1、基于结构方程模型的电子商务推荐系统信任模型实证研究 张璇 邓少灵 上海海事大学经济管理学院 摘 要： 电子商务推荐系统是在海量信息之中, 给用户推荐其可能喜欢的商品或服务的一种应用系统。怎样提高推荐系统的采纳率是系统设计者最为关心的问题。本文运用结构方程模型, 从用户信任的视角, 对社会化推荐系统进行了实证研究, 研究结果表明用户对推荐结果的感知有用性, 与推荐系统的交互度, 推荐系统的透明度与用户的满意度和使用意向之间有一定的正向关联。关键词： 结构方程模型; 推荐系统; 用户信任; 作者简介：张璇, 硕士, 现就读于上海海事大学经济管理学院, 主要研究方向为电子商务;作者简介：邓少灵, 副
2、教授, 所在单位:上海海事大学经济管理学院, 研究方向:电子商务。引言电子商务推荐系统是一种提升电子商务零售网站整体营销性能的个性化推荐工具。但网上推荐系统名目繁多, 各式各样的商品推荐常使得用户困惑其可信度, 因此如何使推荐系统赢得用户的信任, 是专业导购平台在设计推荐系统时必须要考虑的关键因素。本文基于用户信任的视角, 构建了电子商务推荐系统信任模型的理论框架, 并通过收集数据进行了实证研究, 本文的研究结论对完善电子商务推荐系统的设计具有一定积极意义。1、相关概念界定及文献综述电子商务推荐系统主要有如下四种模式:(1) 普通账户数据, 即把用户简单地按照位置 (地理位置或 IP 地址)
3、, 婚姻状况, 或者性别来分组。通过这种分类方式, 可以有效地提高用户对相关广告或促销的响应。例如淘宝专门针对上海市的用户推送的上海城市专享日, 即生鲜食品专场。(2) 同类产品的关联, 即提供相关产品的快速链接可以刺激其他产品的销售, 也可以给购物经验丰富的用户提供更便捷的体验。例如在当当购买一本教辅材料, 网页会自动给你推荐相关书籍的组合, 方便用户购买。(3) 近因、频率和货币价值 (RMF) 分析, RMF 是一种衡量客户价值和客户创利能力的重要工具和手段。通过这种方式, 每一个用户都会拥有一个唯一的 RFM值, 该值通过如下三个问题来估算:近因 (Recency) 即客户最近一次消费
4、时间;频率 (Frequency) 即客户客户一定时间段内的消费次数;货币价值 (Monetary Value) 即客户的消费金额, 消费金额是对电子商务网站运营情况的最直接的指标。在这种情况下, 当电子商务平台想提高转化率或者使用户感到满意时, 可以决定在何时和发送什么内容给特定用户。(4) 协同过滤的方式, 简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。这意味着整个电商网站可以实现对每个用户都是单独策划的, 通过对大数据的推算, 协同过滤可以发现隐藏在一堆数据中的趋势或者市场需求。协同过滤可以在推荐时显示原因, 例如提示“看过这个商品的人也看过的商品”“根据浏览
5、记录推荐的商品”或者“和当前商品相似的有库存商品” (对于售罄商品而言) 。像这样的个性化商品推荐可以提高用户的网购体验, 促进销售也可以增加客户与相关的、有价值的产品之间的互动。目前这种方式做得最好的网站是亚马逊。为了解决传统推荐系统面临的冷启动, 稀疏性等问题, 研究人员把信任因素引入了推荐系统得研究。现有文献的研究主要集中在如何计算用户之间的信任程度以设计出有更高用户采纳率的推荐系统。Young-Duk Seo (2017) 根据计算出的用户之间的关联强度为用户提供个性化的推荐服务。谭学清等 (2014) 对信任推荐的相关文献进行分析, 认为当前的信任研究因素过于单一, 应该从基于情境信
6、任的推荐出发展开研究。而在实际应用中, 例如对当前的任意一个电子商务平台的推荐系统来说, 存在的最大问题是推荐的无目的性, 推荐的商品价格参差不齐, 而且经常出现很多猎奇的商品, 影响用户体验。一个优秀的推荐系统不仅对结果的准确度有要求, 用户的个性化体验也是很重要的。因此, 本文对影响推荐系统的信任因素的研究是很有意义的, 只有对这些问题有一个清晰的认识, 才能够设计出一个有效的推荐系统。2、理论模型及研究假设2.1 理论模型针对电子商务推荐系统的特点, 本文提出了推荐系统信任模型的理论模型:图 1 推荐系统信任模型的理论框架 下载原图其中, 感知有用性是指认为某一项技术可能给用户带来哪些用
7、处, 可能有哪些功能对用户有用, 是用户决定是否采纳一项技术的重压因素。本文是指用户对使用电子商务系统推荐系统能够提高其网购效率程度的感知程度。当用户通过使用电子商务推荐系统获得的商品满意度越高, 即感知有用性越高时, 用户继续使用推荐系统的意向也就越强。系统交互度是指用户和电子商务网站之间的交流程度。推荐系统的交互功能指用户在使用电子商务平台进行购物的过程中, 通过对商品进行收藏、提问、评分以及评论等一系列行为帮助推荐系统完善对用户偏好的学习。电子商务网站通过互动项目了解用户的偏好后, 可以进行个性化的推荐。在实际接触过的推荐系统中, 常见的向用户推荐某商品的原因主要有:与您收藏商品类似的商
8、品, 用户购买或浏览过同类某商品, 买过或浏览过这件商品的用户还买过或浏览过其他商品等, 这就是推荐的透明度。告知用户商品被推荐的原因是提高用户对推荐系统信任程度的一种手段。推荐的透明度越高, 用户对推荐结果的采纳可能也越大, 同时能使用户更主动地同系统进行互动, 提高推荐结果的质量。2.2 模型的基本假设本文建立的电子商务推荐系统的信任模型包括以下五个变量:用户对推荐结果的感知有用性, 用户与推荐系统的交互度、推荐结果的透明度、用户的满意度以及用户的行为意向。下面对文中的 7 个假说进行说明。若用户认为电子商务推荐系统对提升网购体验有帮助, 那么用户对电子商务平台的信任程度也会增加, 从而用
9、户与系统之间的交互度也随之提高。反之亦然。因此做出如下假设:H1:用户对推荐结果的感知有用性与用户与推荐系统的交互度有显著的相互作用关系。推荐系统的交互功能指用户在使用电子商务平台进行购物的过程中, 通过对商品进行收藏、提问、评分以及评论等一系列行为帮助推荐系统完善对用户偏好的学习。推荐系统对用户的偏好越了解, 越能对推荐的结果给出合理的解释。由此做出如下假设:H2:用户与推荐系统的交互度与推荐的透明度有显著的相互作用关系。用户对通过使用推荐系统获得感兴趣的商品的意愿受到对以往推荐结果的满意程度的影响。推荐的透明度实质上是向用户解释推荐行为, 让用户了解推荐行为产生的理由, 对用户的感知有用性
10、有积极作用。因此做出以下假设:H3:用户对推荐结果的感知有用性和推荐的透明度有显著的相互作用关系。显然, 用户对推荐系统的感知有用性越高, 对推荐系统的满意度就越高。用户与推荐系统的交互度越高, 说明用户对电子商务平台越满意。反之, 因为信任该电子商务平台, 才会对商品给出评价, 才会加强与电子商务平台的互动, 从而交互度越高。推荐系统是否告知用户推荐系统推荐商品的理由, 对用户的满意度也有影响。由此可以做出以下假设:H4:用户对推荐结果的感知有用性对用户的满意度有显著的正向影响关系。H5:用户与推荐系统的交互度对用户的满意度有显著的正向影响关系。H6:推荐的透明度对用户的满意度有显著的正向影
11、响关系。在使用推荐系统的过程中, 用户首先考虑推荐商品的品牌, 价格, 质量等是否满足自身的预期需求, 再经过对多个推荐结果的综合分析、对比找到需求的商品, 从而产生对推荐系统的满意度。用户的满意度越高, 在下一次网购时使用推荐系统寻找感兴趣的商品的可能性越大, 进而激发更高的使用意愿。由此做出以下假设:H7:用户的满意度对用户的行为意向有显著的正向影响关系。3、数据收集与分析3.1 数据收集3.1.1 调查问卷的设计与发放本次问卷调查是为了了解当下消费者对电子商务推荐系统的使用情况和体验, 通过回答问卷所设计的问题, 受访者对自身使用推荐系统的体验进行衡量, 然后分析影响用户对电子商务推荐系
12、统信任的因素, 并得出这些因素之间的关系。在设计电子商务推荐系统时将这些因素考虑进去, 设计出更能满足用户个性化需求的推荐系统。因此, 本次的调查对象是有电子商务平台使用经验的用户。问卷的问题围绕用户对电子商务推荐系统的使用体验进行打分衡量, 问题的五个选项按照里克特五级分量表设计, 让用户根据自己的使用经历及体验对问题进行测量, 变量范围从 1 分 (很不赞同) 到 5 分 (很赞同) 。调查问卷分为三个部分:第一部分是调查问卷的目的和意义;第二部分是影响用户对电子商务推荐系统用户信任程度的测量项目;第三部分是被调查者的背景资料。问卷包括如下五个调查变量:用户对推荐结果的感知有用性, 用户的
13、交互度, 推荐的透明度, 用户的满意度, 用户的行为意向。如表 1 所示。表 1 变量量表 下载原表 3.1.2 数据有效性评价 (性度、效度、拟合度) 调查采用网上发放问卷, 共收回问卷 120 份, 剔除未使用过推荐功能的样本, 共有有效样本 97 份, 满足有效样本是分析样本的 10 倍的要求, 符合统计要求。首先检测是否适合做因子分析, 通过因子分析可以考察问卷是否能够测量出设计问卷是假设的某种结构, 即结构效度。KMO 值为 0.875, Bareletts 球形检验 sig0.001, 结果表明该数据可以采取探索性因子分析。第二步采取主成分分析, 以特征根1 为提取原则, 点击旋转
14、, 选择最大方差法, 对因子进行旋转。然后是信度和效度分析。本文采用 Cronbach 系数来考察模型的信度, Cronbach 系数为 0.922, 可以认为数据可靠性较高, 模型具有可信性。使用KMO 值来考察模型的效度, KMO 值为 0.875, 说明模型的效度较好, 即表示测量结果能较好地显示其所要测量的特征。最后是验证拟合指标。本文使用 AMOSS22 对数据模型进行分析, 得到本文所使用模型的拟合指数。表 2 列出了模型各指数的推荐之和实际值, 各项指数中除了 NFI 和 RFI 略不满足推荐值外, 其他指数均优于推荐值, 显示模型具有较好的拟合度。表 2:拟合指标 下载原表 3
15、.2 数据多元回归分析本论文研究了用户对电子商务推荐系统的感知有用性、用户交互度和推荐的透明度对满意度的影响。具体地说, 本次研究提出的电子商务推荐系统用户信任模型一共包括 5 个变量, 分别是感知有用性、用户交互度、推荐透明度, 用户满意度以及用户的行为意向, 模型提出了 7 个假设。本研究收集的数据支持了大多数路径假设。图 2 所示的是进行多元回归分析后的各个路径系数的情况。图 2 下载原图假设 1 成立 (=0.25, p=0.000) , 用户对推荐结果的感知有用性与用户与推荐系统的交互度有显著的相互作用关系。从样本数据统计结果来看, 用户同系统的交互度是影响感知有用性的因素, 用户对
16、推荐结果的感知有用性越高, 对电子商务平台的信任度也就越高, 因此能激发用户更多地与电子商务平台进行互动。假设 2 成立 (=0.33, p=0.000) , 用户与推荐系统的交互度与推荐的透明度有显著的相互作用关系。用户与推荐系统的交互度越高, 推荐系统就能更好地了解用户的消费偏好, 从而提供更为个性化的推荐服务。同样的, 推荐的透明度越高, 越能积极地影响用户与推荐系统产生互动。假设 3 成立 (=0.34, p=0.000) , 用户对推荐结果的感知有用性和推荐的透明度有显著的相互作用关系。推荐透明度是影响感知有用性的因素, 对推荐行为的解释越清晰, 表明用户对推荐系统的推荐行为越容易理
17、解, 从而对推荐的商品的信任程度随之提高, 用户就会感觉系统越有用。假设 4 成立 (=0.89, p=0.020) , 用户对推荐结果的感知有用性对用户的满意度有显著的正向影响关系。用户对推荐结果的感知有用性越高, 用户对推荐系统的满意度越高, 反之亦然。假设 5 不成立 (=0.09, p=0.588) , 用户与推荐系统的交互度对用户的满意度没有显著的正向影响关系。用户与推荐系统的交互度可以更好地是推荐系统了解用户的偏好, 但是不会直接影响用户对推荐系统的满意度。假设 6 不成立 (=0.74, p=0.183) , 推荐的透明度对用户的满意度没有显著的正向影响关系。用户了解推荐的原因并
18、不能显著的影响用户对推荐系统的满意度。假设 7 成立 (=0.62, p=0.000) , 用户的满意度对用户的行为意向有显著的正向影响关系。用户对推荐系统的满意度越高, 用户下一次使用推荐系统寻找感兴趣商品的行为意向也就越明显。4、研究总结本文从用户满意度的角度对用户关于电子商务推荐系统信任的因素做了研究, 研究表明用户对电商平台推荐系统的信任主要体现在对推荐结果的满意度, 或者说是采纳程度。推荐系统可以通过设置用户表达喜好的功能, 如提问、打分、收藏、评论以及点赞等来提高用户与推荐系统的交互程度, 从而提高推荐结果的准确性。在设计推荐系统时, 应关注系统交互设计情况以及推荐的透明度, 从而
19、提高推荐系统的准确度, 以而增加用户的满意度, 使用户更多地使用电商平台的推荐系统。本文对于电子商务推荐系统的研究, 在研究方法中存在着一定的局限性, 例如文中涉及到的影响用户对电子商务推荐系统的信任程度的因素不够全面, 各大电商平台的推荐系统存在较大差别等等, 未来的研究可以在这些方面继续深化和细化。参考文献1宋晓兵, 董大海, 于丹, 刘瑞明.基于 TRA 理论的品牌购买行为倾向前因研究J.大连理工大学学报.2007. 2宋辉.电子商务推荐系统用户采纳影响因素研究D.哈尔滨工业大学.2011. 3曾赛.基于社交网络信任模型的商品推荐系统D.华南理工大学.2012. 4林韶娟.基于信任网络的
20、推荐系统研究D.复旦大学.2012. 5何友沁.基于信任的推荐方法及其应用研究D.大连理工大学.2014. 6谭学清.社会化网络中信任推荐研究综述J.现代图书情报技术.2014 第 11期. 7唐晓波.基于复杂信任网络的社会化媒体好友推荐研究D.武汉大学.2015. 8张佳媛, 陆浩然.基于结构方程模型的网络募捐信任模型实证研究J.经营管理者.2016.5 上期 9Shuchih Ernest Chang, Wei-Cheng Shen, Anne Yenching Liu.Why mobile users trust smartphone social networking services Research PLS-SEM approach.JJournal of Business Research.2016. 10Young-Duk Seo a, Young-Gab Kim b, Euijong Leea, Doo-Kwon Baik.Personalized recommender system based on friendship strength in social network services.J.Expert Systems With Applications.2017.
