电商情境下个性化推荐解释对消费者采纳意愿的影响研究
这是一篇关于个性化推荐系统,推荐解释,解释水平,地理位置,采纳意愿,实验法的论文, 主要内容为个性化推荐通过向用户提供匹配他们偏好的内容,在消费者满意度、消费者忠诚度的提高上为企业带来巨大的利益。随着个性化推荐系统被越来越多的应用于与消费者生活相关的各种场景,个性化推荐也逐渐显示了一些弊端。算法的不透明度导致了消费者与系统之间的信息不对称性,让消费在不知不觉中被算法利用“杀熟”。消费者需要知道自己的数据被用于什么样的目的,需要系统在为其推荐时进行解释。本文聚焦于个性化推荐系统中的推荐解释,将推荐解释视为一种说服性信息,探究移动电商的情境下,不同的推荐解释对于消费者采纳意愿的影响。通过对文献的梳理发现,在推荐解释的相关文献中,鲜少关于消费者关于推荐解释的心理机制的探究。并且在何种推荐解释方式更有效的问题上存在着一定的争议。接着,基于对生活中个性化推荐解释的应用情况进行观察,发现个性化推荐系统中地理位置信息呈现上的缺乏。因此,本文基于解释水平理论,探讨消费者对于不同的推荐解释方式的解释水平感知,进而影响他们的采纳意愿。同时探讨地理位置信息在其中间的调节作用,为商家和平台提供一个更好的推荐解释方式,提高消费者对于平台推荐的采纳。本文基于解释水平理论提出了“推荐解释方式-解释水平-采纳意愿”的研究框架,并通过实验1(N=178)和实验2(N=202)的假设进行了验证。具体而言,实验1验证了不同的推荐解释方式对于消费者采纳意愿的影响。实验2在实验1的基础上改进了实验材料,并更换了推荐产品,验证了解释水平的中介效应,同时还探讨了地理位置信息对于解释水平,我们还进一步发现了地理位置信息对于消费者采纳意愿的调节效应。由此,本文得出四个结论:第一,在移动电商的情境下,基于产品的推荐解释方式下消费者的采纳意愿更高;第二,解释水平在推荐解释方式对消费者采纳意愿影响中起中介作用;第三,地理位置信息调节了推荐解释方式对于解释水平的影响,基于用户的推荐解释方式下消费者的解释水平感知有显著的下降;第四,本文在实验中还发现了地理位置信息对于消费采纳意愿的调节作用,即地理位置信息显著地提高了基于用户的推荐解释下消费者的采纳意愿。综上,本研究关注到推荐解释作为一种营销说服性信息,从消费者心理表征的角度探明了推荐解释方式对于消费者采纳意愿的影响。并且还着重关注了在移动电商中地理位置信息的作用。理论方面,有助于补充地理位置信息与推荐解释结合的研究空白,具有创新性。实践方面,为平台推荐提供了一种新的有效的推荐解释方式,达到让消费者采纳更多推荐商品,对平台感到满意的目的,具有研究意义。
可解释性电影推荐系统的研究与设计
这是一篇关于推荐系统,推荐解释,文本生成,评论融合,关键词提取的论文, 主要内容为随着信息技术的高速发展,5G技术已经步入了商业化的进程,信息过载问题愈发凸显。推荐系统的出现很大程度上缓解了信息过载问题,现做为一种基础技术应用于电影、电商、新闻和自媒体等行业。电影作为一种主流的休闲娱乐方式深受人们喜爱,影视行业的快速发展,已经积累了大量的影视资源,每部影片都各具特色,观众的偏好各不相同,如何找到符合自己偏好的电影成为一大难题。随着机器学习和深度学习在推荐系统领域的不断发展,推荐系统的精度越来越高,但仅为用户提供推荐结果是不充分的,有研究表明,在为用户提供推荐物品的同时,向用户说明推荐理由有助于提高推荐系统的透明度和用户满意度。本文主要针对电影推荐系统中的解释生成相关问题展开研究。本文提出一种基于主题词生成个性化推荐解释的算法。该算法主要分为推荐模块和解释生成两个模块,推荐模块采用多层感知机模型,解释生成模块使用融合语义的词频统计方法,从用户评论信息中提取主题词,结合门循环神经网络生成推荐解释。豆瓣电影数据集上的实验表明该算法在推荐精度和推荐解释生成上都有良好的表现。本文提出一种融合近邻评论的推荐解释生成算法。该算法分为近邻评论集构建及处理、评分预测和解释生成三个部分,评分预测模块采用的是多层感知机,解释模块通过构架近邻评论集来补充缺失的评论数据,使用主题发现模型从评论集中挖掘目标用户对该物品的偏好主题词,最后结合预先定义好的模板生成推荐解释。本文设计了一个可解释性电影推荐系统,该系统是基于Spark分布式平台开发而成,数据集采用的是Movie Lens-10M公开数据集,推荐算法使用的是多层感知机和基于物品协同过滤等推荐算法。该系统验证了上述两种推荐解释生成算法的可行性。
可解释性电影推荐系统的研究与设计
这是一篇关于推荐系统,推荐解释,文本生成,评论融合,关键词提取的论文, 主要内容为随着信息技术的高速发展,5G技术已经步入了商业化的进程,信息过载问题愈发凸显。推荐系统的出现很大程度上缓解了信息过载问题,现做为一种基础技术应用于电影、电商、新闻和自媒体等行业。电影作为一种主流的休闲娱乐方式深受人们喜爱,影视行业的快速发展,已经积累了大量的影视资源,每部影片都各具特色,观众的偏好各不相同,如何找到符合自己偏好的电影成为一大难题。随着机器学习和深度学习在推荐系统领域的不断发展,推荐系统的精度越来越高,但仅为用户提供推荐结果是不充分的,有研究表明,在为用户提供推荐物品的同时,向用户说明推荐理由有助于提高推荐系统的透明度和用户满意度。本文主要针对电影推荐系统中的解释生成相关问题展开研究。本文提出一种基于主题词生成个性化推荐解释的算法。该算法主要分为推荐模块和解释生成两个模块,推荐模块采用多层感知机模型,解释生成模块使用融合语义的词频统计方法,从用户评论信息中提取主题词,结合门循环神经网络生成推荐解释。豆瓣电影数据集上的实验表明该算法在推荐精度和推荐解释生成上都有良好的表现。本文提出一种融合近邻评论的推荐解释生成算法。该算法分为近邻评论集构建及处理、评分预测和解释生成三个部分,评分预测模块采用的是多层感知机,解释模块通过构架近邻评论集来补充缺失的评论数据,使用主题发现模型从评论集中挖掘目标用户对该物品的偏好主题词,最后结合预先定义好的模板生成推荐解释。本文设计了一个可解释性电影推荐系统,该系统是基于Spark分布式平台开发而成,数据集采用的是Movie Lens-10M公开数据集,推荐算法使用的是多层感知机和基于物品协同过滤等推荐算法。该系统验证了上述两种推荐解释生成算法的可行性。
电商情境下个性化推荐解释对消费者采纳意愿的影响研究
这是一篇关于个性化推荐系统,推荐解释,解释水平,地理位置,采纳意愿,实验法的论文, 主要内容为个性化推荐通过向用户提供匹配他们偏好的内容,在消费者满意度、消费者忠诚度的提高上为企业带来巨大的利益。随着个性化推荐系统被越来越多的应用于与消费者生活相关的各种场景,个性化推荐也逐渐显示了一些弊端。算法的不透明度导致了消费者与系统之间的信息不对称性,让消费在不知不觉中被算法利用“杀熟”。消费者需要知道自己的数据被用于什么样的目的,需要系统在为其推荐时进行解释。本文聚焦于个性化推荐系统中的推荐解释,将推荐解释视为一种说服性信息,探究移动电商的情境下,不同的推荐解释对于消费者采纳意愿的影响。通过对文献的梳理发现,在推荐解释的相关文献中,鲜少关于消费者关于推荐解释的心理机制的探究。并且在何种推荐解释方式更有效的问题上存在着一定的争议。接着,基于对生活中个性化推荐解释的应用情况进行观察,发现个性化推荐系统中地理位置信息呈现上的缺乏。因此,本文基于解释水平理论,探讨消费者对于不同的推荐解释方式的解释水平感知,进而影响他们的采纳意愿。同时探讨地理位置信息在其中间的调节作用,为商家和平台提供一个更好的推荐解释方式,提高消费者对于平台推荐的采纳。本文基于解释水平理论提出了“推荐解释方式-解释水平-采纳意愿”的研究框架,并通过实验1(N=178)和实验2(N=202)的假设进行了验证。具体而言,实验1验证了不同的推荐解释方式对于消费者采纳意愿的影响。实验2在实验1的基础上改进了实验材料,并更换了推荐产品,验证了解释水平的中介效应,同时还探讨了地理位置信息对于解释水平,我们还进一步发现了地理位置信息对于消费者采纳意愿的调节效应。由此,本文得出四个结论:第一,在移动电商的情境下,基于产品的推荐解释方式下消费者的采纳意愿更高;第二,解释水平在推荐解释方式对消费者采纳意愿影响中起中介作用;第三,地理位置信息调节了推荐解释方式对于解释水平的影响,基于用户的推荐解释方式下消费者的解释水平感知有显著的下降;第四,本文在实验中还发现了地理位置信息对于消费采纳意愿的调节作用,即地理位置信息显著地提高了基于用户的推荐解释下消费者的采纳意愿。综上,本研究关注到推荐解释作为一种营销说服性信息,从消费者心理表征的角度探明了推荐解释方式对于消费者采纳意愿的影响。并且还着重关注了在移动电商中地理位置信息的作用。理论方面,有助于补充地理位置信息与推荐解释结合的研究空白,具有创新性。实践方面,为平台推荐提供了一种新的有效的推荐解释方式,达到让消费者采纳更多推荐商品,对平台感到满意的目的,具有研究意义。
推荐系统的交互性研究
这是一篇关于推荐系统,人机交互,推荐解释,评判约束的论文, 主要内容为推荐系统已经发展成为一个研究领域,其在解决信息过载和个性化信息服务方面的作用已经被广泛认同。人机交互是指用户与操作对象的互动式行为,用户界面是系统提供的交互入口,通过这个入口实现系统与用户的交流,好的交互设计让用户舒适高效地使用系统带来的智能服务。纵观推荐系统领域的研究历程,推荐系统与人机交互技术的结合非常值得关注但至今仍很少被研究。本文针对推荐系统交互性设计到的三个重要方面：评判约束、推荐解释、社会化标签技术展开研究,主要完成了以下几部分工作： 1.引入基于评判的推荐系统设计方法。用户评判(critiquing)是一个新的概念,它能够加强用户与系统的交互并得到用户的具体兴趣偏好信息,进而能够较快地建立具有较高准确度的用户偏好模型。在推荐系统的设计过程中引入用户评判,可以改善推荐系统冷启动问题带来的不利影响。 2.在推荐解释中引入标签技术。推荐的可解释性对推荐的成功与否起着积极的作用,本文在对推荐进行解释的同时加入标签技术,标签具有很好的表达与发现的作用,添加有效的标签,可以增强推荐的可解释性,进而提升推荐的透明度和用户对系统的信任度。 3.推荐系统的架构和实现。基于用户评判的思想设计了一个推荐系统的整体框架,给出了系统数据模型和推荐引擎等服务器端的开发和实现过程,并且展示了系统的前端实现界面。 本文提出的基于评判约束的思想具有一定的创新性,使推荐的逻辑对用户更加透明,有助于建立用户对系统的信心和信任,辅助用户在推荐系统中进行更高效的决策。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/56336.html
