文件名称：当消费者了解他们的偏好时推荐产品-研究论文
文件大小：897KB
文件格式：PDF
更新时间：2024-06-29 14:44:01
Search Constructed preferences
消费者经常在搜索时了解他们的偏好。 例如，在试驾新车后，消费者可能会发现她低估了后备箱空间和高估了天窗。 偏好学习使搜索变得复杂，因为每次搜索产品时，更新的偏好都会影响所有产品的价值以及后续（最佳）搜索的价值。 将偏好学习考虑在内的建议可帮助消费者导航搜索。 我们激发了一个模型，在该模型中，消费者在搜索时学习（更新）他们归因于属性级别的偏好。 正式结果建议对搜索文献和推荐系统文献中的共同焦点进行修改。 推荐具有最高选项值的产品（如在大多数搜索模型中）或最有可能被选择或具有最高预期效用的产品（如在传统推荐系统中）可能不是最佳选择。 如果推荐鼓励消费者搜索被低估的产品和/或具有不同属性的产品，则推荐会更有效。 这两种修改都提高了偏好学习的价值。 基于形式理论的推荐系统在合成世界中的表现优于基准模型，特别是当消费者是新手并且推荐系统可以通过针对相对同质的细分市场来开发自己的先验时。