1绪论
1.1研究背景
1.1.1推荐服务已成为未来网络精细化服务的重要内容
网络作为企业零售渠道的重要性也逐步被越来越多的企业认识；一些知名的电子商务网站如卓越网、京东商城、淘宝网、1号店等幵始深入网民心。数字化的交易场为消费者提供了极大的便利、庞大的产品选择以及海量的产品信息。然而，因为人类信息处理的认知约束，消费者在信息过载的电子商务系统中识别满足其需求的产品并不是一件容易的事情。另一方面，电子商务改变着人们的消费方式，消费者的产品需求日趋个性化，交易主导权也日益突出，一种虚拟买方市场初步形成，这客观上要求电子商务企业必须树立“以客户为中心”的营销理念，创新营销手段。在这种背景下，推荐服务开始广泛应用于电子商务环境中，成为一种“一对一”营销利器。许多电子商务网站，比如Amazon、eBay、当当等都通过提供推荐服务来辅助消费者进行产品搜索、选择以及进行产品的定制。基于消费者偏好定义、消费者购买历史、相似的其它消费者的选择和评价以及从过去的会话数据中挖掘的知识，推荐服务可以识别消费者的异质性偏好，进而为消费者提供产品的建议，试图说服消费者以达成交易事实。相关实证研究（Box.⑴；KarY.T.[2]； BurkeR.R.[3]； HaublG.[4])表明，推荐服务的使用，减轻了消费者的信息过载问题，降低了消费者的信息搜索复杂性，显著增强了消费者决策的信心，增加了决策的质量，降低了决策负荷。M. B. Dias等人(2008)对瑞士最大零售商Migros旗下的LeShop网站自2006年5月至2008年1月的跟踪研究表明，电子商务推荐系统使得在线购买的收入显著增长[5]。
1.1.2现有推荐服务用户使用现状
(1) 目前电子商务网站主要推荐类型总结
随着推荐服务日益重要，目前各大电子商务网站纷纷通过提供推荐服务来辅助消费者对商品作出选择，通过对国内著名电子商务网站“淘宝网、京东商城、卓越亚马逊、淘宝网、当当网、苏宁易购、1号店超市”的考察，我们认为目前电子商务网站推荐服务主要有广告类推荐、其他用户推荐、专家推荐、个性化推荐四种类型见表1.1。通用推荐服务是向所有的消费者推荐相同的内容，主要有广告类推荐、其他用户推荐、专家推荐等，这些推荐服务在一定程度上满足了消费者的购物需求。广告类推荐是指以广告形式吸引消费者关注某类商品，这类推荐主要是通过唤起消费者的注意力、好奇心来达到推荐目的，能够满足消费者查找打折、热门、新上市商品的需求。销售排行榜是根据某产品的销售数量由高到低的排列的榜单，它从一定程度上代表了该产品受其他消费者欢迎程度和认可程度。这类推荐是利用消费者的从众心理达到推荐目的，由于产品每一笔成交情况都是由真实消费者完成的，能够满足消费者参考别人购物决策的需求。分类重点推荐是指网站从消费者可能关注的焦点出发，以几个热门主题词作为上位类，分类别向消费者推荐不同商品，这类推荐能够满足消费者缩小商品查找范围的需求。专家推荐并不是传统意义上的由真实的专家作出的推荐，而是指用户作出购买决策后，电子商务网站为了刺激用户持续购买，对用户进行的专门性搭配推荐。且大多是基于用户所购买的产品进行的扩展推荐，其类型主要有“相关搭配” “套餐推荐”等。通用推荐主要对消费者起到一个引导作用，希望消费者关注这些推荐的商品，但由于通用推荐个性化程度较低，而且在同一时间段内向所有消费者推荐相同的商品，只有当消费者现有或潜在的购物需求正好在推荐商品列表内，消费者才可能关注它。
2电子商务网站推荐与知识推荐服务概述
2.1电子商务网站推荐服务概述
推荐泛指把人或事物向人或组织介绍，希望任用或接受。在现实生活中，推荐是节省用户信息处理时间，有效决策的辅助手段。随着信息技术的高速发展，推荐功能也从线下延伸到了线上。在电子商务环境中，推荐主要是是指为了帮助用户减轻信息过载压力，或明或暗向用户介绍相应产品。实际网站中推荐功能是通过推荐代理（RA，后文统称为推荐服务）实现的。推荐服务（RA)是一种作相应产品推荐的软件[1]。它一般嵌套在消费者购物的电子商务网站之中，可看做是商家为消费者提供的一个“虚拟顾问”，它通过一定形式（广告、排行榜）为消费者推荐产品，并提供购物过程中所需的各类信息，引导其迅速便捷地完成网上购物。作为一种特殊的消费者在线决策支持系统，推荐服务有着特定的理解维度：①推荐服务作为一种信息系统，消费者对推荐服务的感知有用性、感知易用性和满意度影响着他们对推荐技术的接受和采纳[1]。②基于推荐服务的消费者决策过程是一个从关注、信息详析到行为的人类信息处理和认知过程[6]。③推荐服务与消费者之间是一种代理关系，对消费者来说，推荐服务是一种信任对象[7]。④消费者基于推荐服务的信息获取和产品购买是一种理性行为，其符合计划行为理论（TPB)框架，即消费者行为的近向原因是行为意图，意图反过来又由态度、主观规范以及感知行为控制决定，后三者是各种信念的函数[8]。⑤推荐服务作为一种商业目标驱动的说服渠道，其符合由信息详析模型（ELM)所构建的说服过程，即消费者在接收到推荐信息（刺激）后，会通过中心路线或外围路线对刺激进行信息处理，并最终导致消费者态度及行为的变化[2]。⑥作为一个决策支持系统，推荐服务包括输入、处理和输出三个部分，输入主要完成偏好诱导，处理是推荐生成算法和模型，输出是推荐结果呈现（时间、形式、媒介），它们都对消费者的使用和决策产生着影响[1]。
3电子商务网站知识推荐服务接受........ 3
3.1 结构变量设计....... 30
3.2结构模型构建....... 37
3.3 观测变量设计....... 39
3.4测量模型的构建....... 44
4知识推荐接受模型实证方案设计....... 46
4.1知识推荐实证方案设计 .......46
4.2知识推荐接受模型变量统计分析.......51
4.2.1 样本构成 .......51
4.2.2 各变量描述性统计....... 52
4.3 方差分析 .......54
5知识推荐接受模型实证研究....... 59
5.1探索性因子分析....... 59
5.2信度、效度分析....... 66
5.2.1 信度分析....... 66
5.2.2效度分析....... 67
5.3 验证性因子分析....... 68
5.3.1 单一性分析....... 69
5.3.2聚合效度和区分效度分析....... 71
5.4模型评价与修正....... 72
结论
通过对消费者有效接受知识推荐服务影响因素分析可知，能否满足消费者的购物需求是影响消费者有效接受知识推荐服务最重要的因素，因此知识推荐服务在其推荐内容设计上需要捕获消费者比较细致的购物需求，以便精准地推荐符合消费者购物需求的商品，达到精准营销的目的。首先，通过对呈现内容变量均值统计可知，绝大部分消费者愿意接受认知负荷相对高的商品相关知识，因此，商品参数的通俗解释应成为知识推荐服务的基本内容，知识推荐服务可以向消费者提供商品关键性参数及其效用解释，某价位下的商品关键性参数及其效用解释等知识。其次，通过对不同特征用户方差分析可知，认知需求和性别会影响消费者对不同加工级别知识的推荐需求。相对于认知需求高的消费者，认知需求低的消费者更愿意接受高加工级别的知识内容，相对于男性消费者，女性消费者更愿意接受高加工级别的知识内容。另外，通过结构方程模型分析可知，认知方式和知识水平会影响消费者对知识推荐服务的感知价值，主要是认知需求高、知识背景丰富的消费者会对商品参数进行仔细对比，倾向于自己去对商品相关知识进行认知。虽然认知风格不会影响消费者对不同加工级别知识的推荐需求，但是不同认知风格用户在对知识推荐服务的感知价值，主要是感知易用性维度上有显著差异。因此，知识推荐服务需要向不同特征的消费者提供不同加工级别的知识，可以向认知需求低、女性、知识背景匮乏的消费者推荐认知负荷低的知识，比如直接向消费者推荐性价比知识、或者某价位上性价比比较高的商品列表，无需消费者对商品相关知识进行认知。通过以上商品相关知识的推荐，知识推荐服务可以满足不同人群对于不同加工级别的商品相关知识的需求。
参考文献
[1]Bo X., Izak B.. E?Commerce Product Recommendation Agents: Use, Characteristics，and Impact [J]. MIS Quarterly,2007,31 (1): 137-209
[2]Kar Y. T., Shuk Y. H.. Understanding the Impact of Web Personalization on UserInformation Processing And Decision Outcomes[J]. MIS Quarterly,2006,3 0(4): 865-890
[3]Burke R.R.. Technology and the Customer Interface: What Consumers Want in thePhysical and Virtual Store [J]. Journal of the Academy of Marketing Science,2002,3 0(4):411~432
[4]Haubl G.，Trifts V" Consumer Decision Making in On?Line Shopping Environments:The Effects of Interactive Decision Aids[J]. Marketing Science, 2000,19(1): 4-21
[5]M. B. Dias，Dominique Locher, et al. The Value of Personalised Recommender Systemsto E-Business: A Case Study. Proceedings of the 2008 ACM conference on Recommendersystems[C], Lausanne, Switzerland,2008. 291 -294
[6]Weiquan W. and Izak B. Recommendation Agents for Electronic Commerce: Effects ofExplanation Facilities on Trusting Beliefs[J]. Journal of Management Information Systems,2007.23(4) :217-246
[7]Paul A. P.，Mendel F. Understanding and Predicting Electronic Commerce Adoption: AnExtension of the Theory of Planned Behavior [J]. MIS Quarterly,2006，30(l) :115-143
[8]Kar Y. T., Shuk Y. H. Web Personalization as a Persuasion Strategy: An ElaborationLikelihood Model Perspective[J]. Information Systems Research,2005,16(3 ): 271 -291
[9]Paul Resniek,HalR.Varian.Recommender Systems[J].Communications of the ACM,1997,40(3):56-58
[10]FAN Zhiping, FENG Yong，SUN Yonghong, et al. A frame work on compoundknowledge push system oriented to organizational employees [J]. Lecture Notes inComputer Science,2005,38(28):622-630