随着我国汽车行业的发展，汽车厂商之间的竞争已从产品层面扩展到汽车售后服务方面，目前汽车售后服务是汽车产业链中最稳定的利润来源，占总利润的60%～70%。包含有汽车维护、维修、美容、保险等多种服务的汽车售后市场具有广阔的发展空间，也将成为汽车市场竞争的关键环节。
在这个信息爆炸的时代，将用户推荐系统引入汽车售后市场，为用户提供推荐服务，一方面能够帮助顾客在纷繁的产品和服务中以较高的效率满足自身需求，节约时间精力，提升用户体验，真正实现以客户为中心同时也能够有针对性地实现营销，通过主动服务以更高的效率和更低的成本迅速占领市场，赢得客户。如何针对不同或同类客户的差异化偏好选择合适的服务组合，在资源有限的情况下，实现主动服务力求服务效率最大化，以改变传统被动服务局面是未来所需要重点探索的问题，这就需要为汽车售后服务市场构建一个更为实用的用户推荐系统以适应时代发展的需求。
1 国内外研究现状
如何创造一个简洁又不失参考性的推荐系统使用者?从Ozok et al.(2010)的研究中，我们便可以发现使用者对于推荐资讯量呈现的多寡较偏爱于简洁且准确为主。大部分使用者认为推荐资讯基本上应该呈现商品的图片、名称及价格，且除非有更多的空间，不然除了使用者评价/评论，促销和比较的资讯之外，不希望有任何更多的资讯出现在使用者上，以避免使用者太过于复杂。而使用者的评论及评价更应时常更新且显示最新的，至于其评论及推荐的描述最好不要太过于多行，以免造成使用者的负担而降低其浏览的意愿。此外，视觉化表示法对于复杂的商品领域，以及当使用者对于搜寻领域的知识有限的情况下，可有助于提高其推荐绩效及使用者的满意度，并吸引使用者更常使用该评论而不会增加使用者大量的认知负荷。混合式的评分并不是一个合理的折中办法。由上述的描述可知，推荐系统的使用者设计的不同将会对使用者造成不同的影响。使用者对于推荐系统的喜爱程度，除了评估推荐机制之外，其使用者的设计也是一个重要的评估。创造一个受欢迎且成功的使用者并不只是单单令人赏心悦目即可，它还有许多方面的设计及影响是必须列入考量的。使用者设计师的最终目标即创造一个高满意度的使用者并可以进一步地说服使用者购买此商品。
2 汽车售后市场用户动态多推荐系统框架
推荐系统采用开放式的模式，从而避免其移植性差的问题，并在整个内部结构中构建松散耦合的多模块体系架构，降低系统耦合性;将用户推荐系统与电子商务网站系统分离，进一步避免两者的杂糅。整个推荐系统框架包括三个主要模块：数据处理模块、数据挖掘模块，用户推荐模块，如图1所示。
2.1 数据处理模块
随着互联网的迅猛发展，汽车售后市场中大量用户信息被存储在了Web服务器上，数据处理模块就是在明确了数据挖掘模块的业务目标之后，通过一些基本处理方法，在海量源数据中构造出满足业务目标后期数据挖掘需求的数据集，并存储在数据仓库中。整个过程又可分为：数据选择和集成、数据预处理和数据转换。
2.2 数据挖掘模块
数据挖掘模块负责在数据信息资源中筛选出隐含的、有价值的知识，通过分析来发现隐藏的关系和模式，进而预测用户未来可能出现的行为和特征。运用数据挖掘算法找到训练集中包含的初始模型，利用测试集对初始模型进行修正，修正集可能有若干个，对应的也会有若干个修正模型，在初始模型的基础之上通过整合提取每一个修正模型的优点，用测试集对模型的适应性进行评价分析，最终完成对模型的优化，确定出最优模型，并将这些最优模型和重要的知识信息存储在规则库中。
2.3 用户推荐模块
用户推荐模块和电子商务网站系统相连，用户推荐功能的实现由用户推荐模块筛选出的当前事务，在完成用户建模后，结合当前会话、访问行为和商家的商业推荐策略，通过推荐引擎给出服务推荐结果并将最终的用户推荐结果提交给电子商务网站系统，再由网站系统呈现给目标用户。
3 汽车售后市场用户动态多推荐系统作用机理
汽车售后市场用户动态多推荐的实现是数据处理模块、数据挖掘模块和用户推荐模块协同作用的结果，三个模块相对独立又彼此联系。数据处理模块和数据挖掘模块为整个推荐系统提供坚实可靠的数据支持，系统的核心推荐功能和反馈机制则由用户推荐模块实现。
数据处理模块完成对大量基础数据的处理并将数据处理的结果存放在数据库中。用户推荐模块中推荐引擎功能的实现也依托于数据处理模块和数据挖掘模块的离线支持。推荐引擎实现用户在线推荐，不仅需要在电子商务Web服务器中收集用户即时的在线行为、了解用户所处交互阶段(页面);更为重要的是，其商业推荐策略、大量的客户推荐算法以及算法动态配置规则的制定都需要其离线基础原始数据和数据挖掘规则库的支持，也只有这样才能够实现在不同场景针对不同用户按照不同商业推荐策略，依据推荐算法动态配置规则，动态地选择出最为合适的推荐算法，给出精准高效的推荐结果。
4 动态多推荐策略
用户推荐发生在电子商务网站系统与用户交互的整个过程之中，在整个电子商务交易流程中，涉及了多个环节，这就决定了我们如果想要使用某个固定不变的推荐算法来完成所有推荐是不现实的，也是不合理的。此外，商家也需要根据市场、政策等因素的变化制定相应的产品服务营销策略，如有时我们需要降低单位产品利润来换取更高的市场占有率，有时我们又要采用促销的方式解决库存的积压，等等。显而易见，一个固定的推荐算法再也满足不了现实社会的要求，因此需要引入一种动态多推荐策略来解决这一问题。动态多推荐策略将用户推荐不再局限于客户的角度，也从电子商务交易的另一主体商家的角度进行考虑，通过引入商业推荐策略，商家能够针对不同商业现状采取相应商业策略，实现推荐需求的动态变化;动态多推荐系统也关注电子商务网站与用户交互的每一个环节，能够在不同的场景之下给出不同的推荐方式，使用户的隐藏推荐需求更为具体。
5 结语
本文为汽车售后服务市场设计了一种动态多推荐的用户推荐系统，系统基于数据挖掘技术为推荐的实现提供大量可靠数据支持，与电子商务网站的交互过程中为每一个用户建立目标用户模型，在最大限度地满足用户的个性化推荐需求，推荐效果反馈机制进一步为推荐的准确性提供了保证。系统动态多推荐策略的引入，实现了依据确定的推荐算法匹配规则，在不同的场景之下结合商家的商业推荐策略，为不同的用户动态调用合适的推荐算法，不但为目标用户做出了推荐，也满足了商家的商业推荐策略要求，真正赋予系统实用与灵活。此外其松散耦合的系统架构、可调节的商业策略、大量封装的推荐算法也为后续的开发扩展提供了良好的条件。
关于后续研究，系统中的商业推荐策略、推荐算法仍需要结合汽车售后服务市场现状进行补充、修改和完善，由于该推荐系统是汽车售后服务市场理论上的创新和探索，其对推荐准确度的提升效果有待进一步验证。此外，本文推荐算法配置规则中推荐算法的确定是依照规则表，这种方式一定程度上对算法选择的合理程度带来了限制，如果能够总结出用于确定推荐算法的公式或者是进一步将影响推荐算法选择的种种因素量化，通过公式计算结果所属域来选择推荐算法，那么推荐结果将会更为精准。
