互联网信息搜索用户行为模型的探索性研究
电商平台用户行为预测模型研究与应用
电商平台用户行为预测模型研究与应用随着互联网技术的发展，电商平台已经成为人们消费的重要方式。
在电商平台上，用户的行为数据十分丰富，这为电商平台提供了可靠的数据基础，使电商平台在预测用户行为方面具备了强大的能力。
本文将重点介绍电商平台用户行为预测模型的研究方法和应用。
一、电商平台用户行为预测模型的研究方法1.1 数据收集与处理为了建立有效的用户行为预测模型，必须首先收集大量的用户数据，并对这些数据进行处理和分析，得出有用的信息。
数据的来源包括用户的浏览记录、购买记录、评论、评分等。
这些数据可以通过电商平台自身的数据分析系统获得，也可以通过第三方数据分析公司的服务来获取。
在数据处理方面，需要对数据进行清洗、去重、缺失值处理、异常值处理等操作，以确保数据的质量和准确性。
此外，需要将数据进行归一化处理，使得不同类型的数据可以进行有效的比较。
1.2 特征提取与选择在将数据输入到预测模型中之前，需要对数据进行特征提取和选择。
特征选择是指选择对预测任务最有用的特征，以提高模型的预测能力。
通常，特征选择可以使用统计方法或机器学习算法来实现。
常见的特征包括用户的基本信息（性别、年龄、地域等）、历史购买行为、购买偏好、商品信息、用户社交网络信息等。
1.3 建立预测模型在数据预处理和特征选择完成后，可以使用机器学习算法建立用户行为预测模型。
常用的机器学习算法包括决策树、支持向量机、朴素贝叶斯、逻辑回归等。
对于不同的预测任务，需要选择不同的算法和参数来优化模型。
1.4 模型评估和优化在建立预测模型之后，需要对模型进行评估和优化。
模型评估可以使用交叉验证、ROC曲线等指标来衡量预测模型的准确性和可靠性。
在评估结果不理想的情况下，可以使用集成学习、特征选择、模型调参等方法来优化预测模型。
二、电商平台用户行为预测模型的应用2.1 个性化推荐电商平台用户行为预测模型的一个重要应用是个性化推荐。
通过对用户历史购买和浏览行为的分析，预测用户的购买偏好和兴趣，为用户推荐最合适的商品。
信息科学中的用户行为分析
信息科学中的用户行为分析导言信息科学作为一门涵盖广泛领域的学科，探索和研究着人类与信息之间的相互作用关系。
在信息爆炸的时代，从用户行为中获取有价值的信息显得尤为重要。
一、什么是用户行为分析用户行为分析是对用户在特定环境中表现出的动作、偏好和反应进行收集、整理和分析，以揭示用户的行为模式、需求以及他们对特定产品或服务的情感反应。
二、用户行为分析在信息科学中的应用1. 搜索引擎优化用户行为分析对搜索引擎优化（SEO）来说是至关重要的。
通过分析用户在搜索引擎上的查询关键字、点击流和停留时间等数据，可以了解到用户的搜索意图和偏好。
这有助于网站优化者将关键字和内容进行有效整合，提高搜索引擎排名，并吸引更多用户点击进入网站。
2. 个性化推荐系统个性化推荐系统是信息科学领域中的一项重要研究。
通过对用户的历史行为数据进行分析和挖掘，可以建立用户的兴趣模型，并将其应用于推荐算法中。
这样，在用户使用各种互联网服务时，系统能够根据他们的喜好和习惯，提供个性化的推荐内容和服务。
3. 社交网络分析社交网络分析是研究人际关系和社会结构的重要方法。
信息科学中的用户行为分析可以通过分析用户在社交网络中的互动、关系密度和信息传播路径等，揭示社区结构、影响力传播和舆论变化等问题。
这对于社交网络的管理、营销策略和危机公关都有重要意义。
三、用户行为分析方法和技术1. 数据收集用户行为分析需要获取大量的数据。
常见的数据收集方法包括用户访问日志、用户调查问卷、实验和观察等。
同时，还可以通过物联网设备和传感器等技术手段，获取用户的位置、心率、体温等更加精细的数据。
2. 数据预处理用户行为数据往往是以原始、杂乱的形式存在的。
为了使其更具可分析性，需要进行数据清洗、去噪、预处理和标准化等操作。
这有助于消除数据中的噪声和异常值，提高数据质量，并为后续分析提供可靠的基础。
3. 数据分析用户行为数据分析可以采用多种方法和技术。
基于统计学和机器学习的方法常用于对用户的偏好和兴趣进行建模和预测。
2014互联网网民搜索行为研究 调查报告
目录摘要1. 中国搜索引擎市场现状2. 搜索引擎用户PC 端搜索行为3. 搜索引擎用户手机端搜索行为4. 不同终端用户搜索行为对比5. 搜索引擎用户广告接受度第一章研究设计1. 研究对象2. 研究内容3. 研究方法4. 术语定义第二章中国搜索引擎市场概况1. 中国搜索引擎市场用户规模1.1 搜索引擎用户规模1.2 手机搜索引擎用户规模2. 各类搜索引擎渗透率3. 综合搜索引擎品牌渗透率4. 搜索引擎使用场景第三章搜索引擎用户PC 端搜索行为1. PC 端用户搜索行为1.1 PC 端各类搜索引擎渗透率1.2 PC 端综合搜索引擎品牌渗透率2. PC 端用户地图搜索行为2.1 PC 端地图搜索品牌常用率2.2 PC 端地图搜索内容第四章搜索引擎用户手机端搜索行为1. 手机端用户搜索行为分析1.1 手机端各类搜索引擎渗透率1.2 手机端综合搜索引擎品牌渗透率2. 手机端用户地图搜索行为2.1 手机端地图搜索品牌常用率2.2 手机端地图搜索内容3. 手机APP 的搜索行为分析3.1 手机APP 的搜索类型3.2 手机APP 搜索渠道第五章不同终端用户搜索行为对比1. 搜索引擎类型对比2. 搜索情境对比3. 不同搜索场景下用户对搜索引擎类型的选择3.1 购物搜索3.2 休闲娱乐搜索3.3 出行信息搜索3.4 工作、学习搜索3.5 新闻、热点事件搜索第六章搜索引擎广告用户接受度1. 搜索引擎广告接受度2. 购物搜索广告接受度第七章结论1. 搜索引擎用户规模增长稳定，使用的搜索引擎种类丰富，品牌集中度较高2. 不同场景下，手机搜索与PC 搜索行为存在较大差异3. APP 搜索以应用商店为主，搜索引擎分发仍有较大市场4. 搜索广告公信力较低，影响网民互联网应用与企业推广效果图1 中国搜索引擎用户规模、年增长率与使用率图2 中国手机搜索引擎用户规模、年增长率与使用率图3 各类型搜索引擎渗透率图4 综合搜索引擎品牌渗透率图5 搜索引擎使用场景图6 PC 端各类搜索引擎渗透率图7 PC 端综合搜索引擎品牌渗透率图8 PC 端综合搜索引擎品牌常用率图9 PC 端地图搜索品牌常用率图10 PC 端地图搜索内容图11 手机端各类型搜索引擎渗透率图12 手机端综合搜索引擎品牌渗透率图13 手机端地图搜索品牌常用率图14 手机地图搜索内容图15 手机APP 的搜索类型图16 手机APP 搜索渠道图17 查找APP 时综合搜索引擎品牌使用率图18 查找APP 时应用商店使用率图19 不同终端各类搜索引擎渗透率图20 不同终端搜索使用场景对比图21 购物搜索时各类搜索引擎常用率图22 休闲娱乐搜索时各类搜索引擎常用率图23 娱乐资源搜索时各类搜索引擎常用率图24 本地交通出行搜索时各类搜索引擎常用率图25 旅行搜索时各类搜索引擎常用率图26 工作、学习时各类搜索引擎常用率图27 新闻、热点事件搜索时各类搜索引擎常用率图28 搜索引擎广告识别情况图29 搜索引擎广告可信度图30 购物搜索广告识别情况图31 购物搜索广告可信度图32 对用户购物决策产生影响的购物搜索广告内容摘要1. 中国搜索引擎市场现状搜索用户规模：截至2014 年 6 月，我国搜索引擎用户规模达50749 万人，较去年同期增长3711 万人，增长率为7.9%，网民使用率为80.3%；手机搜索引擎用户规模达40583万人，较去年同期增长8152 万人，增长率为25.1%，手机网民使用率达到77.0%。
基于大数据分析的网络用户行为分析与建模研究
基于大数据分析的网络用户行为分析与建模研究随着互联网的迅猛发展和智能设备的普及，网络用户的行为数据量呈爆炸式增长。
大数据分析成为了了解和理解用户行为的重要手段。
本文将基于大数据分析，探讨网络用户行为的分析与建模研究。
首先，网络用户行为分析是什么？简单来说，它是通过收集和分析用户在网络中的操作、点击、购买等行为数据，以获取用户的特点、偏好、习惯等信息。
这样的分析能帮助企业了解用户需求，改进产品设计，提高用户满意度和市场竞争力。
大数据技术在网络用户行为分析中发挥着重要作用。
基于大数据技术，我们可以收集到大量的用户行为数据，包括但不限于用户访问网站或APP的时间、时长、频率，点击的内容、转化率等。
同时，通过数据挖掘、机器学习等技术，我们可以对这些数据进行分析和建模，发现用户行为背后隐藏的规律和规则。
在进行网络用户行为分析之前，我们首先需要搭建一个合适的数据收集和处理系统。
这一系统需要能够准确地收集用户的操作行为数据，并及时处理和存储。
同时，为了保护用户隐私，我们需要对用户数据进行脱敏处理，以确保数据安全和合规。
当我们拥有了足够数量的用户行为数据后，我们可以开始进行分析和建模工作。
首先，我们可以采用数据可视化的方式，将用户行为数据以图表、表格等形式展示出来，以便于我们观察和理解数据。
通过可视化，我们可以看到用户在不同时间段、地域、设备等维度上的行为差异，并对数据进行初步分析。
接下来，我们可以应用机器学习算法对用户行为数据进行挖掘和建模。
机器学习算法可以帮助我们从数据中发现潜在的模式和规律。
例如，我们可以使用聚类算法将用户分成不同的群体，根据每个群体的特征来制定不同的营销策略。
我们还可以使用分类算法构建用户行为预测模型，预测用户的下一步行为，为企业提供决策支持。
除了机器学习算法，我们还可以借助自然语言处理技术对用户文本数据进行情感分析、主题识别等工作。
通过这些工作，我们可以了解用户的情感倾向和关注点，从而更好地满足用户需求。
互联网用户行为分析的方法与预测模型
互联网用户行为分析的方法与预测模型随着互联网的迅猛发展，人们在日常生活中的许多活动都离不开互联网，比如网购、社交媒体、在线阅读等。
这些活动产生了海量的数据，对于企业、组织和政府等利益相关方来说，了解用户的行为、需求和偏好是非常重要的，因为这样可以更好地满足用户的需求、提高产品的用户体验和销售效果。
因此，互联网用户行为分析成为了一个热门的研究领域。
互联网用户行为分析的方法主要包括数据收集、数据预处理、特征提取、模型训练和模型评估等步骤。
首先，数据收集是整个过程的基础。
通常，我们可以通过数据爬虫、问卷调查、日志收集等方式来获得用户的行为数据，比如点击记录、购买记录、评论记录等。
然后，对收集到的数据进行预处理，包括数据清洗、数据整合、特征构建等。
这一步是为了去除噪声、处理缺失值、对数据进行归一化等，以便后续的分析和建模工作。
接下来，特征提取是非常重要的一步。
通过对用户行为数据进行特征提取，我们可以把复杂的用户行为转化为易于理解和处理的特征表示。
常用的特征包括用户的年龄、性别、地理位置、购买频次、关注的网页主题等。
特征的选择和构建需要根据具体的分析目的来进行，同时还需要考虑特征之间的相关性和对模型训练的影响。
模型训练是互联网用户行为分析的关键环节之一。
我们可以使用各种机器学习算法来构建预测模型，比如决策树、支持向量机、随机森林、神经网络等。
根据具体的问题和数据特点，选择合适的模型进行训练。
在模型训练过程中，需要设置合适的参数、进行交叉验证和模型选择，以提高模型的性能和泛化能力。
最后，模型评估是验证模型性能的关键环节。
常用的评估指标包括准确率、召回率、精确率和F1值等。
通过对模型进行评估，可以了解模型的预测能力和稳定性，从而对模型进行优化和改进。
此外，在实际应用中，还需要不断对模型进行监控和更新，以适应用户行为的变化和平台的更新。
除了上述方法，互联网用户行为分析还可以通过预测模型来实现。
预测模型可以基于历史数据进行训练，从而预测用户的未来行为。
用户个性化模型及检索技术研究的开题报告
用户个性化模型及检索技术研究的开题报告一、研究背景随着互联网的飞速发展，信息呈爆炸式增长。
如何快速准确地检索出用户需要的信息，已成为当前信息检索领域的研究热点之一。
然而，传统的检索技术往往是基于关键词的文本匹配，无法充分考虑用户的精神需求、搜索习惯和兴趣爱好等因素，因此效果有限。
个性化检索技术的出现，为我们提供了一种新的思路，可以更好地解决信息过载的问题，提升搜索效率和准确度。
尤其对于电子商务、社交网络、新闻媒体等领域，个性化检索技术的应用前景非常广阔。
二、研究目的本文旨在研究用户个性化模型及检索技术，以提高信息检索的效率和准确度，为用户提供更优质的检索服务。
三、主要内容和方法本文将从以下三个方面进行研究：1. 用户特征分析：针对用户的基本信息（如地域、年龄、性别等）和行为数据（如搜索记录、点击行为、购买喜好等）进行分析，对用户进行特征抽象和分类。
目的是建立用户画像，为个性化检索提供数据支撑。
2. 个性化模型构建：根据用户分析结果，抽象出每个用户的个性化特征，建立相应的个性化模型。
该模型蕴含了用户的利益诉求、搜索习惯等方面的信息，并能反映用户的兴趣爱好和实际需求等。
3. 个性化检索技术：基于个性化模型，设计并实现一种个性化检索技术，从而能够根据用户的特征和需求，精准匹配用户的搜索结果。
具体实现上考虑采用机器学习和自然语言处理等相关技术手段，不断优化算法模型，提高检索效率和准确度。
四、研究意义和预期结果本文研究结果将为实现个性化信息检索提供理论支持和实践指导，尤其对提升商业竞争力、优化用户体验、推进信息化建设等具有重要的现实意义。
预期结果如下：1. 建立了基于用户特征的个性化模型，提高了检索效率和准确度，并能够实现相应的可视化展示。
2. 运用机器学习等技术手段，实现了个性化检索算法的自动化学习和优化，促进了系统智能化发展。
3. 通过实际系统应用和测试，检测和分析了个性化检索模型的有效性和可行性，并对模型和算法进行优化和改进。
网络环境下用户的信息行为研究
网络环境下用户的信息行为研究1.引言在当代计算机网络技术的飞速发展下，网络用户的规模越发扩大，网民的信息选择行为也越发复杂。
目前最具有代表性的是Internet(互联网)，它提供了一种获取信息、共享资源的革命性新途径，打破了信息流通与共享的时问限制与地域限制，实现了“时空压缩”，从而使人类真正进入一个双向互动、平衡交换的理想状态。
网络不仅从根本上改变着现有的生产结构、产业结构、劳动结构，而且也极大地影响着人们的生活方式、交往方式、工作方式、学习方式乃至思维方式，并导致人的价值观和伦理观的深刻变革，从而使一种新型的社会一网络虚拟社会应运而生。
在网络用户方面，截至2010年5月，中国网民人数达到4.04亿；互联网普及率达到28.9%，超过世界平均水平，使用手机上网的网民达到2.33亿人。
网络用户的数量的不断增多，让互联网成为人们实现资源共享和信息交流的最重要传播媒介之一。
在应用方面，随着社会对互联网的认识进一步加深，用户对互联网的应用也逐渐从传统的浏览新闻、查询信息、收发邮件等方面向更深、更广的领域发展，电子政务、网上银行、在线购物、网络短信、网络游戏、远程教育等各种网络应用深入到我们的工作、学习和生活的各个角度。
其中超过66%的中国网民经常在网上发表言论，每天人们通过论坛、新闻评论、博客等渠道发表的言论达300多万条。
在研究方法上，国内外己经在网络用户信息需求的研究理论和应用方而积累了一定数量的研究成果，研究方法相对多元化，研究对象及内容范围较广，对于网络用户需求的内容、类型、特点、需求群体、影响因素、基于用户模型的网络用户需求挖掘等方而的研究成为研究热点。
用户模型研究是典型的网络用户信息需求应用的研究。
国外比国内更加注重技术应用问题的研究，国内研究的理论探讨较多。
但从总体上看，目前研究仍存在一些问题。
因此，有必要将数据源、分析内容、分析方法与分析口的有机地统一起来，探讨网络环境下的用户的信息行为。
用户搜索模式的研究与优化
用户搜索模式的研究与优化 随着互联网的发展，搜索引擎的使用越来越普及，而基于搜索引擎的用户搜索模式也逐渐形成。然而，不同的用户搜索模式对于搜索引擎的优化和体验有着不同的要求。因此，研究和优化用户搜索模式是搜索引擎优化中的重要一环。
1.用户搜索模式的分类 基于用户点击行为和搜索词语，我们可以将用户搜索模式分为以下几类： 1）精准式搜索模式：用户通过精确的搜索词语进行搜索，例如“北京天气预报”。这种搜索模式要求搜索引擎提供准确的结果，并尽可能排除与搜索词语无关的信息。
2）模糊式搜索模式：用户使用模糊词语或短语进行搜索，例如“最好的旅游地”。这种搜索模式要求搜索引擎具有一定的推断能力和理解能力，能够分析并提供最符合用户需求的结果。
3）导航式搜索模式：用户通过搜索引擎进行网站或服务的导航，例如“百度地图”。这种搜索模式要求搜索引擎提供相关的导航信息，使用户可快速进入所需的网站或服务。
4）知识型搜索模式：用户在搜索引擎中获取特定知识和信息，例如“人类基因组计划”。这种搜索模式要求搜索引擎提供准确、全面且可靠的信息，以满足用户对知识和信息的需求。
2.用户搜索模式的优化 针对不同的用户搜索模式，我们可以采用不同的优化策略，以提高搜索引擎的点击率和用户满意度。
1）精准式搜索模式的优化 对于精准式搜索模式，我们需要关注以下几点： - 关键词精准匹配：搜索引擎需要准确匹配用户的搜索词语，提供与搜索词语相关的信息。
- 信息准确性：搜索引擎提供的信息需要准确可靠，以满足用户的需求。 - 信息排版：搜索引擎需要将信息按照关键性和重要性排版，使用户可以快速找到自己需要的信息。
2）模糊式搜索模式的优化 对于模糊式搜索模式，我们需要关注以下几点： - 关联词推荐：搜索引擎需要根据用户的搜索词语，提供一些与之相关的词语或短语，帮助用户准确表达自己的需求。
- 信息分类：搜索引擎需要对搜索结果进行分类和排序，便于用户快速找到相关信息。
- 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)。
浙江大第３３卷第４期 ２００６年７月Ｊｏｕｒｎａｌ ｏｆ
ｈｔｔｐ
学学报【理学版）Ｕｎｉｖｅｒｓｉｔｙ （Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎｊｏｕｒｎａｌｓ． ｚｊｕ．ｅｄｕ． ｃｎ／ｓｃｉＶｏｌ． ３３ Ｎｏ． ４
Ｊｕｌ． ２００６
互联网信息搜索用户行为模型的探索性研究朱明泉‘，张智君‘’，任衍具２（１．浙江大学心理与行为科学系，浙江杭州３１００２８； ２．中国科学院心理研究所，北京１００１０１）
摘要：探讨互联网信忽搜索中用户与网络交互的行为模型．要求３２名大学生或研究生被试完成不同类型（开放型与封闭型问题）的信息搜索任务，记录整个搜索过程，并提取各类关健事件的发生频次和时间等数据进行分析．基于路径分析获得的用户搜索行为模型显示：任务类型因素通过“主题目录链接”与“相关链接”的相关对搜索时间产生非因果效应；个体因素通过“页面跳转”对搜索时间产生间接因果效应，通过“相关链接”对绩效产生间接因果效应；环境因紊通过“浏览时间”和“提交请求”对搜索时间产生间接因果效应．
关幼词：互联网；信息搜索中圈分类号：Ｂ８４９； ＴＢ１８；行为模型；路径分析
文献标识码：Ａ文章编号：１００８一９４９７（２００６）０４一４７５一０６
ＺＨＵ Ｍｉｎｇ－ｑｕａｎ＇，ｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，１００１０１，Ｃｈｉｎａ）
ＺＨＡＮＧ Ｚｈｉ－ｊｕｎ＇，ＲＥＮ Ｙａｎ－ｊｕ＇ （１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｐｓｙｃｈｏｌｏｇｙ ａｎｄ Ｂｅｈａｖｉｏｒａｌ Ｓｃｉｅｎｃｅｓ，Ｚｈｅ－
Ｈａｎｇｚｈｏｕ ３１００２８， Ｃｈｉｎａ； ２． Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｐｓｙｃｈｏｌｏｇｙ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ
Ｅｘｐｌｏｒａｔｉｏｎ ｏｆ ｔｈｅ ｂｅｈａｖｉｏｒａｌ ｍｏｄｅｌ ｏｆ ｕｓｅｒ－ｗｅｂ ｉｎｔｅｒａｃｔｉｏｎ． Ｊｏｕｒｎａｌ ｏｆ Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ （Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ），２００６，３３（４）：４７５＾－４８０Ａｂｓｔｒａｃｔ： Ｔｈｅ ｂｅｈａｖｉｏｒａｌ ｍｏｄｅｌ ｏｆＴｈｉｒｔｙ－ｔｗｏＴｈｅ ｓｅａｒｃｈｌａｔｅｒ． Ｔｈｅ
ｕｎｉｖｅｒｓｉｔｙ ｓｔｕｄｅｎｔｓ ｗｅｒｅｕｓｅｒ－ｗｅｂａｓｋｅｄ ｔｃｉｎｔｅｒａｃｔｉｏｎ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｗｅｂ ｉｎｆｏｒｍａｔｉｏｎ ｓｅａｒｃｈ ｗａｓ ｅｘａｍｉｎｅｄ．
ｓｅａｒｃｈ ｆｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｒｅｌａｔｅｄ ｔｏ ｔｗｏ ｏｐｅｎ ａｎｄ ｔｗｏ ｃｌｏｓｅｄ ｑｕｅｓｔｉｏｎｓ．ａｃｔｉｖｉｔｉｅｓ ｗｅｒｅ ｒｅｃｏｒｄｅｄ ｗｉｔｈ ＨＹＰＥＲＣＡＭ ａｎｄ ｃｏｄｅｄ ａｓ ｋｅｙ ｅｖｅｎｔｓ， ｗｈｏｓｅ ｆｒｅｑｕｅｎｃｉｅｓ ｗｅｒｅ ａｎａｌｙｚｅｄｕｓｅｒ ｓｅａｒｃｈｉｎｇ ｂｅｈａｖｉｏｒ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｐａｔｈ ａｎａｌｙｓｉｓ ｉｍｐｌｉｅｄ ｔｈａｔ ｑｕｅｓｔｉｏｎ ｔｙｐｅ ｈａｄ ｉｎｄｉｒｅｃｔ ｅｆｆｅｃｔ ｏｎｓｅａｒｃｈ ｔｉｍｅ ｔｈｒｏｕｇｈ ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ‘ｓｕｂｊｅｃｔ ｄｉｒｅｃｔｏｒｙ＇ ａｎｄ‘ｒｅｌａｔｅｄ ｌｉｎｋ＇，ｕｓｅｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｈａｄ ｉｎｄｉｒｅｃｔｅｆｆｅｃｔ ｏｎ ｓｅａｒｃｈ ｔｉｍｅ ｐｒｉｍｌｙ ｂｙ ｀ｊｕｍｐ＇，ａｎｄ ｈａｄ ｉｎｄｉｒｅｃｔ ｅｆｆｅｃｔ ｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｂｙ‘ｒｅｌａｔｅｄ ｌｉｎｋ＇，ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔｈａｄ ｉｎｄｉｒｅｃｔ ｅｆｆｅｃｔ ｏｎ ｓｅａｒｃｈ ｔｉｍｅ ｂｙ ｂｒｏｗｓｉｎｇ ｔｉｍｅ ａｎｄ‘ｓｕｂｍｉｔ ｒｅｑｕｅｓｔ＇．
Ｋｅｙ ｗｏｒｄｓ； Ｉｎｔｅｒｎｅｔ； ｉｎｆｏｒｍａｔｉｏｎ ｓｅａｒｃｈ； ｂｅｈａｖｉｏｒ ｍｏｄｅｌ； ｐａｔｈ ａｎａｌｙｓｉｓ 互联网信息搜索已成为最普及的网络活动之一［［１Ｊ．但是，由于网络信息的大量涌现，网络环境变得日益复杂，信息搜索效率因而受到较大影响［［２１．对此，许多研究者正努力探索网络信息搜索的特征和规律，希望设计出更好的搜索工具和更有效的信息组织方式．该领域的研究目前主要集中在网络搜索行为的影响因素、用户搜索策略以及信息搜索过程中用户与网络的交互模型等方面． 对搜索行为影响因素的研究分析表明：用户特征、搜索任务类型、系统能力和搜索结果反馈等均对用户的搜索行为和搜索绩效存在重要影响．其中，用
户特征涉及用户的背景知识、计算机使用经验、信息需求、在特定领域拥有的知识、认知能力、情感状态和人口统计参数等方面［２１。而对任务类型的研究则显示，搜索问题的开放性对用户的搜索行为有显著影响［３１ 网络搜索策略的研究主要通过行为观测来进行．众多研究者从不同角度出发对用户的行为策略进行分析。ＨＡＷＫ和ＷＡＮＧ （２０００）以直接输人ＵＲＬ、应用搜索弓Ｉ擎和应用超链接等来区分角户的搜索策略［＇１． ＷＨＩＴＥ和ＩＩＶＯＮＥＮ（２００１）将搜索策略分为直接地址、主题目录和搜索引擎，并发现在最
收稿日期；２００５－０４－１１．谷金项目：全国教育科学规划资助项目（ＥＢＡ０３０４１０ ）；浙江省自然科学基金资助项目（３０１０７６）．作者简介：朱明泉（１９８４－），女，硕士研究生，主要从事工程心理学、认知心理学研究，通讯作者：张智君，男，教授，主要从事工程心理学、认知心理学研究．Ｅ－ｍａｉｌ； ｚｊｚｈａｎｇ）ｚｊｕ． ｅｄｕ． ｅｎ浙江大学学报（理学版）第３３卷
初选择策略时使用搜索引擎最多（４３％）Ｅ，｝． Ｎａｖａｒ－ｒｏ－Ｐｒｉｅｔ。等（１９９９）提出了自上而下、自下而上和混合模型等３种搜索策略［Ｓ１．此外，ＨＡＷＫ和ＷＡＮＧ（２０００）以纵览、重复检查、探索、跟随链接、后退和前进、寻求捷径、引擎使用、忠实的引攀使用、引擎搜寻和元搜索等行为为依据去分析用户的搜索策略［４］ＫＩＭ（２００１）则通过嵌人式链接、后退键、主页键、跳转选项和关键字搜索等行为去考察不同导航方式的影响效应［３］．由于搜索引擎是网络搜索中最常用的工具之一，相关研究也较多．与使用搜索引擎有关的研究主要集中在搜索请求方面〔，一‘。〕． 一些研究者在充分考虑网络搜索行为影响因素和用户搜索策略的基础上，尝试建立可揭示用户与网络交互过程的行为模型．例如，ＳＰＩＮＫ和ＳＡＲＡＣＥＶＩＣ（１９９８）提出了信息提取的分层交互模型，该模型包含用户和计算机两个成分，用户领域包含的要素有情境、情感、认知和请求，计算机领域包括的要素有界面、工程、加工和容量１１１Ｊ． ＷＡＮＧ等（２０００）提出了一个多维模型，该模型包含用户、界面和网络空间等３个在搜索过程中相互作用的成分，并认为可将用户与网络的交互活动看作是由界面促进的交流过程［［１２］．上述两个模型的差异在于，后者将界面看成一个独立的维度，并将各个维度的元素细化．ＨＯＤＫＩＮＳＯＮ等（２０００）则用流程图的方式概括了用户的网络搜索行为〔１３］，清晰地描述了用户的一般搜索过程． 所有这些模型囊括了影响网络搜索绩效的主要因素，并强调用户与系统交互的重要性．但是，它们均没有考察这些因家影响搜索行为进而影响搜索绩效的方式，也无法确定这些因素在整个交互模型中的权重，不利子相关研究者根据模型提出相应的设计建议．此外，以往对中文网络搜索行为的研究多限于在自编的有限网页上进行，与真实网络环境存在差别．因此，本研究在真实的网络环境下，以搜索行为作为中介变量，探索用户与网络交互的行为模型．即借助行为观察技术，综合定性和定量数据来分析用户的搜索行为，并由此考察各种重要因素在网络信息交互模型内的作用机制，建立网络信息搜索行为的一般模型．
（２）利用Ｗｉｎｄｏｗ Ｍｅｄｉａ Ｐｌａｙｅｒ软件回放记录到的视频资料，提取关键事件并对行为进行编码；（３）对编码信息进行统计处理，建立用户信息搜索的行为模型． 先选取男女各５名大学生进行预备实验，根据预备实验的资料和以往研究的成果确定将用户行为区分为“直接输人网址”、“使用引擎”、“提交请求”、“主题目录链接”、“相关链接”、“应用搜索结果”、“页面跳转”、“浏览”、“使用导航”以及“其它”等１０项关键行为事件，以进行编码和分析．１．２搜索任务
共设计了４项搜索问题，其中２项为开放型问题（或称主题性问题），另２项为封闭型问题（或称事实性问题）．开放型问题无特定答案，而封闭型问题则有特定答案．这些问题所涉及的内容可忽略被试专业和背景知识的影响．１．３实验程序和被试 要求被试借助ＩＥ浏览器以自然的搜索方式尽快而准确地依次找到各个问题的答案，并将答案拷贝到Ｗｏｒｄ文档中保存．搜索和回答每个问题的时间限制为１５分钟．在实验开始前，清空ＩＥ浏览器的历史记录和收藏夹，以避免受前一位搜索者行为的影响． ３２位具有类似网络搜索经验的本科生或研究生（男２４名，女８名）参与正式实验．每位被试均需完成２个类型共４项问题．实验采用拉丁方设计以平衡所搜索问题的顺序效应．
２结果
１研究方法１．１实验方法 采用实验室研究的方法，具体步骤为：（１）利用视频软件（Ｈｙｐｅｒｃａｍ）实时记录被试的搜索行为；
对视频文件进行回放，记录各个关键事件的发生频次和搜索时间（不包括保存结果和等待页面下载的时间），作为行为分析的指标．此外，研究者需根据被试所搜索到的信息的内容对答案的准确性和圆满性作出主观评价（以百分数表示），该结果称为“绩效评价分数”．以搜索时间除相应的绩效评价分数，得到“综合绩效”．结果如表１左侧所示．２．１搜索行为分析２．１．１搜索行为的一般分析 从表１可以发现，被试选择“直接输人网址”搜索信息的频率很少，所有被试最初都选择使用搜索引擎．同时，在每个问题上选择引擎的次数是１．４２次，即被试很少更换引擎．这些结果与ＳＰＩＮＫ和ＯＺＭＵＬＴＵ（２００２）［＇〕以及ＯＺＭＵＴＬＵ等（２００４） ［ＩＩ的研究结果一致．