首頁資訊移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的用戶評(píng)價(jià)指標(biāo)研究

移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的用戶評(píng)價(jià)指標(biāo)研究

來源：泰然健康網(wǎng) 時(shí)間：2024年12月17日 04:39

摘要: 算法推薦是用戶在大數(shù)據(jù)時(shí)代獲取信息的重要渠道，推薦質(zhì)量關(guān)乎用戶的體驗(yàn)態(tài)度。如今在用戶基數(shù)龐大的新聞客戶端推薦系統(tǒng)背后，推薦質(zhì)量參差不齊、用戶心理感受被忽視，該領(lǐng)域缺乏一個(gè)通用的用戶評(píng)價(jià)指標(biāo)體系。因此，本研究以用戶心理體驗(yàn)為導(dǎo)向，在文獻(xiàn)回顧和深度訪談的基礎(chǔ)上，編制出適用于新聞客戶端推薦系統(tǒng)評(píng)價(jià)的初始量表，通過預(yù)調(diào)查和正式調(diào)查，并采用探索性因素分析、驗(yàn)證性因素分析等統(tǒng)計(jì)方法對(duì)調(diào)查結(jié)果進(jìn)行檢驗(yàn)分析，最終獲取由“內(nèi)容評(píng)價(jià)”、“系統(tǒng)評(píng)價(jià)”、“算法評(píng)價(jià)”、“交互評(píng)價(jià)”和“風(fēng)險(xiǎn)與控制評(píng)價(jià)”等五個(gè)一階指標(biāo)構(gòu)成的新聞客戶端推薦系統(tǒng)用戶評(píng)價(jià)量表。研究進(jìn)一步對(duì)新聞客戶端用戶的推薦系統(tǒng)體驗(yàn)態(tài)度以及有關(guān)影響因素進(jìn)行了探索，最后從實(shí)踐角度對(duì)新聞客戶端推薦系統(tǒng)的優(yōu)化方向提出建議。

關(guān)鍵詞: 新聞客戶端推薦系統(tǒng)；評(píng)價(jià)指標(biāo)；量表修訂；用戶心理體驗(yàn)

一、前言

隨著互聯(lián)網(wǎng)的發(fā)展和普及，人類進(jìn)入一個(gè)高度信息化的時(shí)代，網(wǎng)絡(luò)中的海量信息一方面滿足了用戶對(duì)信息的需求，另一方面也增加了人們尋找有用信息的成本，出現(xiàn)所謂的“信息過載”問題。個(gè)性化推薦系統(tǒng)是解決信息過載問題的一個(gè)有效辦法。目前學(xué)界與業(yè)界對(duì)推薦系統(tǒng)的研究大多關(guān)注推薦系統(tǒng)的技術(shù)算法，偏向技術(shù)導(dǎo)向，而以用戶心理體驗(yàn)為視角的研究相對(duì)較少。評(píng)估推薦系統(tǒng)的質(zhì)量過于強(qiáng)調(diào)算法的準(zhǔn)確性，而忽略了從用戶角度出發(fā)的消費(fèi)者心理體驗(yàn)，并缺乏一個(gè)通用的推薦系統(tǒng)評(píng)價(jià)指標(biāo)體系，這不利于推薦系統(tǒng)的優(yōu)化和改進(jìn)。

之所以要探討“移動(dòng)新聞客戶端個(gè)性化推薦的用戶評(píng)價(jià)指標(biāo)”，一是因?yàn)樵谝苿?dòng)應(yīng)用的評(píng)價(jià)研究中，視頻軟件、音樂軟件等應(yīng)用的個(gè)性化推薦系統(tǒng)的用戶評(píng)價(jià)指標(biāo)體系趨向完善，但是關(guān)于移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的評(píng)價(jià)指標(biāo)研究相對(duì)較少，相關(guān)體系并未建立。二是因?yàn)槟壳耙苿?dòng)新聞客戶端的使用規(guī)模非常龐大，但是用戶體驗(yàn)究竟如何、個(gè)性化推薦是否完善等問題一直無據(jù)可依，因此行業(yè)空白要求相關(guān)研究應(yīng)當(dāng)深入開展。

在理論上，本研究結(jié)合前人的研究，以用戶滿意度作為效度標(biāo)準(zhǔn)，在顧客感知價(jià)值理論和使用與滿足理論的基礎(chǔ)上，從用戶角度出發(fā)，重點(diǎn)調(diào)查用戶對(duì)移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的認(rèn)知、態(tài)度和滿意度，并通過量化數(shù)據(jù)的方式，梳理出具有顯著相關(guān)性的用戶評(píng)價(jià)指標(biāo)。

二、文獻(xiàn)綜述

（一）關(guān)于個(gè)性化推薦技術(shù)層面的研究

個(gè)性化推薦是從20世紀(jì)90年代被作為一個(gè)獨(dú)立的概念所提出。個(gè)性化推薦將用戶的使用行為記錄、保存為數(shù)據(jù)，通過信息過濾技術(shù)向目標(biāo)用戶推薦其感興趣的信息，為用戶提供個(gè)性化推薦服務(wù)。

一個(gè)完整的推薦系統(tǒng)由3部分組成:收集用戶信息的行為記錄模塊、分析用戶喜好的模型分析模塊和推薦算法模塊,其中,推薦算法模塊是推薦系統(tǒng)中最為核心的部分。當(dāng)前對(duì)個(gè)性化新聞推薦技術(shù)的分類主要有:基于內(nèi)容推薦、協(xié)同過濾推薦和混合推薦。

個(gè)性化推薦系統(tǒng)最先應(yīng)用于電子商務(wù)領(lǐng)域，目前，個(gè)性化推薦系統(tǒng)已經(jīng)廣泛運(yùn)用于眾多領(lǐng)域：如音樂、視頻客戶端等。學(xué)術(shù)界同樣從不同角度對(duì)于個(gè)性化推薦系統(tǒng)有諸多研究，但是有關(guān)移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的研究較少。

（二）關(guān)于“個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)”的研究

先前有關(guān)推薦系統(tǒng)評(píng)價(jià)的研究大多注重于評(píng)價(jià)算法預(yù)測打分的準(zhǔn)確度。

Sean M. McNee，John Riedl，Joseph A. Konstan（2006）[1]認(rèn)為根據(jù)算法得出的最準(zhǔn)確的建議有時(shí)不是對(duì)用戶最有用的建議，提出了新的以用戶為中心的方向來評(píng)估推薦系統(tǒng)。文章回顧三個(gè)方面：推薦列表多樣性，推薦意外發(fā)現(xiàn)以及推薦人中用戶需求和期望的重要性。

Jones?& Pu（2007）[2]通過用戶調(diào)查發(fā)現(xiàn)簡單的界面設(shè)計(jì)，推薦項(xiàng)目的準(zhǔn)確性、新穎性和愉悅性是網(wǎng)站之所以受歡迎的一些關(guān)鍵設(shè)計(jì)特征。

周濤（2008）[3]提出利用推薦列表的流行性和多樣性對(duì)個(gè)性化推薦系統(tǒng)進(jìn)行評(píng)價(jià)。個(gè)性化推薦系統(tǒng)對(duì)不同用戶推薦的產(chǎn)品需要表現(xiàn)出相當(dāng)?shù)亩鄻有浴?/p>

Swearingen K,Sinha R（2008）[4]介紹兩種新的指標(biāo)度量推薦系統(tǒng):新鮮性和意外性。推薦用戶感到意外的產(chǎn)品會(huì)幫助用戶發(fā)現(xiàn)一些他還沒有發(fā)現(xiàn)的可能感興趣的產(chǎn)品。

Pu?& Chen（2010）[5]開發(fā)了一個(gè)名為ResQue的模型（推薦系統(tǒng)的用戶體驗(yàn)質(zhì)量）用于評(píng)估推薦系統(tǒng)的感知質(zhì)量，例如其可用性，實(shí)用性，界面和交互質(zhì)量，用戶對(duì)系統(tǒng)的滿意度以及這些質(zhì)量對(duì)用戶的影響。

Guy Shani，Asela Gunawardana（2011）[6]提出推薦系統(tǒng)具有可能影響用戶體驗(yàn)的各種屬性，例如準(zhǔn)確性，穩(wěn)健性，可伸縮性等。

朱郁筱和呂琳媛（2012）[7]總結(jié)了電商網(wǎng)站推薦系統(tǒng)評(píng)價(jià)指標(biāo)的最新研究進(jìn)展，從準(zhǔn)確度，多樣性，覆蓋率和新穎性等方面深入分析了各自優(yōu)缺點(diǎn)和適用環(huán)境。

Iman Avazpour ,Teerat Pitakrat ,Lars Grunske,John Grundy(2014)[8]回顧一系列評(píng)估指標(biāo)和用于評(píng)估推薦系統(tǒng)的一些方法。將評(píng)價(jià)指標(biāo)分為16個(gè)不同的維度，例如正確性，新穎性，覆蓋率、穩(wěn)定性和擴(kuò)展性等。

Joeran Beel，Stefan Langer（2014）[9]提出用戶研究通常通過衡量用戶滿意度來對(duì)系統(tǒng)進(jìn)行評(píng)價(jià)，用戶對(duì)推薦系統(tǒng)的各個(gè)方面進(jìn)行評(píng)級(jí)，例如，推薦的新穎性或權(quán)威性如何，或者對(duì)于非專家來說它們的適用程度如何。

Lei Li, Balaji Padmanabhan（2011）[10]認(rèn)為有關(guān)新聞的個(gè)性化推薦系統(tǒng)評(píng)價(jià)應(yīng)該要考慮到新聞特殊屬性，例如短保質(zhì)期和即時(shí)價(jià)值，提出了一種具有兩級(jí)表示的可擴(kuò)展的兩階段個(gè)性化新聞推薦方法，其在執(zhí)行推薦時(shí)考慮新聞項(xiàng)的獨(dú)有特征（例如，新聞內(nèi)容，訪問模式，命名實(shí)體，流行度和新近度）。

曾秀芹、曾潔和黃晨陽（2016）[11]針對(duì)電子商務(wù)的個(gè)性化推薦系統(tǒng)提出了內(nèi)容評(píng)價(jià)、感知易用性、感知有用性、頁面設(shè)計(jì)、互動(dòng)評(píng)價(jià)、社會(huì)臨場感、信心滿意度、影響速度、風(fēng)險(xiǎn)及隱私管理11個(gè)因子。

Michael A. Beam（2016）[12]調(diào)查了個(gè)性化新聞推薦系統(tǒng)設(shè)計(jì)對(duì)選擇性曝光、闡述知識(shí)的影響。擔(dān)心個(gè)性化技術(shù)的擴(kuò)散會(huì)使人們從具有挑戰(zhàn)性的角度出發(fā)，從而降低公眾輿論。

Natali Helberger, Kari Karppinen & Lucia D’Acun（2016）[13]認(rèn)為搜索引擎，社交媒體以及傳統(tǒng)媒體中的個(gè)性化建議越來越引起人們對(duì)多樣性和公共話語質(zhì)量的潛在負(fù)面影響的擔(dān)憂。

三、研究結(jié)果

（一）新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)量表內(nèi)容與維度的探索

1. 研究方法

研究采用文獻(xiàn)研究和定性研究相結(jié)合的方法，收集各評(píng)價(jià)指標(biāo)，編制新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)的初始量表。

（1）文獻(xiàn)法

目前，針對(duì)新聞客戶端個(gè)性化推薦系統(tǒng)用戶評(píng)價(jià)方面的研究較少，本研究在電子商務(wù)、網(wǎng)站推薦、視頻推薦等其他領(lǐng)域相關(guān)的文獻(xiàn)資料基礎(chǔ)上修訂各評(píng)價(jià)指標(biāo)，編制移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)的初始量表，包括內(nèi)容評(píng)價(jià)、系統(tǒng)評(píng)價(jià)、算法評(píng)價(jià)、交互評(píng)價(jià)、風(fēng)險(xiǎn)與控制評(píng)價(jià)五大指標(biāo)。

（2）深度訪談

通過深度訪談，探究文獻(xiàn)綜述獲得的指標(biāo)是否適用于新聞客戶端的個(gè)性化推薦系統(tǒng)，以及發(fā)現(xiàn)新的評(píng)價(jià)指標(biāo)。選取10個(gè)人進(jìn)行訪談，訪談對(duì)象涉及專家、普通用戶。訪談問題圍繞“受眾從哪些方面對(duì)新聞客戶端個(gè)性化推薦系統(tǒng)進(jìn)行評(píng)價(jià)”、“受眾對(duì)移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的認(rèn)識(shí)”，不斷豐富五個(gè)一級(jí)指標(biāo)。在此基礎(chǔ)上，尋找積極有效的效標(biāo)，最終從“期待—確定”理論中找到效標(biāo)。建構(gòu)出適用于移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)的框架體系，并將其應(yīng)用于移動(dòng)新聞客戶端推薦系統(tǒng)的評(píng)估。

（3）數(shù)據(jù)分析

通過線上和線下雙渠道發(fā)放問卷，線上渠道可以拓寬問卷的傳播空間，不僅節(jié)省時(shí)間和人力，而且有利于增強(qiáng)被試者的多樣性。線下渠道可以針對(duì)線上問卷的發(fā)放情況進(jìn)行有效地補(bǔ)充和調(diào)整，有利于被試者在性別、年齡等方面的平衡。

2. 研究結(jié)果

研究結(jié)果表明對(duì)于新聞客戶端個(gè)性化推薦系統(tǒng)而言，通過文獻(xiàn)獲取的評(píng)價(jià)指標(biāo)基本適用，并且基于新聞客戶端個(gè)性化推薦系統(tǒng)自身的獨(dú)特性，本研究還補(bǔ)充了新的評(píng)價(jià)指標(biāo)。最終確定了“內(nèi)容評(píng)價(jià)”、“系統(tǒng)評(píng)價(jià)”、“算法評(píng)價(jià)”、“交互評(píng)價(jià)”、“風(fēng)險(xiǎn)與控制評(píng)價(jià)”五個(gè)一級(jí)指標(biāo)，建構(gòu)出適用于移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)的框架體系如下表1。

表1 新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)列表

（二）新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)量表信效度檢驗(yàn)

1. 研究目的

通過預(yù)調(diào)查，收集 100 個(gè)有效樣本對(duì)評(píng)價(jià)指標(biāo)的初始量表進(jìn)行項(xiàng)目分析，并進(jìn)行信效度的檢驗(yàn)，進(jìn)一步修訂量表。

2. 研究方法

預(yù)調(diào)查通過方便抽樣的方法進(jìn)行問卷調(diào)查，一共回收 145 份問卷，剔除沒有使用過移動(dòng)新聞客戶端以及回答不完整的受訪者，最后得到有效問卷107 份。

調(diào)查問卷主要為上一步研究中形成的新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)量表、使用意愿量表、媒介使用行為和人口統(tǒng)計(jì)學(xué)問題。所有量表都采用李克特 5 點(diǎn)量表，按受眾的感知強(qiáng)烈程度，分為完全不同意、不同意、不能確定、同意、非常同意，分別對(duì)應(yīng) 1-5 分值，分值越小，表示越不同意，分值越大表示同意程度越高。

3. 研究結(jié)果

為了檢驗(yàn)初始量表的信效度，研究利用 Cronbach’s α系數(shù)判斷量表整體可靠性，預(yù)調(diào)研數(shù)據(jù)分析的結(jié)果顯示，整體量表的克隆巴赫 Alpha 系數(shù)為0.809，大于 0.7，表明量表的信度水平較高。，進(jìn)一步考察各個(gè)分量表的 Cronbach’s α系數(shù)以及單項(xiàng)-總量修正系數(shù)（CITC 系數(shù)），最終，Cronbach’s α系數(shù)為 0.805，各個(gè)分量表的信度均大于 0.7，符合分量表信度要求。

采用主成分分析法提取因子，以特征值大于1為提取標(biāo)準(zhǔn)，對(duì)量表中各個(gè)變量進(jìn)行探索性因子分析，共析出五個(gè)因子，且共同度全部大于0.5，旋轉(zhuǎn)后的根特值分別為6.254、4.845、3.194、2.322和2.306，解釋總體方差的 69.25%，所有題項(xiàng)的共同度均大于 0.5，且因子載荷均大于 0.4。但存在一些跨載荷題項(xiàng)，因此進(jìn)行多次因子分析，除了因表意不清導(dǎo)致跨載荷的題項(xiàng)予以保留外，其他不符合要求的題項(xiàng)被逐項(xiàng)刪除。最后的評(píng)價(jià)指標(biāo)確定為五個(gè)，分別是“新聞價(jià)值”、“新聞廣度”、“技術(shù)評(píng)價(jià)”、“交互評(píng)價(jià)”和“風(fēng)險(xiǎn)與控制評(píng)價(jià)”。

表2 新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)因子分析結(jié)果

（三）新聞客戶端個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)分析

1. 研究目的

對(duì)于預(yù)研究修訂過的正式量表再進(jìn)行信效度的檢驗(yàn)，將這個(gè)評(píng)價(jià)體系應(yīng)用于新聞客戶端個(gè)性化推薦系統(tǒng)的評(píng)估，并探索是什么因素將影響推薦系統(tǒng)評(píng)價(jià)得分的高低。

2. 研究方法

本研究采取問卷調(diào)查的方法，采用配額抽樣的方法，根據(jù)人口統(tǒng)計(jì)學(xué)數(shù)據(jù)分布，在性別、年級(jí)、所在地域等變量進(jìn)行配額抽樣。運(yùn)用線上線下相結(jié)合的調(diào)查方法，共回收476份問卷。問卷回收后，通過對(duì)問卷進(jìn)行有效性篩選，剔除了無效問卷，剩余有效問卷417份。

3. 研究結(jié)果

(1) 調(diào)查對(duì)象人口分布特征

417個(gè)受訪者中，男、女大約占比為45%、55%，樣本性別比例較為均衡。受訪者在年齡分布上主要以18-45歲的用戶為主，占比45.8%，這部分群體無論是在手機(jī)的使用還是移動(dòng)新聞客戶端的使用上都是主要群體，因此可以作為移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的主要評(píng)價(jià)群體。55歲以上樣本占比1.0%，這部分人群對(duì)媒介接觸行為相比較其他群體少。

受訪者的學(xué)歷分布主要在本科及以上，占比比例為93.3%，總體來看受教育程度較高，因此相應(yīng)的媒介素養(yǎng)也相對(duì)較高，對(duì)移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的認(rèn)知比較全面，而且擁有自己的信息需求，有相應(yīng)的能力成為評(píng)價(jià)主體。

本次調(diào)查的受訪者的職業(yè)分布主要是“企事業(yè)單位”和“學(xué)生”，分別占比42.4%和41.2%，總共占八成。這部分群體不僅有更強(qiáng)的新聞需求，而且擁有比較充足的新聞閱讀時(shí)間，因此有機(jī)會(huì)長期使用移動(dòng)新聞客戶端。

在行業(yè)分布方面，樣本多數(shù)來自學(xué)校和媒體行業(yè)，包括學(xué)生、教師和媒體從業(yè)者。一方面是因?yàn)闈L雪球的抽樣方式，另一方面是在校人員和媒體從業(yè)者更具新聞閱讀的主動(dòng)性。

（2）用戶使用行為特征

樣本中每次使用新聞客戶端時(shí)長在15分鐘以下的受訪者最多，比例為43.6%；使用時(shí)長在15-30分鐘的人較多，占比為40.0%；使用時(shí)長超過60分鐘的人最少，占比5.5%。不同性別樣本對(duì)于每次使用新聞客戶端的時(shí)長呈現(xiàn)出顯著性(P<0.05)。

不同年齡樣本對(duì)于每次使用新聞客戶端的時(shí)長呈現(xiàn)出顯著性(P<0.05)，通過百分比對(duì)比差異可知，18-25歲樣本選擇15分鐘以下的比例58.64%，會(huì)明顯高于平均水平43.65%。46-55歲選擇15-30分鐘的比例50.94%，會(huì)明顯高于平均水平40.05%。55歲以上選擇30-60分鐘的比例50.00%，會(huì)明顯高于平均水平10.79%。

總結(jié)可知不同性別、年齡、文化程度與職業(yè)的樣本在新聞客戶端每次使用時(shí)長上存在顯著差異。不同性別、年齡、職業(yè)的樣本在新聞客戶端的使用頻率上存在顯著差異。

四、模型預(yù)測

以新聞價(jià)值、新聞廣度、技術(shù)設(shè)計(jì)、交互性和風(fēng)險(xiǎn)與控制作為自變量，未來使用意愿為因變量，建立用戶未來使用意向的預(yù)測模型，如下圖1.4所示：

（一）研究結(jié)果：

以新聞價(jià)值、新聞廣度、技術(shù)設(shè)計(jì)、交互性和風(fēng)險(xiǎn)與控制作為自變量，以未來使用意愿為因變量，以逐步回歸方法進(jìn)行多元線性回歸分析，并以顯著性水平小于等于0.05為變量進(jìn)入標(biāo)準(zhǔn)，以顯著性水平大于0.1為剔除標(biāo)準(zhǔn)。逐步回歸過程剔除了風(fēng)險(xiǎn)與控制，保留了新聞價(jià)值、新聞廣度、技術(shù)設(shè)計(jì)和交互性。

從下表可以看出，模型R平方值為0.648，意味著新聞價(jià)值,新聞廣度,技術(shù)評(píng)價(jià),互動(dòng)性可以解釋滿意度的64.8%變化原因。對(duì)模型進(jìn)行F檢驗(yàn)時(shí)發(fā)現(xiàn)模型通過F檢驗(yàn)(F=189.320，P<0.05)，也即說明新聞價(jià)值,新聞廣度,技術(shù)評(píng)價(jià),互動(dòng)性中至少一項(xiàng)會(huì)對(duì)滿意度產(chǎn)生影響關(guān)系，模型公式為：未來使用意愿=-0.005 + 0.454*新聞價(jià)值 + 0.147*新聞廣度 + 0.399*技術(shù)評(píng)價(jià) + 0.084*互動(dòng)性。

另外，針對(duì)模型的多重共線性進(jìn)行檢驗(yàn)發(fā)現(xiàn)，模型中VIF值全部均小于5，意味著不存在著共線性問題；并且D-W值在數(shù)字2附近，因而說明模型不存在自相關(guān)性，樣本數(shù)據(jù)之間并沒有關(guān)聯(lián)關(guān)系，模型較好。

最終總結(jié)分析可知：新聞價(jià)值, 新聞廣度, 技術(shù)評(píng)價(jià), 互動(dòng)性全部均會(huì)對(duì)未來使用意愿產(chǎn)生顯著的正向影響關(guān)系。模型公式為：未來使用意愿=-0.005 + 0.454*新聞價(jià)值 + 0.147*新聞廣度 + 0.399*技術(shù)評(píng)價(jià) + 0.084*互動(dòng)性。

五、結(jié)論與討論

新聞價(jià)值,新聞廣度,技術(shù)評(píng)價(jià),互動(dòng)性均會(huì)對(duì)未來使用意愿產(chǎn)生顯著的正向影響關(guān)系。在對(duì)移動(dòng)新聞客戶端未來的使用意愿影響程度上，新聞價(jià)值的影響作用最大，這也與“內(nèi)容為王”的行業(yè)理念相一致。新聞客戶端的技術(shù)設(shè)計(jì)的影響作用也不容忽視，用戶對(duì)體驗(yàn)越來越看重。在新聞的廣度和交互性等方面，受眾越來越偏向多樣化題材的新聞接觸，同時(shí)有著比較強(qiáng)烈的分享欲望和社交需求，因此也應(yīng)當(dāng)受到重視。在模型中，風(fēng)險(xiǎn)與控制并沒有對(duì)使用意愿產(chǎn)生明顯的影響作用，綜合前文聚類分析，較多用戶樣本表示出“高使用意愿”，這可能是因?yàn)橐苿?dòng)碎片化時(shí)代，移動(dòng)新聞客戶端能夠滿足用戶的快速信息需求。

而在本次研究中，風(fēng)險(xiǎn)與控制指標(biāo)并沒有對(duì)新聞客戶端的個(gè)性化推薦系統(tǒng)得分產(chǎn)生作用，這可能是因?yàn)樾侣効蛻舳藗€(gè)性化推薦系統(tǒng)發(fā)展時(shí)間較短，目前對(duì)于新聞客戶端個(gè)性化推薦系統(tǒng)的倫理研究更多集中在學(xué)術(shù)層面。

本研究的不足之處在于抽樣過程不夠嚴(yán)謹(jǐn)，部分問卷是通過線上發(fā)放得來，雖然在數(shù)據(jù)分析前的數(shù)據(jù)處理環(huán)節(jié)有對(duì)這部分樣本進(jìn)行剔除，但總體來說可能會(huì)影響到本次研究的人口統(tǒng)計(jì)學(xué)等方面的結(jié)果。因此，筆者會(huì)在下一步的研究中盡可能的彌補(bǔ)這方面的不足。未來的研究方向可能會(huì)進(jìn)一步擴(kuò)大樣本量，同時(shí)嚴(yán)格控制樣本的獲取并針對(duì)個(gè)性化推薦系統(tǒng)及其帶來的潛在風(fēng)險(xiǎn)作更深一步的研究。

參考文獻(xiàn)：

[1] P Resnick, H R Varian. Special Issue on Recommender Systems. Ai Communications, 1997, 21(2-3):95-96.

[2] S. S. Anand, S. S. Anand. Personalization on the Net Using Web Mining: Introduction. Comm Acm, 2000, 43(8):122-125.

[3] 劉建國,周濤,郭強(qiáng)等.個(gè)性化推薦系統(tǒng)評(píng)價(jià)方法綜述.復(fù)雜系統(tǒng)與復(fù)雜性科學(xué),2009,6(3):1-10.

[4] J Bobadilla, F Ortega, A Hernando. Recommender Systems Survey. Knowledge-Based Systems, 2013, 46(1):109-132.

[5] U Shardanand, P Maes. Social Information Filtering: Algorithms for Automating “Word of Mouth”. Sigchi Conference on Human Factors in Computing Systems. ACM Press/Addison-Wesley Publishing Co. 1995:210-217.

[6] A L Uitdenbogerd, R G V Schyndel. A Review of Factors Affecting Music Recommender Success. The Proceedings of 3rd International Conference on Music Information Retrieval, October, 2002.

[7] 譚學(xué)清,何珊.音樂個(gè)性化推薦系統(tǒng)研究綜述.數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn),2014,30(9): 22-32.

[8] M Sunitha, T A Lakshmi.Session Aware Music Recommendation System with Matrix Factorization Technique-SVD. Management Science, 2015, 30(4):174-181.

[9] S M Mcnee, J Riedl, J A Konstan. Being accurate is not Enough: How Accuracy Metrics have Hurt Recommender Systems. Extended Abstracts Proceedings of the 2006 Conference on Human Factors in Computing Systems, April. 2006:1097-1101.

[10] G Shani, A Gunawardana. Evaluating Recommendation Systems. Recommender Systems Handbook, 2011:257-297.

[11] I Avazpour, T Pitakrat, L Grunske, et al. Dimensions and Metrics for Evaluating Recommendation Systems. Recommendation Systems in Software Engineering. Springer Berlin Heidelberg, 2014: 245-273.

[12] 曾秀芹,曾潔,黃晨陽. 個(gè)性化推薦系統(tǒng)評(píng)價(jià)指標(biāo)體系的實(shí)證研究. 現(xiàn)代廣告學(xué)術(shù)季刊, 2017,(6): 46-55.

[13] P Pu, L Chen, R Hu. A User-Centric Evaluation Framework for Recommender Systems. ACM Conference on Recommender Systems, 2011:157-164.

[14] B P Knijnenburg, M C Willemsen, Z Gantner, et al. Explaining the User Experience of Recommender Systems. User Modeling and User-Adapted Interaction, 2012, 22(4-5):441-504.

[15] Y C Zhang, D Quercia, T Jambor. Auralist: Introducing Serendipity into Music Recommendation. ACM, 2012:13-22.

[16] P Pu, L Chen, P Kumar. Evaluating Product Search and Recommender Systems for E-commerce Environments. Electronic Commerce Research, 2008, 8(1-2):1-27.

[17] K Swearingen, R Sinha. Interaction Design for Recommender Systems. Designing Interactive Systems ACM, 2002.

[18] P Pu, M Zhou, S Castagnos. Critiquing Recommenders for Public Taste Products. ACM Conference on Recommender Systems. ACM, 2009:249-252.

[19] N Jones, P Pu. User Acceptance Issues in Music Recommender Systems. EPFL Technical Report HCI-REPORT, 2009, Epfl.

[20] D Kotkov, S Wang, J Veijalainen. A Survey of Serendipity in Recommender Systems. Knowledge-Based Systems, 2016, 111:180-192.

[21] W H Delone, E R Mclean. The DeLone and McLean Model of Information Systems Success: A Ten-Year Update. M. E. Sharpe, Inc. 2003.

[22] J Kirakowski, M Corbett. SUMI: the Software Usability Measurement Inventory. British Journal of Educational Technology, 1993, 24(3):210-212.

[23] S Y X Komiak, I Benbasat. The Effects of Personalization and Familiarity on Trust and Adoption of Recommendation Agents. Mis Quarterly, 2006, 30(4):941-960.

[24] D S Kempf, R E Smith. Consumer Processing of Product Trial and the Influence of Prior Advertising: A Structural Modeling Approach. Journal of Marketing Research, 1998, 35(3):325-338.

[25] L Chen, P Pu. Interaction design guidelines on critiquing-based recommender systems. User Modeling and User-Adapted Interaction, 2009, 19(3):167.

[26] N Tintarev, J Masthoff. A Survey of Explanations in Recommender Systems. IEEE, International Conference on Data Engineering Workshop. IEEE, 2007:801-810.

[27] 劉蓓琳.基于用戶滿意度的電子商務(wù)個(gè)性化推薦評(píng)價(jià)研究.中國物流與采購,2012(14):68-69.

[28] 江娟,吳瓊鱗,馬春梅等.網(wǎng)絡(luò)消費(fèi)者滿意的構(gòu)成要素及其作用效果研究,2014,(17): 87-95.

[29] 黃鼎隆,饒培倫,韓盈秋.網(wǎng)絡(luò)購物環(huán)境中信息安全因素對(duì)用戶行為的影響.人類工效學(xué),2008,14(1):22-24.

[30] 吳艷,溫忠麟.結(jié)構(gòu)方程建模中的題目打包策略.心理科學(xué)進(jìn)展,2011,19(12):1859-1867.

[31] 吳明隆.結(jié)構(gòu)方程模型:AMOS的操作與應(yīng)用.重慶大學(xué)出版社,2009.

(責(zé)編：劉揚(yáng)、趙光霞)

網(wǎng)址: 移動(dòng)新聞客戶端個(gè)性化推薦系統(tǒng)的用戶評(píng)價(jià)指標(biāo)研究 http://m.u1s5d6.cn/newsview586566.html