移动应用中推荐策略的异质性需求效应：来自计量经济模型与机器学习工具变量的证据
计算机与社会
2021-02-23 v1
摘要
在本文中，我们考察移动渠道中各类推荐策略的有效性及其对消费者个体产品效用与需求水平的影响。我们发现不同推荐策略的有效性存在显著差异。有趣的是，直接将社会证明嵌入所推荐选项的推荐策略优于其他推荐。此外，将社会证明与因所规定的时序多样性而引起的更高程度诱导知晓相结合的推荐策略对移动渠道有更强的影响。另外，我们考察了需求效应在物品、用户与情境设置上的异质性，进一步从经验上验证了上述信息与说服机制并生成了丰富的见解。我们还利用机器学习方法促进了存在内生性时的因果效应估计。具体而言，我们基于用户生成评论的深度学习模型开发了捕捉产品差异化（隔离）的新颖计量经济工具变量。我们的实证发现拓展了关于推荐系统异质性影响的现有知识，调和了相关文献中矛盾的早期结果，并具有显著的商业含义。
引用
@article{arxiv.2102.10468,
title = {Heterogeneous Demand Effects of Recommendation Strategies in a Mobile Application: Evidence from Econometric Models and Machine-Learning Instruments},
author = {Panagiotis Adamopoulos and Anindya Ghose and Alexander Tuzhilin},
journal= {arXiv preprint arXiv:2102.10468},
year = {2021}
}
备注
Forthcoming at MIS Quarterly