羅婷予 Miguel Baptista Nunes

從用戶(hù)視角理解智能推薦系統(tǒng)*

羅婷予 Miguel Baptista Nunes

（中山大學(xué)，廣州 510006）

隨著推薦系統(tǒng)的廣泛應(yīng)用，探討用戶(hù)對(duì)推薦系統(tǒng)的理解，了解影響用戶(hù)感知推薦系統(tǒng)的因素可以為推薦系統(tǒng)的評(píng)價(jià)以及開(kāi)發(fā)設(shè)計(jì)提供理論參考。本研究為探索性研究，旨在驗(yàn)證研究的可行性以及研究問(wèn)題的價(jià)值，本文采用定性研究方法，對(duì)4名普通用戶(hù)進(jìn)行焦點(diǎn)小組訪(fǎng)談，并借助NVivo 11軟件通過(guò)內(nèi)容分析法對(duì)訪(fǎng)談數(shù)據(jù)進(jìn)行分析。研究發(fā)現(xiàn)用戶(hù)感知到的推薦依據(jù)有用戶(hù)偏好、用戶(hù)行為以及業(yè)務(wù)需求。感知交互成本、多樣性、覆蓋率、感知有用性、環(huán)境背景兼容性、控制度、靈敏度、跨平臺(tái)數(shù)據(jù)共享、推薦精度、新穎性和透明度是影響用戶(hù)感知推薦系統(tǒng)的因素。

推薦系統(tǒng)；用戶(hù)感知；質(zhì)性研究；感知因素

隨著互聯(lián)網(wǎng)時(shí)代的到來(lái)，信息的供求關(guān)系發(fā)生明顯的轉(zhuǎn)變，用戶(hù)在使用信息服務(wù)的過(guò)程中，不再只是信息的消費(fèi)者，同時(shí)也是信息的生產(chǎn)者，其行為通過(guò)各類(lèi)推薦系統(tǒng)的分析與利用影響著信息的傳播，從而決定著信息的價(jià)值。在信息過(guò)載問(wèn)題日趨嚴(yán)重的當(dāng)下，推薦系統(tǒng)的發(fā)展為基于海量數(shù)據(jù)的信息服務(wù)帶來(lái)新的市場(chǎng)、提供新的契機(jī)，同時(shí)也引起了用戶(hù)信息需求和信息行為的改變。在這種轉(zhuǎn)變之下，用戶(hù)作為推薦系統(tǒng)形成與發(fā)展的動(dòng)因，其行為受到推薦系統(tǒng)的影響，最終對(duì)推薦系統(tǒng)提出新的要求。因此，探索用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)識(shí)有助于為推薦系統(tǒng)的評(píng)價(jià)提供理論依據(jù)，并為系統(tǒng)的設(shè)計(jì)開(kāi)發(fā)提供參考，改善現(xiàn)有的信息推薦服務(wù)。本文以此為目的，從用戶(hù)感知到的推薦標(biāo)準(zhǔn)、用戶(hù)對(duì)推薦系統(tǒng)的正面與負(fù)面感知等方面深入分析用戶(hù)對(duì)推薦系統(tǒng)的理解。

1 文獻(xiàn)綜述

隨著信息社會(huì)的發(fā)展，信息過(guò)載問(wèn)題日趨嚴(yán)重，推薦系統(tǒng)的開(kāi)發(fā)設(shè)計(jì)與評(píng)價(jià)得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。根據(jù)Isinkaye等[1]對(duì)推薦系統(tǒng)的定義，推薦系統(tǒng)是根據(jù)用戶(hù)偏好，利用可觀(guān)測(cè)的行為數(shù)據(jù)解決信息過(guò)載問(wèn)題的信息過(guò)濾系統(tǒng)。筆者認(rèn)為推薦系統(tǒng)是從資源到用戶(hù)的中介系統(tǒng)，一方面，推薦系統(tǒng)在資源與用戶(hù)之間架起了一座橋梁；另一方面，系統(tǒng)的存在影響著資源與用戶(hù)的相互關(guān)系，甚至影響著用戶(hù)的信息行為。

目前，關(guān)于推薦系統(tǒng)的研究包含推薦技術(shù)與算法設(shè)計(jì)、交互界面設(shè)計(jì)、系統(tǒng)評(píng)價(jià)、用戶(hù)感知4個(gè)方面。就推薦技術(shù)與算法設(shè)計(jì)而言，推薦系統(tǒng)興起于協(xié)同過(guò)濾推薦技術(shù)的出現(xiàn)。最早的推薦系統(tǒng)是針對(duì)垃圾郵件過(guò)濾提出的電子郵件過(guò)濾系統(tǒng)，使用Goldberg等[2]提出的協(xié)同過(guò)濾（collaborative filtering）推薦技術(shù)。如今，推薦技術(shù)已經(jīng)從協(xié)同過(guò)濾推薦擴(kuò)展到包括基于內(nèi)容的推薦、基于知識(shí)的推薦、基于人口統(tǒng)計(jì)數(shù)據(jù)的推薦和混合推薦等技術(shù)在內(nèi)的5種常用的核心推薦技術(shù)[3]，應(yīng)用領(lǐng)域覆蓋電子商務(wù)[4-5]、圖書(shū)[6-7]、電影、社交網(wǎng)絡(luò)、音樂(lè)、郵件、廣告等。人工智能技術(shù)在推薦系統(tǒng)領(lǐng)域的應(yīng)用也越來(lái)越廣泛，其中最具代表性的是基于深度學(xué)習(xí)和基于語(yǔ)義網(wǎng)的推薦系統(tǒng)。

就系統(tǒng)評(píng)價(jià)而言，算法的準(zhǔn)確率和覆蓋率常作為評(píng)價(jià)推薦系統(tǒng)效率的重要指標(biāo)[1]。但有學(xué)者表明，準(zhǔn)確的預(yù)測(cè)并不代表好的推薦[8]，評(píng)估指標(biāo)的設(shè)計(jì)應(yīng)該以用戶(hù)為中心。隨后，Pu等[9]提出將用戶(hù)滿(mǎn)意度、預(yù)測(cè)準(zhǔn)確度、覆蓋率、多樣性、新穎性、驚喜度、信任度、實(shí)時(shí)性、魯棒性，以及是否能夠輔助實(shí)現(xiàn)商業(yè)目標(biāo)作為推薦系統(tǒng)的評(píng)價(jià)指標(biāo)。

推薦系統(tǒng)的人機(jī)交互是影響用戶(hù)體驗(yàn)的重要因素。Resnick等[10]在早期的GroupLens系統(tǒng)設(shè)計(jì)中提到了界面設(shè)計(jì)要盡可能地減少用戶(hù)的交互成本等原則。Swearingen等[11]提出交互界面的導(dǎo)航和排版與用戶(hù)感知有用性和感知易用性密切相關(guān)，在對(duì)信息架構(gòu)和導(dǎo)航系統(tǒng)進(jìn)行設(shè)計(jì)時(shí)應(yīng)讓用戶(hù)盡可能方便地獲取推薦信息或生成新的推薦集。Cosley等[12]通過(guò)實(shí)驗(yàn)方法驗(yàn)證了評(píng)分界面對(duì)用戶(hù)意見(jiàn)和其意見(jiàn)表達(dá)的影響。

目前，涉及推薦系統(tǒng)用戶(hù)感知的研究主要集中在用戶(hù)對(duì)于某一特定推薦系統(tǒng)的感知評(píng)價(jià)[13]，以及某些感知因素對(duì)用戶(hù)接受意愿[14-17]、用戶(hù)體驗(yàn)[18-19]、用戶(hù)抗拒心理[20]、風(fēng)險(xiǎn)感知[21]等方面的影響，未將推薦系統(tǒng)作為一個(gè)整體去探討用戶(hù)對(duì)推薦系統(tǒng)及其推薦依據(jù)的認(rèn)識(shí)。因此，本文初步探索用戶(hù)對(duì)推薦系統(tǒng)的整體認(rèn)知，從用戶(hù)視角給出關(guān)于用戶(hù)使用以及推薦系統(tǒng)設(shè)計(jì)的參考。

2 研究設(shè)計(jì)

2.1 研究方法與研究工具

本研究的目標(biāo)是理解用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)識(shí)以及推薦系統(tǒng)對(duì)用戶(hù)產(chǎn)生的影響，因而采用定性研究的方法進(jìn)行探索性研究，以用戶(hù)感知到的推薦標(biāo)準(zhǔn)、用戶(hù)對(duì)推薦系統(tǒng)的正面與負(fù)面感知為主題進(jìn)行焦點(diǎn)小組的訪(fǎng)談。焦點(diǎn)小組訪(fǎng)談以西方解釋學(xué)理論及交往行為理論為依據(jù)，強(qiáng)調(diào)通過(guò)組員間對(duì)研究者擬定話(huà)題的交流對(duì)話(huà)進(jìn)行數(shù)據(jù)的收集。相比于個(gè)人訪(fǎng)談，焦點(diǎn)小組訪(fǎng)談的優(yōu)勢(shì)在于進(jìn)一步增加了總體研究結(jié)果的公正性，并且參與成員間可以互相汲取力量，互相表達(dá)自己的想法或觀(guān)點(diǎn)，豐富采集的數(shù)據(jù)。研究進(jìn)一步借助NVivo?11軟件對(duì)訪(fǎng)談數(shù)據(jù)進(jìn)行管理分析，NVivo?11是由QSR International公司開(kāi)發(fā)的質(zhì)性分析軟件，其優(yōu)點(diǎn)在于可以對(duì)訪(fǎng)談資料（包括音頻、視頻和文本在內(nèi)的資源文件）進(jìn)行統(tǒng)一管理，利用自由節(jié)點(diǎn)編輯和可視化工具對(duì)資料進(jìn)行編碼分析。在Nvivo?11中，用于存儲(chǔ)主題或想法的容器稱(chēng)為“節(jié)點(diǎn)”，節(jié)點(diǎn)可以實(shí)時(shí)創(chuàng)建，也可以預(yù)先創(chuàng)建。筆者借助NVivo?11的節(jié)點(diǎn)編輯功能，使用內(nèi)容分析法歸納了用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)識(shí)以及其認(rèn)識(shí)的基本特征。

2.2 研究步驟

2.2.1 數(shù)據(jù)收集

（1）確定訪(fǎng)談對(duì)象。本研究采用非隨機(jī)抽樣中的目的抽樣方法，在選擇訪(fǎng)談對(duì)象時(shí)為避免隨機(jī)抽樣導(dǎo)致的樣本不具代表性的問(wèn)題，根據(jù)研究的問(wèn)題和目的刻意地抽取那些能夠?yàn)楸狙芯刻峁┳畲笮畔⒘康臉颖?。根?jù)中國(guó)互聯(lián)網(wǎng)信息中心在2019年2月發(fā)布的《第43次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，我國(guó)網(wǎng)民的年齡分布主要集中在20~29歲，占比26.8%；網(wǎng)民中學(xué)生群體規(guī)模最大，占比為25.4%[22]。以上數(shù)據(jù)表明，年齡在20~29歲的學(xué)生群體有較大概率接觸智能推薦系統(tǒng)，在選取訪(fǎng)談對(duì)象時(shí)，確定以大學(xué)生群體為焦點(diǎn)小組訪(fǎng)談對(duì)象。由于本研究為探索性研究，旨在基于有限的資源對(duì)理論進(jìn)行初步的構(gòu)建，為后續(xù)研究提供參考。本次訪(fǎng)談樣本數(shù)量為4人，均為信息管理與信息系統(tǒng)專(zhuān)業(yè)學(xué)生，其中男生3人、女生1人，年齡分布為22歲2人、21歲2人；訪(fǎng)談時(shí)間為52.01分鐘，訪(fǎng)談內(nèi)容轉(zhuǎn)換為文本后共計(jì)11?562字。

（2）訪(fǎng)談大綱設(shè)計(jì)。訪(fǎng)談前根據(jù)研究的問(wèn)題和目的擬定訪(fǎng)談大綱，在訪(fǎng)談前對(duì)訪(fǎng)談大綱進(jìn)行預(yù)測(cè)試，并采用專(zhuān)家咨詢(xún)的方式對(duì)大綱進(jìn)行修改，確保其具有良好的信度和效度，能夠針對(duì)要解決的問(wèn)題獲得關(guān)于訪(fǎng)談對(duì)象的真實(shí)數(shù)據(jù)。大綱共設(shè)計(jì)了關(guān)于推薦系統(tǒng)的定義、推薦依據(jù)和用戶(hù)感知3類(lèi)問(wèn)題，先確認(rèn)用戶(hù)認(rèn)知中的推薦系統(tǒng)與研究所定義的推薦系統(tǒng)是同一概念，再進(jìn)行更為深入的關(guān)于用戶(hù)對(duì)推薦系統(tǒng)的理解和感知的訪(fǎng)談。問(wèn)題的設(shè)置均為開(kāi)放性引導(dǎo)性問(wèn)題，如“請(qǐng)描述使你印象深刻的幾次使用推薦系統(tǒng)的經(jīng)歷”“你認(rèn)為推薦系統(tǒng)可以怎樣幫助你探索你感興趣的內(nèi)容，服務(wù)你的信息需求”等，在實(shí)際的訪(fǎng)談過(guò)程中依據(jù)現(xiàn)場(chǎng)的實(shí)際情況對(duì)問(wèn)題進(jìn)行彈性調(diào)整。

（3）訪(fǎng)談過(guò)程。提前預(yù)約訪(fǎng)談對(duì)象，并告知參與者研究的主題和目的。訪(fǎng)談前與參與者簽訂知情同意書(shū)并獲得錄音許可。訪(fǎng)談過(guò)程中采用圓桌式討論，以拉近受訪(fǎng)人與采訪(fǎng)人之間的距離，營(yíng)造舒適自由的交流空間。訪(fǎng)談過(guò)程中采訪(fǎng)人不對(duì)談話(huà)進(jìn)行干預(yù)，不對(duì)被采訪(fǎng)人的觀(guān)點(diǎn)進(jìn)行任何評(píng)價(jià)，只提出問(wèn)題并在談話(huà)內(nèi)容明顯偏題的時(shí)候做一定的引導(dǎo)。訪(fǎng)談時(shí)間52.01分鐘，全程進(jìn)行錄音。訪(fǎng)談結(jié)束后，對(duì)音頻材料進(jìn)行人工轉(zhuǎn)錄，將訪(fǎng)談數(shù)據(jù)逐字逐句地記錄在word文檔。在處理訪(fǎng)談材料時(shí)，對(duì)4名被訪(fǎng)談對(duì)象的訪(fǎng)談資料進(jìn)行匿名處理，用字母（ABCD）代替訪(fǎng)談?wù)咝彰?/p>

2.2.2 數(shù)據(jù)編碼與分析

將轉(zhuǎn)錄后的Word文檔資料導(dǎo)入NVivo?11軟件并進(jìn)行規(guī)范化處理，采用主題（內(nèi)容）分析法對(duì)文本資料進(jìn)行逐級(jí)編碼，并最終歸納出用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)知以及其認(rèn)識(shí)的基本特征。內(nèi)容分析是一種系統(tǒng)的、可復(fù)制的內(nèi)容壓縮技術(shù)，旨在基于明確的編碼規(guī)則將文本中的許多單詞壓縮到更為抽象內(nèi)容類(lèi)別中[23]，可以幫助研究人員發(fā)現(xiàn)和描述個(gè)人、團(tuán)體、機(jī)構(gòu)或社會(huì)關(guān)注的焦點(diǎn)，輔助研究人員作出推理，并在后續(xù)的研究中采用其他的數(shù)據(jù)收集方法對(duì)推理進(jìn)行驗(yàn)證[24]。本研究按照開(kāi)放式編碼、主軸編碼和選擇式編碼的順序，采用Haney等[25]提出的應(yīng)急編碼（emergent coding）方式以及先天編碼（priori coding）方式[24]，以提綱中預(yù)設(shè)的命題（用戶(hù)感知到的推薦標(biāo)準(zhǔn)、用戶(hù)對(duì)推薦系統(tǒng)的正面與負(fù)面感知）為編碼單位對(duì)文獻(xiàn)進(jìn)行分析和歸納，具體操作流程見(jiàn)圖1。

第一階段為開(kāi)放式編碼。該階段對(duì)文本進(jìn)行逐行分析，并為可以進(jìn)行編碼的句子附上概念化標(biāo)簽，進(jìn)一步將層次較低的標(biāo)簽進(jìn)行抽象化處理及提煉成范疇。如經(jīng)過(guò)編碼后出現(xiàn)的層次較低的標(biāo)簽“喜歡的”“感興趣的”“需要的”“準(zhǔn)確的”，將這些概念聚攏，提煉成一個(gè)范疇“符合用戶(hù)需求”。在初步分析word文本的基礎(chǔ)上，找到訪(fǎng)談對(duì)象常用的范疇，最終得到13個(gè)關(guān)于用戶(hù)感知的推薦標(biāo)準(zhǔn)的自由節(jié)點(diǎn)、13個(gè)關(guān)于推薦系統(tǒng)負(fù)面感知的自由節(jié)點(diǎn)和14個(gè)關(guān)于推薦系統(tǒng)正面感知的自由節(jié)點(diǎn)。

第二階段為主軸編碼。在開(kāi)放式編碼階段發(fā)現(xiàn)的3個(gè)方面40個(gè)自由節(jié)點(diǎn)中尋找關(guān)聯(lián)，查看數(shù)量較多的范疇是否能夠抽象到更高層次。經(jīng)過(guò)反復(fù)比較與辨析，最終分別為用戶(hù)感知的推薦依據(jù)和正負(fù)面感知識(shí)別出19個(gè)節(jié)點(diǎn)作為副主題。

第三階段為選擇式編碼。在主軸編碼的基礎(chǔ)上進(jìn)一步系統(tǒng)地處理范疇之間的關(guān)聯(lián)，從而找出核心主題。最終確定了3個(gè)用戶(hù)感知的推薦依據(jù)（即用戶(hù)認(rèn)為系統(tǒng)在向用戶(hù)進(jìn)行推薦時(shí)主要考慮哪些數(shù)據(jù)或指標(biāo)），以及11個(gè)影響用戶(hù)感知推薦系統(tǒng)的因素。

3 數(shù)據(jù)分析

3.1 用戶(hù)感知的推薦依據(jù)

探討用戶(hù)感知的推薦依據(jù)有助于了解用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)識(shí)，發(fā)現(xiàn)用戶(hù)缺失或錯(cuò)誤的認(rèn)知，引導(dǎo)用戶(hù)安全高效地使用推薦系統(tǒng)，并在使用過(guò)程中提升隱私保護(hù)的意識(shí)。用戶(hù)感知到的推薦依據(jù)包括業(yè)務(wù)需求、用戶(hù)偏好和用戶(hù)行為，具體如圖2所示。其中用戶(hù)行為是訪(fǎng)談對(duì)象最常提到的依據(jù)，主要包括瀏覽行為和搜索行為兩個(gè)方面。例如，A表示曾經(jīng)在京東和淘寶瀏覽過(guò)相機(jī)后，在微信公眾號(hào)推送的文章下方出現(xiàn)了關(guān)于相機(jī)的廣告；B認(rèn)為推薦系統(tǒng)會(huì)首先詢(xún)問(wèn)用戶(hù)的喜好，并結(jié)合用戶(hù)搜索行為及瀏覽記錄，判斷用戶(hù)的需求，給出相應(yīng)推薦。另外，用戶(hù)偏好也是一個(gè)頻繁被受訪(fǎng)者提到的推薦依據(jù)，偏好數(shù)據(jù)采集的具體表現(xiàn)為邀請(qǐng)用戶(hù)對(duì)項(xiàng)目進(jìn)行評(píng)分和在注冊(cè)時(shí)進(jìn)行數(shù)據(jù)標(biāo)記。例如，B認(rèn)為音樂(lè)播放軟件會(huì)根據(jù)用戶(hù)對(duì)音樂(lè)“喜歡”或“不喜歡”的標(biāo)記推斷用戶(hù)喜歡的音樂(lè)類(lèi)型，從而推薦要播放的音樂(lè)；A認(rèn)為一些資訊類(lèi)軟件會(huì)在用戶(hù)注冊(cè)時(shí)詢(xún)問(wèn)其感興趣的話(huà)題，并根據(jù)用戶(hù)選擇的主題進(jìn)行內(nèi)容的推薦。最后，業(yè)務(wù)需求是用戶(hù)感知到的推薦依據(jù)之一。例如，C將推薦系統(tǒng)定義為“算法+業(yè)務(wù)”；A表示淘寶將商家付費(fèi)購(gòu)買(mǎi)流量作為商品排名的關(guān)鍵依據(jù)。

3.2 用戶(hù)對(duì)推薦系統(tǒng)的正面感知

探討用戶(hù)對(duì)推薦系統(tǒng)的正面感知有助于了解哪些因素會(huì)激發(fā)用戶(hù)對(duì)系統(tǒng)的好感，從而輔助推薦系統(tǒng)的設(shè)計(jì)，提高用戶(hù)的滿(mǎn)意度。由于目前關(guān)于推薦系統(tǒng)的評(píng)價(jià)指標(biāo)已經(jīng)較為完善，本研究參考已有的文獻(xiàn)[11]和文獻(xiàn)[26]整理出先驗(yàn)范疇并以此為基礎(chǔ)對(duì)數(shù)據(jù)進(jìn)行分析，在分析的基礎(chǔ)上對(duì)范疇進(jìn)行修改。經(jīng)過(guò)分析發(fā)現(xiàn)，用戶(hù)對(duì)推薦系統(tǒng)的正面感知主要包含低互動(dòng)成本、感知有用性、高覆蓋率、高精度、高靈敏度、高控制度6個(gè)方面，如圖3所示。

其中，高控制度是最常被提及的一種正向感知。例如，B對(duì)能夠自由地切換推薦的歌曲表現(xiàn)出一定的好感；A表示因?yàn)榭梢宰灾鞯剡x擇要瀏覽的內(nèi)容，所以并不覺(jué)得被推薦系統(tǒng)所操控。高靈敏度和高精度也是兩個(gè)較常被提到的正面感知。高靈敏度是指系統(tǒng)能敏捷地對(duì)用戶(hù)需求的變化作出反應(yīng)，能夠及時(shí)甚至實(shí)時(shí)地根據(jù)用戶(hù)行為改變推薦內(nèi)容。例如，B表示淘寶可以實(shí)時(shí)地根據(jù)用戶(hù)的搜索及查詢(xún)調(diào)整首頁(yè)推薦的商品，反應(yīng)速度很快；D表示如果在淘寶上搜索了某商品但未完成購(gòu)買(mǎi)，首頁(yè)會(huì)出現(xiàn)大量相關(guān)商品的推薦，一旦完成對(duì)該商品的購(gòu)買(mǎi)，首頁(yè)就不會(huì)再大量出現(xiàn)同類(lèi)商品，對(duì)用戶(hù)的需求反應(yīng)十分靈敏。高精度體現(xiàn)在推薦結(jié)果符合用戶(hù)的喜好和需要。例如，D表示抖音能根據(jù)用戶(hù)的視頻停留的時(shí)間捕捉用戶(hù)喜歡的內(nèi)容，并作出準(zhǔn)確的推薦。低互動(dòng)成本體現(xiàn)在系統(tǒng)可以利用已有的數(shù)據(jù)對(duì)項(xiàng)目進(jìn)行推薦，而不需要讓用戶(hù)進(jìn)行多次額外或重復(fù)的操作來(lái)采集用戶(hù)數(shù)據(jù)。例如，B表示網(wǎng)易音樂(lè)會(huì)在新用戶(hù)第一次使用該軟件的時(shí)候自動(dòng)讀取用戶(hù)手機(jī)里的音樂(lè)文件，以此判斷用戶(hù)可能喜歡的音樂(lè)類(lèi)型，節(jié)省了人工標(biāo)注的時(shí)間。高覆蓋率體現(xiàn)在對(duì)項(xiàng)目長(zhǎng)尾的發(fā)現(xiàn)能力，即推薦系統(tǒng)不僅能對(duì)被廣泛喜愛(ài)的項(xiàng)目進(jìn)行推薦，還能對(duì)小眾的項(xiàng)目進(jìn)行推薦。例如，B認(rèn)為網(wǎng)易音樂(lè)不但能夠推送大眾喜愛(ài)的音樂(lè)，對(duì)一些被判斷出來(lái)符合用戶(hù)喜好的小眾音樂(lè)也能作出合理的推薦。感知有用性是用戶(hù)對(duì)使用推薦系統(tǒng)是否可以有效地幫助他們獲取想要的東西的感知，包括輔助信息需求表達(dá)和輔助用戶(hù)發(fā)現(xiàn)信息需求兩方面。例如，B表示對(duì)于一些較難用文字形容的領(lǐng)域（如音樂(lè)領(lǐng)域），推薦系統(tǒng)可以幫助用戶(hù)在不能明確地表達(dá)自己需求的情況下給出符合自己喜好的推薦；A表示在瀏覽推薦系統(tǒng)所推薦的項(xiàng)目時(shí)可以幫助自己發(fā)現(xiàn)感興趣的話(huà)題。

3.3 用戶(hù)對(duì)推薦系統(tǒng)的負(fù)面感知

探討用戶(hù)對(duì)推薦系統(tǒng)的負(fù)面感知有助于了解哪些因素會(huì)激發(fā)用戶(hù)對(duì)系統(tǒng)的負(fù)面評(píng)價(jià)，在對(duì)推薦系統(tǒng)進(jìn)行設(shè)計(jì)時(shí)應(yīng)盡量避免引起用戶(hù)反感的因素，從而提高用戶(hù)的滿(mǎn)意度。經(jīng)過(guò)分析發(fā)現(xiàn)，用戶(hù)對(duì)推薦系統(tǒng)的負(fù)面感知主要包含低透明度、低新穎度、感知有用性低、環(huán)境背景兼容性弱、控制度低、跨平臺(tái)數(shù)據(jù)共享和缺乏多樣性7個(gè)方面，如圖4所示。

其中，跨平臺(tái)數(shù)據(jù)共享是提及頻率最高的引起用戶(hù)對(duì)推薦系統(tǒng)產(chǎn)生負(fù)面評(píng)價(jià)的因素。例如，D認(rèn)為在微信、百度搜索、淘寶及京東上留下的瀏覽痕跡都會(huì)在抖音里有所體現(xiàn)，這是令人害怕的。其次是推薦的內(nèi)容缺乏多樣性。例如，C表示因?yàn)橥扑]的內(nèi)容過(guò)于相似，因此不希望在資訊類(lèi)APP上使用推薦系統(tǒng)。另外，推薦結(jié)果的新穎度較低也是引起用戶(hù)產(chǎn)生負(fù)面感知的原因之一，新穎度是指給用戶(hù)推薦那些他們以前沒(méi)有聽(tīng)說(shuō)過(guò)的項(xiàng)目。例如，C認(rèn)為一些推薦系統(tǒng)僅對(duì)他已經(jīng)了解的事物進(jìn)行了推薦，不能幫助他了解新知識(shí)、獲取新事物。用戶(hù)對(duì)推薦系統(tǒng)的信任受到透明度的影響，當(dāng)透明度較低時(shí)用戶(hù)對(duì)推薦系統(tǒng)會(huì)產(chǎn)生負(fù)面的感知。例如，C表示因?yàn)閷?duì)推薦系統(tǒng)的排序機(jī)制不夠了解和信任，為避免廣告推薦，在真正選擇要購(gòu)買(mǎi)的商品時(shí)恰恰會(huì)避開(kāi)排位靠前的商品。當(dāng)推薦系統(tǒng)給予用戶(hù)低控制權(quán)限，甚至剝奪用戶(hù)對(duì)是否接受推薦的控制時(shí)，用戶(hù)會(huì)產(chǎn)生較明顯的負(fù)面感知。例如，A表示不受控制的彈窗資訊會(huì)引起他的反感。環(huán)境背景兼容性是指一個(gè)推薦系統(tǒng)具備的在相關(guān)使用場(chǎng)景給出建議的能力，包括推薦結(jié)果的實(shí)時(shí)性以及是否考慮當(dāng)時(shí)用戶(hù)所在的情境，如在推薦電影時(shí)考慮的環(huán)境因素（觀(guān)眾當(dāng)時(shí)的情緒、是否有同伴等）。例如，D表示希望推薦系統(tǒng)不僅能夠知道用戶(hù)的興趣，也可以對(duì)用戶(hù)興趣所處的不同生命周期進(jìn)行考慮。最后，感知有用性低也是引起用戶(hù)產(chǎn)生負(fù)面感知的原因之一。例如，C表示抖音向其推薦的內(nèi)容既無(wú)用也無(wú)趣，A認(rèn)為抖音很無(wú)聊。

4 討論

4.1 用戶(hù)感知的推薦依據(jù)

對(duì)訪(fǎng)談資料進(jìn)行分析發(fā)現(xiàn)，雖然目前學(xué)界對(duì)推薦系統(tǒng)的定義強(qiáng)調(diào)以用戶(hù)數(shù)據(jù)作為判斷用戶(hù)是否會(huì)對(duì)某一內(nèi)容或項(xiàng)目感興趣為標(biāo)準(zhǔn)，即推薦系統(tǒng)是以用戶(hù)畫(huà)像為基礎(chǔ)，根據(jù)用戶(hù)偏好利用可觀(guān)測(cè)的行為數(shù)據(jù)解決信息過(guò)載問(wèn)題的信息過(guò)濾系統(tǒng)[1]。但用戶(hù)認(rèn)為推薦系統(tǒng)推薦的依據(jù)除以用戶(hù)為導(dǎo)向、反應(yīng)用戶(hù)需求的行為數(shù)據(jù)、偏好數(shù)據(jù)外，還包括反應(yīng)平臺(tái)商業(yè)需求的數(shù)據(jù)（如推廣和廣告收益）。在目前的研究中，學(xué)術(shù)界在對(duì)推薦系統(tǒng)的相關(guān)技術(shù)進(jìn)行探討時(shí)更強(qiáng)調(diào)用戶(hù)數(shù)據(jù)對(duì)推薦結(jié)果的影響，而工業(yè)界已經(jīng)將業(yè)務(wù)需求作為影響推薦結(jié)果的重要指標(biāo)?？傮w上來(lái)說(shuō)，用戶(hù)對(duì)業(yè)務(wù)需求作為推薦依據(jù)也并不敏感，其表現(xiàn)在單獨(dú)詢(xún)問(wèn)用戶(hù)關(guān)于推薦系統(tǒng)的推薦依據(jù)時(shí)，他們往往不太提及業(yè)務(wù)需求，但在進(jìn)一步剖析對(duì)推薦系統(tǒng)的負(fù)面感知時(shí)會(huì)強(qiáng)調(diào)因?yàn)榧{入廣告帶來(lái)的困擾。

為進(jìn)一步對(duì)比用戶(hù)感知的推薦依據(jù)、理論探討中的推薦依據(jù)和實(shí)際應(yīng)用的推薦依據(jù)，本研究結(jié)合文獻(xiàn)[11]中提到的推薦依據(jù)制定表1，以觀(guān)察哪些是被用戶(hù)忽略的依據(jù)。在本次調(diào)查中，用戶(hù)除對(duì)用戶(hù)行為、用戶(hù)偏好有較強(qiáng)感知，對(duì)業(yè)務(wù)需求有較弱感知以外，對(duì)推薦系統(tǒng)所利用的用戶(hù)標(biāo)簽數(shù)據(jù)、上下文信息和社交網(wǎng)絡(luò)數(shù)據(jù)均未提及，這啟發(fā)我們?cè)趯?duì)推薦系統(tǒng)進(jìn)行推廣時(shí)可以更明顯地標(biāo)識(shí)系統(tǒng)利用的數(shù)據(jù)，提高推薦的透明度以取得用戶(hù)的信任。

4.2 影響用戶(hù)感知的因素

由于用戶(hù)對(duì)系統(tǒng)的正負(fù)面感知同時(shí)作用于影響用戶(hù)感知推薦系統(tǒng)的因素，因此，此處不再將兩者區(qū)分，而是把它們看作統(tǒng)一的整體進(jìn)行討論。雖然目前已有研究探討了影響推薦系統(tǒng)用戶(hù)感知的因素，但本研究嘗試將正面感知和負(fù)面感知進(jìn)行分別分析，以探索各個(gè)因素的正向和負(fù)向作用。本研究共發(fā)現(xiàn)11個(gè)影響用戶(hù)感知的因素，表2對(duì)這些因素進(jìn)行羅列并對(duì)是否作用于正向和負(fù)向感知進(jìn)行了標(biāo)識(shí)。

經(jīng)過(guò)對(duì)比發(fā)現(xiàn)，用戶(hù)提到的僅作用于正向評(píng)價(jià)的因素有互動(dòng)成本、覆蓋率、靈敏度和推薦精度，僅作用于負(fù)向評(píng)價(jià)的因素有多樣性、環(huán)境背景兼容性、跨平臺(tái)數(shù)據(jù)共享、新穎度和透明度。同時(shí)作用于正向感知和負(fù)向感知的因素為感知有用性和控制度。但由于本研究樣本量較小，且未做定量的驗(yàn)證，因此不能明確假設(shè)是否成立，可以在未來(lái)研究中進(jìn)一步探討。

另外，本研究除驗(yàn)證了文獻(xiàn)[11]和文獻(xiàn)[26]中所提到的影響用戶(hù)感知的因素外，還發(fā)現(xiàn)用戶(hù)對(duì)推薦系統(tǒng)的感知與交互成本、是否跨平臺(tái)共享數(shù)據(jù)、系統(tǒng)響應(yīng)用戶(hù)需求變化的感知靈敏度均會(huì)影響用戶(hù)對(duì)推薦系統(tǒng)的感知。通過(guò)分析還發(fā)現(xiàn)文獻(xiàn)[26]中提到的環(huán)境背景兼容性除包含對(duì)用戶(hù)所處環(huán)境的實(shí)時(shí)考慮外，還包括對(duì)需求生命周期的考量。解釋度與透明度構(gòu)成用戶(hù)信任推薦系統(tǒng)的兩個(gè)維度，在對(duì)推薦結(jié)果進(jìn)行呈現(xiàn)時(shí)可以通過(guò)向用戶(hù)說(shuō)明使用了哪些數(shù)據(jù)和規(guī)則來(lái)增加用戶(hù)對(duì)推薦系統(tǒng)的信任。此外，用戶(hù)并不避諱用隱私換取便利，但是當(dāng)出現(xiàn)跨平臺(tái)的數(shù)據(jù)利用時(shí)會(huì)產(chǎn)生比較強(qiáng)烈的隱私泄露感，因此在需要共享數(shù)據(jù)時(shí)最好先取得用戶(hù)的許可。最后，用戶(hù)并不反感在使用推薦系統(tǒng)的過(guò)程中瀏覽廣告，但當(dāng)廣告質(zhì)量較差或嚴(yán)重打斷用戶(hù)使用的時(shí)候會(huì)使用戶(hù)產(chǎn)生負(fù)面感知。

5 結(jié)論

在信息過(guò)載的時(shí)代，推薦系統(tǒng)的廣泛應(yīng)用為用戶(hù)提供信息個(gè)性化過(guò)濾服務(wù)的同時(shí)，還帶來(lái)了新的商業(yè)模式。本文通過(guò)對(duì)用戶(hù)感知的推薦依據(jù)和影響用戶(hù)感知的因素進(jìn)行了定性研究，發(fā)現(xiàn)用戶(hù)偏好、用戶(hù)行為和業(yè)務(wù)需求是用戶(hù)感知到的3個(gè)推薦依據(jù)，感知成本、多樣性、覆蓋率、感知有用性、環(huán)境背景兼容性、控制度、靈敏度、跨平臺(tái)數(shù)據(jù)共享、推薦準(zhǔn)確性、新穎性和透明度是影響用戶(hù)感知的因素。由于本研究屬于探索性研究，其最大的意義在于驗(yàn)證了研究的可行性以及研究問(wèn)題的價(jià)值，為進(jìn)一步研究夯實(shí)基礎(chǔ)。另外，本研究通過(guò)了解用戶(hù)對(duì)推薦系統(tǒng)的認(rèn)識(shí)發(fā)現(xiàn)了用戶(hù)對(duì)推薦依據(jù)認(rèn)識(shí)的不足，可以作為用戶(hù)有效安全地使用推薦系統(tǒng)的參考。研究對(duì)影響用戶(hù)感知因素的認(rèn)識(shí)也可以作為深入探討推薦接納意愿、推薦系統(tǒng)信任度以及推薦系統(tǒng)的評(píng)價(jià)提供理論支持，同時(shí)為系統(tǒng)的開(kāi)發(fā)與設(shè)計(jì)提供參考。但本研究仍存在樣本量過(guò)小，數(shù)據(jù)分析具有主觀(guān)性等不足。未來(lái)的研究可以擴(kuò)大樣本量，進(jìn)行多個(gè)焦點(diǎn)小組的訪(fǎng)談，繼續(xù)完善以上發(fā)現(xiàn)，使其成為一個(gè)通用性理論，并通過(guò)定量研究的方法驗(yàn)證各因素與感知傾向的關(guān)系。

［1］ ISINKAYE F，F(xiàn)OLAJIMI Y，OJOKOH B. Recommendation systems：principles，methods and evaluation［J］. Egyptian Informatics Journal，2015，16（3）：261-273.

［2］ GOLDBERG D，NICHOLS D，OKI B M，et al. Using collaborative filtering to weave an information tapestry［J］. Communications of the ACM，1992，35（12）：61-71.

［3］ ALYARI F，JAFARI N. Recommender systems：a systematic review of the state of the art literature and suggestions for future research［J］. Kybernetes，2018，47（5）：985-1017.

［4］ GUO Y，YIN C X，LI M F，et al. Mobile e-commerce recommendation system based on multi-source information fusion for sustainable e-business［J］. Sustainability，2018，10（1）：147-160.

［5］ JESSENITSCHNIG M，ZANKER M. ISeller：A Flexible Personalization Infrastructure for e-Commerce Applications［C］//

International Conference on Electronic Commerce and Web Technologies，EC-Web，2009：336-347.

［6］ RANA C，JAIN S K. Building a book recommender system using time based content filtering［J］. WSEAS Transactions on Computers，2012，11（2）：2224-2872.

［7］ MOONEY R J，ROY L. Content-based book recommending using learning for text categorization［C］//Proceedings of the fifth ACM conference on Digital libraries，ACM，2000.

［8］ MCNEE S M，RIEDL J，KONSTAN J A. Being accurate is not enough：how accuracy metrics have hurt recommender systems［C］//CHI’06 Extended Abstracts on Human Factors in Computing Systems，ACM，2006.

［9］ PU P，CHEN L. A User-Centric Evaluation Framework of Recommender Systems［C］//Proceedings of the ACM RecSys 2010 Workshop on User-Centric Evaluation of Recommender Systems and Their Interfaces，Barcelona，Spain. 2010.

［10］ RESNICK P，IACOVOU N，SUCHAK M，et al. GroupLens：an open architecture for collaborative filtering of netnews［C］//Proceedings of the 1994 ACM Conference on Computer Supported Cooperative Work. ACM，1994.

［11］ SWEARINGEN K，SINHA R. Beyond algorithms：an HCI perspective on recommender systems［C］//ACM SIGIR 2001 Workshop on Recommender Systems，2001.

［12］ COSLEY D，LAM S K，ALBERT I，et al. Is seeing believing? how recommender system interfaces affect users’ opinions［C］// Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，ACM，2003.

［13］ 高夢(mèng)晨. 推薦系統(tǒng)用戶(hù)感知調(diào)研［J］. 工業(yè)設(shè)計(jì)研究，2018：320-326.

［14］ 劉新民，傅曉暉，王松. 個(gè)性化推薦系統(tǒng)的感知價(jià)值對(duì)用戶(hù)接受意愿的影響研究——基于心理資本的調(diào)節(jié)作用［J］. 技術(shù)與創(chuàng)新管理，2017，38（4）：403-411.

［15］ 劉蓓琳. 電子商務(wù)用戶(hù)個(gè)性化推薦技術(shù)接受影響因素研究［D］. 北京：中國(guó)礦業(yè)大學(xué)（北京），2009.

［16］ 張紅. 基于用戶(hù)認(rèn)知的電子商務(wù)網(wǎng)站知識(shí)推薦服務(wù)接受模型研究［D］. 南京：南京理工大學(xué)，2013.

［17］ 李楠. 移動(dòng)生活服務(wù)用戶(hù)接受行為研究［D］. 上海：上海工程技術(shù)大學(xué)，2016.

［18］ 張鳳羽. 電子商務(wù)推薦系統(tǒng)的用戶(hù)體驗(yàn)影響因素研究［D］. 南寧：廣西民族大學(xué)，2017.

［19］ 曹杜鵑. 電子商務(wù)推薦系統(tǒng)滿(mǎn)意度研究［D］. 湘潭：湘潭大學(xué)，2014.

［20］ 趙沖. 用戶(hù)對(duì)購(gòu)物網(wǎng)站信息推薦服務(wù)的心理抗拒研究［D］. 重慶：西南大學(xué)，2016.

［21］ 肖海清. 電商個(gè)性化推薦采納中用戶(hù)隱私風(fēng)險(xiǎn)感知的影響因素分析［D］. 武漢：華中師范大學(xué)，2015.

［22］ 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心. 第43次中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告［EB/OL］.［2019-07-07］. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201902/t20190228_70645.htm.

［23］ STEMLER S. An overview of content analysis［J］. Practical Assessment，Research & Evaluation，2001，7（17）：137-146.

［24］ WEBER RP. Basic content analysis［M］. London：Sage，1990：9-14.

［25］ HANEY W，RUSSELL M，GULEK C，et al. Drawing on education：Using student drawings to promote middle school improvement［J］. Schools in the Middle，1998，7（3）：38-43.

［26］ CRAMER H，EVERS V，RAMLAL S，et al. The effects of transparency on trust in and acceptance of a content-based art recommender［J］. User Modeling and User-Adapted Interaction，2008，18（5）：455.

Understanding Recommender Systems from Users’ Perspective

LUO TingYu NUNES Miguel Baptista

( Sun Yat-Sen University, Guangzhou 510006, China )

In order to solve the problems of information overload and information anxiety, recommendation system have been applied widely in many different areas. In order to effectively solve these problems, it is necessary to understand how users perceive recommendation systems and what factors affect their perceptions of usefulness and effectiveness of recommendations. This is very necessary in order to design and evaluate systems. This research is an inductive exploratory pilot study that aims to give a first indication towards understanding what type of factors influence these perceptions. Data was collected through one focus group interview and was then coded using content analysis supported by NVivo 11. The findings of the study reveal that users’ preference, users’ behaviors and business characteristics are 3 criteria which interviewees perceived as important evidence of recommendation. Moreover, interviewees expressed that the factors which affects their perceptions of usefulness and effectiveness of recommendations are perceived interaction effort, diversity of recommendation results, coverage, perceived usefulness, contextual compatibility, perceived controllability, flexibility, cross-platform data sharing, accuracy, novelty, and transparency. This study is not generalizable due to the small numbers of respondents, but provides an initial informed emergent theory that can help designers and developers of recommendation systems improve their efforts.

Recommendation Systems; User Perception; Qualitative Study; Impact Factor Study

*本研究得到廣東省自然科學(xué)基金面上項(xiàng)目“基于人工智能的虛擬現(xiàn)實(shí)古籍理論與模型研究”（編號(hào)：2019A1515011260）以及中山大學(xué)信息科學(xué)、信息管理和信息系統(tǒng)學(xué)科交叉的培育研究科研啟動(dòng)經(jīng)費(fèi)（經(jīng)費(fèi)號(hào)：20000-18841200）資助。

G251

10.3772/j.issn.1673-2286.2019.10.005

羅婷予，女，1991年生，博士生，研究方向：信息獲取、推薦系統(tǒng)，E-mail：luoty7@mail2.sysu.edu.cn。

Miguel Baptista Nunes，男，1963年生，博士，教授，研究方向：信息系統(tǒng)、知識(shí)管理、數(shù)字人文。

（2019-10-08）