8010格拉茨

电子邮件:{莫妮卡。mandl,亚历山大。felfernig, monika.schubert} @ist.tugraz。在克拉根福特大学应用信息学²

奥地利克拉根福大学65-67,A-9020，电子邮件:erich.teppan@uni-klu.ac.at

摘要与实体店的客户不同，在线销售环境的用户不受人类销售专家的支持。在这种情况下，推荐应用程序帮助识别符合用户愿望和需求的产品和/或服务。为了成功应用推荐技术，我们必须深入了解用户的决策策略。这些决策策略在不同的人类决策模型中进行了解释。在这篇论文中，我们提供了一个选择模型的概述，并讨论了它们对推荐系统开发的重要性。并对未来的研究方向进行了展望。

关键词:基于知识的推荐，交互式销售，消费者购买行为，消费者决策。

1介绍

传统的推荐方法(协同过滤[1]，基于内容的过滤[2]，以及其不同的混合变体[3])非常适合推荐高质量和口味的产品，如电影、杂货、音乐或新闻。特别是在计算机、汽车、公寓或金融服务等高介入产品的环境中，这些方法不太适用。例如，公寓并不经常购买，因此相应的项目将不会得到作出合理预测所需的临界质量的评级;例如，Bell和Koren[4]建议在他们的协同过滤推荐方法中使用100个最近的邻居。此外，较低频率的用户评级需要考虑相当长的收集评级的时间周期——这将使基于内容的过滤算法无法获得有意义的预测。

特别是在传统推荐方法不是首选的领域，基于知识的推荐技术开始发挥作用[5,6]。基于知识的推荐应用程序正在利用用户明确定义的需求，并额外处理有关的深入知识

潜在的产品分类。因此，基于知识的推荐应用程序利用了在协作和基于内容的过滤场景中通常不可用的知识来源。对产品分类和明确定义的客户需求的深入了解的一个直接结果是，没有出现急剧上升的问题[5,6]。硬币的另一面是,由于推荐知识的显式表示一个推荐系统的知识库,以知识为基础的推荐系统导致所谓的知识获取瓶颈:知识工程师和领域专家不得不投入大量的时间努力为了开发和保持这些知识库更新。除了这一技术挑战之外，在基于知识的推荐系统的设计中考虑消费者的决策策略也很重要，以提高推荐过程的质量，并提高客户对推荐结果的满意度。本文重点讨论了消费者决策模型的选择及其对基于知识的推荐应用开发的重要性。

本文的其余部分组织如下。在第2节中，我们将介绍基于知识的推荐应用程序所支持的基本功能。我们将在第3节中概述消费者决策的一般模型。在第4至7节中，我们将讨论决策心理学的相关理论，这些理论在与基于知识的推荐应用程序交互时可能对决策过程产生重大影响。在第8节中，我们对相关的未来研究课题进行了展望。本文以第9节结束。

2基于知识的推荐

基于过滤的推荐方法与基于知识的推荐方法[5,6]的主要区别在于，基于知识的推荐方法使用关于客户、产品分类和客户偏好之间依赖关系的明确知识。解决方案标识的规则被明确定义，从而允许对推荐结果进行智能和深入的解释。由于咨询知识以变量和约束的形式表示，我们能够在无法为给定的客户需求找到解决方案的情况下自动确定修复操作[7,8]。基于知识的推荐问题可以基于简单的连接数据库查询定义，也可以基于所谓的约束满足问题(CSPs)[9]定义。基于知识的推荐应用程序通常会(重复地)指导用户通过以下几个阶段:

需求说明(第一阶段):在第一阶段，用户与推荐应用程序进行交互，以识别和指定他们的需求。

1.

2.

不一致需求的修复(第二阶段):在推荐应用程序不能识别解决方案的情况下，它提出一组修复操作(需求的更改建议)，这些操作(如果被用户接受)可以保证推荐的识别。

3.结果展示(第三阶段):如果能够满足要求，推荐应用程序将提供一组产品替代方案。这些备选方案通常根据实用函数进行排序(有关详细示例，请参阅[6])，并以有序列表或产品比较页面的形式显示。

4.解释(第四阶段):对于每一个已确定的和已提出的产品替代方案，客户可以激活相应的解释，说明为什么推荐该产品。每个解释都由参数组成，这些参数将指定的用户需求与相应的产品属性联系起来。

图1展示了RecoMobile中的需求规范阶段，RecoMobile是一个基于知识的应用程序，用于推荐移动电话[10]。例如，在移动电话领域，我想用我的手机听音乐，或者推荐的手机应该有一个集成的摄像头。

图1:第一阶段。需求规范——为了主动支持用户，提供了个性化的默认设置。的基础上确定这些默认值

来自已经完成的推荐会话[10]的信息

在图2中描述了RecoMobile修复模式的一个简单示例。推荐人发现无法找到解决方案，即，所定义的客户需求集与底层的推荐知识库不一致。这种不可行性在手机领域的一个例子是手机应该没有网络接入和手机应该支持体育跟踪。在这种情况下，系统激活一个修复组件，该组件识别最小的更改集，以便能够检索至少一个解决方案。

图2:第二阶段。修复不一致的需求——一个修复组件识别最小的变更集，这样至少可以检索一个解决方案

电话选择页面(参见图3)列出了满足给定客户要求的电话集。该集合根据相似度指标进行排序，即，当前客户需求与存储在已完成推荐会话日志中的客户需求的相似性(详细信息见[10])。

图3:第三阶段。结果显示—一组满足指定要求的电话被显示给用户

每个手机用户都可以激活相应的解释页面。在报告中，这些解释以详细的目录形式提出

特定移动电话满足的用户需求(参见图4)。最后，用户可以选择自己喜欢的手机，完成会话。

图4:第四阶段。一个简单的解释形式-一个具体的移动电话满足的用户需求的列表

为了提高用户对推荐过程的满意度，不仅要实现提供良好推荐的算法，还要建立适当的推荐格式。对消费者决策的研究表明，消费者受到所提供信息的格式的影响，因此在不同的情况下使用不同的决策策略[参见e。g。11、12、13、14、15、16]。为了更好地帮助消费者进行购买决策，推荐系统需要将基本算法与人类决策的深层次知识相结合。下一节将概述所选的消费者决策模型。

三种消费者决策模型

历史。在18世纪，经济学开始探索有关消费者决策过程的知识。^th 尼古拉斯·伯努利提出了第一个消费者决策理论。这个理论的基本假设是，消费者根据他们购买[17]的预期结果来做出购买决定。根据伯努利的说法，消费者选择的选项将提供最大的满意度。伯努利的效用理论后来被约翰·冯·诺伊曼和奥斯卡·摩根斯坦·[18]扩展。他们在预期效用理论引入四公理定义一个理性的决策者:完整性(决策者偏好定义),动词(偏好是一致的),独立(偏好持有独立的结果)和连续性(给定一个中间选项之间有一个“临界点”比,比这个引用选项)。冯·诺依曼和摩根斯坦认为，理性决策者的偏好可以用效用函数来表示。上世纪50年代，赫伯特bull;西蒙(Herbert Simon)开发了另一种消费者决策模型:“满意”[19]。该模型考虑了这样一个事实，即当消费者发现他们认为“足够好”的产品时，他们会停止决策过程，而不是确定最佳解决方案。西蒙认为，理性决策者的思想需要人们不具备的认知信息处理技能。西蒙认为，决策者缺乏达成最优解决方案的能力和资源，通常在有限理性范围内运作。自20世纪60年代以来，各种各样的消费者决策模型被开发出来。在接下来的文章中，我们将讨论在推荐应用中具有特殊相关性的选定模型。传统的经济模型。基于效用理论[18]的合理性方面，传统的经济模型假设所有的用户都能够做出最优的决策，这些决策是在理性和形式过程的基础上推导出来的。消费者被认为是追求效用最大化的理性决策者。由于其范围广泛，这些模型经常被称为“大模型”[21]。其中最著名的有尼科西亚[22]模型、霍华德-谢尔特[23]模型和恩格尔、科勒特和布莱克威尔[24]模型。经济模型的一个假设是偏好保持稳定，即，在决策过程的范围内不适用。然而，一个事实是，偏好可能是非常不稳定的，例如，一个顾客买了一辆车，首先设定的整体价格上限是20.000欧元。这并不意味着上限是严格的，因为客户可以改变自己的想法，将价格上限设为25。仅仅因为他/她发现了他/她愿意支付更高价格的额外技术特征，例如，高质量的前灯、停车距离控制、卫星导航和挡风玻璃雨刷的雨传感器。仅仅基于这个简单的例子，我们马上就能看出偏好会随着时间而改变，即，在推荐会话的范围内不稳定。这种洞察力导致了新决策模型的发展。,(25、26)。最重要的问题将在下面讨论。

工作精度的框架。根据Payne、Bettman和Johnson[25]开发的这个模型，用户正在考虑成本效益方面的因素。这一基本假设与西蒙的满足理论[19]相似。现在是做决定的时候了

以在作出决定的努力和决定的预期质量之间进行权衡为特征的。努力-准确性框架基于这样一个事实，即用户(客户)表现出一种自适应的决策行为，并根据当前情况从一组可用的不同决策启发式中进行选择。选择某种启发式的标准一方面是所需的决策质量，另一方面是成功完成决策任务所需的(认知)努力。这一框架显然不同于上述的经济决策模型。在这些模型中，最优性起主导作用，与成功完成决策任务相关的努力被忽略。但是，尤其是完成决策任务的努力程度，必须作为决定用户是否愿意应用推荐应用程序或选择不同的提供者的重要因素加以考虑。

建设的偏好。人类选择中的偏好构建概念是由Bettman、Luce和Payne[26]提出的。偏好构建的基本思想是，用户倾向于在推荐会话范围内识别自己的偏好，但只有在极少数情况下，才能在决策过程开始之前声明自己的偏好。因此，决策过程更侧重于构建一致的偏好集，而不是从用户获取偏好，这仍然是许多现有基于知识的推荐应用程序中主要支持的决策过程类型。由于用户首选项是在推荐会话范围内构造的，因此用户界面的设计可能对决策过程的最终结果产生重大影响。

为了提高推荐应用的适用性，必须将推荐技术与人类决策的深层次知识相结合。这样的集成可以帮助提高用户对推荐应用程序的感知质量，以及决策结果的可预测性(参见下面几节的讨论)。在这篇论文的其余部分，我们将回顾从决策心理学中选择的理论，它们对偏好构建过程的潜在影响。这些理论已经被证明与推荐应用程序相关——表1提供了概述。

表1:决策心理学理论精选。

4诱饵的影响

诱饵产品是指在给定的一组推荐产品中，低于其他产品的产品。在这种情况下，通过简单地比较项目的基础属性与它们到最优值的距离来衡量项目的优劣。例如，机器人X在价格和可靠性两方面都优于机器人Y，如果同时具有较低的价格和较高的可靠性。包含这些诱饵产品会对决策过程的结果产生重大影响，因此在实施推荐应用程序时必须加以考虑。用户在出现额外的劣质商品时改变选择行为的现象称为诱饵效应。诱饵效应已经在不同的应用环境中得到了深入的研究，见，例如[27,28,29,43,44,45]。

在下面的小节中，我们将讨论不同类型的诱饵效应，并解释这些效应如何影响决策过程的结果。值得注意的是，诱饵效应的存在为反对传统经济选择模型[22,23,24]的有效性提供了强有力的证据，该模型假设人类决策过程中存在理性的和最优的策略。

4.1妥协的影响

折衷效果表示诱饵效果的一种特定原型，如表2所示。通过将机器人D添加到可选集合中，可以增加机器人X相对于机器人Y的吸引力。机器人D增加了机器人X的吸引力，因为与机器人D相比，X的价格低得多，可靠性也低得可怜(这种效果称为权衡-对比)。这样，X就成为了Y和D之间的折衷。通过插入诱饵机器人D，将用户的比较焦点设置为XD，因为D与X的相似度大于Y(相似度效应)。值得注意的是，选择X的妥协也可以用厌恶极值来解释，这是西蒙森和特维斯基[28]提出

剩余内容已隐藏，支付完成后下载完整资料

Consumer Decision Making in Knowledge-Based Recommendation

Monika Mandl¹, Alexander Felfernig¹, Erich Teppan², and Monika Schubert¹

1Institute for Software Technology, Graz University of Technology Inffeldgasse 16b, A-8010 Graz, Austria

Email:{monika.mandl, alexander.felfernig, monika.schubert}@ist.tugraz.at ²Applied Informatics, University of Klagenfurt

Universitauml;tsstrasse 65-67, A-9020 Klagenfurt, Austria Email:erich.teppan@uni-klu.ac.at

Abstract. In contrast to customers of bricks and mortar stores, users of online selling environments are not supported by human sales experts. In such situations recommender applications help to identify the products and/or services that fit the userrsquo;s wishes and needs. In order to successfully apply recommendation technologies we have to develop an in-depth understanding of decision strategies of users. These decision strategies are explained in different models of human decision making. In this paper we provide an overview of selected models and discuss their importance for recommender system development. Furthermore, we provide an outlook on future research issues.

Keywords: Knowledge-based Recommendation, Interactive Selling, Consumer Buying Behavior, Consumer Decision Making.

1 Introduction

Traditional approaches to recommendation (collaborative filtering [1], content-based filtering [2], and different hybrid variants thereof [3]) are well applicable for recommending quality amp; taste products such as movies, groceries, music, or news. Especially in the context of high-involvement products such as computers, cars, apartments, or financial services, those approaches are less applicable. For example, apartments are not bought very frequently – consequently the corresponding items will not receive a critical mass of ratings needed for making reasonable predictions; for example, Bell and Koren [4] propose to use the 100 nearest neighbors in their collaborative filtering recommendation approach. Furthermore, a low frequency of user ratings would require to take into consideration a rather long time period of gathering ratings – this would make it infeasible for a content-based filtering algorithm to derive meaningful predictions.

Especially in domains where traditional recommendation approaches are not the first choice, knowledge-based recommendation technologies come into play [5,6]. Knowledge-based recommender applications are exploiting explicitly defined requirements of the user and additionally dispose of deep knowledge about the

underlying product assortment. Thus, knowledge-based recommender applications exploit knowledge sources that are typically not available in collaborative and content-based filtering scenarios. A direct consequence of the availability of deep knowledge about the product assortment and explicitly defined customer requirements is that no ramp-up problems occur [5,6]. The other side of the coin is that – due to the explicit representation of recommendation knowledge in a recommender knowledge base – knowledge-based recommenders cause so-called knowledge acquisition bottlenecks: knowledge engineers and domain experts have to invest considerable time efforts in order to develop and keep those knowledge bases up-to-date. Beside this technical challenge it is also important to consider consumer decision making strategies in the design of knowledge-based recommender systems to improve the quality of the recommendation process and to increase customer satisfaction with recommendation results. In this paper we focus on the discussion of selected models of consumer decision making and their importance for the development of knowledge-based recommender applications.

The remainder of this paper is organized as follows. In Section 2 we introduce basic functionalities supported by knowledge-based recommender applications. We provide an overview of general models of consumer decision making in Section 3. In Section 4 to 7 we discuss related theories from decision psychology that can have a major impact on decision processes when interacting with knowledge-based recommender applications. With Section 8 we provide an outlook of relevant future research topics. The paper is concluded with Section 9.

2 Knowledge-based Recommendation

The major difference between filtering-based recommendation approaches and knowledge-based recommendation [5,6] is that the latter use explicit knowledge about customers, the product assortment, and the dependencies between customer preferences. The rules for the identification of a solution are explicitly defined and thus allow the derivation of intelligent and deep explanations regarding the recommendation results. Since advisory knowledge is represented in the form of variables and constraints we are able to automatically determine repair actions in situations where no solution can be found for the given set of customer requirements [7, 8]. Knowledge-based recommendation problems can be defined on the basis of simple conjunctive database queries as well as on the basis of so-called constraint satisfaction problems (CSPs) [9]. A knowledge-based recommender application typically guides a user (repeatedly) through the following phases:

Requirements specification (Phase I.): in the first phase users are interacting with the recommender application in order to identify and specify their requirements.

1.

2.

Repair of inconsistent requirements (Phase II.): in the case that the recommender application is not able to identify a solution, it proposes a set of repair actions (change proposals for requirements) that (if accepted by the user) can guarantee the identification of a recommendation.

3. Result presentation (Phase III.): if the

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[273701]，资料为PDF文档或Word文档，PDF文档可免费转换为Word