熱門論文
最新論文
電子商務個性化推薦的用戶 信息采納影響因素研究
發布時間：2023-01-11 11:28
目錄
摘要 1
1緒論 1
1.1研究背景與研究意義 1
1.1.1研究背景 1
1.1.2研究意義 2
1.2研究目標與研究內容 2
1.2.1研究目標 2
1.2.2研究內容 3
1.3研究方法與創新點 4
1.3.1研究方法 4
1.3.2研究創新點 5
2電子商務個性化推薦服務研究綜述 6
2.1電子商務個性化推薦服務概述 6
2.2電子商務個性化推薦方法研究 7
2.3電子商務個性化推薦服務的用戶接受影響因素研究 8
2.3.1推薦系統因素 8
2.3.2用戶主體因素 10
2.3.3社會因素 10
2.4電子商務個性化推薦的用戶接受研究小結 11
3信息采納相關理論與研究基礎 12
3.1推薦信息采納的界定 12
3.2信息采納過程的機理分析 13
3.2.1精細加工可能性模型 13
3.2.2信息采納模型 13
3.3技術接受相關理論 15
3.3.1技術接受模型 15
3.3.2整合技術接受和使用模型 16
4個性化推薦的用戶信息采納模型構建 20
4.1理論模型設計與依據 20
4.1.1主變量 21
4.1.2外部變量 22
4.2模型變量定義與假設 23
4.2.1推薦信息源可信度 23
4.2.2推薦信息質量評價 24
4.2.3主觀規范 26
4.2.4 信任 27
4.2.5績效期望和易用期望 27
4.2.6用戶認知 28
5個性化推薦的用戶信息采納模型實證分析 30
5.1問卷設計與前測 30
5.1.1變量定義 30
5.1.2調查問卷設計 31
5.1.3問卷前測 31
5.2問卷的發放與回收 33
5.3描述性統計分析 33
5.4信度與效度分析 35
5.4.1信度分析 35
5.4.2效度分析 36
5.5相關分析 39
5.5.1信任的相關分析 39
5.5.2績效期望的相關分析 40
5.5.3易用期望的相關分析 41
5.5.4推薦信息采納意愿的相關分析 41
5.6回歸分析 42
5.6.1信任的回歸分析 42
5.6.2績效期望的回歸分析 43
5.6.3易用期望的回歸分析 44
5.6.4推薦信息采納意愿的回歸分析 45
5.7假設檢驗結果及討論 47
5.7.1假設檢驗結果 47
5.7.2模型修正 47
5.7.3假設結果分析 48
6研究結論與建議 50
6.1研究結論 50
6.2電子商務網站個性化推薦服務的改進建議 51
6.3研究局限和展望 52
參考文獻 54
附錄 59
致謝 63
圖目錄
圖1.1研究技術路線圖 4
圖3.1 IAM模型 14
圖3.2 IAM模型 16
圖3.3U1AUT模型 17
圖4.1 “人一一情境"關系圖 20
圖4.2個性化推薦的用戶信息采納理論模型 21
圖4.4個性化推薦的用戶信息采納假設模型 29
圖5.1修正后的研究模型 48
表目錄
表2.1推薦系統因素 9
表2.2用戶主體因素 10
表3.1 UTAUT模型各變量來源 17
表4.1模型假設匯總 29
表5.1假設模型中的測量變量匯總表 30
表5.2前測信度分析 32
表5.3樣本描述性統計分析 33
表5.4信度分析結果 35
表5.5充分性檢驗 36
表5.6檢驗樣本的解釋方差 37
表5.7因子載荷矩陣 38
表5.8信任及其影響因素的相關分析 40
表5.9績效期望及其影響因素的相關分析 40
表5.10易用期望及其影響因素的相關分析 41
表5.11推薦釆納意愿及其影響因素的相關分析 42
表5.12信任的回歸分析結果 43
表5.13績效期望的回歸分析結果 44
表5.14易用期望的回歸分析結果 45
表5.15推薦采納意愿的回歸分析結果 46
表5.16模型假設檢驗結果表 47
1緒論
1.1研究背景與研究意義
1.1.1研究背景
隨著互聯網的蓬勃發展，我國電子商務的規模不斷增長，己成為影響居民生活 的重要行業。根據艾瑞咨詢發布的《2014年中國電子商務年度數據報告》數據顯 示，2014年我國電子商務市場交易規模達到12.3萬億元，同比增長21.3%；預計 到2018年整體市場規模將達到24.2萬億元⑴。不斷增長的市場規模，表明了民眾 們對網絡消費方式的認可以及切實的消費需求。在虛擬的網絡環境下，商家能夠以 近乎0成本的方式向用戶展示商品，在線售賣的商品種類和數量越來越多。海量的 商品在給用戶帶來更多選擇的同時，也大大增加了用戶搜尋和選擇所需商品的成 本。信息過載問題越來越嚴重，已成為影響用戶網絡消費的重要阻礙。
現己進入了 “大數據時代”，互聯網信息量的急速膨脹，催生了個性化推薦服 務，目的是為了在碎片化和迭代增長的信息泥沼中，有效地降低用戶的信息負載。 作為推薦技術在電子商務領域里的應用，國內外電子商務網站如淘寶/天貓、京東、 亞馬遜等都已提供不同程度的個性化推薦服務。電子商務網站的推薦服務，其主要 作用是向用戶提供個性化的商品推薦，降低用戶的信息負擔，以幫助其快速找到感 興趣的商品。已有調查表明，有87%的網民愿意并且曾經使用過推薦服務。盡管個 性化推薦的算法不斷優化和改進，推薦的準確性和多樣性也逐步提高，但是推薦服 務在實際的運用中的效果并沒有預期中那么理想。因此，近幾年來有很多學者開始 從消費者行為角度出發，對用戶接受推薦服務的機制進行研究。
電子商務個性化推薦服務的流程包括4個部分：首先是信息獲取，即獲取用戶 的個人偏好和行為數據；其次是信息處理，包括對用戶信息的處理和對商品信息的 處理，以形成推薦計算可用的數據集；然后是根據不同的推薦算法進行計算，以生 成個性化的推薦結果；而最后則是信息的推送與呈現，即通過一定交互方式把推薦 結果展示給用戶。用戶所能感知到的是推薦信息產出之后，從推薦系統發出到用戶 接收到信息的這段過程，這也是用戶與推薦系統交互的主要部分。國內外現有的對 個性化推薦的接受研究，大都是基于技術接受模型，從對系統或技術接受的角度出 發，面向推薦系統的算法、功能，對用戶接受推薦的影響因素進行研究。但對于電 子商務用戶來說，個性化推薦對其網絡購買行為的影響，實質上是通過用戶對推薦 信息的采納，來為購買決策提供幫助，而并不只是是對推薦服務的使用。
電子商務個性化推薦服務所推送的是包含產品屬性在內信息，對于所接收到的 具體的推薦信息，用戶是否會采納以及哪些因素會影響用戶采納，仍需要進一步的 研究。基于以上，本文從信息采納的視角出發，通過實證方法來探究在個性化推薦 過程中有哪些因素會影響用戶的信息采納行為，以及這些因素對用戶信息采納行為 的影響程度，以期能夠為電子商務網站的個性化推薦服務的改進提出一些建議。
1.1.2研究意義
(1)理論意義
現有的與個性化推薦的用戶接受行為相關的研究，主要集中在兩個方面：1•基 于技術接受相關理論，研究影響用戶接受個性化推薦這一新技術的因素；2.從消費 者網絡決策行為角度，研究個性化推薦對用戶購買行為的作用和影響。而推薦服務 對用戶決策的影響本質上是基于用戶對信息的采納，但在現有的研究中尚未有學者 從信息采納的角度來探討個性化推薦的用戶接受行為。本文從信息采納的角度出 發，綜合引入信息采納理論、UTAUT模型等，構建個性化推薦的用戶信息采納模型。 在理論層面上，豐富了個性化推薦的用戶接受行為方面的研究內容，可為后續相關 研究提供支持，具有一定的理論價值。
(2)實踐意義
對于電子商務網站來說，尤其是像淘寶/天貓、京東等電子商務網站平臺，其 提供的推薦服務，連接的是用戶、商家兩端。對用戶來說，推薦服務要做的是滿足 他們的需求和偏好，通過推薦來降低用戶在購買的信息搜尋過程中所需付出的成 本，提高決策效率和質量。而對商家來說，則是提高推薦廣告的點擊和商品的售賣。 在理論研究的基礎上，本文通過對真實的電子商務用戶的信息采納行為進行實證研 究，確定哪些因素會對用戶采納推薦信息產生影響以及影響的程度。在實踐層面上, 其研究結論能夠為網站改善自身的推薦服務提供參考，有助于電子商務網站提高自 身服務質量、增強用戶滿意度、增加網站銷量以及培養用戶忠誠度。
1.2研究目標與研究內容
1.2.1研究目標
(1)構建電子商務個性化推薦的用戶信息采納模型。
(2)根據理論模型和假設，設計出相應的調查問卷并通過實證完成對模型的 驗證。
(3)根據本文的研究成果，從用戶信息采納的角度出發，為電子商務網站的 個性化推薦服務提出相應的改進建議。
1.2.2研究內容
本論文共有六章，具體內容安排如下：
第一章是緒論。主要介紹本文的研憲背景、研究意義、研究方法，以及本文所 研究的具體內容與創新點。
第二章是電子商務個性化推薦服務研究綜述。首先對個性化推薦服務進行闡 述；其次從推薦方法研究和推薦技術的用戶接受相關研究進行整理和總結，指出現 有研究的不足，提出個性化推薦的信息采納研究問題。
第三章是推薦信息采納相關理論基礎。首先對推薦信息采納的內涵進行了界 定；然后對信息采納過程的機理進行分析，并對技術接受相關理論做了闡釋，為后 文的研究提供理論支持。
第四章是個性化推薦的用戶信息采納模型的構建。本章是本文的核心部分，首 先基于前文梳理的理論基礎，結合UTAUT模型、IAM模型、ELM模型以及個性化 推薦的要素構建個性化推薦的用戶信息采納理論模型。然后對模型中涉及到的變量 進行闡釋并提出假設，構建出假設模型，為后文的實證分析做準備。
第五章是問卷調查與數據分析。首先根據國內外相關研究中較為成熟的問卷量 表為參考，設計出本研究的所使用的調查問卷。其次根據實證需要進行問卷的前測 調查，利用SPSS19.0對前測數據進行信度檢驗，并根據結果對問卷進行相應的調 整。然后正式大量發放和回收問卷，對篩選出的符合研究要求的數據進行相關分析 和回歸分析，以驗證模型假設，在此基礎之上檢驗并修正第四章所提出的假設模型。
第六章是總結與展望。在對實證結果的整理和分析基礎上，總結出本次研究的 結論和不足之處，并對電子商務網站改善自身的推薦服務提出改進建議。
本次研究的技術路線圖如1.1所示：
研尤背景和研究問題的蕊］
文猷綜述和理論基礎梳理
模甲構建與甲設
個性化推薦要素 <=> 用戶信息采納
實證研究
調査問希設計
數據鮭與分析
模型假設驗證及修正
研究總結與展望
圖1.1研究技術路線圖
1.3研究方法與創新點
1.3.1研究方法
本研究釆用規范研究和實證研究相結合的方法，力求科學合理地探討與分析個 性化推薦服務要素與用戶信息采納間的影響關系，理論研究與實證研究相結合以便 獲得更加真實和準確的研究結論。具體分為：
(1)文獻分析法:通過對學校圖書館館藏圖書、網絡數字資源庫、Google Scholar
和互聯網網頁信息等途徑，查閱眾多該研究領域的文獻與資料，并對相關研究進行 概括和歸納，為本論文的撰寫打下理論基礎。
(2)模型分析法：本文在對相關理論和已有研究成果的梳理基礎上，借鑒和 整合相關理論模型，如信息采納模型、整合技術接受與使用模型，構建電子商務個 性化推薦的用戶信息采納理論模型，并提出模型假設，利用模型來說明相關的研究 問題。
(3)問卷調查與實證分析：本文在理論模型和假設的基礎上，設計出調查問 卷的量表。通過對問卷的前測和修改，正式發放調查問卷后回收樣本數據，借助SPSS 19.0 1具進行數據分析，以驗證模型假設。涉及分析方法包括描述性統計分析、信 度效度分析、相關分析和回歸分析等。最后根據實證分析的結果來修正模型假設， 并對修正后的模型進行總結。
1.3.2研究創新點
本文的創新點主要有：
(1)對電子商務個性化推薦的用戶信息采納影響因素進行了系統的探究。已 有的國內外研究，都是聚焦在對推薦系統和服務的技術接受上。而本文的研究對象 選取的是用戶信息采納行為，在已有個性化推薦服務的用戶技術接受研究基礎上， 從一個較新的視角來更進一步地探討在個性化推薦服務中，有哪些因素會影響用戶 對推薦信息的采納。
(2)構建出個性化推薦的用戶信息采納模型，為以后的推薦信息釆納研究提 供支持。本文根據已有的相關研究基礎，在UTAUT模型的基礎上，結合精細加工 可能性模型、信息采納模型、社會學習理論、信任等，構建出個性化推薦的用戶信 息采納理論和假設模型。UTAUT模型作為現有技術接受相關理論中最完善、解釋力 最強的模型，國內尚少有學者將其應用到推薦服務的用戶接受行為研究中，其應用 的可行性仍需多加驗證。
本文不論是研究對象和研究理論都是較為新穎且豐富的，是一次探索性的研 究。
2電子商務個性化推薦服務研究綜述
本章的研究綜述首先對電子商務個性化推薦服務做了陳述，然后對電子商務個 性化推薦方法和用戶接受推薦服務的影響因素等方面的研究成果進行了梳理和總 結，在此基礎上指出了現有研究的不足之處，提出個性化推薦的信息采納研究問題。
2.1電子商務個性化推薦服務概述
隨著電子商務的不斷發展，用戶在網絡上的購買需求呈現出個性化和多樣性的 特征。不同于線下購買的情境，網絡中的商品數量大、種類多、信息豐富。在信息 過載的情況下，用戶很難快速從繁雜的信息中到自己滿意的商品。因此，電子商務 網站開始向用戶提供個性化推薦服務，以使用戶能夠快速、容易地找到滿足其需求 的商品，減少用戶信息搜尋和決策的負擔。
現有各電子商務網站提供的推薦有很多種，但基本都可以被歸于兩類：
(1)標準化推薦：主要類型包括廣告推薦、其他用戶推薦、網站編輯推薦和 專家推薦等。該種類型的推薦是同時向所有的用戶進行推送，并未考慮用戶之間的 差異性，所有用戶接收到的信息都是相同的，因此推薦的方式并不具有個性化特征。
(2)個性化推薦：主要包括基于內容的推薦、基于協同的推薦等推薦方法。 該類型的推薦是根據用戶的特征和歷史行為數據，通過分析后主動向用戶推薦能夠 滿足他們興趣和需求的商品，有針對性地引導用戶關注或購買推薦的產品。
本文所選取的研究對象是第二類，個性化的電子商務推薦服務。關于個性化推 薦服務，不少專家都提出了自己的定義：
Resnick &Varian (1997)最早在《Recommender Systems》中對電子商務個性 化推薦進行了定義，指電子商務網站向用戶提供商品信息和建議，幫助做出購買決 策，模擬銷售人員幫助客戶完成購買過程［2】。Paul&Halr (1997)認為推薦服務是 網站基于消費者的特征、行為和偏好數據，結合其他具有相似性的消費者的選擇和 經營者的知識，來為消費者提供商品選擇的建議服務。也有不少學者從系統的角度 來進行定義：Ansari (2000)認為推薦系統是一種能夠基于用戶的興趣、偏好和以 往購物行為來做出針對性推薦的軟件。Benbasat和Zmud (2003)卩〕認為推薦系統 向消費者提供智能的代理服務，它通過分析消費者的性格特點、產品偏好以及搜索 商品的特性等等，做出準確的推薦。蔡日梅(2008)將其定義為推薦代理，是基于 個性化信息來向用戶提供定向推薦服務的軟件。推薦系統是網站提供個性化推薦服 務的基礎，但是對于用戶來說，其跟推薦系統間的交互其實是并不直接的。用戶所 能感知到的是由電子商務網站提供的推薦信息，是一種新形式信息服務。因此，本 文認為個性化推薦更強調的是一種服務，而不只是一種系統或技術。
通過總結發現，盡管每個學者對電子商務個性化推薦服務的表述不盡相同，但 是其本質內容是一致的，即強調網站根據不同用戶各自的特性、偏好和行為特點來 提供有針對性的信息服務。基于已有學者提出的定義，本文認為：電子商務個性化 推薦服務是網站利用推薦系統實時地收集用戶特征資料和行為數據并進行分析，根 據用戶的不同特征主動為其提供信息和商品建議的服務。
2.2電子商務個性化推薦方法研究
電子商務個性化推薦流程的核心部分是通過一定的推薦方法生成滿足用戶需 求和偏好的推薦信息，而影響推薦信息個性化程度的最主要因素就是系統的推薦方 法。目前，關于個性化推薦方法的研究，主要從推薦算法、技術角度來進行探討。 在已有的研究中，個性化推薦系統應用較多的推薦方法有以下幾類：
(1)基于內容的推薦方法
基于內容的方法源于信息獲取領域［4】，該方法利用的是從產品和用戶中提取出 的特征標簽，經對特征標簽相似度的計算，最終把匹配的產品推薦給用戶。
(2)基于協同過濾的推薦方法
基于協同過濾的推薦，是推薦系統根據與當前目標用戶具有較高相似度的其他 己購買了商品的用戶之間的相關性來進行推薦的方法呵。該種推薦技術最早由 Goldberg等(1992)應用在Tapestry郵件系統中，后續出現的很多推薦系統諸如 GroupLens、Grundy等應用該種算法。基于協同過濾的推薦一般可分為三類：基于 用戶的協同過濾、基于項目的協同過濾和基于模型的協同過濾。
(3)基于社會網絡分析的推薦方法
基于社會網絡分析的推薦是把社會網絡分析理論應用于推薦系統，該方法的研 究是協同過濾推薦的延伸［6】。用戶在購買或對網頁進行瀏覽時，會形成用戶和產品 間的鏈接關系，而由此構成一種社會網絡關系。通過社會網絡分析的方法可以計算 不同節點之間的相關性，并可依此來進行推薦。
(4)基于知識的推薦方法
基于知識的推薦方法不是建立在用戶需要和偏好基礎上的推薦，而是針對特定 領域制定的規則來進行實例推理［7】。基于知識的推薦系統不需依賴用戶評分等與用 戶偏好相關的歷史數據，因此不存在冷啟動的問題，能夠響應用戶即時的需求。
（5）混合式推薦系統
由于眾多的推薦算法都有著各自的優缺點，因此在實際的應用中都會將不同的 推薦方法結合起來，利用混合的推薦方法來彌補各自技術的弱點。目前的推薦混合 策略有兩種：1）推薦算法混合，即先以某一種推薦方法做為框架，然后再混合其 他的推薦方法。最常見的形式是聯合基于內容的推薦和基于協同的推薦兩種方法 【8］。2）推薦結果混合，即先利用不同的推薦方法生成推薦結果，然后通過算法將 不同的推薦結果進行混合來得到推薦。
2.3電子商務個性化推薦服務的用戶接受影響因素研究
通過對己有關于個性化推薦的研究成果的整理，可以發現當前大量的研究是集 中在推薦算法、系統性能方面的。而另有一部分學者認為，影響用戶對推薦服務滿 意度的不只是推薦結果的個性化，還有其他相關影響因素。因此，部分國內外學者 基于技術接受理論，從用戶接受行為角度來對個性化推薦服務進行了研究，主要集 中在用戶接受推薦服務的影響因素研究上。
Nikolava & Sri ram （2006）同的研究認為推薦系統、推薦產品、消費者三者 的特征都會對推薦服務的用戶接受產生影響。Xiao & Benbasat （2007） I】。］的研究發 現消費者的購物決策會受個性化推薦系統特點、推薦交互特征、提供推薦服務的網 站的可信度、消費者和推薦產品特征的影響。蔡日梅（2008） ［4通過實證發現， 網站的形象、推薦結果的個性化和信息編排會正向影響用戶對推薦服務的認知價 值，而認知價值和信任又正向影響用戶的購買決策。張紅（2013） "I從用戶認知 角度出發，研究了網站專業性、知識推薦內容與方式、用戶認知和產品特征等對用 戶采納知識推薦服務意愿的影響。
用戶對電子商務個性化推薦服務的接受是用戶主體同推薦系統以及周圍環境 交互的過程。已有的相關研究成果中，影響用戶接受個性化推薦的因素主要可分為 三類：推薦系統因素、用戶主體因素以及包含社會影響在內的其他角度來探討。
2.3.1推薦系統因素
從系統角度來探討用戶技術接受影響因素的研究是最多的，已有的對系統因素 的研究，主要包括推薦結果因素和推薦系統與用戶交互方式的因素。但由于推薦系 統一般是嵌套在電子商務網站之中，并不是獨立存在的，因此對用戶接受推薦服務 有影響的因素還包括網站自身的特征。近年來的國內外學者的相關研究成果整理如 下表2.1所示：
表2.1推薦系統因素
作者 研究內容
Scenecal & Nantel (2004)問 提供推薦服務的網站的特征、推薦信息類型和商品特征 會對推薦服務的作用產生影響。
Jarvenpaa (2006) t14l 網站的知名度、聲譽和規模大小等會影響用戶對網站的 信任。用戶的信任程度越高，對網站服務滿意度就越高， 風險感知則越低，最終決定了用戶的態度和購買意圖。
Sean&John (2006) 推薦結果的質量是影響用戶接受推薦服務的主要因素，推 薦的結果對用戶需求的滿足程度直接決定用戶滿意度。
LIANG (2007)問 推薦結果的準確性能提高用戶的滿意度，通過對用戶使用 態度的影響進而間接影響用戶對推薦系統的使用意愿。
Basartan (2001)(161 推薦的服務的結果數量會影響用戶對推薦的接受。結果 的數量過多會導致信息過載，消費者在決策時需付出更 多努力，降低決策質量。
Dellaert & Haubl (2005) ©I 推薦信息的呈現形式會對消費者的決策過程產生影響， 展示有序、內容易理解的推薦信息更容易被消費者接 受，從而更好的幫助消費者做出決策評估。
Lin 等(2009)"] 推薦系統的界面和交互設計會影響系統的易用性，進而 間接影響學生對圖書館電子數據庫的使用意愿和行為。
Sinha & Sweringen (2001) "I 在推薦信息中對推薦原因進行解釋，能夠提高用戶對推薦 系統透明度的感知，對推薦的感知有用性有正向影響。
Eliseo Reategui
(2002)【20】 對推薦行為和結果的解釋、說明，能夠增強用戶對推薦 的接受程度。
Jonathan.L (2002) 在推薦時告知推薦結果產生的原因，能夠增強用戶對推 薦的信任。
Symeonidis (2011)
[21] 在推薦服務中對推薦原因進行解釋，可以在一定程度上 讓推薦系統變得更透明，驗證了推薦解釋在提高用戶對 推薦系統滿意度上的作用。
葉群來(2007) [22] 用戶對推薦系統的熟識程度、推薦過載和推薦解釋等因 素會對推薦的效果產生影響。
宋輝(2011) [23] 通過實證分析，指出了推薦結果的準確性、多樣性以及 用戶交互度會正向影響感知有用性，系統的界面和交互 設計、推薦透明度會正向影響感知易用性，而感知有用 和易用則會影響用戶的采納意向。
史雅妮(2011) [24] 通過實驗發現，消費者對在開始搜索時接收到的推薦信 息會更有釆納意愿。
2.3.2用戶主體因素
用戶是推薦接受行為的主體，其個體特征的差異性會導致在對推薦的接受上呈 現出不同的行為特征。近年來的國內外學者的相關研究成果整理如下表2.2所示：
表2.2用戶主體因素
作者 研究內容
Smith (2002)閃 消費者個體特征差異和推薦來源的專業性以及關系強 度會影響用戶對推薦的信任，進而影響網絡購買決策的 制定過程。
馬慶國（2009） 口6] 依據TAM模型，利用情境實驗的方法證實出積極情緒 會對用戶釆納電子商務推薦系統產生正向影響。
Randall & Terwiesch (2007) ©I 用戶的專門知識水平會影響其對不同類型推薦的接受 程度。
Doong&Wang (2011)
[28] 通過實證發現，性別差異會影響用戶對推薦系統的接 受。相比于男性，女性對推薦系統的有用性認知更強， 且更容易接受推薦系統。
Komiak & Benbasatl29! 以理性行為理論（TRA）為基礎，通過實證驗證了用戶對 推薦系統的信任會對其接受推薦服務的意愿產生影響。
Davdi.R (2001)㈤】 用戶的認知需求在瀏覽者形成對推薦的態度方面起到 了重要的作用。
Franke & Keinz
(2009) mi 用戶對自身偏好的洞察、表達自身偏好的能力、對產品 的卷入度、購買意圖等會影響用戶對產品的態度。
2.3.3社會因素
目前從社會角度來研究用戶接受行為的文章還相對較少：Sylvain Sceneal （1999）通過實證發現不同類型的推薦的效果會有不同：專家和系統的推薦會讓消 費者覺得更專業，而其他消費者的推薦則比其他兩種方式更可信。Venkatesh & Davis （2000）。2]在TAM模型的基礎上，增加了社會影響和認知工具兩個變量，二 者通過影響感知有用性和感知易用性，進而影響用戶的接受意向和實際行為。Ling & Benbasa （2009）國1從社會關系的視角出發，通過情景實驗發現，推薦系統界面 設計的人性化程度能夠顯著影響用戶對推薦系統社會影響力的認識，進而正向影響 用戶的信任信念和對推薦系統的采納意愿。劉蓿林（2009）通過實證，研究了個體 因素（用戶信任、個人傾向信任、系統信任）、技術因素（對推薦系統的感知有用 和感知易用性）、社會因素（個人規范和社會規范）對用戶技術接受意向的影響。
2.4電子商務個性化推薦的用戶接受研究小結
通過對國內外現有與個性化推薦的用戶接受相關的研究進行總結，可以發現已 有研究都是基于技術接受模型，從對系統或技術接受的角度出發，對用戶接受推薦 技術或系統的影響因素進行研究，整體主要有推薦系統因素、用戶主體因素和社會 因素等三類影響因素。但對于電子商務的用戶來說，個性化推薦對其網絡購買行為 的影響，實質上是通過用戶對推薦信息的采納，來為購買決策提供幫助。用戶所感 知到的是網站提供的推薦信息，而不是一種技術。用戶對推薦服務進行使用，但是 對于所接收到的具體推薦信息，哪些因素會影響用戶對信息的釆納，還需要進一步 研究。
電子商務個性化推薦服務的過程中，用戶可感知到的是推薦信息從系統被產出 之后的部分，其實質是一種信息傳遞過程：推薦信息從信息源（電子商務網站）出 發，借助一定載體，按照一定的方式，被推送到信息接收者（用戶）。用戶對推薦 信息的采納是自身與推薦系統進行交互后的感知反饋。而在此過程中，包含的要素 有推薦信息、推薦系統、推薦的交互形式和用戶，以及外在的環境。因此，推薦服 務技術接受的影響因素對用戶的信息采納行為也可能會有影響。在對用戶采納推薦 信息的影響因素研究中，要綜合考慮推薦系統因素、用戶主體因素和社會因素等對 用戶信息采納行為的影響。通過對相關研究的的文獻回溯，筆者發現尚未有學者對 個性化推薦的用戶信息采納行為進行研究。
基于以上，本文將以用戶的信息采納行為作為研究對象，結合已有研究中所驗 證的個性化推薦技術接受的影響因素，來探究哪些因素會影響用戶對推薦信息的采 納。
3信息采納相關理論與研究基礎
本章首先對推薦信息采納的內涵進行了界定，然后通過精細加工模型和信息采 納模型，對推薦信息采納過程的機理進行了梳理，最后對技術接受相關理論做了闡 釋，以此提出本文研究的理論基礎。
3.1推薦信息采納的界定
"采納"，本意通常是指有接受并采用的含義。Stepanie & Wendy (2003)、An & Mark (2007)和Christyfe Matthew (2008)在自己的研究中提出了 “信息采納” 這一概念，其中Christy & Matthew®］對信息采納進行了簡單的定義，認為"信息 采納是一個過程，在此過程中人們有目的地對信息進行利用。宋雪雁(2010)則認 為信息釆納是主體有目的地分析、評價、選擇、接受和利用信息的過程，本質上強 調的是一種決策［3磯信息采納行為中，用戶對需要采納的信息進行認知和判斷的過 程是最有價值的部分，也是將信息采納與信息尋求、信息檢索、信息利用相區別的 關鍵。與“信息接受”相比，信息采納更強調主體的主動性和自主性。姚學剛(2008) D6］認為影響人類接受信息行為的主要是人類主體和外部環境的共同作用o宋雪雁和 王萍(2010)的研究認為影響個人信息采納的因素有主體因素、客體因素和社會影 響因素。
電子商務個性化推薦服務在本質上是由推薦系統向用戶推送包含產品屬性在 內的信息的過程，其影響的是用戶的網絡購買決策過程。雖然在獲取信息的方式上， 用戶是被動地接收由推薦系統推送的個性化產品信息，但用戶對接收到的信息是否 采納，則具有主動性和自主性。張紅(2010)認為用戶對推薦信息的采納包括2個 階段：1)信息被推薦系統推送給用戶，用戶的注意被引起后進而點擊查看該信息 的過程；2)用戶會否釆納推薦的信息進而做出購買決策，即用戶會否購買推薦的 產品。但在消費者購買行為過程中，用戶對產品信息的“選擇評估”階段是對搜尋 到的信息不斷對比、評價而形成備選產品列表的過程；而在選擇評估之后，用戶會 從備選產品中選擇哪個產品以及會否產生實際的購買行為，則又會受到很多其他因 素的影響。因此，本文認為對推薦信息的采納是用戶根據自身的需求和興趣偏好， 對推薦信息選擇查看后進行認知評價，繼而根據評價的結果產生備選列表以作決策 參考的過程，并未直接到達產生購買行為的階段。用戶對推薦信息的釆納并不只是 簡單的點擊行為，而是對推薦信息進行查看和評估，推薦的內容符合自己的需求或 興趣，即使未產生實際購買行為，也是一種認可或采納。
本文將結合信息采納相關理論和技術接受相關理論等，對用戶的推薦信息采納 行為進行研究和分析。
3.2信息采納過程的機理分析
3.2.1精細加工可能性模型
Petty&Cacioppo (1989)冋提出了精細加工可能性模型(ELM),該模型是有 關信息傳播、勸說效果研究中最廣泛被接受和應用的模型。ELM模型提出了信息接 收者對信息加工的過程可分為兩條路線：一是中心路線，另一條是邊緣路線。信息 加工的過程涉及到信息接收者如何對信息產生自己的思考。在中心路線下，信息接 收者態度的改變是來自于對信息本身的特征或證據的仔細思考；在邊緣路線下，用 戶態度的改變是來自于與信息有關的其他線索，并非信息本身，如信息發送者的吸 引力或可靠性等。
ELM模型認為，不同說服方法的效果依賴于對信息作精細加工的可能性高低。 當精細加工的可能性較高時，中心路線的說服效果特別有效；而當精細加工的可能 性較低時，則邊緣路線的說服更為有效［38】。兩條路線的說服效果的重要區別在于： 中心路線所引起的態度變化比邊緣路線更加有效且持久，而且其所形成的態度對行 為的預測性比邊緣路線更好。在不同的應用環境下，信息接收者可以根據實際情況 選擇中心路線或邊緣路線，抑或兩條路線相結合的方式。
近年來，國內外學者將ELM模型逐步應用在對網絡信息傳播、網絡口碑有效 性及信任等方面。對于電子商務個性化推薦，Tam (2004)等人研究認為，推薦服 務與用戶之間的交互行為是一種商業目標驅動的說服性信息的交流過程，其也符合 ELM模型所構建的說服過程。張紅(2010)將ELM模型應用到對知識推薦服務的 研究中，探討了產品特征、網站專業性等邊緣路線因素，以及知識推薦的功能、用 戶等中心路線因素的對用戶接受知識推薦服務的作用關系。曹原(2012)應用了 ELM模型，研究在評論夾層信息的調節作用下，信息質量和來源可信度對用戶采納 評論信息的影響。
本文將以精細加工模型為基礎，結合信息采納理論，研究個性化推薦服務的要 素對用戶信息采納的影響。
3.2.2信息采納模型
Sussman &Siegel (2003)㈣將ELM模型理論應用到在線信息傳播與溝通的 研究中，在技術接受模型和精細加工可能性模型的基礎上構建了信息采納模型 (IAM)。
Petty & Cacioppo (1986)囹啲研究發現，當信息接收者努力投入到說服過程 中時，信息質量就成為了影響說服效果的主要因素。Sussman & Siegel (2003)的 研究發現：當精細加工的可能性較高時，信息質量是信息影響的主要因素；而當在 精細加工可能性較低時，信息本身之外的邊緣路線因素(如信息源等)則會會成為 信息影響的主要因素。
IAM模型認為信息源可信度和信息質量對用戶感知到的信息有用性有直接影 響，而信息有用性則進一步影響信息的采納。在IAM模型中，信息質量被視為是中 心路線，而信息源的可信度則是邊緣路線。對模型的檢驗時，信息質量使用完整性、 一致性和準確性來進行測量；而信息源的可信度則用信息來源的專業性和可靠性來 進行測量。IAM模型如圖3.1所示：
(1)信息源的可信度
Hovland &Weiss (1951)認為信息源的可信度是信息源被信息接收者認為有能 力勝任和值得信賴的程度。Petty & Cacioppo (1986)認為信息源可信度是信息接 收者認為信息源是有能力的、可相信的及值得信賴的程度。信息源可信度不是信息 本身所反饋出的，而是對信息來源的可信度認知。Desarbo & Richard (1985)認為 信息源的可信度包括專業性、誠信、吸引力及親和力等幾個維度。Ohanian (1990) 將信息源可信度劃分為專業性、可靠性和吸引力。徐潔怡(2005)對Hovland的研 究成果進行了總結，認為信息源可信度包括自身信息傳遞者的聲譽、專業性和意圖 三個因素HU。本文認同Hovland等人的觀點，在個性化推薦中，推薦信息來源的可 信度是指推薦系統或網站被用戶認為是有能力和值得信賴的程度，對其評價從專業 性和可靠性兩方面來衡量。
(2)信息質量
信息質量是信息的特征，在網絡購物環境下，用戶對信息質量的感知程度會影
響其對信息的采納。國內外的學者們對信息質量的維度進行了很多研究，從多角度 對信息質量進行闡述。O' keefe （1990）認為信息質量是對信息內容本身的衡量， 當新信息被很好的證明或者被認為具有很強的說服力時，信息被認為是高質量的。 Bailey&Pearson （1983）冒］將信息質量分為了四個維度，分別是全面性、相關性、 準確性以及時效性。Lin （2000）用準確性、完整性、適合性、更新和安排等五個 維度。
而在網絡環境下，有的學者認為對信息質量的感知評價不能只從內容本身出 發。Wang等（1996）佝認為，信息質量指的是信息對信息用戶的適用性以及滿足 的程度。李晶等（2015）回］指出網絡消費環境下，消費者會從兩個維度來評測信 息質量：信息內容質量，包括真實性、準確性、及時性和完整性；信息效用質量， 包括符合需求和適用性。而劉冰等（2012）【45］從用戶體驗視角認為網絡消費背景 下用戶感知的信息質量是一個綜合性的概念，既取決于信息內容的客觀屬性，又取 決于用戶對信息內容和服務的體驗與感知，同時還與用戶的信息需求及期望相關。 劉冰將用戶感知的信息質量分為信息內容質量、交互質量、期望質量和感知質量。 對于個性化推薦服務，信息內容質量強調的是推薦結果對用戶需求的滿足和給用戶 帶來價值收益的效用質量；而信息交互質量則是用戶在對推薦信息采納過程中，通 過與信息系統的交互體驗而對推薦系統的性能和服務的主觀評價。而信息內容質量 和交互質量又會共同作用，影響用戶所感知的信息質量。
因此，本文將基于ELM模型和IAM模型，從邊緣路線因素（推薦信息源的可 信度）和中心路線因素（信息質量：信息內容質量、信息交互質量），來研究推薦 服務的各個因素是如何影響用戶對信息的采納。
3.3技術接受相關理論
技術接受理論是技術創新領域研究的熱點，它以社會心理學和行為科學為基 礎，從用戶的角度，研究個體或組織在采納技術或系統過程中的行為，總結技術采 納過程中的行為規律，以此為“技術”的開發、推廣和采納提供依據I%】。
技術接受理論通過不斷的研究和發展，已形成了很多成熟的理論模型，其中技 術接受模型（TAM）與整合技術接受和使用模型（UTAUT）是最具有代表性兩個模 型。
3.3.1技術接受模型
技術接受模型（TAM ）最早是由Davis等人（1989）在理性行為理論（TRA） 的基礎上提出的，有內在信念（感知有用性、感知易用性）、主觀態度、行為意向 以及外部變量（如個體特征等）等因素，最初用于解釋和預測技術信息系統的接受 程度。
TAM模型的兩個核心結構要素是：感知有用性，指用戶主觀上認為使用某一技 術或系統能偶提升的工作績效程度；感知易用性，指用戶認為使用某一技術或系統 需付出努力的程度。TAM模型理論認為：感知有用性和感知易用性對用戶的采納態 度有影響，同時二者又受外部變量的影響；感知易用性又會對感知有用性有正向影 響；感知有用性和用戶的行為態度又共同作用于行為意向；行為意向則決定了用戶 的實際行為。TAM模型如圖3.2所示。
圖3.2 TAM模型
TAM模型說明，用戶對技術或系統的有用性和易用性感知程度越高，則態度越 積極，用戶對技術的使用意向和接受程度也會越高。由于TAM模型的結構嚴謹， 在實踐應用中有較強的信度、效度，得到學術界的普遍認同，現在已被廣泛應用， 逐漸成為分析和預測個人對信息系統接受最有影響力的理論。國內外的學者在原始 模型的基礎上不斷加以改進，已產生了許多衍生模型，如技術接受擴展模型 （TAM2）、技術接受模型3 （TAM3）。
3.3.2整合技術接受與使用模型
Venkatesh & Davis （2003）以TAM模型為基礎，通過對8個模型系統的檢驗 和測量，以技術接受模型（TAM）、計劃行為理論（TPB）、創新擴散理論（IDT）、 理性行為理論（TRA）、動機模型（MM）、PC利用模型（MPCU）、整合TPB與TAM 模型（C-TAM-TPB）以及社會認知理論（SCT）等理論提出了更具解釋力的整合技 術接受與使用模型（UTAUT）。
UTAUT模型中整合出4個影響行為意向和使用行為的核心變量：績效期望 （PE）、易用期望（EE）、社會影響（SI）和便利條件（FC）,其中績效期望、易用 期望和社會影響對行為意向有直接影響，進而間接作用于使用行為；便利條件則直 接作用于使用行為。另外還有4個調節變量：性別、年齡、經驗和自愿性，分別對
4個核心因素進行調節。整合的核心變量和調節變量的引入，進一步增強了 UTAUT 模型的解釋力，實證研究其解釋力高達70%,比所知的任意一個已有模型的都更加 有效。UTAUT模型如圖3.3所示。
(1)績效期望：指個人感覺使用系統或技術能夠對工作績效提高的程度，其 包含有用認知、外部動機、工作適配性、相對優勢和成果期望等5個構成要素。
(2)易用期望：指個人使用系統所需付出努力，其描述的是系統或新技術容 易使用的程度，包含易用認知、復雜性和容易使用等3個構成要素。
(3)社群影響：指個人感知到周圍群體認為其是否該使用新技術的程度，其 包含主觀規范、社會因素和形象等3個構成要素。
(4)便利條件：指個人感知到的現有組織和技術對使用系統的支持程度，其 包含行為控制認知、促進因素和兼容性等3個構成要素。
UTAUT核心變量的相關構念來源和其解釋，整理如表3.1所示：
表3.1 UTAUT模型各變量來源
變量 構念 要素來源
績效期望 有用認知 TAM、C-TAM-TPB
成果期望 SCT
工作適配 MPCU
相對優勢 IDT
外部動機 MM
易用期望 易用認知 TAM/TAM2
復雜性 MPCU
容易使用 IDT
社群影響 主觀規范 TRA、TAM2、
TPB、C-TAM-TPB
社會因素 MPCU
形象 IDT
便利條件 行為控制認 知 TPB、C?TAM-TPB
促進因素 MPCU
兼容性 IDT
資料來源：高芙蓉，高雪蓮.國外信息技術接受模型研究述評［J］.研究與發展管理，2011, 23 (2)： 95-105
UTAUT模型是信息技術接受理論的集大成者，與其他技術接受相關理論相比, 其考慮因素更加完善，解釋力更強。當前國內外很多學者對用戶接受行為的研究都 是以TAM為基礎的，但由于其模型本身的局限性，近年來諸多學者開始在UTAUT 模型的基礎上進行了一些相關的研究。
Anderson(2004)”7］將UTAUT模型應用到對WLAN的用戶使用接受的研究中。 Knutsen (2005)在對移動服務的實證研究中發現，績效期望、易用期望和態度對 用戶接受和使用移動服務有顯著影響。國內對UTAUT模型應用的實證研究中，初 期主要集中在對移動技術服務的用戶接受研究。陳平華(2007)利用UTAUT模型 研究了影響用戶接受和使用移動支付的因素。何德華和魯耀斌(2009) H8］過實證 研究了消費者對移動短信服務的使用態度及其接受的影響因素。邵坤煥等(2011) 【㈣在綜合技術接受相關理論模型的基礎上，提出了移動政務的公眾接受模型。近幾 年來，UTATU模型的應用愈發廣泛。蘇婉等(2013)【50］將UATUT模型應用在物聯 網的研究，提出了物聯網的用戶接受模型。譚春輝等(2014) El等通過實證研究 了影響消費者網絡購物的因素。唐曉波等(2015)［網將UTAUT模型、感知風險理 論、使用滿足理論等結合起來，通過實證分析，對影響社會化媒體用戶使用行為的 各因素進行了研究。從國內外學者對UTUAT模型的應用研究來看，該模型在信息 技術接受方面已是一個應用越來越廣泛的模型，其可靠性和有效也也不斷在實證中 得到驗證。
國內外已有很多學者利用TAM模型來研究電子商務推薦服務的用戶接受行為, 但是很少有利用UTUAT模型的實證研究。宋雪雁(2010)在UTAUT模型的基礎上 引入風險認知構建了用戶信息采納模型，通過實證驗證了績效期望、易用期望、社 會影響、風險認知顯著影響用戶的信息采納行為意向，進而影響用戶的信息采納的
行為；而促進條件則是直接影響用戶的信息采納行為。利用UTAUT模型研究用戶 的信息采納行為的可行性已得到了初步驗證，因此本文選取UTAUT模型為理論基 礎，對個性化推薦的用戶信息采納行為的影響因素進行實證研究分析。
4個性化推薦的用戶信息采納模型構建
本章將在用戶信息采納相關理論：信息采納模型、精細加工可能性模型、整合 技術接受與使用模型（UTAUT）和社會學習理論等的基礎上，結合個性化推薦服務 的關鍵要素，構建個性化推薦的用戶信息采納模型，確定模型變量并提出研究假設。
4.1理論模型設計與依據
人的行為的決定因素有很多，班杜拉的社會學習理論探討了個人的認知、行為 與環境三者及其交互作用對人類行為的影響，其觀點認為這些因素是“人一一情境” 相互作用的結果。而將該觀點應用到個性化推薦的用戶信息釆納行為中，則可理解 為信息釆納行為、信息采納主體和外部環境彼此間是相互作用的，如圖4.1所示。
圖4.1 “人境”關系圖
姚學剛（2006）指出信息接受行為的內涵包括三個方面：人類是行為主體、信 息是行為對象、行為的內容是接受。因此，我們就要從信息采納主體因素、外部環 境因素及二者的關系來研究個性化推薦的信息采納的影響因素。主要分為三類：
（1） 主體因素，即用戶本身；
（2） 客體因素，即信息相關的要素，包括信息質量、信息源特征、信息的組 織和服務方式等；
（3） 社會影響因素。
整合技術接受與使用模型是現有的技術接受相關理論中最為成熟，解釋力也是 最強，所以本文的理論模型選取UTAUT為主體進行搭建，結合信息采納理論和個 性化推薦的要素，構建出理論模型，如圖4.2所示。下面將對模型中具體變量的選 取和內在整合方式進行闡述。
圖4.2個性化推薦的用戶信息采納理論模型
4.1.1主變量
(1)績效期望
績效期望有5個子因素：有用認知、外部動機、相對優勢、結果期望和工作適 配性，均可較合理地應用在推薦信息采納中。有用認知可理解為用戶對接收到的信 息的有用性的感知，是信息采納意向最關鍵的影響因素；外部動機可理解為用戶認 為對推薦信息進行利用可帶來的價值回報；相對優勢為采納該信息相比于其他信息 更有益處的程度；結果期望指采納信息后對消費決策的有幫助程度；適配性是指信 息與其自身需求的密切程度。因此，本文在模型中繼續沿用“績效期望”這一因素。
(2)易用期望
易用期望有3個子因子：易用認知、復雜性和方便性。這三個因子在含義上比 較相近，內涵上也有些重疊，本文將沿用“易用期望”因素，定義為用戶對推薦信 息采納并利用所需付出努力的程度。
(3)主觀規范
UTAUT中的“社群影響"是指用戶所感受到的信息采納行為受到周圍影響的程 度。其子因子“主觀規范”指他人對其是否應該進行信息采納行為的影響程度。而 因為用戶對推薦信息的采納行為是為了個人購買的決策，“社會因素”和“公眾形 象”兩個因子在這里不夠適用，因此本文只選取“主觀規范”變量。
(4)用戶認知
人是信息釆納的行為主體，用戶自身特征會對其采納行為產生重要影響。 UTAUT模型中便利條件的子變量“兼容性"指的是被釆納的信息同用戶當前信息需 求和經驗的相符程度。而用戶的價值觀念、經驗的集合組成了用戶的認知結構，用 戶的認知會對行為意愿產生影響，因此本文選取用戶認知因素。
(5)信任
信任是指用戶相信且愿意將推薦服務所推薦的信息和產品作為消費決策行為 參考依據的程度。已有很多的國內外研究，如Gefen (2000)岡］、鄧朝華(2008) Ml、許應楠(2012)何］等證明信任對用戶的接受意愿有影響。Cody Allen (2006) 以UTAUT模型為基礎，嘗試引入質量、信任和滿意等3個新變量，設計出更為復雜 的技術接受模型。Bedford (2005)在研究移動電子商務的用戶使用接受時，將信 任變量引入了 UATUT模型中，并假設信任會通過影響行為意愿進而影響實際行為， 但在實證時該假設未有得到有力支持。雖然將信任引入UTAUT模型中來研究用戶接 受行為已有一定的理論基礎，但仍需要實證上的更多驗證。因此本文嘗試引入信任 因素，研究信任是在以何種機制和程度來是影響著用戶的推薦信息采納意愿。
(6)推薦信息采納意愿
UTAUT模型的“行為意向"是指用戶執行某種行為的意愿，其應用到個性化推 薦中即是指用戶想要采納推薦信息的意愿傾向。信息采納過程中，信息用戶進行信 息搜尋、檢索、選擇、評價等活動，這些過程本質上都是為了最終的決策做支持， 而信息采納行為最終的結果體現為信息的吸收和利用。用戶對電子商務推薦信息的 采納，強調的是對推薦信息的選擇接受，以及對信息內容進行評價做決策參考的過 程。具體行為表現為用戶對接收到的推薦商品信息，經過識別和評價后，產生采納 意愿并以其作購買決策的依據過程，是實際決策產生購買行為之前的階段。在用戶 網絡購物的消費決策過程中，個性化信息推薦主要影響搜尋信息、選擇評估的過程, 用戶是否產生購買行為還受到其他因素的影響。因此本文選取“行為意向”變量， 而“實際行為”變量則不選用。
4.1.2外部變量
信息采納模型中，信息質量和信息源可信度對信息有用性有直接的影響。個性 化推薦服務與用戶之間的交互行為是一種具有說服性的信息傳播過程，也符合ELM 模型所構建的說服過程，其中推薦信息質量對應的是中心路線，推薦信息源可信度 對應的是邊緣路線。
(1)推薦信息源可信度
國內外學者對于推薦信息源可信度進行了諸多研究，Petty等(1986)指出“推 薦的內容”和“推薦信息來源的特點”是影響用戶接受來自不同系統的推薦的因素。 Eagly&Chaiken (1993)的研究發現具有積極屬性的推薦信息源比積極屬性相對較 弱的更具有說服力。張紅(2012)研究了網站專業性對用戶采納知識推薦服務的影
響。Hovland (1951)認為信息源的說服效果受其自身的專業性和可靠性的影響阿。
(2)信息質量
Wang (1996)和EnglishL (1996)岡］等認為信息質量是信息對用戶的適用性 及滿足程度。劉冰(2012)基于用戶體驗視角，將信息質量定義為“用戶在信息獲 取與利用過程中，通過與信息系統交互的體驗與感知而對信息效用與信息價值的總 體評價。”其信息質量的內涵中不僅包括信息內容質量，還有感知的在獲取信息過 程中與系統不斷交互的體驗的評價。而對于電子商務個性化推薦服務來說，用戶的 信息搜尋是一種“被動”的搜尋，來自于推薦系統對信息的主動推送，網站推薦信 息時的推薦交互方式會影響用戶對推薦信息的交互質量的評價。
前文第二章中對國內外已有研究的總結，推薦信息內容質量的影響因素有：信 息個性化/信息準確性、多樣性(Komiak&Benbasat、Haubl &MUrrary、DiehR 周鶴、宋輝、蔡日梅、葉群來等)。推薦交互質量影響因素有：推薦解釋(Komiak& Benbasat> Diehl、Jonathan.L、P Symeonidis 等)、信息呈現方式和信息過載(Komiak &Benbasat、Diehl、蔡日梅、葉群來等)、推薦時機(Ho、史雅妮等)，信息的推薦 方式會通過影響用戶的有用和易用認知，進而影響用戶的釆納行為。
因此，本文選取的個性化推薦要素分為三類：
(1)推薦信息源可信度；
(2)信息內容質量：推薦結果個性化；
(3)信息交互質量：推薦解釋、推薦時機、信息呈現方式、信息過載。
4.2模型變量定義與假設
4.2.1推薦信息源可信度
個性化推薦中推薦信息來源可信度是指推薦系統或網站被用戶認為是有能力 和值得信賴的程度，對其評價從專業性和可靠性兩方面來衡量。說服理論中，說服 效應的程度受各種因素的影響，其中信息源的可信度是重要的影響因素。可信度較 高的信息源，更能夠激發用戶積極的采納意愿和實際采納行為，而且用戶對可信度 高的信息源提供的信息采納率更高、效果更好，且會對以后的信息采納行為產生良 好的作用。專業性和可靠性越高的信息源其可信度越高，說服效應也就越強。
專業性，是指信息源能夠提供的與用戶信息需求和期望有較高匹配度的信息的 能力和水平。Frenen (2004)等人研究發現信息來源的專業性在很大程度上會影響 用戶對來自知識決策系統中推薦信息的接受和使用程度。從消費者的角度來說來 說，專家推薦的說服力主要基于他們所感知到的推薦者的專業程度。SenceaLS
(2004)的研究發現提供推薦服務的網站的類型、聲譽和知名度會影響用戶對網站 專業性的感知。可靠性是指用戶相信且愿意以推薦信息源推送的信息為基礎進行消 費決策的程度，包括網站的信譽和善意程度等。McAlhster (1995)提出商品推薦 的可靠性是指消費者相信且愿意以他人的說法為基礎而采取行動的程度ojarvenpaa 等(2009)的研究發現，電子商務網站的聲譽和規模大小會影響用戶對其的信任態 度。用戶認為推薦的可靠性越高，就越容易感到信任，伴隨著愉悅與激勵的情感。
假設H1：推薦來源可信度對信任具有正向影響關系；
假設H2：推薦來源可信度對績效期望具有正向影響關系；
4.2.2推薦信息質量評價
4.2.2.1推薦信息內容質量
推薦系統輸出的是包含推薦結果在內的信息，而影響用戶對推薦結果評價的因 素是其對用戶個性化滿足程度，即推薦結果的個性化。
電子商務個性化推薦向用戶推送的是滿足用戶需求和偏好的推薦信息。用戶對 推薦信息的有用認知來自于采納該信息的收益信念和感知結果，即用戶所感知到的 推薦信息滿足其自身信息需求的程度，是對推薦信息質量的主觀評價。高智勇等
(2006)卩8］從消費者需求的角度，認為信息質量是信息產品對需求的滿足程度。 Liang (2007)的研究指出推薦結果的準確性能提高用戶的滿意度，通過對用戶使 用態度的影響進而間接影響用戶對推薦系統的使用意愿。個性化推薦服務是根據用 戶的興趣和歷史行為，向用戶推薦其感興趣的信息商品。而用戶在某一個時間點的 需求和興趣點可能會有多個，因此推薦結果的多樣性也會影響用戶對推薦系統評 價。Ziegler (2005)通過實證研究，發現推薦結果的多樣性雖然在一定程度上可能 會降低推薦的準確性，但是卻會提高對推薦系統的評價【59】。
假設H3：推薦結果的個性化對信任有正向影響關系；
假設H4：推薦結果的個性化對績效期望有正向影響關系；
4.2.2.2推薦信息交互質量
(1)推薦解釋
推薦解釋也即推薦理由，是指對推薦結果產生原因的解釋。亞馬遜公司最早在 其網站上提供了推薦解釋的功能，在向用戶進行產品推薦時，在推薦結果的下面展 示了推薦原因諸如“購買了此商品的顧客也同時購買了***”、“與您瀏覽過的商品相 關的推薦”。
當提供詳細的推薦信息和緣由解釋時，會讓用戶感覺到推薦的結果是按照他們 的興趣愛好而做出的推薦，能讓用戶感知到推薦是有用的，同時對推薦更加信任。 國內外對推薦解釋的研究己較多，研究結果證實推薦解釋會對用戶接受推薦服務產 生影響。Eliseo等(2002)發現對推薦原因做出解釋能夠增強用戶對推薦的接受程 度。Cacioppo等(1983)指出如果推薦信息有有效的論據，消費者就會對推薦有 肯定的態度，并且會考慮接受推薦。Sinha & Sweringen (2001)發現在推薦信息 中對推薦原因進行解釋，能夠提高用戶對推薦系統透明度的感知，對推薦的感知有 用性有正向影響。Chan&Jiang (2010)的研究發現，在推薦信息中沒有提供充分 證據來表明被推薦產品的優越性時，會讓消費者感到該種推薦的目的是為了做廣 告，而不是從消費者的需求出發。因此，我們認為提供對推薦原因的解釋，是提升 用戶對推薦信息采納意愿的一個重要方式。
假設H5：推薦解釋對用戶信任有正向影響關系；
假設H6：推薦解釋對績效期望有正向影響關系；
(2)推薦時機
推薦時機是指個性化推薦系統向用戶進行信息推送的時間點。電子商務網站提 供信息推薦的目的是要在正確的時間向目標用戶提供正確的的推薦內容。當用戶在 電子商務網站進行搜索或瀏覽時，其行為表現出一定的實時需求。推薦系統可根據 用戶搜索內容和偏好特征數據進行實時計算，并在搜索結果或頁面上實時進行個性 化推薦。Ho (2010) [60】的研究發現較早被推薦的產品比較晚出現的推薦更有可能 被消費者選擇。史雅妮(2011)基于偏好不一致悖論和兩段決策模型，對“在用戶 開始搜索產品時”和“在還未做出選擇確認時”兩個時間點的推薦效果進行了實證 研究，發現在搜索時推薦的產品更有可能被用戶加入考慮的集合。Amy等(2013) 的研究發現推薦時機會對消費者的決策滿意度產生影響。
另一方面，用戶的興趣和需求是動態變化的，推薦系統在構建推薦機制時要匹 配用戶行為相應的實時性。在非搜索或購買瀏覽時，用戶無明顯的消費需求表征， 而推薦系統利用用戶的歷史行為數據進行的主動個性化推薦，其只能反應出用戶的 偏好特征，但并不能匹配用戶的實時需求。雖然推薦的信息可能符合用戶的偏好， 但因為沒有需求或需求發生變化，用戶常常是直接忽略掉產品的推薦信息。當用戶 正在進行工作時，卻推薦一些用戶所關心的購物或娛樂信息等，即使用戶可能會感 興趣，但是卻不適合這個時間段進行推薦。閆慶華和李永忠(2010) Wil認為用戶 在不同狀態下所關心的推薦促銷信息會不同，提出要提供不同場景的用戶模式以提 高推薦的合理性和效果，如工作時間、娛樂休閑時間、生活時間段等不同的時間場 景。
假設H7:推薦時機對績效期望有正向影響關系；
假設H8:推薦時機對易用期望有正向影響關系；
(3)信息呈現方式
推薦信息呈現方式是對信息的組織、加工和表達方式。在信息過載的環境下， 個性化推薦服務的主要目的就是快速幫助用戶找到自己想要的信息，節省信息搜尋 所需花費的成本。當推送的信息在展示時的組織方式越有效，就越便于用戶的識別 和理解，能降低用戶的認知成本，進而影響對信息的采納。
推薦信息的組織呈現包含：信息內容的展示排列是否科學、有序，易于識別； 語言表達的是否合理、通俗易懂，便于理解。近年來國內外有眾多學者的研究證實, 推薦系統的界面和信息的組織、排列方式會對用戶接受產生影響oDellaert&Hualbl (2005)認為對推薦信息有序且易理解地展示能夠更好地幫助用戶評估被推薦內容 和產品。蔡日梅(2008)認為展示內容的簡潔化和合理化能夠對消費者的感知易用 性和感知有用性產生顯著影響。Heijden等(2001)的研究發現電子商務網站的信 息組織呈現越良好、用戶使用越便利，用戶的的評價就會越高，進而更容易產生購 買意愿。
假設H9：推薦信息的呈現方式對易用期望有正向影響關系；
(4)信息過載
信息過載理論認為，當用戶在一定的時間內接收到的信息數量超過其自身的處 理能力時，就會有選擇地剔除部分信息，以降低信息搜尋成本。蔡日梅(2008)將 推薦信息過載定義為“個人行為信息的接受者所接受到的信息數量所需花費的時間 精力超出其預算支出”。能否有效解決信息過載問題，是用戶采納推薦的關鍵。電 子商務網站在提供個性化推薦服務時，需要制定合理的推薦策略，過多的推薦結果 數量和推薦頻次會成為另一種信息過載。Basartan(2001)的研究指出推薦的服務的 結果數量會影響用戶對推薦的接受。結果的數目過多會導致信息過載，消費者在決 策時需付出更多努力，降低決策質量。閆慶華(2014)指出推薦頻次過高而導致的 過度服務，會使用戶產生阻抗心理或反感心理，從而導致對推薦信息的拒絕采納。 Tam & Ho (2005)的研究發現推薦產品數量的控制也是影響消費者思考和決策的因 素。
假設H10：信息過載對易用期望有負向影響關系；
4.2.3主觀規范
主觀規范來自于理性行為理論(TRA),強調的是人們認為對其有重要影響的人 希望自己使用信息的意圖，對自身行為的影響程度。而在信息采納行為中，主觀規 范指的是因他人的觀點或行動而導致個體態度、信念及行為上的改變。Thompson (1991)指出個體會關注自己生活圈子大多數人地意見，這些意見會影響用戶的行 為意愿〔62】。
用戶的信息采納會受到兩方面主觀規范的影響：個人規范主要指親朋好友的意 見或行為的信息采納的影響；社會規范主要指媒體宣傳、專家或他人的評價對信息 采納的影響。宋雪雁(2010)的研究證實，社會影響會影響用戶的信息采納行為意 向。劉蓿林(2009)的研究結果表明，個人規范和社會規范能直接影響用戶的采納 意愿。
假設H11：主觀規范對推薦信息采納意愿有正向影響關系；
假設H12：主觀規范對信任有正向影響關系；
4.2.4信任
信任是指用戶相信且愿意以推薦服務所提供的信息為基礎而采取行動的程度， 包括認知信任和情感信任。Komiak (2006)和Wang (2005)等認為用戶對推薦系 統的信任主要來自三方面：用戶對推薦信息源能力、正直、情感的感知信任程度。 能力是對推薦系統的專業性的信任度；正直是對推薦客觀性的信任度；情感是對推 薦系統安全性的信任度。已有眾多研究表明信任在用戶的網絡購買決策中有重要作 用。CramerH (2008)的研究驗證了用戶對推薦系統的信任會對其采納意圖有重要 影響。喻建良等(2006)通過實證研究驗證了網站可信度與記憶效果、品牌態度及 用戶購買意愿存在相關關系。Mcknight (2002)問］在對用戶對網絡銷售商的信任研 究中發現，用戶信任可以導致用戶采納供應商的建議的行為出現；而用戶對推薦的 不信任，會導致用戶對推薦信息所包含內容的否定。
假設H13：信任對推薦推薦信息采納意愿有正向影響關系；
4.2.5績效期望和易用期望
決策者在決策時通常面臨兩個目標：最大限度地提高決策的準確率，并盡量減 少努力的付出。現有眾多學者的研究證實推薦服務對用戶的決策有促進作用。 UTAUT模型在個性化推薦的技術接受中已被廣泛應用，績效期望和易用期望對用戶 行為意向的影響也被普遍驗證。宋雪雁(2010)在UTAUT模型的基礎上構建了信 息采納行為模型，并通過實證驗證了績效期望和易用期望對用戶的采納意愿有直接 影響。在宋雪雁的研究基礎上，本文認為在推薦信息采納中：績效期望，是指用戶 感覺釆納推薦信息后對購買決策的績效提升程度；易用期望是指用戶通過對推薦信 息采納達到預期目的所需要付出的努力程度。本文在此直接沿用原始模型的變量和 假設關系。
假設H14：績效期望對推薦信息采納意愿有正向影響關系；
假設H15：易用期望對推薦信息采納意愿有正向影響關系；
4.2.6用戶認知
在信息采納行為中，用戶是“人一一情境”交互的主體，用戶自身的特質是影 響其對推薦信息采納的重要因素。用戶認知是指已有觀念的全部內容及其組織，在 信息采納行為中其本質是理解信息內涵、判斷信息價值的方式。當用戶對接收到的 信息內容進行是否采納的評斷時，同用戶已有觀念相匹配的信息更容易被采納。一 般而言，用戶在選擇采納信息時，更傾向于接受那些符合自己預期的部分。 Spiekermann (2001)的研究認為對產品有高認知度的用戶對推薦系統的滿意度和 依賴性較低。Kramer (2007)的研究發現用戶所具備的產品知識會對其使用推薦系 統而做的決策產生影響。當用戶對特定類型的產品較為熟悉、具備較為充分產品知 識時，其比較不易改變自己的已有偏好，受推薦系統的影響較小。另一方面，用戶 的既有信息采納行為的效果會對后續推薦信息采納意愿和行為產生影響。因此，我 們認為認知因素會對用戶的信息采納有影響。
假設H16：用戶認知對推薦信息采納意愿有正向影響關系；
基于以上構建的理論模型和變量假設關系，得出研究假設模型，如下圖4.4所 示：
圖4.4個性化推薦的用戶信息釆納假設模型
對本文理論模型的研究假設匯總如下表4.1所示:
表4.1模型假設匯總
假設 具體假設內容
H1 推薦來源可信度對信任具有正向影響關系；
H2 推薦來源可信度對績效期望具有正向影響關系；
H3 推薦個性化對信任有正向影響關系；
H4 推薦個性化對績效期望有正向影響關系
H5 推薦解釋對用戶信任有正向影響關系；
H6 推薦解釋對績效期望有正向影響關系；
H7 推薦時機對績效期望有正向影響關系；
H8 推薦時機對易用期望有正向影響關系；
H9 推薦信息的呈現方式與易用期望有正向影響關系；
H10 信息過載對易用期望有負向影響關系；
H11 主觀規范對推薦信息釆納意愿有正向影響關系；
H12 主觀規范對信任有正向影響關系；
H13 信任對推薦信息采納意愿有正向影響關系：
H14 績效期望對推薦信息采納意愿有正向影響關系；
H15 易用期望對推薦信息釆納意愿有正向影響關系；
H16 用戶認知對推薦信息釆納意愿有正向影響關系；
5個性化推薦的用戶信息采納模型實證分析
本文在第四章中已提出了個性化推薦的用戶信息采納模型，根據理論模型提出 了相應的假設，并對模型中的各變量進行定義。為了進一步地對理論模型進行研究 以驗證假設，筆者首先通過深度訪談法和文獻綜述確定了調查問卷的基本問項，通 過前測和正式發放，利用網絡問卷平臺進行樣本數據收集，進而對影響用戶采納電 子商務個性化推薦信息的因素做實證分析。通過實證分析，提煉出對用戶采納信息 有關鍵影響的個性化推薦要素，從而為電子商務網站優化自身的個性化推薦服務提 供參考。
5.1問卷設計與前測
5.1.1變量定義
考慮到變量有效性，本文選取的變量都來源與已有的文獻，部分變量在原有文 獻的設計基礎上進行了改進。匯總如下表5.1所示：
表5.1假設模型中的測量變量匯總表
結構變量 變量含義 對應 問項 參考備注
推薦信息源 可信度 推薦系統或網站被用戶認為是 有能力和值得信賴的程度 Q8(l-4) Mcknight ( 2002 ) , Senceal (2003 ) , Komiak&Benbasat (2006),蔡日梅(2008)
推薦信 息內容 質量 推薦 個性化 推送的信息對用戶需求和偏好 的滿足程度 09(1-4) Huang & Yuan (2006), Sung Ho
Ha (2002), Bollen (2010)
推薦信 息交互 質量 推薦 解釋 推薦理由，是指對推薦結果產 生原因的解釋 Q10(l-3) 宋輝(2012),葉群來(2007)
一薦機 推時
L : 個性化推薦系統向用戶進行信 息推送的時間點 Qll(l-3) 參考史雅妮(2011), Ho (2010) 及個人創新
信息呈 現方式 對推薦信息的組織、加工和表 達方式 Q12(l-3) Dellaert(2005),蔡日梅(2008), 張紅(2013)
信息 過載 個人行為信息的接受者所接受 到的信息數量所需花費的時間 精力超出其預算支出 Q13(l-3) 蔡日梅(2008),周鶴(2011)
主觀規范 因他人的觀點或行動而導致個 體態度、信念及行為上的改變 的程度 Q14(l-3) 劉蓿林(2009),,宋雪雁(2010) ,Meng-hsiang Hsu (2003)
信任 用戶相信且愿意以推薦服務所 提供的信息為基礎而采取行動 的程度 Q15(l-4) 張紅(2013)，蔡日梅(2008)、
Komiak & Benbasat (2006)
績效期望 用戶感覺釆納推薦信息后對購 買決策的績效提升程度 Q16(l-4) 宋雪雁(2010),蔡日梅(2008),
Venkatesh 等(2003)
易用期望 用戶通過對推薦信息采納達到 預期目的所需要付出的努力程 度 Q17(l-3) 宋雪雁(2010),蔡日梅(2008),
Venkatesh 等(2003)
用戶認知 用戶理解信息內涵、判斷信息 價值的方式 Q18(l-3) 參考張紅(2013)及個人創新
推薦信息 采納意愿 用戶意欲采納推薦信息的意向 Q19(l-3) 宋雪雁(2010), Venkatesh 等 (2003)
5.1.2調查問卷設計
本次研究選取的數據搜集工具為調查問卷。調查問卷的設計依據本次研究的主 題內容、研究模型的變量和假設，在借鑒和參考國內外相關研究成果的基礎上進行 設計，并以預測受訪者的意見為依據進行修改。在參考已有量表的基礎上，補充設 計了推薦時機和用戶認知因素的量表，共設置了 47個問項。
本次問卷設計主要采用李克特5級量表，從1到5分，代表“完全不同意”、" 有點不同意"、"一般同意"、"有點同意"、"完全同意"。
問卷主體主要包含3部分：
(1)調查問卷的標題及導語，介紹了此次調查的目的和意義，并對問卷中的 某些名詞進行了解釋和說明。
(2)基礎資料7個問題，對此次調查所涉及的樣本對象的人口統計學特征進 行統計，包括性別年齡等幾方面，以及有針對性地篩選符合研究目的的樣本對象的 問卷問題。
(3)問卷的主題問項，對影響用戶采納個性化推薦信息意愿的因素進行測量 的問題。因本問卷的變量數過多，在設計問卷時為了避免調查對象因填寫時間過長 而產生厭煩心理繼而影響填寫的真實性，每個變量的問項數設置在3-4個之間，共 40個問項。
5.1.3問卷前測
為了保證此次研究的可靠性，在進行問卷的正式發放與收集前，先進行了小樣 本的問卷前測，調查對象主要集中在身邊有使用過電子商務網站的樣本群體。前測 一共收回74份，經對回收樣本的篩選，剔除了部分問卷填寫時間過短以及未有過 推薦信息采納行為的樣本，最終得到有效問卷62份，占比為83%。
經過對有效問卷數據的初步處理，我們對樣本數據行了信度檢驗。信度是指調 查問卷的可信程度，用來檢驗量表的一致性和穩定性，目前被使用最多的是Alpha 信度系數法。量表的信度系數應該在0?1之間：信度系數在0.9以上，表示量表的 信度極好；信度系數在0.8?0.9之間，表示量表的信度較好；信度系數在0.7-0.8 之間，表示量表可以接受；信度系數在0.7以下，則表示量表中的問項需要修訂。
本文所選擇的分析工具是SPSS19.0,并采用Cronbach's a系數來進行評測， 對調查問卷中的12個變量進行了分析。分析結果見表5.2：
表5.2前測信度分析
變量 問項數 Cronbach*s a
總量表 40 0.946
推薦來源可信度 4 0.926
推薦個性化 4 0.838
推薦解釋 3 0.811
推薦時機 3 0.710
信息呈現方式 3 0.757
信息過載 3 0.680
主觀規范 3 0.759
信任 4 0.822
績效期望 4 0.897
易用期望 3 0.784
用戶認知 3 0.636
推薦采納意愿 3 0.790
由表5.2的分析結果來看，總量表的Cronbach's a系數為0.946,說明這份問 卷有著很好的信度水平。而各變量的Cronbach-s a系數介于0.636到0.926之間， 其中大部分變量的系數在0.7-0.9之間，除“信息過載”與“用戶認知"的系數低 于0.7以外，其他變量的信度均較好。因“信息過載”和“主觀規范”變量的問項 均為3個，若刪除問項的話會影響后續分析，所以選擇了對其中的問項進行修改后 予以以保留。
5.2問卷的發放與回收
通過與同實驗室的成員的討論，并尋求老師的指導后，我們對該份問卷進行了 修改和完善，以使問項更加符合本次研究的要求，從而得到了正式的調查問卷。本 次研究的正式問卷的大規模發放，主要通過網絡社交渠道進行。
第一階段，利用問卷調查平臺“問卷星”完成問卷的設計并生成問卷的鏈接地 址及二維碼。
第二階段，利用社交軟件及“問卷星”平臺的問卷互填渠道進行問卷的發放。 社交渠道中，筆者選取了 QQ、微信及微博三種方式，向筆者的好友發放問卷鏈接, 群體涉及高校學生和已工作人士。問卷互填渠道，通過積分獎勵的方式，邀請問卷 社區中的注冊用戶進行填寫。
第三階段，通過次級傳播的方式，委托好友、實習所在公司的同事以及筆者所 在網絡社群其他人士將問卷鏈接進行轉發，推薦給其他用戶填寫。
本次問卷發放，共回收問卷353份。首先，因本次調查問卷在基礎問項的第6 題設置了判斷跳轉，選擇未有采納過電子商務網站推薦信息的用戶將直接結束問卷 作答，該部分個樣本首先被剔除，剩余問卷樣本數據255個。其次，根據系統后臺 所記錄的問卷填寫時間，剔除了填寫時間低于100秒的樣本（理論作答時間為 400-600秒）。最后，對剩余樣本進行了簡單的人工篩選，刪除了部分選項作答有 規律性的樣本（如所有問項均選擇同一分值的）。經三輪的篩選，最終得到有效問 卷數為237份，有效樣本率為67.14%o
5.3描述性統計分析
本文所選取的有效樣本為有過采納推薦信息行為的用戶。調查中對樣本的性 別、年齡、受教育程度等人口統計學特征，以及網絡購買和推薦采納情況進行了統 計，由表5.3所示：
表5.3樣本描述性統計分析
變量名稱 選項 人數 百分比（％）
性別 男 119 50.21%
女 118 49.79%
年齡 20歲以下 4 1.69%
21-25 歲 143 60.34%
26-30 歲 81 34.18%
30歲以上 9 3.80%
受教育程度 高中及以下 0 0%
大專 8 3.38%
本科 89 37.55%
碩士及以上 140 59.07%
經常使用的電子 商務網站(多選) 淘寶慶貓 223 94.09%
亞馬遜 113 47.68%
京東 173 73.00%
當當 77 32.49%
其他 26 10.97%
接收推薦信息的
途徑(多選) 電商網站頁面 187 78.90%
郵件 138 5&23%
微博/微信的信息流推送 145 61.18%
淘寶旺旺等專門軟件 64 27.00%
短信 113 47.68%
其他 14 5.91%
是否購買過推薦
的商品 是 179 75.53%
否 58 24.47%
從表5.3中可看出，本調查的樣本具有以下特征：
(1)性別：調查對象的男女比例較為均衡。
(2)年齡分層：20-30歲的群體占比達到94%。由于此次問卷發放利用的是 社交途徑，因此年齡分層與預期相符。同時該人數比例也與我國網購人群的年齡分 布基本相符。
(3)教育程度：碩士及以上占比59.07%,本科占比37.55%,調査對象普遍 具有較高的文化教育水平。
(4)電子商務網站使用情況：調查對象使用最多的電子商務網站是淘寶/天貓, 其次是京東和亞馬遜，這也基這本與艾瑞咨詢《2014年中國電商年度報告》中B2C 電商網站的市場滲透率相符。
(5)接收推薦信息的途徑：用戶接收到推薦信息最多的途徑是在電商網站頁 面上，比例達到了 78.00%,說明在網站上直接推送仍是推薦的最主要途徑。其次 是微博/微信等社交工具和郵件，比例分別達到61.18%和58.23%o上述三個途徑 也是現在電商網站進行推送最多和最成熟的途徑。
(6)推薦商品的購買：在采納過推薦信息的用戶中，有75.53%的用戶購買過 推薦的商品，仍有24.47%的用戶沒有購買，說明了用戶對推薦信息的采納與購買 行為之間并非是必然關系，會否產生實際購買行為還會受其他因素的影響。
5.4信度與效度分析
通過對調查問卷的前測，我們發現初始問卷的問項有不足之處，并對前測調查 中發現的問題進行了修改。為了保證正式問卷數據的可靠性和穩定性，本文對正式 回收的237份調査問卷也進行了進行了一次信度和效度分析。
5.4.1信度分析
利用SPSS19.0對樣本數據進行了信度檢驗，得出的結果表5.4所示：
表5.4信度分析結果
研究變量- 項目數 ~ Cronbach9s a
總量表 40 0.948
推薦來源可信度 4 0.937
推薦個性化 4 0.879
推薦解釋 3 0.776
推薦時機 3 0.784
信息呈現方式 3 0.759
信息過載 3 0.781
主觀規范 3 0.806
信任 4 0.810
績效期望 4 0.886
易用期望 3 0.812
用戶認知 3 0.789
推薦采納意愿 3 0.855
如上表5.4所示，本次問卷的總體Cronbach*s系數值為0.948>0.7,說明本研 究的正式問卷在整體上具有顯著的信度。模型中個指標和變量的Cronbacht a在 0.759-0.937之間，所有變量的一致性系數均>0.7。分析結果表明本問卷具有良好的 內部一致性，具有較強的可靠性，可以支持本文的實證研究要求。
5.4.2效度分析
效度分析是檢測數據的有效性和準確性，對問卷進行效度分析時通常釆用的是 因子分析法，通過分析結果中因子載荷來判斷量表中的度量指標是否有效。
本次運用軟件SPSS 19.0中的因子分析法進行相關分析，提取影響因素時采用 主成分分析法。首先應確定樣本數據是否適合因子分析法，常用的是KM0檢驗和 Bartlett球形檢驗。KMO值可以判斷量表數據是否可以使用因子分析，KMO值介于 0?1之間，值越大說明越適合做因子分析，如果值大于0.7是比較適合，小于0.5 為不適合。而Bartlett球形檢驗是用來檢驗量表中各個測度之間的相關情況，如果 結果顯著則表示研究數據適合做因子分析。
表5.5充分性檢驗
KMO值 0.888
Bartlett球形檢驗值 近似卡方 6357.007
自由度df 780
顯著性概率Sig. .000
如表5.5所示，本文的KM0值為0.888,在0.8以上，遠高于0.5的最低標準。 Bartlett球形檢驗值小于0.001,說明個性化推薦信息的用戶采納各影響因素相關性 較強。按照特征根大于1的原則和最大方差法正交旋轉進行因素抽取，得到12個 因子，累計方差達到了 78.48%0說明數據適合進行因子分析。
利用SPSS19.0進行探索性因子分析，分析結果如表5.6所示。
表5.6檢驗樣本的解釋方差
成
分 初始特征值 提取平和和載入 旋轉平方和載入
合計 方差
的％ 累積％ 合計 方差
的％ 累積％ 合計 方差
的％ 累積％
1 13.94
9 34.872 34.872 13.94
9 34.872 34.872 4.079 10.198 10.198
2 2.703 6.757 41.629 2.703 6.757 41.629 2.962 7.404 17.601
3 2.404 6.010 47.639 2.404 6.010 47.639 2.960 7.400 25.002
4 2.094 5.236 52875 2.094 5.236 52.875 2.874 7.186 32.188
5 1.889 4.723 57.598 1.889 4.723 57.598 2.492 6.229 38.417
6 1.806 4.515 62.113 1.806 4.515 62.113 2.452 6.130 44.547
7 1.329 3.322 65.435 1.329 3.322 65.435 2.429 &073 50.620
8 1.239 3.097 68.532 1.239 3.097 68.532 2.420 6.049 56.669
9 1.128 2.820 71.352 1.128 2.820 71.352 2.315 5.787 62.456
10 1.051 2.628 73.980 1.051 2.628 73.980 2.230 5.574 68.030
11 0.989 2.472 76.452 0.989 2.472 76.452 2.095 5.236 73.267
12 0.812 2.030 78.482 0.812 2.030 78.482 2.086 5.215 78.482
13 0.713 1.781 80.263
14 0.595 1.487 81.750
15 0.570 1.426 83.176
16 0.529 1.322 84.498
17 0.479 1.198 85.696
18 0.468 1.170 86.866
19 0.439 1.098 87.964
20 0.421 1.053 89.017
21 0.407 1.017 90.035
本文采用最大方差正交旋轉對因子負載荷進行處理，按照特征值大于1的原則 進行因子提取。因子分析出特征值大于1的12個因子，得到表5.7的12因子載荷 矩陣。
8£
曲I曲粵霹士宙L*峯
SISHHIS^HISVW
于玄野壽干虹
a.旋轉在12次迭代后收斂。
如表5.7所示，在旋轉后的成分矩陣中，所有檢測的問項在對應因子中的負荷 量均大于0.5,這說明本文設置的變量的效度良好，問卷的問項能夠測岀所要檢測 的問題。
5.5相關分析
相關性分析是指對兩個或多個具備相關性的變量元素進行分析，從而衡量兩個 變量因素的相關密切程度。相關系數通常用r表示，r的取值范圍為0W|r|Wl, |r| 越接近1,說明兩者的相關性越強。當l>r>0時，為正相關關系；當-lVrVO時, 為負相關關系。
5.5.1信任的相關分析
根據前文提出的Hl、H3、H5和H11假設，推薦來源可信度、推薦個性化、 推薦解釋和主觀規范對信任有正向影響關系。分析結果如表5.8所示。
表5.8信任及其影響因素的相關分析
信任
推薦來源可信度 相關系數 0.425**
顯著性 0.000
推薦個性化 相關系數 0.483**
顯著性 0.000
推薦解釋 相關系數 0.374**
顯著性 0.000
主觀規范 相關系數 0.550**
顯著性 0.000
由上表的結果可知：推薦來源可信度、推薦個性化、推薦解釋和主觀規范等的 顯著性概率均滿足PvO.Ol,且相關系數均為正值，說明其對信任都有顯著的正相關 關系，可初步證明假設Hl、H3、H5和HM是成立的。
5.5.2績效期望的相關分析
根據前文提出的H2、H4、H6和H7假設，推薦來源可信度、推薦個性化、推 薦解釋和推薦時機對績效期望有正向影響關系。分析結果如表5.9所示。
表5.9績效期望及其影響因素的相關分析
績效期望
推薦來源可信度 相關系數 0.557**
顯著性 0.000
推薦個性化 相關系數 0.516**
顯著性 0.000
推薦解釋 相關系數 0.433**
顯著性 0.000
推薦時機 相關系數 0.393**
顯著性 0.000
由上表的結果可知：推薦來源可信度、推薦個性化、推薦解釋等的顯著性概率 均滿足P<0.01,且相關系數均為正值，說明其對績效期望都有顯著的正相關關系， 可初步證明假設H2、H4、H6和H7是成立的。
5.5.3易用期望的相關分析
根據前文提出的H8、H9和H10假設，推薦時機、信息呈現方式和信息過載對 易用期望有正向影響關系。分析結果如表5.10所示。
表5.10易用期望及其影響因素的相關分析
易用期望
推薦時機 相關系數 0.450**
顯著性 0.000
信息呈現方式 相關系數 0.485**
顯著性 0.000
信息過載 相關系數 0.128
顯著性 0.056
由上表的結果可知：
(1)推薦時機和信息呈現方式的顯著性概率均滿足P<0.01,且相關系數均為 正值，說明其對績效期望都有顯著的正相關關系，可初步證明假設H8和H9是成 立的。
(2)信息過載的顯著性概率P>0.05,假設檢驗結果的數據說明H1O假設不成, 表示信息過載與易用期望無顯著相關關系。
5.5.4推薦信息采納意愿的相關分析
根據前文提出的H12、H13、H14> H15和H16假設，主觀規范、信任、績效 期望、易用期望和用戶認知對推薦信息采納意愿有正向影響關系。分析結果如表 5.11所示。
表5.11推薦信息采納意愿及其影響因素的相關分析
推薦釆納意愿
主觀規范 相關系數 0.496**
顯著性 0.000
信任 相關系數 0.447**
顯著性 0.000
績效期望 相關系數 0.648**
顯著性 0.000
易用期望 相關系數 0.418**
顯著性 0.000
用戶認知 相關系數 0.573**
顯著性 0.000
由上表的結果可知：主觀規范、信任、績效期望、易用期望和用戶認知等的顯 著性概率均滿足P<0.01,且相關系數均為正值，說明其對推薦信息采納意愿都有顯 著的正相關關系，可初步證明假設H12、H13、H14、H15和H16是成立的。
上述相關分析初步檢驗了本文的理論模型，除H10假設不成立外，其他假設均 得到了初步的驗證。
5.6回歸分析
回歸分析是研究一個因變量與一個或多個自變量之間的線性或非線性關系的 一種統計方法。經過前文的相關分析，我們已經初步了解了各變量之間的相關性。 但是在多個變量共同相互作用下，不同變量之間的因果關系和影響程度的判定，就 需要利用回歸分析來完成。本文主要用到的是回歸分析法中的逐步回歸方法。
5.6.1信任的回歸分析
根據前文提出的模型假設，將信任作為因變量，推薦來源可信度、推薦個性化、 推薦解釋和主觀規范作為自變量，進行回歸分析。分析結果如表5.12所示。
表5.12信任的回歸分析結果
信任回歸總體效果
模型 決定系數R2 調整后的R? 回歸標?^ DW值
1 0.628a 0.395 0.386 2.28692 1.591
信彳 壬回歸方差分析
模型 平方和 自由度 均方 F值 Sig.
回歸項 743.309 4 247.770 47.375 0.000°
1 殘差項 1140.137 217 5.230
總和 1883.446 221
信任的回歸系數及顯著性校驗
模型 非標準化回歸系數 標準化回歸系數 t值 Sig.
B 標準誤差 Beta
常數 1.421 0.921 1.543 0.014
推薦個性化 0.170 0.058 0.190 2.916 0.004
1 推薦解釋 0.273 0.071 0.218 3.846 0.000
主觀規范 0.490 0.076 0.403 6.483 0.000
般《1 信度 0.367 0.074 0.303 4.522 0.000
a.預測變量：（常量），推薦個性化，推薦解釋，主觀規范，推薦來源可信度。
b.預測變量：（常量），推薦個性化，推薦解釋，主觀規范，推薦來源可信度。
本次回歸分析中DW的值為1.591,介于1.5-2.5之間，說明殘差序列服從正態 分布；F值的顯著性水平＜0.01,說明模型有較顯著的回歸效果。推薦個性化、推薦 解釋、主觀規范和推薦來源可信度的回歸系數分別為0.170, 0.273、0.490和0.367, 常數為1.421,由此得到信任影響因素回歸方程：
信任=1.421+0.170*推薦個性化+0.273*推薦解釋+0.490*主觀規范+0.367*推薦 來源可信度
驗證Hl、H3、H5和H11假設成立。并且可從回歸方程中看到，主觀規范和 推薦來源可信度對信任的影響相對更大一些，而推薦個性化和推薦解釋的作用則沒 那么明顯。
5.6.2績效期望的回歸分析
根據本文前述的模型假設，將績效期望作為因變量，推薦來源可信度、推薦個
性化、推薦解釋和推薦時機作為自變量，進行回歸分析。分析結果如表5.13所示。
表5.13績效期望的回歸分析結果
績效期望回歸總體效果
模型 復相關系數R 決定系數R? 調整后的便 回歸標準誤差 DW值
1 0.6338 0.401 0.393 2.57561 1.664
績效坯 男望回歸方差分析
模型 平方和 自由度 均方 F值 Sig.
1 回歸項 殘差項 總和 968.182
1446.165
2414.347 3
218
221 322.727
6.634 48.649 0.000b
績效期望的回歸系數及顯著性校驗
模型 非標準化回歸系數 標準化回歸系數 t值 Sig.
B 標準誤差 Beta
1 常數 2.025 0.993 2.039 0.043
推薦來源可信度 推薦解釋 推薦個性化 0.288
0.240
0.310 0.059
0.067
0.082 0.330
0.238
0.218 4.905
3.568
3.771 0.000
0.000
0.000
a.預測變量：（常量），推薦來源可信度，推薦個性化，推薦解釋。
b.預測變量：（常量），推薦來源可信度，推薦個性化，推薦解釋。
本次分析中DW的值為1.664,介于1.5-2.5之間，說明殘差序列服從正態分布; F值的顯著性水平＜0.01,說明模型有顯著的回歸效果。推薦來源可信度、推薦個性 化、推薦解釋的回歸系數分別為0.288, 0.310和0.240,常數為2.052,由此得到 績效期望影響因素回歸方程：
績效期望=2.052+0.288*來源可信度+0.310*推薦個性化+0.240*推薦解釋
驗證H2、H4和H6假設成立。由于推薦時機沒有進入回歸方程，因此H7假 設不成立。
5.6.3易用期望的回歸分析
根據本文前述的模型假設，將易用期望作為因變量，推薦時機、信息呈現方式 作為自變量，進行回歸分析。由于信息過載與易用期望不存在顯著相關關系，因此
對其排除處理。分析結果如表5.14所示。
表5.14易用期望的回歸分析結果
易用期望回歸總體效果
模型 復 決定系數R? 調整后的R? 回歸標準龜 DW值
1 0.5258 0.276 0.269 1.881172 2.365
易用彳 用望回歸方差分析
模型 平方和 自由度 均方 F值 Sig.
回歸項 295.724 2 147.862 41.759 0.000b
1 殘差項 775.448 219 3.541
總和 1071.171 221
易用期望的回歸系數及顯著性校驗
模型 非標準化回歸系數 標準化回歸系數 t值 Sig.
B 標準誤差 Beta
常數 4.935 0.644 7.658 0.000
推薦時機 0.326 0.069 0.337 4.729 0.000
1 信息呈現方式 0.219 0.062 0.251 3.528 0.001
a.預測變量：（常量），推薦時機，信息呈現方式。
b.預測變量：（常量），推薦時機，信息呈現方式。
本文中DW的值為2.365,介于1.5-2.5之間，說明殘差序列服從正態分布；F 統計值的顯著性水平＜0.01,說明模型有顯著的回歸效果。推薦時機、信息呈現方 式的回歸系數分別為0.326和0.219,常數為4.935,由此得到易用期望影響因素回 歸方程：
易用期望=4.935+0.326*推薦時機+0.219*信息呈現方式
驗證H8和H9假設成立。
5.6.4推薦信息采納意愿的回歸分析
根據本文前述的模型假設，將推薦采納意愿作為因變量，主觀規范、信任、績 效期望、易用期望和用戶認知作為自變量，進行回歸分析。分析結果如表5.15所示。
表5.15推薦信息采納意愿的回歸分析結果
推薦釆納意愿回歸總體效果
模型 復相關系數R 決定系數便 調整后的R? 回歸標準誤差 DW值
1 0.7168 0.512 0.503 1.62860 1.902
推薦采納意愿回歸方差分析
模型 平方和 自由度 均方 F值 Sig.
回歸項 607.140 4 2.2.380 76.302 0.000s
1 殘差項 578.211 217 2.652
總和 1185.351 221
推薦采納意 愿的回歸系數及顯著性校驗
模型 非標準化回歸系數 標準化回歸系數 t值 Sig.
B 標準誤差 Beta
常數 1.656 0.701 2.361 0.019
主觀規范 0.152 0.055 0.158 2.793 0.006
1 信任 0.354 0.070 0.286 5.020 0.000
易用期望 0.292 0.042 0.417 6.950 0.000
績效期望 0.469 0.057 0.485 8.219 0.000
a.預測變量：（常量），主觀規范，信任，績效期望，易用期望。
b.預測變量：（常量），主觀規范，信任，績效期望，易用期望。
本文中DW的值為1.902,介于1.5-2.5之間，說明殘差序列服從正態分布；F 統計值的顯著性水平＜0.01,說明模型有顯著的回歸效果。主觀規范、信任、績效 期望和易用期望的回歸系數分別為0.152, 0.354, 0.469和0.292,常數為1.656, 由此得到推薦信息采納意愿影響因素回歸方程：
推薦采納意愿=1.656+0.152*主觀規范+0.354*信任+0.469*績效期望+0.292*易 用期望
驗證H12、H13、H14和H15假設成立。由于用戶認知沒有進入回歸方程，因 此H16假設不成立。
5.7假設檢驗結果及討論
5.7.1假設檢驗結果
根據前文對假設模型中各變量進行的相關分析和回歸分析的結果，現將對各假 設的檢驗結果進行整理和匯總，如表5.16所示。
表5.16模型假設檢驗結果表
假設 具體內容 相關
分析 回歸
分析 結論
H1 推薦來源的可信度對信任具有正向影響關系； 成立 成立 成立
H2 推薦來源的可信度對績效期望具有正向影響關系； 成立 成立 成立
H3 推薦結果的個性化對信任有正向影響關系； 成立 成立 成立
H4 推薦結果的個性化對績效期望有正向影響關系 成立 成立 成立
H5 推薦解釋對用戶信任有正向影響關系； 成立 成立 成立
H6 推薦解釋對績效期望有正向影響關系； 成立 成立 成立
H7 推薦時機對績效期望有正向影響關系； 成立 不成立 不成立
H8 推薦時機對易用期望有正向影響關系； 成立 成立 成立
H9 推薦信息的呈現方式對易用期望有正向影響關系； 成立 成立 成立
H10 信息過載對易用期望有負向影響關系； 不成立 / 不成立
H11 主觀規范對推薦信息采納意愿有正向影響關系； 成立 成立 成立
H12 主觀規范對用戶信任有正向影響關系。 成立 成立 成立
H13 信任對推薦信息采納意愿有正向影響關系； 成立 成立 成立
H14 績效期望對推薦信息采納意愿有正向影響關系； 成立 成立 成立
H15 易用期望對推薦信息采納意愿有正向影響關系； 成立 成立 成立
H16 用戶認知對推薦信息采納意愿有正向影響關系； 成立 不成立 不成立
5.7.2模型修正
根據前文表5.16所列出的假設檢驗結果，本次實證的結果顯示推薦時機對績效 期望沒有顯著影響，信息過載對易用期望沒有顯著負向影響，用戶認知對推薦信息 采納意愿沒有顯著正向影響。因此假設模型中的H7、H10假設路徑需刪除，用戶
認知變量需刪除，對模型修正后具體如圖5.1所示:
推薦信息軽評價
圖5.1修正后的研丸模型
5.7.3假設結果分析
(1)假設H7不成立原因分析
根據相關分析和回歸分析的結果可知：推薦時機與績效期望的相關系數達到了 0.393,顯著性概率均滿足P<0.01,說明推薦時機與績效期望的關系達到了顯著中 等正相關的程度。但在對推薦時機和績效期望的回歸分析時，表5.13顯示推薦時機 未進入回歸方程。由于本次回歸分析選用的是逐步回歸分析方式，該種方式會把回 歸系數不顯著，也即對因變量沒有統計學上的預測能力的變量排除。產生該種結果 的原因可能是，當推薦時機同推薦來源可信度、推薦個性化、推薦解釋一起進行回 歸分析時，推薦時機因系數過小而無法進入回歸方程，說明推薦時機與其他幾個變 量相比，其對績效希望的影響過小，可以忽略不計。原因在于前文對推薦時機的定 義強調的是進行信息推薦時間點的合適性，而并非推薦內容本身的時效性，因此其 并不會影響用戶對其有用性的認知，時機是否合適主要會影響用戶認知時的容易和 方便程度，而H8假設的成立也證明了推薦時機會對易用期望產生影響。
(2)假設10不成立原因分析
根據相關分析和回歸分析的結果可知：信息過載與績效期望的相關系數達到了 0.128,顯著性概率均滿足P>0.05,表示信息過載對易用期望沒有顯著相關關系。 雖然已有的研究信息過載會負向影響用戶的感知易用性，同時可能給用戶帶來心理 阻抗，進而影響用戶對推薦服務的接受。但對于推薦信息而言，用戶對信息的采納 每次均是一次單獨行為，彼此之間并未有關聯，并不是像推薦服務那樣的具有連續 性的過程。在對每一個推薦的信息來說，其可能并不會增加用戶所需付出的努力， 所以信息過載沒有對用戶采納信息產生顯著影響。
（3）假設16不成立原因分析
根據相關分析和回歸分析的結果可知：用戶認知和推薦采納意愿的相關系數達 到了 0.573,顯著性概率均滿足P<0.01,說明用戶認知與推薦采納意愿的關系達到 了顯著較強正相關的程度。但在對用戶認知和推薦采納意愿的回歸分析時，表5.15 顯示用戶認知未進入回歸方程。由于本次回歸分析選用的是逐步回歸分析方式，該 種方式會把回歸系數不顯著，也即對因變量沒有統計學上的預測能力的變量排除。 產生該種結果的原因可能有兩種：1）該變量的問項設置不夠合理，雖然用戶認知 對采納意愿的影響已在部分研究（David, R、張紅等）中被證實，但由于本文在對 用戶認知的定義角度上與其有所不同，問項的來源基礎不夠，修改后的問項內容對 于用戶認知沒有足夠的解釋力；2）當用戶認知同主觀規范、信任、績效期望和易 用期望一起進行回歸分析時，用戶認知因系數過小而無法進入回歸方程，說明用戶 認知與其他幾個變量相比，其對推薦釆納意愿的影響過小，可以忽略不計。兩種原 因均有可能性，具體是由哪種情況導致還需進一步驗證。
6研究結論與建議
6.1研究結論
本文從信息采納視角出發，探討了電子商務個性化推薦服務中影響用戶采納推 薦信息的因素以及各因素的作用，擴展了個性化推薦的用戶接受行為研究的范圍。 通過對影響用戶采納的因素和相關機理的闡述，嘗試構建了個性化推薦信息的用戶 采納模型。并利用實證研究的方法對模型進行了驗證，結果表明了大部分假設是成 立的。研究的主要結論如下：
(1)信任感知的影響因素
推薦來源可信度、推薦個性化、推薦解釋和主觀規范對信任有顯著的正向影響 關系，其回歸方程為：
信任=1.421+0.170*推薦個性化+0.273*推薦解釋+0.490*主觀規范+0.367*推薦 來源可信度
根據回歸方程可知：在對信任的影響中，主觀規范的的作用最大，其次是推薦 來源的可信度，而推薦解釋和推薦個性化的影響則相對較小。這說明了，用戶對于 推薦信息的信任首先是受周圍親朋好友以及社會評價的影響；其次網站自身的專業 性和可靠性也會影響用戶對推薦的信任，在行業內更加知名和權威的網站提供的推 薦信息更容易被用戶所信任。對推薦原因的解釋和推薦結果的個性化程度則對信任 有較小影響。
(2)績效期望的影響因素
推薦來源可信度、推薦個性化和推薦解釋對績效期望有顯著的正向影響關系， 其回歸方程為：
績效期望=2.052+0.288*來源可信度+0.310*推薦個性化+0.240*推薦解釋
根據回歸方程可知：對績效期望的影響中，推薦個性化的作用最大，這也和已 有的普遍研究相符，推薦信息對用戶需求和偏好的滿足程度是決定用戶有用認知的 最主要因素。推薦來源可信度和推薦解釋對用戶感知推薦信息的有用性也有影響， 但是影響程度未有推薦結果那么大。
(3)易用期望的影響因素
推薦時機和推薦方式對易用期望有顯著的正向影響關系，其回歸方程為：
易用期望=4.935+0.326*推薦時機+0.219*信息呈現方式
根據回歸方程可知：網站進行信息推薦的時機對用戶的易用期望有較大影響， 在不合適的時間進行推送會給用戶對信息的利用帶來很大負擔。而信息內容展示的 合理性和內容的易理解性，也會在一定程度上影響用戶在獲取和認知信息時所需要 付出的努力程度，進而影響用戶的采納意愿。
(4)推薦信息采納意愿的影響因素
主觀規范、信任、績效期望和易用期望對推薦采納意愿有顯著的正向影響關系, 會對用戶的采納意愿產生直接的影響。推薦信息采納意愿影響因素回歸方程：
推薦采納意愿=1.656+0.152*主觀規范+0.354*信任+0.469*績效期望+0.292*易 用期望
根據回歸方程可知：績效期望對用戶采納意愿的影響最大，且系數接近0.5, 其對用戶采納意愿的影響程度遠高于其他因素，說明用戶是否采納信息最看重的還 是釆納信息能夠給自己帶來多大的績效收益。其次是信任，用戶對推薦信息的信任 程度也很大程度上會影響其最終的采納意愿。而易用期望和主觀規范的影響則相對 較小，用戶會在前兩個要求達到的基礎上，再關注這兩個因素。
6.2電子商務網站個性化推薦服務的改進建議
結合電子商務網站個性化推薦服務的現狀和本文實證分析的結果，這里本文將 從以下兩方面來對改逬推薦服務進行建議：
(1)多要素結合的精準推薦服務
在精準營銷理論中，要想達成對目標客戶購買決策的影響，需要滿足以下幾個 要素：正確的用戶、正確的信息、正確的時間、正確的渠道。電商網站的個性化推 薦服務實質上也是一種精準營銷，而前文的實證結果也表明，推薦個性化、推薦時 機、信息呈現方式、信息解釋會通過影響績效期望和易用期望來間接影響用戶的釆 納意愿。
電子商務網站在進行推薦時，不僅要推送精準的符合用戶需求和偏好的信息， 還要通過各種渠道實時跟蹤用戶需求變化，把握好推薦的時機，選擇在最合適的時 間將信息推送給用戶。同時，將推薦信息通過合理的展示方式和推送途徑來呈現在 用戶的面前。在現有的個性化推薦渠道基礎上，依據所獲取的用戶偏好特征，進行 服務的個性化定制，如個性化推薦郵件、個性化短信、個性化社交推送等多渠道的 產品推薦服務；也可以將信息推薦的各種渠道進行整合，既能提高用戶獲取推薦信 息的便利性，同時也增強信息推薦的及時性。
(2)推薦方式需人性化，降低用戶的信息采納負擔
通過實證研究，筆者發現推薦時機和信息呈現方式會影響用戶的感知易用期
望。電子商務網站在進行推薦時，要提高推薦方式的人性化程度，降低用戶在獲取 推薦信息時的負擔，使其更加方便和有效地對推薦信息加以利用。
在推薦信息的內容組織上，應對商品的參數和信息進行通俗解釋，而不是單純 的只羅列一堆參數，提供易于理解的知識性推薦服務。在推薦的展示形式上，首先, 要將推薦信息置于用戶關注度高的頁面位置，可根據用戶瀏覽時的眼動特征來優化 推薦信息的頁面展示，讓用戶可快速找到推薦信息；其次，信息的編排要規則、有 序，最大程度地降低用戶的理解負擔。
在推薦時機上，當用戶在網站進行瀏覽時，要根據用戶實時的搜索需求和瀏覽 行為，建立即時反饋機制做好實時推薦。另外，在對用戶興趣建模時，要增加場景 類型，對用戶的工作時段、娛樂時段、休息時段等加以區分。在進行主動信推薦時 要根據當時的用戶場景，進行適時推薦，提高推薦服務的合理性。
6.3研究局限和展望
本文以用戶信息采納行為研究對象，探討了影響用戶采納的個性化推薦因素， 以及不同因素的作用程度。基于實證研究的結論，對電子商務網站的個性化推薦服 務提出了些許建議，具有一定的參考價值。但一方面由于筆者自身的研究能力水平 的限制，另一方面由于本論文完成的較為匆忙，研究方法和過程存在著諸多的不足 之處，希望能夠在今后有機會加以改進：
(1)問卷內容問題。問卷中大部分問項都是在參考國內外學者的已有量表基 礎上，加以改進得來的，有其一定的來源基礎。但未能充分根據本文的研究對象和 目的來對問項做良好的修正，部分問項設置不夠合理，一定程度上影響了整個問卷 的信度和效度。在后期的實證研究中，影響了分析的準確性，研究結論的說服力不 夠充足。在今后的研究中，應對量表做更充足的設置和檢驗。
(2)調查對象局限性。由于本次問卷發放選取的途徑為網絡社交工具，是基 于筆者自身的社交關系，通過次級傳遞的方式進行擴散的。樣本主體的年齡和教育 水平較為集中，不能夠完整反應出所有群體的特征。在今后的研究中，應選用更加 合理的調研途徑，以獲取更加全面的樣本。
(3)數據質量不高。由于本次問卷調查的作答方式為無償作答，缺乏激勵機 制，調查對象的參與積極性不高；且由于問卷的問項數有47個，導致問卷作答時 間相對較長，調查對象對作答時長的容忍性會影響其作答真實性。以上兩個原因影 響了回收問卷的數據質量，在今后需要對樣本質量進行良好的把控。
(4)影響因素總結的仍不夠全面。本研究的理論模型除前文已列出的影響因
素外，在對已有相關研究的回顧過程中，筆者發現有學者從產品卷入角度來研究廣 告和推薦對用戶接受的影響。不同的產品，所具有的價值、重要性對用戶來說是不 同的，因此用戶的卷入程度會有所不同；推薦結果所包含的產品特性也是會影響用 戶采納的因素。筆者在構建初始模型時，將產品卷入因素也納入考量，但由于研究 的過程較為匆忙，未有找到充足的量表支持，在進行問卷設置時始終無法提出合適 的問項，故在實際操作時不得不將該變量進行刪除，因文章篇幅問題，未有寫入前 文中。在以后的研究中，應將產品特征因素納入考量，做更進一步的研究。
參考文獻
[1]艾瑞咨詢.2014年電子商務核心數據發布[EB/OL], ( 2015-04-02 ) [2015-02-09]. http://www.iresearch.com.cn/view/24630&html
[2]劉蓿琳.電子商務用戶個性化推薦技術接受影響因素研究[D].北京：中國礦業大 學(北京)，2009.
[3]Benbasat, R.W. Zmud. The Identity Crisis within The IS Discipline: Defining and Communicating the Discipline's Core Properties [J]. MIS Quarterly, 2003,27Q:183-194
[4]Raymond J, Mooney, Loriene Roy. Content-based Book Recommending Using Learning for Text Categorization[C]. Proceedings of the fifth ACM conference on Digital libraries?2000:196-204
[5]張娜•電子商務環境下的個性化信息推薦服務及應用研究[D].合肥：合肥工業大 學，2007.
[6]Zheng Ron, Provost F, Ghose A. Social Network Collaborative Filtering[D].Center for Digital EconomyResearch, Stem School of Business > New York University, 2007.
[7]許海玲，吳瀟，李曉東.互聯網推薦系統比較研究[J].軟件學報.2009(02)： 351-362
[8]Park H S, Yoo J O? Cho S B. A Context-aware Music Recommendation System Using Fuzzy Bayesian Networks with Utility Theory[C]Proceedings IEEE Fuzzy Systems and Knowledge Discovery .2006,4223:970-979
[9]Nikolaeva Ralitza, Sriram S.The ModeratingRoleofConsumerandProduct
CharacteristicsontheValueofCustomizedOn-LineRecommendations[J] .International Journal of Electronic Commerce, 2006,11(2):101-123
[10]Xiao?B>andBenbasat,I.E ?Commei*ceProductRecomniendationAge:nts:Use,Characters tics?andlmpact[J].ManagementlnfdrmationSystemsQuarterly?2007 , 31(1):137-209
[11]蔡日梅•電子商務中推薦代理對購買決策的影響研究[D]?杭州：浙江大學,200&
[12]張紅.基于用戶認知的電子商務網站知識推薦服務接受模型研究[D].南京：南京 理工大學,2013.
[13]Senecal,s. and Nantel, J.The Influence of On-line Product Recommendations on Consumers' On-line Choices[J]. Journal of Retailing, 2004,80(2):159-169
[14卩arvenpass, S.5 Tractinsky, N. & Vitale, M? Consumer Trust in an Internet Tore[J]. Information Technology and Management,2000, 1(2)： 45-71
[15]Ting?Peng Liang , Hung-Jen Lai, Yi?Cheng Ku. Personalized Content Recommendation and User Satisfaction: Theoretical Synthesis and Empirical
Findings[J]. Journal of Management Information Systems,2006,23(3):45-70
[16]Basartan, Y Amazon Versus the Shopbot： An Experiment About How to Improve the Shopbots[D]. Carnegie Mellon University, Pittsburgh, PA?2001.
[17]Daniel Baier, Eva Stube匚 Acceptance of Recommendations to Buy in Online Retailing[J]. Journal of Retailing and Consumer Services, 2010,17 (3) 173-180
[18]Lin , T?，Wu? R. Y. & Tsai, F. Integrating Perceived Playfulness into Expectation-confirmation Model for Web Portal Context[J]? Information & Management, 2005, 42 (5), 683-693
[1 刃Sinha, R.Swearingen, K? Recommendations Made by Online Systems and Friends[C]. In Proceedings of the 2nd DELOS Network of Excellence Workshop on Personalization and Recommender Systems in Digital Libraries, Dublin> Ireland, 2001, 18-20
[20]Eliseo Reategui, John A. Campbell.The Role of Personified Agents in
Recommendation Delivery [C] .Proceedings of the 2001 SIGIR Workshop on Recommender Systems • 2001 ?
[21]P Symeonidis, A Nanopoulos, et al. MoviExplain: a Recommender System with Explanations[C]. Proceedings of the third ACM conference on Recommender systems, 2009: 317-320
[22]葉群來.網絡推薦系統的營銷研究[D].成都：西南財經大學,2008.
[23]宋輝.電子商務推薦系統用戶釆納影響因素研究[D].哈爾濱：哈爾濱工業大學, 2011.
[24]史雅妮.關于在線產品推薦時機與推薦信息來源選擇的實證研究[D].合肥：中 國科學技術大學,2013.
[25]Smith, D. Menon,S & Sivakumar,K. Online Peer and Editorial Recommendations , Trust, and Choice in Virtual Markets[J]. Journal of Interactive Marketing,2005, 19 ⑶:15-37
[26]馬慶國，王凱，舒良超.積極情緒對用戶信息技術采納意向影響的實驗研究—— 以電子商務推薦系統為例[J].科學學研究,2007,10(27):1557?1563
[27]Randalb T., C. Terwiesch, et al. User Design of CustomizedProducts. Marketing Science. 2007, 26 (2)： 268-280
[28]Her-sen Doong, Hui-chih Wang. Do Males and Females Differ in How They Perceive and Elaborate on Agent-based Recommendations in Internet-based selling?[J], Electronic Commerce Research and Applications2011,10(5): 595-604
[29]Komiak, S., Wang, W. and Benbasat, I.Comparing Customer Trust in Virtual Salespersons with Customer Trust in Human Salespersons [J]? In Proceedings of the 38th Hawaii International Conference on System Sciences HICSS38, Big Island, Hawaii, 2005.
[30]Dvadi R? Frotni, Ruby Roy Dholakia. Interactivity and Vividness Effects on Social Presence and Involvement with a Web-based Advertisement[J]. Journal of Research in Personality, 2001.31 (4) :118-123
[31]Franke, N., P. Keinz, et al.. Testing the Value of Customization： When do, Customers Really Prefer Products Tailored to Their Preferences ?[J]. Journal of Marketing.2009,73(5):103-121
[32]Venkatesh V. Determinants of Perceived Ease of Use: Integrating Perceived Behavioral Control, Computer Anxiety and Enjoyment into the Technology Acceptance Model[幾 Information Systems Research, 2000, 4(11) :342-365
[33]Lingyun Qiu, Lzak Benbasat? Evaluating Anthropomorphic Product Recommen dation Agents: ASocialRelationshipPerspectivetoDesigningInfbrmationSystems[J].J oumalof Management Information Systems,2009: 145-181.
[34]Christy M.K. Cheung,Matthew K.O. Lee,Neil Rabjohn. The Impact of Electronic Word-of-mouth:The Adoption of Online Opinions in Online Customer Communities [J] .Internet Research52008318(3): 229-247
[35]宋雪雁.用戶信息采納行為模型構建及應用研究[D].長春：吉林大學,2010.
[36]姚學剛.人類信息接受行為的動因、過程及影響因素研%[D].北京：北京大學， 200&
[3 7]Petty, R.R. and Cacioppo, J.T. The Effects of Involvement on Responses to Argument Quantity and Quality : Central and Peripheral Routes to Persuasion卩]. Journal of Personality and Social Psychology, 1984,46 (9)： 135-146
[38]曹原.在線評論的加層信息對信息采納的影響研究[D].成都：西南財經大 學,2012.
[39]Sussman S W5Siegal W S. Informational Influence in Organizations: An Integrated Approach to Knowledge Adoption[J]. Information Systems Research,2003,14( 1): 47-65
[40]Petty, R.E., Cacioppo, J.T. Communication and Persuasion： Central and Peripheral Routes to Attitude Changes [J]. Springs. 1986.
[41]徐潔怡，馬威•消費者行為學[M]?北京:中國農業大學出版社,2005.
[42]Bailey, J.E. and Pearson» S.W. Development of a Tool for Measuring andAnalyzing Computer User Satisfaction[J]. Management Science,1983,(5):530-545
[43]Wang R Y, Strong D M. Beyond Accuracy: What Data Quality Means to Data
Consumers [J]. Journal of Management Information Systems, 1996, 12( 4): 5—34
[44]李晶,漆賢軍，陳明紅.信息質量感知對信息獲取與信息采納的影響研究[J].情報 科學,2015,(3):123-129
[45]劉冰.基于用戶體驗視角的信息質量反思與闡釋[J].圖書情報工作,2012, (6):74-78,89
[46]宋振暉，鄧超.企業信息化技術采納理論的發展現狀分析[J].信息技術與標 化,2005(01):38-40
[47]Anderson J E, Schwager P H. SME Adoption of Wireless LAN Technology： Applying the UIAUT ModelfC]. Proceedings of the 7th annual conference of the southern association for information system.2004(7):39-43
[48]何德華，魯耀武.移動營銷:基于短信息服務的消費者接受實證研究[J].商業研 究,2009(04):127-131
[4刃邵坤煥,楊蘭蓉•公眾采納移動政務服務的綜合接受模型研究[J].現代情報. 2011(12)： 3-6
[50]蘇婉,畢新華，王磊.基于UTAUT理論的物聯網用戶接受模型研究[J].情報科學. 2013(05)： 128-132
[51]譚春輝，張潔，曾奕棠，基于UTAUT模型的消費者網絡購物影響因素研究[J].管 理現代化，2014 (3)： 29-30
[52]唐曉波，文鵬，蔡瑞.社會化媒體用戶使用行為影響因素實證分析[J].同濟大學 學報(自然科學版).2015 3:475-482
[53]Gefen D., Straub D? The Relative Importance of Perceived Ease-of-Use in IS Adoption: A Study of e-Commerce Adoption. Journal of the Association for Information Systems, 2000, 1(8): 1-30
[54]鄧朝華.移動服務用戶采納模型及其實證研究[D].武漢：華中科技大學,2008.
[55]許應楠.面向知識推薦服務的消費者在線購物決策研究[D].南京：南京理工大 學,2012.
[56]朱麗娜.網絡廣告情感說服研究[D].武漢：華中科技大學，2011.
[57] English L P. Information Quality: Meeting Customer Needs [ J]. DM Review, 1996, 3( 1): 1 -9
[58]盧爽•基于用戶體驗與感知的信息質量評價體系構建實證研究[D].天津：天津師 范大學,2012.
[59]戴和忠.網絡推薦和在線評論對數字內容商品體驗消費的整合影響及實證研究 [D],杭州：浙江大學，2014.
[60]Ho, S. Y, D. Bodo覽 et al. Timing of Adaptive Web Personalization a Its Effects on Online Consumer Behavior[J]. Infbnnation Systems Research, 2011.
[61]閆慶華，李永忠.電子商務個性化推薦服務過度的解決方案[J].信息安全與通信 保密,2014,(8):105-108.
[62]彭思晚.基于UTAUT模型的用戶采納微博的關鍵因素研究[D].北京：北京郵電 大學，2012.
[63]McKnight D H, Choudhury 7, Kacmar C. The Impact of Initial Consumer Trust on Intentions to Transact with a Web Site: A Trust Building Model[J]. The Journal ofStrategic Information Systems, 2002,11 (3-4) :297-323.
相關標簽:
