推薦策略與偏好結構

在生活中許多時候我們必須在欠缺足夠資訊或經驗下做出決策，此時往往會 倚賴其他人的推薦，而推薦有許多種形式—可能是親朋好友的經驗與口碑，亦可 能是報紙或名人的評論。書店中銷售排行榜或是新上架書籍陳列平台是熱門商品 推薦及新奇商品推薦，詢問愛看書或電影的親朋好友最近是否有好看的新書或電 影，或是針對特定的研究領域請教該領域的老師或教授列出書單則是專家推薦。

「熱門商品推薦」或「專家推薦」為某一種推薦策略（Recommendation Strategy），

即是為何推薦某一商品的依據或方法。推薦即是整合並轉換各種資料來源，使用 不同推薦策略將資料變成可供使用者參考之資訊。傳統之推薦是銷售人員藉由詢 問顧客需求，根據其需求給予顧客適當的建議。而推薦系統則是利用程式處理資 料，從資料中嘗試分析使用者的偏好結構，進而瞭解使用者個人對產品偏好後根 據推薦策略進行推薦。因採用程式處理資料，可同時處理大量的使用者需求。在 網路購物平台中，基本的推薦策略如銷售排行等可以方便且即時的透過銷售程式 統計，亦不需要額外的成本，因此幾乎所有的電子商務網站都有如銷售排行等基 本的推薦策略。而隨著社會媒體與電子商務的發展，使用者的購物歷程與個人基 本資料（如年齡、性別、居住區域等）能夠以數位化的形式儲存，根據這些歷程 與個人資料，可以利用電腦分析計算後可採用更複雜或個人化的推薦策略來進行 對不同消費者的推薦。(Senecal & Nantel, 2004)將推薦資訊來源區分個人資料與 非個人資料，亦將推薦策略分為個人化與非個人化，形成四種不同面向，如下表。

Provided information Source

Personalized Non-personalized

Personal

Personal source providing personalized information (e.g., “My sister says that this

product is best for me.”);

Personal source providing non-personalized information (e.g., “A renowned expert says

that this product is the best.”);

Impersonal

Impersonal source providing personalized information (e.g., “Based on my profile, the

recommender system suggests this product.”);

Impersonal source providing non-personalized information (e.g., “According to Consumer Reports, this is the best product

on the market.”).

（content-based）與協同過濾（collaborative filtering）。內容式推薦分析使用紀錄，

比對使用者曾經使用之產品或服務推薦具相似性的商品，將使用者的使用的單一

或確定，較難做出選書抉擇；而經驗豐富的讀者則有更高的閱讀動機，想要興趣 的閱讀目標，因此也更常認為推薦系統是有價值的(Ross, 1999; Tang et al., 2012)。

一般而言，對於推薦系統皆採用下列假設(Peppers, Rogers, & Rogers, 1999)：經由 使用者給予的外顯或內隱式回饋，系統可以建立使用者之個人偏好，故獲取使用 者偏好的效果與效率可決定推薦系統的能力。

因此，讀者在網路書櫃如 aNobii 找尋休閒作品時，若推薦系統與策略能參 考使用者個別偏好結構與群體資料，推薦符合使用者需求的書籍，能在讀者尋找、

判斷閱讀材料時產生助益。因此下小節將回顧關於偏好結構之文獻。

二、偏好結構

無論是要推薦消費者購買商品，或是廠商要設計產品或行銷，都需要知道消 費者喜歡什麼，因此消費者的偏好結構是一項被廣泛研究的主題。在讀者從事休 閒閱讀時亦同，讀者會根據他本身的閱讀偏好結構挑選喜歡或是可能喜歡的書籍 來閱讀。有學者指出進行休閒閱讀與推薦相關的研究，可能必須關注消費者或讀 者的偏好結構。在早期經濟學界對偏好結構的研究中通常假設使用者的偏好為固 定不變的，並且使用者知道其偏好為何。推薦系統或銷售人員是逐漸了解該使用 者已發展的固定偏好，而使用者會了解其偏好，且無偏好的發展過程，此種為穩 定性偏好，(Simonson, 2005)認為人們面對熟悉、簡單、較直接經驗的狀況時通 常有穩定的偏好；。這種情形與人們對經驗的存取有關，若是熟悉的情境，人們 傾向依賴經驗法則進行判斷，不會仔細評估。

然而研究指出，使用者對自己的偏好或需求不一定清楚明確，在早期資訊系 統中常需要中介者的角色（例如：圖書館員的參考服務）來輔助使用者釐清自己 的需求並將其轉換至資訊系統中查詢(Taylor, 1962)。此外偏好或需求亦會受到環 境或決策過程影響，如(Bettman, Luce, & Payne, 1998)認為偏好並非固定不變的狀

態，而是會經由刺激產收，或受到任務類型、時間各種因素的影響。消費者行為 領域也對此做出研究，產品的選擇或偏好往往是與當下目標、環境與情境、個人 特質與自我認知等等因素交互影響下的結果。因此，同一使用者在不同的環境與 情境，或是不同使用者在相同的情境與環境下，其偏好與選擇皆會有不同。隨著 對產品的了解或使用者對自己的了解增加，可能會做出不同的決定，因此產生了 偏好建構: 消費者的偏好是發展而來，而非過去所認為總是固定且清楚的。

(Bettman et al., 1998; Haubl & Murray, 2003; Kramer, 2007)以休閒閱讀領域為例，

此一假設亦非常適用，讀者並非帶著明確的閱讀需求，而往往在接觸某類型作品 後才找到該類型中自己最喜歡的作家或書籍，且在實際閱讀前其實並不確定該作 家或某本書是否會讓他著迷。在休閒閱讀的情境下，商品（書籍）的價值是基於 主觀的判斷，在使用者尚未親自使用、經驗性之前，都無法了解商品的價值，此 種商品稱為經驗性商品。經驗性商品能滿足情緒感官經驗(Holbrook & Hirschman, 1982)，但無法用明確屬性和因素做比較。文化事業相關活動或商品為偏向經驗 性商品，在使用商品之前，使用者較無法確認對此商品的評價。書籍亦是一種經 驗性商品，每個人對書籍的價值看法有所不同，在尚未閱讀前也無法確認自己是 否喜歡一本書。此種面對不確定性高之經驗性商品的歷程，由於難以藉由客觀條 件或主觀判斷確認商品是否符合需求，傾向尋求他人的評價。

(Simonson, 2005)針對上述偏好變動的現象進行觀察並提出了偏好發展的理 論。此理論挑戰過去偏好既存且不變的假設，亦即消費者可以判斷何種商品最能 符合其需求。當消費者面臨了商品或是推薦商品時，往往因為受到主觀與情境因 素影響其決策反應與結果：偏好發展程度、與銷售人員的信任關係、商品的展示 形式等。針對偏好建構與偏好發展（preference development），(Simonson, 2005) 將消費者依據偏好固定程度（stability）與自我認知程度（self-consciousness）兩 面向分成四個區塊（見下表）。偏好固定程度意指消費者擁有固定的偏好的程度，

偏好發展愈完整偏好愈穩定。而偏好自我認知程度則是消費者清楚了解自身偏好 的程度，包含了解偏好穩定的程度。若消費者偏好不穩定且缺乏偏好自我認知，

雖看似因自我偏好不穩定而難以進行推薦，事實上卻因為此一類型消費者欠缺偏 好自我認知，加上不穩定的偏好，反而是四種類型消費者中，最易接受推薦系統 的一般推薦，亦可能受到影響而認知推薦系統所做的推薦符合其偏好，而感到滿 足。下表為(Simonson, 2005)提出之使用者偏好發展程度分組:

偏好穩定 偏好自我認知

不穩定 穩定

模糊 組一 組三

清楚 組二 組四

表 2 使用者偏好發展程度分組

在(Simonson, 2005)提出此一偏好結構概念後，之後有許多研究依此概念試 圖將此概念做實際驗證與應用。(Franke et al., 2009)針對偏好結構與客製化商品 之效果進行研究。除了偏好自我認知程度外，(Franke et al., 2009)等加入了偏好 表達能力與產品涉入程度兩因素之影響，綜合上述所有條件比較大眾化商品與客 製化商品對消費者達成的滿意程度與願意購買金額（WTP, Willing To Pay）的影 響。綜上所述，客製化產品推薦對於擁有下列特質的消費者最能發揮其效益: 1.

清楚了解自我偏好 2.能清楚表達自我偏好 3.對於產品涉入程度（involvement）

高。此一研究清楚地指出了使用者偏好結構與其特質確實對推薦系統與客製化商 品帶來的效益有顯著的影響。(Kwon et al., 2009)則嘗試對不同組的使用者使用不 同推薦系統策略，針對前述(Simonson, 2005)四組偏好固定程度與偏好自我認知 了解程度組合分別採用不同推薦策略，使用之策略包括上節所述協同式過濾、內 容式推薦、高分推薦與專家推薦，交互比較評估不同策略在不同偏好結構狀態下

的表現。研究結果發現不同推薦策略在不同偏好狀態下效果確實不同，不同偏好 狀態可能分別適合不同的策略，證實使用不同偏好結構使用不同策略有助於改善 推薦系統表現，亦即偏好結構屬性與推薦策略有交互作用，確認了個人的偏好狀 態與推薦策略成效有關。

Preference Stability Unstable H5:Average opinion (non-personalized and

user collaborative)

Segment 3

H7:Neighborhood-based CF(personalized and

user collaborative) Good

H4:Knowledge or expertise based recommendation

Segment 2 H6:Expert opinion (non-personalized and

expertise-based)

Segment 4 H8:Content-based filtering (personalized

and attribute-based)

表 3 顧客偏好發展與推薦策略(Kwon et al., 2009)