基于静态与动态双元视角的网购个性化推荐用户采纳行为研究
这是一篇关于用户采纳,UTAUT模型,结构方程模型,系统动力学的论文, 主要内容为个性化推荐系统是电商平台依据用户个性化的需求对商家的商品信息进行排序的工具,一方面减少了用户的信息过载程度和购物焦虑,提高了用户购买质量;另一方面,提高了小众商家商品的曝光率,减少了龙头商家垄断的局面,也为商家提供了公平竞争的平台。个性化推荐算法的改进固然可以提高推荐的精确度,但在实际的购物过程中,用户对推荐项目的采纳缺乏动机,高的精确度并不意味着高采纳率,甚至会因为过度的个性化造成用户的“信息窄化”,让用户对推荐系统有负面认知。而用户采纳更多与个体特征、情感、心理认知因素等相关,要想提高用户对项目的采纳,还需要研究用户采纳意愿的影响因素。针对此问题,本文主要工作如下:(1)本文通过梳理以往研究文献中的变量,提出假设,构建个性化推荐用户采纳的概念模型;并且设计调查问卷,收集数据,并利用结构方程模型进行假设检验。竞争模型分析能够通过AIC和ΔAIC指标能够建立简介又高质的结构方程模型。在构建结构方程模型时,通过竞争模型分析从构建的四个模型中选择最优路径模型MODE2。结构方程模型检验结果表明,感知信息质量对采纳意愿有直接影响;精准个性化、沉浸体验、信息编排通过绩效期望影响个性化推荐采纳意愿;推荐解释和隐私关注通过努力期望影响个性化推荐采纳意愿;绩效期望也通过影响努力期望影响采纳意愿,即努力期望发挥了部分中介作用。(2)利用问卷调查收集的数据,通过分层回归的方式检验了感知信息质量、自我认知、主观规范的调节作用。感知信息质量调节努力期望和采纳意愿之间的关系;自我认知调节感知信息质量和采纳意愿之间的关系;主观规范调节精准个性化和绩效期望之间的关系。(3)在实证研究的基础上,结合SOR理论、信任转移理论、认知负荷理论,并且考虑现实的购物情景,从平台、商家、用户三方视角构建了理论模型,构建用户采纳行为的系统动力模型,进行动态演化行为分析。首先,构建了用户采纳行为的因果关系图;其次,构建系统流图并分别对状态变量、速率变量、辅助变量进行方程式设计;最后,对构建的系统动力模型进行检验及灵敏度分析。行为动力建模的结果表明:第一,本文构建的系统动力学模型能较好的模拟平台、商家、用户三方互动的实际情形。本文所构建个性化推荐采纳行为的系统动力学模型是有效且合理的,能够体现关键因素之间的关系,较准确的反映了个性化推荐系统采纳行为的实际情况;第二,用户感知信息质量是对用户采纳和行为影响最大的变量,品牌信誉、信息编排也对用户采纳和行为也有较大影响,认知负荷对用户行为有一定影响,当用户认知资源超载时会对用户采纳行为产生负面影响,推荐解释和信任对用户采纳意愿行为也有一定影响,隐私关注对用户采纳意愿和行为的影响最小。
在线个性化推荐系统用户采纳影响因素研究
这是一篇关于个性化推荐系统,电子商务,UTAUT模型,用户采纳,影响因素的论文, 主要内容为随着互联网和电子商务的蓬勃发展,越来越多的用户开始青睐网络购物。但是,信息急剧膨胀也带来了信息超载,用户很难在海量的商品和信息中快速找到目标。电子商务推荐系统应运而生,成为电子商务企业解决这一难题的有力工具。尽管个性化推荐系统已经为商家创造了巨大的经济效益,但存在不少用户拒绝采纳与使用的问题。目前,国内外关于电子商务推荐系统用户采纳意愿的系统性研究成果还比较少。因此,有必要对此展开深入的研究。本文基于前人的研究成果,从用户的角度出发,改进整合型科技接受与使用模型,结合电子商务推荐系统的特性,构建用户采纳意向研究的理论框架。设计测量量表与调查问卷,提出12条基本假设。通过网络发布和回收问卷并进行了实证分析。首先,利用SPSS20.0软件进行描述性统计分析、信度和效度分析、验证性因子分析等。然后,运用AMOS20.0软件建立用户采纳影响因素的结构方程模型。通过模型拟合验证对初始SEM模型进行评估,再进行模型修正和路径分析,检验各路径的显著性。最后,进行假设检验分析,明确了各变量之间的关系以及对用户采纳意向的影响程度。本研究通过理论研究和实证分析,得到以下结论:(1)绩效期望、沉浸体验、社群影响显著正向影响用户的采纳意愿,感知风险与之显著负相关;(2)努力期望和自我认知对用户采纳意愿的影响并不显著,自我认知直接显著影响努力期望,努力期望通过绩效期望这个中介变量间接显著影响采纳意愿;(3)感知推荐质量通过绩效期望间接显著影响采纳意愿,感知时效性与感知推荐质量、绩效期望和努力期望均显著正相关,并通过绩效期望间接显著影响采纳意愿;(4)用户的采纳意愿直接正向显著影响其采纳行为。根据以上研究结果,结合我国电子商务推荐系统的发展现状和受访者反馈情况,从提高用户采纳程度和改善推荐系统功能两方面,有针对性的给出了措施和建议,以期为完善电子商务推荐系统的功能和提高其被采纳的程度提供理论指导。
农村电商个性化推荐用户采纳影响因素研究
这是一篇关于个性化推荐,农村电商,用户采纳,影响因素的论文, 主要内容为提高农产品流通速度,是应对我国“三农”问题比较重要的举措之一。在电子商务飞速发展的大背景下,传统电子商务已经逐渐无法适应新的市场发展形势,我们只有不断提升用户服务满意度才能开辟农村电子商务发展新路径。农户是农村电商平台的使用者,只有加强用户信息收集和分析,才能够为改进农村电子商务提供准确参考和依据。根据农村电商用户的实际情况优化设计推荐系统,对影响农户信息获取因素进行分析,通过系统优化和调整来改进用户体验,建立起更加人性化、便捷化和高效化的电商推荐系统,为农村用户提供更好的商业信息服务。对此,本文将对影响农村电商用户信息获取因素进行分析,以得出改进农村电商平台推荐系统的对策建议。本文首先通过广泛阅读国内外相关文献,对课题的选题背景、形式和研究意义进行了阐述,确立了本文分析的关键内容,指出了本文的创新之处。其次阐释了本文研究的理论基础,定义了农村电子商务平台差异化推荐服务的含义,接着对我国和海外国家有关电子商务取得的成果做了描述,对推荐服务的用户认同影响因素开展了分析,进而对推荐信息采取的定义和相关理论进行了阐述。再次,构建农村电商用户信息采纳模型,把测量维度划分为三个层面:用户、推荐系统、采纳等,最后对模型中有关的参数予以论述且提出相关的假设,为后面的模型实证分析提供了基础。在此基础上,通过问卷调查和有关的数据分析对农村电商个性化推荐的用户信息采纳模型进行了实证分析。此部分在整理国内外用户推荐系统研究成果的基础上,设计了适合本研究的调研问卷,并对问卷做了前测和调研,同时借助SPSS软件来校验数据的信度,对数据进行因子分析和相关性分析。最后,分别从用户层面、推荐系统层面、社会层面等方面对农村电商个性化推荐服务提出了对策及建议。
在线个性化推荐系统用户采纳影响因素研究
这是一篇关于个性化推荐系统,电子商务,UTAUT模型,用户采纳,影响因素的论文, 主要内容为随着互联网和电子商务的蓬勃发展,越来越多的用户开始青睐网络购物。但是,信息急剧膨胀也带来了信息超载,用户很难在海量的商品和信息中快速找到目标。电子商务推荐系统应运而生,成为电子商务企业解决这一难题的有力工具。尽管个性化推荐系统已经为商家创造了巨大的经济效益,但存在不少用户拒绝采纳与使用的问题。目前,国内外关于电子商务推荐系统用户采纳意愿的系统性研究成果还比较少。因此,有必要对此展开深入的研究。本文基于前人的研究成果,从用户的角度出发,改进整合型科技接受与使用模型,结合电子商务推荐系统的特性,构建用户采纳意向研究的理论框架。设计测量量表与调查问卷,提出12条基本假设。通过网络发布和回收问卷并进行了实证分析。首先,利用SPSS20.0软件进行描述性统计分析、信度和效度分析、验证性因子分析等。然后,运用AMOS20.0软件建立用户采纳影响因素的结构方程模型。通过模型拟合验证对初始SEM模型进行评估,再进行模型修正和路径分析,检验各路径的显著性。最后,进行假设检验分析,明确了各变量之间的关系以及对用户采纳意向的影响程度。本研究通过理论研究和实证分析,得到以下结论:(1)绩效期望、沉浸体验、社群影响显著正向影响用户的采纳意愿,感知风险与之显著负相关;(2)努力期望和自我认知对用户采纳意愿的影响并不显著,自我认知直接显著影响努力期望,努力期望通过绩效期望这个中介变量间接显著影响采纳意愿;(3)感知推荐质量通过绩效期望间接显著影响采纳意愿,感知时效性与感知推荐质量、绩效期望和努力期望均显著正相关,并通过绩效期望间接显著影响采纳意愿;(4)用户的采纳意愿直接正向显著影响其采纳行为。根据以上研究结果,结合我国电子商务推荐系统的发展现状和受访者反馈情况,从提高用户采纳程度和改善推荐系统功能两方面,有针对性的给出了措施和建议,以期为完善电子商务推荐系统的功能和提高其被采纳的程度提供理论指导。
基于静态与动态双元视角的网购个性化推荐用户采纳行为研究
这是一篇关于用户采纳,UTAUT模型,结构方程模型,系统动力学的论文, 主要内容为个性化推荐系统是电商平台依据用户个性化的需求对商家的商品信息进行排序的工具,一方面减少了用户的信息过载程度和购物焦虑,提高了用户购买质量;另一方面,提高了小众商家商品的曝光率,减少了龙头商家垄断的局面,也为商家提供了公平竞争的平台。个性化推荐算法的改进固然可以提高推荐的精确度,但在实际的购物过程中,用户对推荐项目的采纳缺乏动机,高的精确度并不意味着高采纳率,甚至会因为过度的个性化造成用户的“信息窄化”,让用户对推荐系统有负面认知。而用户采纳更多与个体特征、情感、心理认知因素等相关,要想提高用户对项目的采纳,还需要研究用户采纳意愿的影响因素。针对此问题,本文主要工作如下:(1)本文通过梳理以往研究文献中的变量,提出假设,构建个性化推荐用户采纳的概念模型;并且设计调查问卷,收集数据,并利用结构方程模型进行假设检验。竞争模型分析能够通过AIC和ΔAIC指标能够建立简介又高质的结构方程模型。在构建结构方程模型时,通过竞争模型分析从构建的四个模型中选择最优路径模型MODE2。结构方程模型检验结果表明,感知信息质量对采纳意愿有直接影响;精准个性化、沉浸体验、信息编排通过绩效期望影响个性化推荐采纳意愿;推荐解释和隐私关注通过努力期望影响个性化推荐采纳意愿;绩效期望也通过影响努力期望影响采纳意愿,即努力期望发挥了部分中介作用。(2)利用问卷调查收集的数据,通过分层回归的方式检验了感知信息质量、自我认知、主观规范的调节作用。感知信息质量调节努力期望和采纳意愿之间的关系;自我认知调节感知信息质量和采纳意愿之间的关系;主观规范调节精准个性化和绩效期望之间的关系。(3)在实证研究的基础上,结合SOR理论、信任转移理论、认知负荷理论,并且考虑现实的购物情景,从平台、商家、用户三方视角构建了理论模型,构建用户采纳行为的系统动力模型,进行动态演化行为分析。首先,构建了用户采纳行为的因果关系图;其次,构建系统流图并分别对状态变量、速率变量、辅助变量进行方程式设计;最后,对构建的系统动力模型进行检验及灵敏度分析。行为动力建模的结果表明:第一,本文构建的系统动力学模型能较好的模拟平台、商家、用户三方互动的实际情形。本文所构建个性化推荐采纳行为的系统动力学模型是有效且合理的,能够体现关键因素之间的关系,较准确的反映了个性化推荐系统采纳行为的实际情况;第二,用户感知信息质量是对用户采纳和行为影响最大的变量,品牌信誉、信息编排也对用户采纳和行为也有较大影响,认知负荷对用户行为有一定影响,当用户认知资源超载时会对用户采纳行为产生负面影响,推荐解释和信任对用户采纳意愿行为也有一定影响,隐私关注对用户采纳意愿和行为的影响最小。
基于静态与动态双元视角的网购个性化推荐用户采纳行为研究
这是一篇关于用户采纳,UTAUT模型,结构方程模型,系统动力学的论文, 主要内容为个性化推荐系统是电商平台依据用户个性化的需求对商家的商品信息进行排序的工具,一方面减少了用户的信息过载程度和购物焦虑,提高了用户购买质量;另一方面,提高了小众商家商品的曝光率,减少了龙头商家垄断的局面,也为商家提供了公平竞争的平台。个性化推荐算法的改进固然可以提高推荐的精确度,但在实际的购物过程中,用户对推荐项目的采纳缺乏动机,高的精确度并不意味着高采纳率,甚至会因为过度的个性化造成用户的“信息窄化”,让用户对推荐系统有负面认知。而用户采纳更多与个体特征、情感、心理认知因素等相关,要想提高用户对项目的采纳,还需要研究用户采纳意愿的影响因素。针对此问题,本文主要工作如下:(1)本文通过梳理以往研究文献中的变量,提出假设,构建个性化推荐用户采纳的概念模型;并且设计调查问卷,收集数据,并利用结构方程模型进行假设检验。竞争模型分析能够通过AIC和ΔAIC指标能够建立简介又高质的结构方程模型。在构建结构方程模型时,通过竞争模型分析从构建的四个模型中选择最优路径模型MODE2。结构方程模型检验结果表明,感知信息质量对采纳意愿有直接影响;精准个性化、沉浸体验、信息编排通过绩效期望影响个性化推荐采纳意愿;推荐解释和隐私关注通过努力期望影响个性化推荐采纳意愿;绩效期望也通过影响努力期望影响采纳意愿,即努力期望发挥了部分中介作用。(2)利用问卷调查收集的数据,通过分层回归的方式检验了感知信息质量、自我认知、主观规范的调节作用。感知信息质量调节努力期望和采纳意愿之间的关系;自我认知调节感知信息质量和采纳意愿之间的关系;主观规范调节精准个性化和绩效期望之间的关系。(3)在实证研究的基础上,结合SOR理论、信任转移理论、认知负荷理论,并且考虑现实的购物情景,从平台、商家、用户三方视角构建了理论模型,构建用户采纳行为的系统动力模型,进行动态演化行为分析。首先,构建了用户采纳行为的因果关系图;其次,构建系统流图并分别对状态变量、速率变量、辅助变量进行方程式设计;最后,对构建的系统动力模型进行检验及灵敏度分析。行为动力建模的结果表明:第一,本文构建的系统动力学模型能较好的模拟平台、商家、用户三方互动的实际情形。本文所构建个性化推荐采纳行为的系统动力学模型是有效且合理的,能够体现关键因素之间的关系,较准确的反映了个性化推荐系统采纳行为的实际情况;第二,用户感知信息质量是对用户采纳和行为影响最大的变量,品牌信誉、信息编排也对用户采纳和行为也有较大影响,认知负荷对用户行为有一定影响,当用户认知资源超载时会对用户采纳行为产生负面影响,推荐解释和信任对用户采纳意愿行为也有一定影响,隐私关注对用户采纳意愿和行为的影响最小。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/55794.html
