基于VAM模型的用户移动个性化推荐采纳意愿研究
移动电商个性化推荐对消费者购买意愿影响分析
移动电商个性化推荐对消费者购买意愿影响分析作者：徐玲玲朱婧来源：《商业经济研究》2018年第06期内容摘要：在移动电商平台竞争激烈的背景下，个性化推荐成为其吸引、留住消费者的营销手段之一。
本文通过探索性多案例分析方法确立影响消费者接受个性化推荐的主要因素为呈现方式和推送方式，将两因素作为TAM模型的外部变量，构建出个性化推荐影响消费者购买意愿的结构模型，采用方差分析来考察消费者类型在该模型中的调节效应。
研究发现，个性化推荐的呈现方式和推送方式正向影响消费者感知有用性和易用性，消费者类型在此过程中能够作为调节变量。
关键词：移动电商个性化推荐技术接受模型消费者类型引言由于互联网及移动互联网时代的到来，消费者传统的购物习惯、社交、阅读等行为正在向线上转移。
面对这一趋势，移动电商平台想要发展就要采取策略吸引、留住消费者，这已成为电子商务企业最常用的策略之一，个性化推荐策略较好地满足了消费者个性化需求，不仅让消费者在购物时的体验感得到了提升，而且促进交易及实现利润增长，具有双赢的效果。
移动电商平台凭借消费者之前的搜索、浏览以及购买记录推测其偏好及需求，当其访问平台时进行推荐。
移动电商个性化推荐系统的应用，能够较好地解决“信息过载”这一问题，较准确地向消费者推荐需求商品信息，缩短了消费者在选购时的搜索时间，在购物时增强了消费者体验感，提高消费者对平台的满意度；同时也可以加大商品的曝光率，促成潜在的交易达成，增加商品的销售量，为商家带来切实利益。
移动电商个性化推荐服务虽然具有针对性，但推荐方式选择不当，消费者会心存抵触，所以寻找到消费者接受个性化推荐的因素格外重要。
近年来，个性化推荐在算法及消费者行为两个研究方向得到了学者们的广泛关注。
算法方面，Ariely等（2004）将基于内容和协同过滤的个性化推荐算法进行了比较研究，发现前者的个性化推荐效果更好；Schafer等（2002）发现采用混合推荐系统进行产品推荐时，消费者会更乐意去接受所推荐的产品。
基于VAM模型的用户移动个性化推荐采纳意愿研究[Word文档]
![基于VAM模型的用户移动个性化推荐采纳意愿研究[Word文档]](https://img.taocdn.com/s3/m/e42c350ba66e58fafab069dc5022aaea998f41b8.png)
基于VAM模型的用户移动个性化推荐采纳意愿研究关键字：基于VAM模型的用户移动个性化推荐采纳意愿研究本文为Word文档，感谢你的关注！摘要：文章基于VAM模型，将用户感知价值分为功能价值、体验价值和安全价值三个维度，提出了感知价值影响用户移动个性化推荐采纳意愿的假设，采用实证调研的方法对假设进行了检验。
结果表明：功能价值和体验价值均显著正向影响用户移动个性化推荐采纳意愿，安全价值的影响稍弱;在收益和损失方面，感知有用性、感知易用性、情境特性、感知费用和感知风险对不同维度感知价值的影响程度存在差异。
关键词：感知价值;采纳意愿;VAM模型;移动个性化推荐一、引言学者们关于用户互联网产品或服务接受意愿和使用行为的研究经常采用Davis等提出的TAM模型（Technology Adoption Model），或者在TAM模型的基础上增加一些影响用户态度和行为的因素形成扩展的TAM模型。
但是，有研究表明TAM模型在研究用户自愿购物方面的解释力度不高（朱阁等，2010）。
移动互联网的使用者扮演着用户和消费者的双重角色，对移动互联网的使用费用由自己承担，是否接受具有自愿性。
移动个性化推荐作为移动商务发展的重要产物，是电子商务网站向移动用户推荐商品或服务信息的主要手段，这些信息能否引起用户态度和行为主要取决于用户对推荐信息的价值感知（Sabiote et al.，2012）。
本文从感知价值相关理论出发，基于Kim等提出的VAM模型（Value-based Adoption Model），将用户对移动个性化推荐的价值感知分为功能价值、体验价值和安全价值三个维度，试图从收益和损失两个方面来分析影响用户移动个性化推荐感知价值的因素，并测量后者对其采纳意愿的作用路径。
二、相关理论综述1. VAM模型。
VAM模型是Kim等（2007）基于价值最大化视角，针对用户关于移动互联网（M-Internet）的接受态度而构建的模型。
民宿短租平台用户使用意愿的影响因素探究
DOI:10.19699/ki.issn2096-0298.2019.07.218
民宿短租平台用户使用意愿的影响因素探究
——以 Airbnb 为例
南京邮电大学 严蕾
摘 要：近年来，旅游市场呈现爆炸式增长，随之也带动了民宿租赁市场的蓬勃发展；然而，快速增长的背后却是消费者对于平台的使用
218 2019年4月
Copyright©博看网 . All Rights Reserved.
学术论坛 Forum
H52：使用态度在感知有用性、感知易用性、感知娱乐性感知 费用与使用意愿之间起中介作用。 1.3 变量设计与测量
Airbnb是一家联系旅游人士和家有空房出租的房主的服务型 网站，它可以为用户提供多样的住宿信息。Airbnb在美国成立，在 国外发展势头非常迅猛，自2008年成立以来已经获得四轮融资。同 年12月，宣布正式进入中国市场。2017年1月开始盈利，营业额增长 超过80%。3月，发布专门的中国区品牌——爱彼迎，即将开始第五 轮融资。然而进入中国的Airbnb却不可避免地遇到了水土不服的 情况。根据《2016年中国在线短租行业企业格局》分析中，Airbnb只 是处于防守型的位置，且在中国的房源不多也成了它最大的问题， 消费者频频出现对其平台使用情况不满意，差评不断。因此，本文 希望以Airbnb为例，通过探究民宿短租平台用户使用意愿的影响 因素，从而了解消费者在使用民宿租赁平台时最看重的影响因素， 为Airbnb提高用户的使用意愿提供思路与建议。
随着国内人民的生活水平不断提高，恩格尔系数不断降低，人 们越来越倾向于休闲娱乐的消费。其中，旅游成了人们的首选，根据 国内旅游抽样调查结果，2017年全年，国内旅游人数50.01亿人次， 比上年同期增长12.8%。旅游业的火爆直接拉动了一批产业的蓬勃 发展——交通、餐饮、酒店等。同时，随着人们观念的转变，现在外 出旅游的人大多追求品质和服务，而民宿的形式则满足了大多数人 亲近自然、释放压力的需要，因此各地民宿也如雨后春笋般纷纷涌 现。全国民宿行业发展快速，显著体现在近年来激增的总量上。根 据客栈群英汇调查，2016年末，我国大陆客栈民宿总数达53852家。 短短两年内时间内，我国客栈民宿数量涨幅达到近78%。中国在线 客栈民宿预订市场正处于爆发式增长期(根据《中国在线客栈民宿 预订市场专题研究报告》整理)，选择别具特色的客栈和民宿已经 成为当前国内旅游住宿的一大趋势(根据《2015上半年中国旅游住 宿预订排行榜》整理)。
基于用户画像的电商个性化推荐研究
基于用户画像的电商个性化推荐研究IntroductionElectronic commerce or e-commerce has revolutionized the way people shop. With the emergence of e-commerce, customers can now buy almost everything from the comfort of their own homes. However, with the rise of online shopping, the competition in the e-commerce industry has also become more intense than ever before. So, it is necessary for e-commerce sites to provide personalized and relevant product recommendations to users to stand out in the competition. User profiling or user segmentation is a powerful technique to achieve personalized product recommendations.User ProfilingUser profiling is a technique used to collect and analyze data about customers to develop a detailed customer profile. The data collected includ es customers’ demographic information, purchase behavior, browsing history, search queries, and other relevant data. The main objective of user profiling is to group users into distinct segments based on their common interests, preferences, and attributes.There are several methods used in user profiling. One such method is collaborative filtering. Collaborative filtering is a recommendation technique based on the idea that people who have similar tastes in a particular product are more likely to agree on the quality of other products. So, by analyzing the past behavior of users, collaborativefiltering can identify other users who have similar behavior and suggest products that the user may be interested in.Another method is called content-based filtering. Content-based filtering involves analyzing the features of each product and matching them with users’ interests and preferences. For example, if a user has previously purchased a book about cooking, the e-commerce platform’s recommendation system could suggest other similar books.Personalized Product RecommendationsOnce the user profiling is done, personalized product recommendations can be provided to users. Personalized product recommendations are tailored recommendations based on the users’ interests, behavior, and preferences. The user profiling data is used to suggest products that are most relevant to the user. These recommendations can be in the form of product suggestions, personalized offers, or discounts.The major benefits of personalized product recommendations are:1. Increased Customer Engagement – Personalized product recommendations are more engaging for the user as they are tailored to their interests and preferences. This leads to increased user engagement and can help build customer loyalty.2. Increased Revenue – Personalized product recommendations can help increase revenue for e-commerce platforms. By suggesting relevant products, users are more likely to make a purchase.3. Better Customer Satisfaction – Personalized product recommendations help customers find what they are looking for quickly and with ease, which leads to higher customer satisfaction.Limitations of User ProfilingWhile user profiling has several benefits, it also has its limitations. The two most significant limitations of user profiling are:1. Limited Data – User profiling relies heavily on data. The quality and quantity of data collected can have a significant impact on the accuracy of the user profiling. Limited data can lead to inaccurate user profiles.2. Privacy Concerns – Collecting user data raises privacy concerns. Users’ data must be handled with care, and users must be given the option to opt-out of data collection.ConclusionPersonalization has become a crucial requirement for e-commerce platforms to provide relevant and engaging product recommendations to customers. User profiling is an effective technique that e-commerce platforms can use to achieve personalized product recommendations. However, user profiling has its limitations, and careful consideration must be given to user privacy. E-commerce platforms that can successfully implement personalized product recommendations based on user profiling can improve customer engagement and satisfaction, thereby increasing revenue.。
基于VAM模型的混合式教学接受意愿实证研究
基于VAM模型的混合式教学接受意愿实证研究
陈刚;李四兰
【期刊名称】《武汉冶金管理干部学院学报》
【年(卷),期】2022(32)3
【摘要】从学生角度出发,研究和讨论学生对混合式教学接受意愿的影响因素。
针对我国高校的教学特点,基于VAM模型,设计了线上教学、线下教学、学习成本和
学习氛围四个变量,通过实证分析发现:丰富、灵活的线上教学和多样、精准的线下
教学对学生的混合式教学感知价值有正向影响,而耗费过多的时间和精力以及沉闷、呆板的学习氛围对学生的混合式教学感知价值有负向影响。
最后在分析结果的基础上为高校教师的混合式教学实践提出了一些建议。
【总页数】4页(P43-46)
【作者】陈刚;李四兰
【作者单位】武汉科技大学恒大管理学院
【正文语种】中文
【中图分类】G642
【相关文献】
1.消费者使用移动支付购买旅游产品意愿的实证研究\r——基于技术接受模型与计划行为理论整合模型
2.基于技术接受模型的高校学生使用数字资源行为意愿实证
研究3.线上线下混合式教学改革研究
——基于本科生接受意愿视角4.高校学生对混合式教学接受意愿的实证研究——
基于TAM和TPB的整合模型5.OMO教学的推进:以中小学生在线学习参与意愿为切入点突破在线教学困境——基于技术接受模型的实证研究
因版权原因，仅展示原文概要，查看原文内容请购买。
个性化推荐算法研究
个性化推荐算法研究一、引言随着互联网技术的快速发展，互联网已经渗透到了我们生活的方方面面。
以购物为例，消费者在购买商品时，通常会通过搜索引擎、电商平台等渠道寻找自己需要的商品。
然而，随着商品信息的日益丰富，消费者也面临着信息过载的问题。
为了提高用户的消费体验，推荐系统应运而生。
推荐系统通过分析用户的历史行为、喜好、兴趣等信息，将可能感兴趣的信息、商品推荐给用户，为用户提供更加个性化、贴心的服务。
其中，个性化推荐算法是推荐系统的核心部分，本文将针对该算法进行研究。
二、个性化推荐算法的概述1.个性化推荐算法的概念个性化推荐算法是一种基于用户历史行为、兴趣、偏好等信息，通过计算机自动化技术，向用户提供感兴趣、符合用户需求的信息、服务的技术。
2.个性化推荐算法的体系结构个性化推荐算法的体系结构主要包括如下部分：①用户数据采集：包括采集用户个人信息、历史行为信息等，通过截取用户在网站或者APP上的行为数据呈现。
②数据预处理：包括去重、过滤、标准化等预处理操作，以便为推荐算法提供可靠、优质的数据源。
③特征提取：从用户行为数据中提取特征，包括统计用户的历史行为、时间、频率等信息和分析用户兴趣、偏好等信息。
④模型训练：选择适合的算法和建立推荐模型，对特征进行训练，形成个性化推荐的核心部分。
⑤推荐结果生成：根据训练好的模型计算推荐结果，并按照一定的规则生成推荐列表。
⑥推荐结果展示：将推荐结果呈现给用户，以便用户进行选择和反馈。
三、个性化推荐算法的分类个性化推荐算法主要可分为基于内容推荐算法、基于协同过滤推荐算法和混合推荐算法三种类型。
1.基于内容推荐算法基于内容推荐算法主要是通过对用户历史行为中关键词、标签等内容进行深度学习，对相关产品进行自动化的分类，然后为用户推荐与其历史行为相匹配的产品信息。
该方法的优点是对于新产品提供了推荐，对于旧产品也能在时间上继续有推荐。
2.基于协同过滤推荐算法基于协同过滤推荐算法主要是通过分析用户历史行为，搜索与其他用户有相似行为的用户，然后将其历史行为中的内容推荐给待推荐的用户。
用户对企业数字化营销中移动位置服务采纳意愿研究
用户对企业数字化营销中移动位置服务采纳意愿研究
吴菲
【期刊名称】《商展经济》
【年(卷),期】2024()8
【摘要】随着移动智能技术的普及,企业数字化营销中涉及用户移动位置服务的需求越来越多,随之而来的是用户位置隐私信息安全问题,例如用户隐私信息的保护、所使用的位置信息安全等。
本文基于技术接受模型理论(TAM)和网络构建用户的信息隐私关注模型(IUIPC)两个研究理论模型,研究用户对企业数字化营销中移动位置服务采纳意愿,研究感知易用性、感知有用性、收集、控制、隐私认知,同时增加个人经验,以这些因素作为研究的关键因素。
在进行实证调查之后,得到以下研究结论:控制信息泄露已成为企业是否采纳移动位置服务的重要影响因素;随着互联网信息安全越来越受重视,个人信息安全事故频发等社会因素使得工众的风险意识显著提升,进而影响一些原本对企业数字化营销中移动位置服务持积极态度的用户,因担忧信息安全问题而选择了放弃使用服务。
本研究仅供参考。
【总页数】5页(P64-68)
【作者】吴菲
【作者单位】对外经济贸易大学
【正文语种】中文
【中图分类】F124;F124.3
【相关文献】
1.新产品扩散中领先用户不同角色对普通用户采纳意愿的影响研究
2.数字化转型升级过程中建筑工程从业人员对数字化技术的采纳意愿研究
3.微博用户健康信息采纳意愿影响因素研究
4.D&M和全评价模型下全民健身公共服务平台用户采纳意愿研究
5.物流企业快递业务服务质量与用户采纳意愿研究——基于技术接受模型及使用经验的调节作用
因版权原因，仅展示原文概要，查看原文内容请购买。
基于用户画像的个性化推荐模型研究
基于用户画像的个性化推荐模型研究在信息爆炸的时代，如何从海量的内容中挑选出用户需要的、感兴趣的内容成为许多信息提供者、平台商家不断努力的目标。
而个性化推荐模型正是解决这一问题的重要工具之一。
在很多相关领域，基于用户画像的个性化推荐模型被广泛运用，以提高用户对推荐内容的认可度和满意度。
这篇文章将对基于用户画像的个性化推荐模型展开讨论。
一、个性化推荐模型的意义在传统推荐系统中，推荐算法面临的一个重要问题是推荐结果的一致性和普适性。
也就是说同样的推荐结果向不同的人推送可能有不同的效果，这是因为每个用户的兴趣和需求都是不同的，缺乏个性化的推荐很难满足用户需求。
而基于用户画像的个性化推荐模型则可以实现精准的个性化推荐，在更多细节上迎合用户体验，提高推荐系统的效果。
二、用户画像的定义和作用用户画像是通过大数据分析、利用人工智能等技术手段等方式得到的，对于用户个体信息、行为习惯、喜好偏好、社会关系等特征进行的全面描述和刻画。
在个性化推荐模型中，用户画像可以提供丰富的信息，帮助推荐算法更好地理解每个用户的需求、兴趣和关注点，从而最小化冷启动或以偏概全等问题，实现更加精准的推荐。
三、基于用户画像的个性化推荐模型的流程基于用户画像的个性化推荐模型可以大致分为五个步骤：1）收集用户数据：通过多维度的数据采集方式，获取用户的行为数据和基础信息等各种信息。
2）建立用户画像：运用机器学习和其他技术，将用户数据进行集成和分析，以提取各种特征，构建用户画像，并对用户进行分类。
3）挖掘用户偏好：依据用户画像，对用户喜好和偏好进行分析，建立基于“用户-物品”关系的推荐模型。
4）产生推荐结果：基于用户画像和推荐模型，从所有的内容中筛选推荐对象，在优先的结果范围内产生推荐结果。
5）反馈和优化：通过不断收集用户行为，并对推荐算法进行相应的改进，将用户需求需求体现在新的推荐模型中。
四、基于用户画像的个性化推荐模型在现实生活中的应用1）电商行业：例如淘宝、京东等电商平台，用户往往在平台上进行搜索以获取所需的商品信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、引言学者们关于用户互联网产品或服务接受意愿和使用行为的研究经常采用Davis等提出的TAM模型(Technolo⁃gy Adoption Model),或者在TAM模型的基础上增加一些影响用户态度和行为的因素形成扩展的TAM模型。
但是,有研究表明TAM模型在研究用户自愿购物方面的解释力度不高(朱阁等,2010)。
移动互联网的使用者扮演着用户和消费者的双重角色,对移动互联网的使用费用由自己承担,是否接受具有自愿性。
移动个性化推荐作为移动商务发展的重要产物,是电子商务网站向移动用户推荐商品或服务信息的主要手段,这些信息能否引起用户态度和行为主要取决于用户对推荐信息的价值感知(Sabiote et al.,2012)。
本文从感知价值相关理论出发,基于Kim等提出的VAM模型(Value-based Adoption Model),将用户对移动个性化推荐的价值感知分为功能价值、体验价值和安全价值三个维度,试图从收益和损失两个方面来分析影响用户移动个性化推荐感知价值的因素,并测量后者对其采纳意愿的作用路径。
二、相关理论综述1.VAM模型。
VAM模型是Kim等(2007)基于价值最大化视角,针对用户关于移动互联网(M-Internet)的接受态度而构建的模型。
该模型认为用户对移动互联网的感知价值是影响其接受意愿的主要因素,其它因素通过感知价值的中介作用影响接受意愿。
在该模型中,Kim等将影响用户移动互联网感知价值的因素分为收益和损失两个维度,并进一步将感知有用性和感知娱乐纳入收益维度,将技术特性和感知费用纳入损失维度;同时研究了感知价值对用户移动互联网接受意愿的影响。
2.感知价值。
Zeithaml(1988)认为感知价值是消费者基于感知利得和感知损失两个角度,对产品效用做出的总体评价。
根据研究情境的不同,学者们认为感知价值应该是一个多维度的概念。
如,Sheth等(1991)提出了Sheth-Newman-Gross消费价值模型,该模型将影响用户行为的感知价值分为社会价值、条件价值、情感价值、功能价值和认知价值五个维度。
在Sheth-Newman-Gross消费价值模型的基础上,Sweeney和Soutar(2001)将价格从功能价值中剥离出来,同时去掉了条件价值和认知价值,进而形成了包括质量/表现、社会价值、情感价值和价格/金钱价值四个维度的消费者感知价值模型。
陈洁等(2012)把感知价值划分为功利主义价值和享乐主义价值,并进一步将前者划分为价格和品质两个子维度,后者划分为自我延伸、自我享乐和社交价值三个子维度。
基于前人的研究成果,考虑到用户移动个性化推荐使用的实际情况,笔者主要从功能价值、安全价值和体验价值三个维度对用户移动个性化推荐感知价值进行测量。
功能价值类似于TAM理论中的感知有用性,是用户对移动个性化推荐功能性、实用性、自然属性等方面的感知;安全价值是用户对移动个性化推荐的内容和系统基于正直、友善、可靠等方面的感知;体验价值是用户感知移动个性化推荐带来的愉悦感、满足感等。
三、研究假设和模型1.感知价值与移动个性化推荐采纳意愿。
移动个性化推荐是商家根据目标消费者自身或者相似消费者的消费行为和偏好,为其推荐符合当前兴趣和偏好的商品或服务信息。
戴德宝等(2015)基于Sheth-Newman-Gross消费价值模型的研究表明,感知价值各个维度对用户网络个性化推荐的采纳意愿都影响显著,且VAM理论也证明了用户对移动互联网的感知价值影响其采纳意向。
基于此,本文认为用户对移动个性化推荐感知价值的三个维度均正向影响其采纳意愿。
考虑到用户使用移动个性化推荐主要是为了解决信息超载问题,享受移动个性化推荐带来的愉悦体验,提出假设:H1:用户移动个性化推荐感知价值的三个维度均正向影响采纳意愿,且功能价值和体验价值对采纳意愿的影响更为显著。
基于VAM模型的用户移动个性化推荐采纳意愿研究●李宝库高玉平郭婷婷摘要:文章基于VAM模型，将用户感知价值分为功能价值、体验价值和安全价值三个维度，提出了感知价值影响用户移动个性化推荐采纳意愿的假设，采用实证调研的方法对假设进行了检验。
结果表明：功能价值和体验价值均显著正向影响用户移动个性化推荐采纳意愿，安全价值的影响稍弱；在收益和损失方面，感知有用性、感知易用性、情境特性、感知费用和感知风险对不同维度感知价值的影响程度存在差异。
关键词：感知价值；采纳意愿；VAM模型；移动个性化推荐15--拟合指标χ2/df RMSEA NFI NNFI CFI IFI GFI可接受范围2~5<0.08>0.90>0.90>0.90>0.90>0.90模型拟合值 2.6230.0690.9070.9370.9490.9510.954路径Estimate C.R.p 路径Estimate C.R.pPU 0.244 3.315***PR -0.039-0.1420.887PU 0.205 2.7190.007PR -0.162-2.1890.036PU 0.2353.0270.002PR -0.311-4.280***PEU 0.1602.0160.044PF -0.260-3.2610.001PEU 0.0460.2550.799PF -0.490-5.460***PEU 0.0060.1000.920PF -0.307-3.1790.001SC 0.424 4.409***FV 0.426 6.015***SC 0.247 2.7500.006EV 0.5787.349***SC 0.119 1.1770.239SAV 0.0871.7920.073FV EV SAV FV EV SAV FV EV SAV FV EV SAV FV EV SAV AI AI AI 表2结构方程模型检验结果变量题项因子载荷CR 值AVE 变量题项因子载荷CR 值AVE感知有用性(α=0.930)PU10.8690.9300.767情境特性(α=0.730)SC10.7270.7730.533PU20.880SC20.782PU30.871SC30.677PU40.889体验价值(α=0.877)EV10.6640.8740.582感知易用性(α=0.878)PEU10.7860.8790.596EV20.846PEU20.606EV30.737PEU30.840EV40.732PEU40.839EV50.821PEU50.765安全价值(α=0.854)SAV10.7690.8280.616感知费用(α=0.883)PF10.7530.8870.662SAV20.808PF20.785SAV30.777PF30.833功能价值(α=0.832)FV10.7830.8330.624PF40.878FV20.814感知风险(α=0.885)PR10.8540.8860.660FV30.772PR20.838接受意愿(α=0.867)AI10.7850.8680.687PR30.760AI20.849PR40.794AI30.850表1信度和效度检验表2.收益与感知价值。
TAM 理论中的“感知有用性”和“感知易用性”分别是指用户主观上感知信息系统提高其工作绩效的程度和使用信息系统所需付出的努力程度。
移动个性化推荐的感知有用性和感知易用性主要涉及用户对产品或服务功能属性和享乐属性的感知。
基于此,提出以下假设:H2:感知有用性正向影响用户移动个性化推荐感知价值的三个维度,且对功能价值的影响最大;H3:感知易用性正向影响用户移动个性化推荐感知价值的三个维度,且对体验价值的影响最大。
网络个性化推荐系统是商家为了解决种类繁多的商品选择同顾客相对单一的需求之间的矛盾而采用的信息工具和技术(Ricci et al.,2011)。
受到移动设备屏幕小、资源有限、链接不稳定等因素的制约,移动个性化推荐系统如果不能在正确的时间、合适的地点为目标用户推荐符合其兴趣和偏好的信息,就会引起用户的心理抗拒(万君等,2015)。
因此移动个性化推荐的界面设计、推荐信息数量、推荐时间和地点等情境特性都会影响用户对其的价值认知。
基于此,提出假设:H4:情境特性正向影响用户移动个性化推荐感知价值的三个维度,且对功能价值和体验价值的影响均比较大。
3.损失与感知价值。
移动个性化推荐系统在一定程度上降低了用户搜索商品或服务的时间和精力成本,但是,浏览移动个性化推荐过程中会产生流量费用、交易费用等费用,且移动个性化推涉及到了用户的隐私信息泄露问题(Bandyopadhyay,2012)。
已有研究表明,移动商务环境下感知费用和安全风险显著影响用户的感知价值(周涛等,2009)。
基于此,提出以下假设:H5:感知费用负向影响用户移动个性化推荐感知价值的三个维度,且对体验价值的影响最大;H6:感知风险负向影响用户移动个性化推荐感知价值的三个维度,且对安全价值的影响最大。
四、实证研究1.问卷设计与发放。
本文采用问卷调研的方式对提出的假设和模型进行检验,为保证问卷的信度和效度,问卷的测试题项均来自已有文献,通过深度访谈和预调研对问卷进行修正,最终形成本研究的正式测量量表。
正式调研于2016年6月底开始,7月中旬结束。
正式调研均采用李克特5级量表,从“1”到“5”分别代表“非常不同意”到“非常同意”。
共收回问卷221份,剔除无效问卷17份,共得到有效问卷204份,有效回收率为92.3%。
有效问卷中,男女比例接近1∶1;20岁~30岁的人群占比90.2%;拥有大学学历的人群占比67.2%,硕士及以上人群占比28.9%;手机上网年限大部分在2年以上占比超过90.0%;每天都上网的人群占比96.1%;有76%的人浏览移动个性化推荐。
2.信度和效度分析。
本文采用探索性因子分析(EFA)和验证性因子分析(CFA)对测量量表进行信度和效度检验。
结果显示,整个量表的KMO 值为0.877,巴特利特球形16--检验的结果为Sig=0.000。
如表1所示,9个因子的Cron⁃banch's值和组合信度(CR)值均大于0.7,说明量表的信度良好;各个测量题项的因子载荷均大于0.5,平均方差提取量(AVE)大于0.5,说明测量量表的效度良好。
3.假设检验。
本文采用AMOS21.0对研究模型进行了结构方程检验。
各拟合指标值如表2所示,所有的拟合指标均在可接受范围内,可以对概念模型进行假设检验。
检验结果显示,研究模型对功能价值、体验价值、安全价值和用户移动个性化推荐采纳意愿的解释率分别为73.3%(R2=0.733)、57.3%(R2=0.573)、36.6%(R2=0.366)和89.5%(R2=0.895)。