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
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)
相關(guān)知識(shí)
用戶反饋信息的客戶端設(shè)置,自動(dòng)回復(fù)設(shè)置,系統(tǒng)標(biāo)簽設(shè)置
如何利用客戶反饋系統(tǒng)改進(jìn)服務(wù)
移動(dòng)端老年用戶健康信息參與行為及應(yīng)用適老化改造策略研究
收集用戶反饋和用戶評(píng)論的12種方式
高端客戶健康管理怎么做?淺藍(lán)健康為您解答
用戶反饋數(shù)據(jù)分析:洞悉客戶需求,優(yōu)化用戶體驗(yàn)
魔域客戶端下載
2023年客戶反饋總結(jié)與2024年客戶體驗(yàn)改善.docx
基于用戶參與的在線健康平臺(tái)信息服務(wù)質(zhì)量研究
客戶的反饋以及認(rèn)可的評(píng)語
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
推薦資訊
- 1發(fā)朋友圈對(duì)老公徹底失望的心情 12775
- 2BMI體重指數(shù)計(jì)算公式是什么 11235
- 3補(bǔ)腎吃什么 補(bǔ)腎最佳食物推薦 11199
- 4性生活姿勢有哪些 盤點(diǎn)夫妻性 10425
- 5BMI正常值范圍一般是多少? 10137
- 6在線基礎(chǔ)代謝率(BMR)計(jì)算 9652
- 7一邊做飯一邊躁狂怎么辦 9138
- 8從出汗看健康 出汗透露你的健 9063
- 9早上怎么喝水最健康? 8613
- 10五大原因危害女性健康 如何保 7826