【《电商平台个性化用户采纳的影响因素实证研究》9600字（论文）】

电商平台个性化推荐用户采纳的影响因素实证研究摘要个性化推荐技术虽然缓解了信息过载问题，但是在实际应用过程中采纳行为往往并不积极。个性化推荐用户采纳的研究群集在推荐算法的性能优化方面。虽然算法优化可以提高系统的准确率，但是高准确率并不代表高采纳率。用户接受推荐服务往往与用户情感和用户感知有密切关系。本将文以二代整合技术接受和使用模型和推荐信息感知为基础，建立新的研究用户采纳影响因素的理论模型。进一步以问卷调查和多重线性回归分析验证研究假设，根据检验结果提供改良建议同时做出总结回顾。关键词：个性化推荐、用户采纳、UTAUT2模型、实证分析目录1.引言 [18]（2018）采用线性回归方法表明用户的有用性感知正向作用接受意向。故提出：假设一：用户对个性化推荐系统的绩效期望，会正向影响用户对推荐商品的采纳意愿。享乐动机是指用户在接触一项技术或者使用一种产品的过程受到各方影响从而可以收获到的愉悦体验或者乐趣的程度。随着短视频和直播的发展，电商平台不仅仅承担购物的工具性需求，逐步承担了交互和内容输出的娱乐性需求。用户使用用户个性化推荐服务的过程中，可以享受并沉浸在个性化推荐服务带来的快感和满意的心情，即获得愉悦感和沉浸体验。认为享乐动机和感知愉悦可以很大程度影响用户采纳的相关研究在近年来不断增加，享乐和愉悦已经被认为是作用用户接纳的核心因素。另外研究表明用户在网购中获得的深层次愉悦感可以促进网络购物。故提出：假设二：用户对个性化推荐系统享乐动机的感知，能正向影响用户对推荐商品的采纳意愿。努力期望是指用户在尝试某产品或者一项信息技术过程中对使用其简易程度产生的主观预估。按常理讲，用户使用个性化推荐服务得到偏好商品的努力期望越高，即操作更容易，成功可能性更高，那么用户更倾向接纳个性化推荐系统的建议，也会进一步激励采纳行为。故提出：假设三：用户对使用个性化推荐系统的努力期望，会正向影响用户对推荐商品采纳意愿。习惯是个人在长时间慢慢形成且不易改变的行为或者倾向。当用户养成浏览推荐板块的习惯，个性化推荐服务成为网络购物生活的一部分，那该用户继续使用和积极认知个性化推荐服务的可能性也会大大增加。故提出：假设四：用户使用个性化推荐系统的习惯，会正向影响用户对推荐商品的采纳意愿。推荐信息编排是推荐系统的外观形象，直接作用于用户的感官，指的是推荐商品的展示形式和排列规则。如今大多数的电商平台推荐商品的展示形式分为图片、短视频和直播三种形式，其中短视频在图片基础上引入声音信息丰富商品信息的表达，直播在短视频基础添加了用户交互，可以为用户带来沉浸式购物体验。推荐商品的排列方式指被推荐的商品为了有序地展示出来而遵循的某种标准或规则，譬如：商品类别，活动优惠，用户曾浏览或购买等等。有效的排列方式实现的是商家和用户的双向匹配，可以大幅减少用户找寻商品的时间，使得用户寻找喜好商品更加容易，而商家也可以挖掘更多潜在客户。合理、有序的信息编排方式具有重要作用，多样的商品展示形式和有序清晰的商品的展示形式能使得用户快捷地接受商品信息，同样也提高了用户的主观易用性。推荐解释即商品被推荐的原由。个性化推荐服务的核心是为用户提供个性信息服务以及购物决策支持，这样用户不仅仅可以找到偏好商品，甚至可能找到一些潜在喜欢但不了解的商品。由于推荐系统只展示推荐结果并非运行过程，多数情况下推荐系统都是用户意识之下进行工作的，这样有可能引发用户的隐私担忧和信任危机。主动的推荐解释能使推荐系统具有理解性和一定的透明性，从而可以获得用户的信任，甚至可以促进用户与推荐系统的交互。良好推荐解释会让用户更加清晰和熟悉使用推荐系统，也会更加相信推荐系统的功能，认为其提供符合喜好的产品的机会更多。假设五：个性化推荐系统推荐信息编排会正向影响用户的努力期望。假设六：个性化推荐系统的推荐解释会正向影响用户的绩效期望。假设七：个性化推荐系统的推荐解释会正向影响用户的努力期望。至此总共提出了七个研究假设，将在后续实证分析中进一步验证其合理性。实证分析思量到研究变量需要采用量表形式，因此实证分析的初始数据将通过问卷调查方式进行收集，另外运用数据分析法处理数据以得到较为详细的分析。4.1问卷设计问卷设计首先肯定受访者的基本身份信息题项的设置，不仅包含了一般问卷所涉及的性别、年龄和最高学历水平，同时结合本文研究内容还增添了是否网购、常用电商和电商个性化推荐服务的使用程度等问题。该部分设计了六个问题，可以了解样本的人口分布特征。问卷的第二部分是测量本文的观测变量。该部分使用五级李克特量表衡量受访者对问卷问题的认同程度。1表示非常不同意，5代表着非常同意。该部分共设计了十四个问题，分别对应了本文的观测变量：绩效期望、努力期望、享乐动机、习惯、推荐信息编排、推荐解释和采纳意愿。另外考量到调查问卷涉及一些关于调查目的说明、关键对象的解释、数据安全保证和致谢，因此将这些归纳为问卷的第三部分，即问卷的填写说明最后本次调查问卷设计为封闭式调查问卷，受访者在给定选项中选择最合适的一个，这样可以保证在收集到中小型规模样本时能保证数据的质量。问卷如图4.1所示。图4.1调查问卷4.2问卷发放和回收本次调查问卷主要在网上进行。首先将图4.1所示的调查问卷通过“问卷星”调查平台生成电子调查问卷。然后利用一些常用的社交平台发放问卷。最后委托朋友在其社交圈传给其他用户进行填写。此次调查面向的主要是大学师生群体和一些社会人士。本次调查共回收169份问卷。此外一是要去除近期没有网购活动的受访者填写的问卷，计八份。二是为了保证问卷质量需要简略一些填写时间过低的问卷，计十七份。本次本文最后回收到144份可用问卷，样本有效率为85.21%。4.3数据分析将收集到144份有效样本数据依次进行以下分析。所有处理结果均使用SPSS25.0软件实现。4.3.1描述性分析由表4.1所示，性别分布上，女士受访者多于男士受访者，但差距不是十分明显；年龄分布上，21-30岁年龄段人数最多；在最高学历分布上，本科教育水平人数最多，达到所有样本的84.7%。在常用电商平台上，淘宝/天猫平台占支配性优势，其次是京东和拼多多。最后关于推荐服务的使用，很少或从不使用的受访者共占比21.9%，偶尔使用的人数最多，同样也有接近一半的受访者经常使用个性化推荐系统。表4.1描述性分析结果类别人数占比性别男6041.7%女8458.3%年龄20岁及以下85.6%21-30岁12788.2%30岁以上96.3%受教育程度高中/中专及以下106.9%大专53.5%本科12284.7%硕士及以上74.9%常用电商平台淘宝/天猫14197.925拼多多5940.97%京东6645.83%其他2416.67%浏览推荐商品从不149.6%很少1812.3%偶尔6443.8%经常4832.9%4.3.2信效度分析1.信度分析本节信度分析将通过克隆巴赫α系数的计算分别评价量表整体和各个维度信度水平。结果如表4.2，表4.3所示。表4.2整体信度分析结果克隆巴赫α项数0.90213表4.3各维度信度分析结果维度克隆巴赫α项数绩效期望0.8012努力期望0.7322享乐动机0.8372习惯0.7332信息编排0.7203推荐解释0.7562问卷的整体克隆巴赫α系数值是大于0.7的0.902；各维度的克隆巴赫α系数最低是0.720，最高是0.837。总的来说，本问卷是较为牢靠和可信的。2.效度分析首先计算各维度KMO系数，系数结果如表4.4呈现。从表4.4可以看出有两个量表分析项的绩效期望、努力期望、享乐动机、习惯和推荐解释这些维度的KMO系数均为0.05，不遵循KMO大于0.6的判断标准。信息编排该维度具有三个量表分析项，KMO系数为0.61大于0.6，所以各个量表效度良好。同时各维度的巴特利特球形检验均不显著，说明各个维度的问题不互相独立。综合两种检验结果，说明问卷具有良好的有效性水平，可以进行下一步的分析。表4.4KMO和巴特利特球形检验维度KMO系数巴特利特球形度检验近似卡方自由度显著性绩效期望0.50083.60310.000努力期望0.50057.37210.000享乐动机0.500103.42810.000习惯0.50029.92210.000信息编排0.61034.22530.000推荐解释0.50035.86710.0004.3.3回归分析问卷涉及七个维度，除了采纳意愿维度外其余六个维度均使用多题项的方式进行测量。首先采用平均值的方法计算出各个维度的总值；接着采用回归方法分析假设五、假设六和假设七，最后采用多重回归方法同时验证假设一到假设四。自变量信息编排和因变量努力期望表4.5信息编排对努力期望的回归分析项目未标准化系数B标准误差标准化系数BETAtSig.（常量）1.5230.3025.0880.000信息编排0.6240.0830.5357.5420.000由表4.5可知，推荐信息编排的回归系数大于零，同时对应T检验的概率P值等于零，小于规定的显著性水平，也就是说推荐信息编排能正向作用于努力期望。自变量推荐解释和因变量绩效期望，努力期望根据表4.6可知推荐解释的回归系数大于零，对应T检验的概率P值也为零，比规定的显著性水平低，因此可以认为推荐解释能正向作用绩效期望。表4.6推荐解释对绩效期望的回归分析项目未标准化系数B标准误差标准化系数BETAtSig.（常量）1.1950.3003.9800.000推荐解释0.5640.0800.5117.0800.000表4.7推荐解释对努力期望的回归分析项目未标准化系数B标准误差标准化系数BETAtSig.（常量）1.1310.2544.4520.000推荐解释0.7140.0670.66510.6000.000根据表4.7可知推荐解释的回归系数大于零，对应T检验的概率P值也为零，比规定的显著性水平低，因此可以认为推荐解释能正向作用努力期望。多元线性分析（因变量为采纳意愿，预测变量有绩效期望，努力期望，享乐动机，习惯）表4.8模型摘要模型RR方调整后R方标准估算的错误0.7410.5490.5360.573表4.8结果显示，绩效期望、努力期望、享乐动机和习惯这四个变量可以反映采纳意愿变化程度的53.6%。据表4.9所知，方差分析F值对应的概率P值为0，可以认为绩效期望、努力期望，享乐动机和习惯至少一个变量可以显著影响采纳意愿。表4.9ANOVA分析模型平方和自由度均方F显著性回归55.564413.89142.3460.000残差45.5961390.328总计101.160143表4.10模型的回归系数表模型未标准化系数B标准误差标准化系数Betat显著性共线性统计容差VIF(常量)0.5310.2402.2150.028绩效期望0.1870.0810.1872.3000.0230.4892.043努力期望0.4200.0770.4115.4640.0000.5741.741享乐动机0.1950.0790.2052.4820.0140.4732.112习惯0.0690.0640.0791.0751.0750.5931.686由表4.10所知，其中除了习惯外其余自变量的回归系统B的概率P值小于显著性水平，所以绩效期望、努力期望和享乐动机能对用户接受个性化推荐意愿产生正向作用，用户使用个性化推荐系统的习惯不能证实对用户接受个性化推荐服务有正向作用。综上所述，除了假设四，其他假设均成立。因此用户对智能保举系统的绩努力期望、享乐动机和绩效期望能共同正向作用于用户对推荐商品的接受意向。并且该保举系统的推荐信息编排和推荐解释能正向作用于用户使用个性化推荐系统感知的绩效期望和努力期望。最后习惯不能被认为其可以影响用户对推荐信息的接受意愿。假设四“用户使用个性化推荐系统的习惯，会正向影响用户对推荐商品的采纳意愿”不成立，即习惯该变量不能被证明显著正向影响采纳意愿。这是因为一方面由于21-30岁的被访者占比88.2%，与我国网络用户年龄分布有一定区别，该部分被访者可能没有养成个性化推荐服务的习惯或者其独有的行为特征影响着采纳意愿。另一方面网络购物的商品筛选可以通过搜索引擎和用户定点分享等方式，用户可能不会拘泥于个性化推荐服务的选择惯性。4.4建议本节根据上述数据分析结果，提出以下建议。4.4.1关注用户个性化和娱乐化需求假设一、假设二和假设三均成立，即绩效期望、努力期望和享乐动机均对用户的采纳意向有积极的影响。基于此，改进个性化推荐服务不仅需要降低用户对个性化推荐服务的使用难度感知，而且需要注重用户个性化需求和娱乐化需求。推荐系统应持续、全面的关注用户网购过程中产生的需求或者需求的变化，以用户的需求为中心，在合适的时机筛选并展示对用户真正有用的推荐信息或者让用户自行设置某一类别所偏好推荐信息。另外电商平台的个性化推荐服务应逐渐添加娱乐性和交互性，关注提供用户愉悦感和沉浸体验。4.4.2改良商品展示形式，注释推荐原因假设五和假设六成立，所以改进推荐服务可以从信息编排和推荐解释两个角度入手，一是优化商品信息展示形式，商品信息展示页面应该简洁，有序和突出重点，获取用户好感，增添对用户的吸引力。另外推荐信息的展示形式不局限于图片和音频信息，可以以短视频和直播形式推荐商品。二是注释商品的推荐原因，主动清晰地推荐解释不仅仅会拉近用户与系统之间的距离，提升用户对推荐系统运行的理解，更重要的是用户愿意接受推荐原因明确的推荐信息。结语与展望本文基于UTAUT2模型和用户对推荐信息的感知，整合出六大影响采纳意愿的关键因素，并采用问卷调查法和多重线性回归分析方法作实证分析，成功支撑了假设四以外另外假设的合理性。最后根据假设检验结果，提出三点改进意见:关注用户的个性化和娱乐化需求，优化商品信息的展示形式和改善商品推荐方式。本研究也存在一些问题。在样本收集方面，大多数样本属于本科以上学历的年轻人群体，年龄结构和学历结构样本与现国内网民结构存在一定的差异。另外由于回收问卷的数量较少，这些降低了本文研究结果的代表性。在观测变量方面，关于用户对推荐信息质量的感知测量维度并不全面，仅选取了推荐解释和推荐信息编排两个变量。针对本文的进一步研究可以从三个方面出发，首先可以引入调节变量，考量引入调节变量是否影响原先假设检验结果以及如何影响，调节变量可取消费者身份特征，行为特征和产品因素等等。其次可以细分用户的采纳程度，如何时采纳，持续采纳和首次采纳等等。最后研究实际购买行为，从采纳意愿深入到采纳行为，探索产生购买行为的成因，开展此研究具有很重要的实践意义。参考文献中国互联网络信息中心（CNNIC）.第47次中国互联网络发展现状统计报告[R].2021年3月21日.黎星星,黄小琴,朱庆生.电子商务推荐系统研究[J].计算机工程与科学,2004(05):7-10.刘蓓琳.电子商务用户个性化推荐技术接受影响因素研究[D].中国矿业大学（北京）,2009.马庆国，王凯，舒良超．积极情绪对用户信息技术采纳意向影响的实验研究—电子商务推荐系统为例[J]．科学研究2009(10)：1557—1563．杨一翁,王毅,孙国辉.网络推荐系统对消费者的营销效果——技术接受模型视角[J].中国流通经济,2016,30(02):98-107.陈明亮,蔡日梅.电子商务中产品推荐代理对消费者购买决策的影响[J].浙江大学学报(人文社会科学版),2009,39(05):138-148.李丹妮.购物平台个性化推荐对消费者购买意愿的影响[J].中国经贸导刊(中),2019(12):122-125.SchaferJ.Meta-recommendationsystems:User-controlledintegrationofdiverserecommendations[C]Proc.11thInternationalConferenceonInformationandKnowledgeManagement(CIKM'02),2002.Ansari,A.InternetRecommendationSystems．Journalofmarketingresearch。200037.(3)：36—39．DanielKluver，JosephA．Konstan：EvaluatingRecommenderBehaviorForNewUsers.RecSystemProceedingsofthe8thACMConferenceonRecommendersystems，2014：121—128．YoonVY,HostlerRE,GuoZ.Assessingthemoderatingeffectofconsumerproductknowledgeandonlineshoppingexperienceonusingrecommendationagentsforcustomerloy