一、引 言

越來越多的網(wǎng)絡平臺基于大數(shù)據(jù)向用戶提供由算法系統(tǒng)生成主動式推薦。主動式推薦的核心在于勸說用戶接受新內容，提高內容間的轉化率

。例如，字節(jié)跳動通過算法，為用戶推薦優(yōu)質的新聞訊息與短視頻，在數(shù)年間成為全球最大的內容運營商之一。在給用戶進行主動式推薦時，平臺會選擇一個簡單有力的推薦框架來陳述推薦理由。例如，豆瓣電影在向用戶推薦新電影時，采用基于關系的推薦框架，會顯示“瀏覽此電影的用戶也瀏覽了...”。與此對應，淘寶、京東等在線購物平臺強調基于產(chǎn)品的推薦框架，常常表示為“與你瀏覽的產(chǎn)品相似的產(chǎn)品如下...”。因而，網(wǎng)絡平臺可以在給予用戶推薦時，使用不同的推薦框架。但不恰當?shù)耐扑]框架會使用戶產(chǎn)生心理抗拒

，導致后續(xù)消極行為發(fā)生。

目前,學者對推薦框架的關注有限，其中最重要的文獻為Gai和Klesse

的研究，其通過操縱不同的推薦框架，證明了相較基于產(chǎn)品的推薦框架，基于關系的推薦框架對用戶的采用意愿有更強的影響，然而并未解釋“為什么在基于關系的推薦框架下用戶的推薦采用意愿會更高？”，這是本研究需解決的核心問題。因此，本研究探索用戶在基于關系的推薦框架下的感知因素，首先，通過情感適應理論構建了“刺激→情感→動機→采用”的動態(tài)決策過程；其次，運用關系傳播理論

提煉用戶的兩個感知因素——關系強度與興趣匹配度，并結合心理抗拒理論，形成了感知因素到信任感，再到操縱意圖推斷的心理機制；最后，引入自我建構心理變量，探索用戶存在的兩種自我建構類型對該心理機制的調節(jié)作用。本文結論為網(wǎng)絡平臺在大數(shù)據(jù)時代的精準營銷創(chuàng)新提供了實踐啟示。

二、理論基礎與研究假設

(一)理論基礎

主動式推薦是網(wǎng)絡平臺基于大數(shù)據(jù)分析，主動尋求用戶，積極勸說用戶接受新內容的過程。為了提高主動式推薦的效率，平臺會運用算法系統(tǒng)，根據(jù)用戶的歷史記錄來預測他們可能感興趣的內容，并提供推薦

。先前研究主要集中在主動式推薦的算法系統(tǒng)上

，有兩種典型的方法：第一種是基于內容的推薦，通過過濾算法來確定用戶喜歡的產(chǎn)品屬性，比較屬性的相似度，推薦給用戶其他相似的產(chǎn)品；第二種是基于協(xié)調過濾的推薦，通過歷史記錄識別出用戶的特征，并向相似的其他用戶推薦該特征相似的用戶喜歡的內容，從而形成內容推薦

。但用戶很難理解深奧的推薦算法是如何生成的。因此，一個簡潔的解釋至關重要，它可以提升用戶對主動式推薦的信任度和接受度

。為了更簡潔地說明推薦的理由，網(wǎng)絡平臺會通過“與你瀏覽的內容相似的內容如下...”等產(chǎn)品推薦框架或“瀏覽此內容的用戶也瀏覽了...”等關系推薦框架向用戶陳述推薦理由。然而目前僅有少數(shù)學者探討了推薦框架的作用。例如Gai和Klesse

發(fā)現(xiàn)基于關系的推薦框架對用戶的推薦采用意愿有更強的促進效果。但未給出這種效應產(chǎn)生的具體原因，僅解釋在關系的推薦框架下，用戶可以從別人的推薦中提取信息，來預測自己對不熟悉產(chǎn)品的滿意度

。因此，本研究結合情感適應框架、關系傳播理論以及心理抗拒來分析基于關系的推薦框架是如何影響用戶推薦采用意愿的形成的。

用戶對推薦內容的采用往往是由多個因素共同作用的結果，依據(jù)營銷溝通學中的說服理論

，用戶對推薦內容采用的決策過程一般包含前因、調節(jié)、行為、結果等多個因素或變量，是一個動態(tài)的心理采用過程，可以通過情感適應理論進行相關的分析和解釋。根據(jù)情感適應理論的內涵，個體進行有意識的評價比無意識的評價更有價值

，主要是指個體通過對外部環(huán)境和內部狀況進行評價后產(chǎn)生的情感反應狀態(tài)，進而引起后續(xù)的具體處理行為的過程

，即“評價→情感→處理”的過程，可以細分為三個具體步驟：第一步，個體將在外部環(huán)境和信息的刺激下，通過內部狀態(tài)的評價和認知產(chǎn)生相關情感狀態(tài)的變化，即“評價→情感”；第二步，受眾會尋找更為強烈的心理動機來完成心理狀態(tài)的調整，即動機選擇階段；第三步，開始具體行為來解決問題以完成整個流程。因此，本研究將用戶的主動式推薦采用設定為“刺激→情感→動機→意向”的動態(tài)決策過程。

用戶對于信息獲得的動機往往包括關系動機和信息任務動機兩個類型

。根據(jù)關系傳播理論

，用戶接受其他用戶的推薦是關系傳播的一種模式，在用戶獲得其他用戶信息的同時也能夠得知其他用戶的興趣點，滿足關系動機的需求。而用戶間的關系動機強弱是不同的，很大程度上會受到社交結構中人際關系的影響

。因此，根據(jù)關系傳播理論，本研究用關系強度，即社會網(wǎng)絡中各主體間的關系緊密程度度量用戶間人際關系的程度。相關研究表明人際間關系強度分為強連接和弱連接

。當具有更強的人際關系強度時，推薦內容會對用戶產(chǎn)生更高的說服效果與背書效力

，滿足用戶更強的關系動機。同時，信息任務動機是用戶對推薦的內容是否符合自己口味、興趣的預期。例如，被推薦用戶感知到與推薦用戶之間的不同之處時，容易導致用戶對主動式推薦的拒絕

。同樣，提高主動式推薦采用轉化率的關鍵是在推薦用戶和被推薦用戶之間建立起適當?shù)钠ヅ涠?/p>

。因此，本研究通過興趣匹配度，即被推薦用戶對推薦用戶在興趣、愛好等方面相似程度的判斷

來度量用戶信息任務動機的感知因素。

(二)研究假設

本研究引入自我建構這一心理學變量來解釋用戶對推薦內容的信任感影響操縱意圖推斷的邊界條件。自我建構是指個體在與他人交往、建立關系的過程中，對自我身份的一種界定傾向，一般而言，自我建構分為兩種具體的類型，分別為獨立型自我建構與依存型自我建構

。獨立型自我建構的個體一般傾向于將自我身份與他人的身份進行區(qū)分，更加注重個體的獨特性需求，較愛追求差異化的表達；依存型自我建構的個體則更加傾向于把自我身份與他人身份進行融合，將自我當作群體的一員，尋求與他人需求及表達的一致性。

信任感是雙方可以信賴和依靠的一種意愿或情感

。根據(jù)信任理論，影響信任感形成有兩個因素：第一因素是關系屬性，關系屬性是彼此間的關系狀態(tài)及程度

。在關系屬性中，人際關系的強弱程度會對消費者的行為意向產(chǎn)生影響，而信任在其中起到中介作用

。關系傳播中的強關系往往被視為是一種可靠的信息來源

。而信息來源的可靠性可以影響消費者的信念和態(tài)度，有利于形成消費者信任

?；诖?，提出假設：

H1：被推薦用戶與推薦用戶間的關系強度與被推薦用戶對推薦內容的信任感呈現(xiàn)正相關關系，即關系強度越高則引發(fā)的信任感水平越高，反之亦然。

影響信任感的第二因素是情境因素，強調信任雙方所處的環(huán)境特征

。興趣匹配度不僅滿足用戶的信息任務動機，還能進一步提高溝通的可信度

。同時，興趣匹配度會影響人際信任，用戶也更傾向信任有共同興趣愛好朋友的推薦

。因此，當被推薦用戶與推薦者之間的興趣匹配度水平較高時候，被推薦用戶就容易信任由推薦者推薦的相關信息內容

。綜上所述，提出假設：

在濕地處理系統(tǒng)中高鹽份的土壤以及水會抑制普通植物的生長，影響植物根系吸水，同時過量Na+和Cl-會抑制其他微量元素的吸收，并且影響植物體內酶的特性，抑制葉綠素的合成，影響光合作用等[37]。研究發(fā)現(xiàn)，當鹽濃度超過70 mmol/L時鹽生植物仍然可以正常生長，這為利用人工濕地技術處理高鹽度廢水提供了新的理論基礎。

對數(shù)據(jù)進行CMV檢驗，目的是避免問卷題項同源導致的方法偏差。本研究所采用的CMV檢驗方法共有兩種，首先通過SPSS 25.0軟件對問卷題項進行Harman單因子檢驗，結果顯示：題項數(shù)據(jù)中一共抽取五個因子，其中第一個因子的方差貢獻率為33.181%，低于相關標準的40%，說明存在較低的共同方法偏差，不會影響實證分析的結論。然后通過AMOS 24.0軟件進行CMV檢驗，具體結果見表1。通過加入一個共同方法因子(該因子是所有變量測量項的集合)，各變量的實質性因素載荷(R

)仍然在p<0.001時顯著，且遠大于相應的方法因素載荷(R

)，同時方法因素載荷在p<0.05時不顯著。此外，實質性因素解釋的平均方差(R

=0.632)遠遠大于方法因子解釋的平均方差(R

=0.002)。綜上所述，通過兩種方法的CMV檢驗，發(fā)現(xiàn)本研究的數(shù)據(jù)并不存在明顯的共同方法偏差，可用于結構方程模型分析。

H2：被推薦用戶與推薦用戶間的興趣匹配度與被推薦用戶對推薦內容的信任感呈現(xiàn)正相關關系，即興趣匹配度越高則引發(fā)的信任感水平越高，反之亦然。

首先，通過SPSS 25.0的軟件對變量的題項進行信度檢驗，得到五個變量的Cronbach’s ɑ系數(shù)值，具體結果如下：

的Cronbach’s ɑ系數(shù)為0

865，

的Cronbach’s ɑ系數(shù)為0

827，

的Cronbach’s ɑ系數(shù)為0

843，

的Cronbach’s ɑ系數(shù)為0

848，

的Cronbach’s ɑ系數(shù)為0

828，同時問卷總量表的Cronbach’s ɑ系數(shù)為0

732?？梢钥闯?，五個變量的信度值較高，Cronbach’s ɑ系數(shù)均高于0

8，同時總量表的Cronbach’s ɑ系數(shù)也高于0

7，按照統(tǒng)計學的信度標準，題項具有較高的信度水平。

第一茬鮮食玉米種植時間在3月15日，要用地膜覆蓋栽培。由于早春播種溫度低，幼苗生長緩慢，導致生育期延長。所以，前期采用地膜覆蓋加小拱棚的栽培方式，能有效地加快玉米生長速度，使其在6月10～20日正常成熟。由于鮮食玉米是在乳熟期收獲的，比正常成熟的玉米起碼早收10多天，實際生育期只有77～85天。因此，6月初即可上市。第二茬玉米在前茬收獲前10天左右套種在行間，或提前10～15天用營養(yǎng)缽育苗，待苗長至3～5片葉時移栽也可。即5月中旬播種，到8月上、中旬上市。第三茬在7月中旬套種（或育苗），至10月上、中旬上市。如果有鮮貯設備，到元旦或春節(jié)期間上市，則效益更佳。

個體都具有情感狀態(tài)，情感狀態(tài)一般指個體通過對外部事件等客體的評價、反應所引發(fā)的心理意向狀態(tài)，一般分為正面情感狀態(tài)和負面情感狀態(tài)。在正面情感狀態(tài)下，人們?？吹降氖鞘挛锩篮玫囊幻妫鲆暡幻篮玫囊幻?/p>

。信任感作為一種正面的情感狀態(tài)，可以積極影響消費者的行為

。同時，信任感會在內容推薦與后續(xù)行為之間產(chǎn)生中介效應

。換言之，用戶對推薦內容具有更高的信任感，那么采用的可能性就較高。因此，提出假設：

H3：用戶對推薦內容的信任感與對推薦內容的采用呈現(xiàn)正相關關系，即信任感越強則引發(fā)更高的推薦內容采用水平，反之亦然。

動機是支配個體行動的內在原因，因此會受到個體情感變化的影響。首先，個體會根據(jù)以往的經(jīng)驗、知識體系與社會的互動感受判斷外界信息是否具有說服個體的意圖，當個體在面對具有這種說服意圖或者類似的勸說信息時，會產(chǎn)生較高程度的反感，對勸說行為產(chǎn)生消極反應，因此，在勸說信息與消費者的反感行為之間存在著復雜的內在心理動機

。同時，用戶為了保護自身選擇權的自由，會更傾向于行為回避。尤其是，在營銷實踐中網(wǎng)絡平臺過多采用主動式營銷，強化了用戶的心理抗拒。心理抗拒主要表現(xiàn)受眾對推薦內容的操縱意圖推斷，即用戶根據(jù)自身已有認知體系對營銷者勸說策略的動機意識

。因此，有操縱性的行為都可能刺激用戶產(chǎn)生懷疑并推斷推薦內容帶有操縱意圖，進而產(chǎn)生心理抗拒

。同時，用戶對推薦內容的操縱意圖推斷越顯著，對推薦的采用意愿越弱

。正面情感會消除用戶對信息的說服意圖感知和心理抗拒

，個人對信任的推薦更容易產(chǎn)生積極的反應。所以用戶對信源具有較高的正面情感狀態(tài)，能夠消除其對內容的操縱意圖推斷。因此，提出假設：

H4：用戶對主動式推薦內容的操縱意圖推斷在對內容的信任感與推薦采用意愿的正相關關系中起中介作用，即信任感會降低操縱意圖推斷程度，進而促進推薦采用意愿的產(chǎn)生。

3.自我建構的調節(jié)作用

1.關系強度與興趣匹配度對信任感的影響

兩種自我建構類型的本質性差異會導致不同自我建構的個體具有不同的消費偏好和傾向

。具體來說，獨立型自我建構的消費者會更加注重自我所具有的個性，更加重視自我的個體意志，傾向于通過產(chǎn)品與他人進行區(qū)分，并且更加偏好于那些具有獨特、差異象征的產(chǎn)品、品牌和內容；依存型自我建構的消費者則表現(xiàn)出相反的消費傾向，會更加追求與群體或者他人在產(chǎn)品喜好上的相似或一致性，因此更加偏好那些能夠與他人產(chǎn)生聯(lián)系的產(chǎn)品、品牌和內容

。

獨立型自我建構的用戶更注重個人價值，更具有獨立思考能力，積累了更多關于自我口味的經(jīng)驗，因此，更傾向于認為他們自己的口味是獨特的

。同時，由于獨立思考的特性與相對豐富的偏好經(jīng)驗，他們對內容的操縱性意圖持有更強的懷疑態(tài)度。因此，對于獨立型自我建構的用戶而言，對推薦內容的信任感并不易降低其對推薦內容中操縱意圖的推斷。相比之下，依存型自我建構的用戶更注重他人看法，追求與他人行為的一致性，容易通過對推薦內容的信任消除對推薦內容的操縱意圖推斷。據(jù)此，提出假設：

H5：用戶的自我建構調節(jié)信任感對操縱意圖推斷的影響，即當用戶為獨立型自我建構時，信任感對減少操縱意圖推斷的影響較小，而當用戶為依存型自我建構時，信任感對減少操縱意圖推斷的影響較大。

本文研究模型如圖1所示：

紹興文理學院是一所新建的地方本科院校。近年來，學校審時度勢，結合區(qū)域經(jīng)濟社會發(fā)展特點和學校辦學實際，在國家高等教育發(fā)展的大格局中找準位置，進一步?jīng)_破傳統(tǒng)“精英教育”的辦學理念和“學術型”人才的培養(yǎng)模式，大力推進應用型人才的培養(yǎng)工作，其間，經(jīng)歷了制訂人才培養(yǎng)方案、修訂課程教學大綱和改革課程教學模式“三部曲”。目前，已構建了具有理論先進性、系統(tǒng)完整性和可操作性的“三四五式”應用型課程教學模式，較為科學完整系統(tǒng)地回答了“如何進行應用型課程教學模式改革”問題。

福建省在國家防辦制定的實施方案編制大綱基礎上，制定了福建省建設實施方案編制大綱，監(jiān)測預警系統(tǒng)建設技術要求，防御宣傳手冊、宣傳欄、警示牌樣式和防御預案編制要求和范本等。這些技術標準明確了“構建監(jiān)測預警網(wǎng)絡和群測群防的防御體系，完善‘預警到鄉(xiāng)、預案到村、責任到人’工作機制，實現(xiàn)有效防御山洪災害，保障人民群眾生命安全，最大限度減輕山洪災害損失”的建設目標；規(guī)范了建設任務、建設內容和概算編制要求等；體現(xiàn)了具有福建特色的項目總體要求和技術方案，為各地編制實施方案奠定了良好基礎。

同時，采用線性相關分析來推斷變量之間的相關性。分析結果顯示，各變量兩兩之間均有顯著的相關關系(p均小于0.01)，并進一步進行模型檢驗，發(fā)現(xiàn)變量間的相關系數(shù)均小于0.4，說明變量間具有相關關系，但并非為強相關關系，符合理論模型的要求。

三、研究設計

(一)數(shù)據(jù)收集

本研究通過讓調查對象模擬某日在某平臺瀏覽內容時，平臺主動向其推薦新書籍的信息內容，讓調查對象根據(jù)其平時在線瀏覽與閱讀習慣回答問卷的題項來獲取數(shù)據(jù)。為了保證問卷質量，研究采用Credamo平臺進行隨機抽樣調查，并選擇平臺中的高質量用戶(信用積分大于90分)作為調查對象，以確保調查數(shù)據(jù)的可靠性。

本研究運用AMOS 24.0軟件進行結構方程模型的運算與驗證，得到模型不同路徑的標準化系數(shù)，如表2所示。

對

的標準路徑影響系數(shù)有顯著的正向影響，假設H1成立；

對

的標準路徑影響系數(shù)有顯著的正向影響，假設H2成立；

對

的標準路徑影響系數(shù)有顯著的負向影響；

對

的標準路徑影響系數(shù)有顯著的負向影響；

對

的標準路徑影響系數(shù)有顯著的正向影響，假設H3成立。

在回收的600份問卷中，剔除回答時間過短或過長、填寫不完整的問卷，有效問卷為569份，有效回收率為94.83%。研究統(tǒng)計了用戶的性別、年齡、受教育程度、個人月可支配收入以及在線購書經(jīng)歷等人口特征變量，其中女性用戶占比38.7%，教育程度為大學本科的用戶占比71.4%，21歲至30歲的用戶占比64.1%，月可支配收入2000至6000元的用戶占比52.2%，每日在線閱讀時間多數(shù)用戶集中在30至90分鐘，占比68.7%。所有調查對象均在圖書搜尋過程中接收到平臺推薦的其他書籍信息。

(二)變量設定

本研究參考以往研究對變量進行設定與操縱。其中，自我建構(

)采用情景性操作手段進行激活

，對于分到獨立型自我建構激活組的調查對象，要求其模擬和想象自己與家人、朋友不同的地方以及自己對自己的期望，并通過簡短文字寫下自己與他人不同之處與自我期望。對于分到依存型自我建構激活組的調查對象，要求其模擬和想象自己與家人、朋友的共同之處以及家人、朋友對自己的期望，并通過簡短文字寫下自己與他人的相同之處與自我期望。關系強度(

)衡量推薦與被推薦用戶之間的關系連接水平

。興趣匹配度(

)衡量推薦與被推薦用戶在關注、興趣、經(jīng)歷方面的匹配程度

。信任感(

)衡量用戶間的信任水平，即被推薦用戶對推薦用戶的信任感

。操縱意圖推斷(

)衡量被推薦用戶對推薦內容的反感、有效目的、操縱行為的推斷程度

。推薦采用意愿(

)衡量用戶對于推薦內容的關注、考慮、關注的行為意愿

。

四、實證結果分析

(一)信效度檢驗

2.操縱意圖推斷的中介作用

其次通過SPSS 25.0的軟件對問卷題項進行KMO和Bartlett球形的顯著性檢驗，KMO值為0.834，遠高于標準值的0.7，同時Bartlett球體檢驗統(tǒng)計值的顯著性水平小于標準值的0.001，說明題項數(shù)據(jù)的效度具有較高水平，適合做因子分析。

最后，通過AMOS 24.0軟件中的極大似然法進行驗證性因子分析，并檢驗結構效度與組合信度。在結果分析中，先構建一個驗證性因子模型，再進行模型擬合。具體結果如下：驗證性因子模型的卡方自由度比值2.494< 3.000，說明問卷的實際數(shù)據(jù)與理論模型之間的契合度較高；驗證性因子模型由五個因子構成，其中五個因子的標準化因素負荷量值均大于0.5的標準值，臨界比率C.R.均大于1.96的標準值，且不同因素的值均在0.001的水平上顯著，說明該驗證性因子模型的結構效度具有較高水平；不同變量所代表因子的組合效度較高，數(shù)值均大于0.7，同時不同因子的平均方差抽取量AVE值較高，均大于標準值的0.5，說明驗證性因子模型的聚合效度良好；此外，模型中潛變量的AVE值的正平方根為0.785，大于相關系數(shù)中最大值的0.458，說明模型中潛變量之間具有良好的區(qū)分效度。

(二)探索性因子和相關性分析

對本研究的數(shù)據(jù)進行探索性因子分析，根據(jù)SPSS 25.0軟件的系統(tǒng)默認1方法進行特征值大于1的因子提取，同時為保證最大限度地提取問卷題項中的信息，采用Kaiser標準化的正交旋轉法，探索性因子分析在六次迭代旋轉后收斂，前五個公因子的累計方差貢獻率達到75.153%，遠遠高于標準值30%。因此，探索性因子分析所提取出的前五個公因子能夠充分反映與解釋原有變量中的大量信息，符合探索性因子分析的相關要求。

4.近年來奧巴馬醫(yī)療改革——社會發(fā)展的要求。在奧巴馬醫(yī)改之前，美國與歐洲福利國家最大的不同就是，它沒有像西歐國家那樣面向全民的“國民醫(yī)療保險制度”，政府只負責65歲以上老人的醫(yī)療保險，其他公民的醫(yī)療保健都是由商業(yè)保險來負責的。而奧巴馬上臺后則針對這一情況進行改革。2010年國會通過了最終版本的醫(yī)改法案，美國政府將在今后10年內投入9400億美元，把3200萬沒有保險的美國民眾納入醫(yī)保體系。在新法案下，美國醫(yī)保覆蓋率預計將從85%提升至95%，接近全民醫(yī)保。

(三)共同方法偏差檢驗(CMV)

移動應用開發(fā)技術棧主要是框架和組件庫的選型，架構師的主要工作已從原來的實現(xiàn)技術框架(加法)轉變?yōu)閺暮Ａ考夹g中選擇最合適的技術組件(減法)。企業(yè)的移動開發(fā)團隊需對移動應用的類型和技術領域進行分析，結合團隊自身的技術積累和可能的投入總結出一套應對移動開發(fā)模式的技術棧。圖1為移動開發(fā)技術棧參考模型，針對不同類型的開發(fā)模式，給出相應的技術選擇域，對技術團隊建設具有指導意義。

(四)結構模型檢驗

本研究通過結構方程模型驗證潛在變量之間的關系。具體分析結果如下：

與

之間的關系由自變量間相關度確定，雙箭頭為模型運算需要的協(xié)方差關系，

與

之間的相關系數(shù)為0

393；同時，本研究對

的系數(shù)進行修正，以提高模型擬合優(yōu)度情況。根據(jù)

修正系數(shù)，依次對殘差e1-e5,e9-e14進行修正，得到修正后的模型。根據(jù)本研究相關的理論推導以及研究假設，構建五個變量之間的影響關系模型，即用戶在基于關系的推薦框架下對推薦采用意愿的決策模型，如圖2所示：

在構建好用戶對推薦采用意愿的決策模型之后，對模型進行結構方程的實證分析，并對模型中誤差項進行優(yōu)化修正后，模型的整體擬合優(yōu)度結果顯示：一方面，模型的卡方自由度比值為2.822 ，遠小于標準值的3.000，表示模型的適配度處于較高水平；另一方面，從模型的其他適配度指標看，模型的RMSEA指標為0.057，SRMR指標為0.086，GFI指標為0.944，CFI指標為0.96，IFI指標為0.96，PNFI指標為0.751，說明了模型中各結構方程的指標數(shù)值較高，表現(xiàn)較好，也說明總體上模型的擬合程度較佳，說明本研究提出的理論模型與問卷題項的實際數(shù)據(jù)之間契合較高，模型結果較有說服力。

調查問卷分為兩個階段：第一個階段為預調研階段，邀請150名調查對象(女性占比44.67%，年齡21至40歲占比94.67%)，根據(jù)模擬情景的要求填寫問卷，驗證刺激物的有效性，并對問卷題項的語義進行檢查，通過對預調研的數(shù)據(jù)進行結構方程模型的初步分析，可以檢測變量間的關系和結構與預設的模型是否方向一致。第二階段為正式調查階段，使用修訂后的問卷進行調查，共發(fā)放問卷600份。問卷主要包括四個部分：(1)對調查對象進行不同自我建構的操縱；(2)讓調查對象在瀏覽的模擬情景中，想象平臺向其推薦一個新內容，并附上推薦框架“喜歡此內容的您的好友也喜歡某內容”，讓調查對象對關系強度、興趣匹配度以及信任感進行評價；(3)匯報個人對推薦內容的操縱意圖推斷、推薦采用意愿等相關問題；(4)匯報人口特征。

同時，采用AMOS 24.0軟件進行Bootstrap中介檢驗，選取樣本量N=2000，采用95%的置信區(qū)間。中介效應路徑分析結果顯示，中介路徑

—

—

的中介效應的間接作用大小為0.10，置信區(qū)間為(0.061, 0.152)，不含0，達到顯著性水平，假設H4，即

在

對

的正向影響中起中介作用。此外，本研究進一步對

中介效應的大小進行Bootstrap檢驗，本研究將Bootstrap檢驗的樣本量N選取為2000，并采用95%的置信區(qū)間帶入數(shù)據(jù)分析，具體結果見表3所示，其中在

為中介變量的四個中介路徑中，95%的置信區(qū)間均不含0，因此

起顯著的中介作用。

接下來，進一步研究調節(jié)變量

在

對

產(chǎn)生影響的過程中所起的調節(jié)作用。首先，帶有調節(jié)變量的回歸分析結果顯示，回歸調整的R

值為0

07，而方差分析結果顯示，F(xiàn)值為15

156，對應的顯著性水平為0

000，達到顯著性水平，這兩個指標都說明帶有調節(jié)變量的模型擬合效果較好；其次，

對

有顯著的負向影響，影響系數(shù)為-0

237，調節(jié)交互項

*

的標準回歸系數(shù)為0

113，顯著性值為0

006，達到顯著性水平，說明交互項

*

對

有顯著的正向影響，

的調節(jié)效應顯著，為正向調節(jié)作用；最后，對調節(jié)效應進行進一步分析，調節(jié)變量

為1時表示依存型自我建構，為低調節(jié)；調節(jié)變量

為2時表示獨立型自我建構，為高調節(jié)。結果顯示，在

對

有顯著負向影響的情況下，

為低調節(jié)時

對

的影響作用大于

為高調節(jié)時

對

的影響，由此，驗證了假設H5。

五、結論與討論

(一)研究結論

本研究結合情感適應理論與關系傳播理論，構建了用戶在基于關系的推薦框架下推薦采用的動態(tài)決策模型。研究發(fā)現(xiàn)，被推薦用戶與推薦用戶的關系強度與興趣匹配度經(jīng)過被推薦用戶的評價而影響了其對推薦內容信任感的產(chǎn)生(H1 & H2)，而信任感會影響用戶的推薦采用意愿(H3)。在信任感影響推薦采用意愿的效應中，被推薦用戶對推薦內容的操縱意圖推斷起中介作用，具體而言，信任感會降低操縱意圖推斷，而更低的操縱意圖推斷會提高用戶的推薦采用意愿(H4)。此外，用戶的自我建構在信任感與操縱意圖推斷間起調節(jié)作用(H5)。

在整體發(fā)展中未能兼顧人口、資源、環(huán)境的協(xié)調一致，沒有堅持量水而行、量水發(fā)展和以供定需等原則，工業(yè)產(chǎn)業(yè)全面發(fā)展，城市人口急劇增加，建設規(guī)模不斷膨脹，同時水利基礎設施建設滯后，輸配水管網(wǎng)不配套，造成現(xiàn)有水資源得不到合理利用及嚴重浪費。用水量的過快增長超過了當?shù)厮Y源的承載能力和環(huán)境容量，造成地下水超采、許多河流長期斷流等一系列的生態(tài)環(huán)境問題。

等甲洛洛激動的心情漸漸平復，他又想起自己肩負的使命，既然小丁不是小偷，那小偷一定另有其人，可又是誰呢？他又開始從頭整理思緒：

(二)理論貢獻與實踐啟示

本研究通過構建用戶推薦采用的決策模型，揭示了背后存在的心理機制，理論貢獻如下：(1)采用關系傳播理論提煉推薦框架下用戶的感知因素，不僅提出了興趣匹配度作為用戶的信息任務動機對推薦采用意愿產(chǎn)生影響，還進一步從關系強度的角度提出了用戶間互動的關系動機。相比以往研究，更細致地區(qū)分了用戶的不同動機因素；(2)第一次引入信任感

，搭建了關系傳播因素與用戶推薦采用的情感環(huán)節(jié)，也將用戶對內容的信任感來源區(qū)分為關系強度和興趣匹配度兩個變量，將信任感的學術研究進一步深化；(3)深挖決策模型中情感與意向中的動機反應——操縱意圖推斷。對心理抗拒理論與關系傳播理論進行了跨領域結合，更為合理地解釋了用戶在心理抗拒的背景下如何積極采用推薦的心理機制框架；(4)解釋了在不同自我構建類型下，基于關系的推薦框架對用戶推薦內容采用的效應差異，這是第一次將自我建構作為調節(jié)變量研究心理抗拒與關系傳播的效用，為后續(xù)相關研究提供了確定用戶特質畫像的新視角。

1.建立SVM模型。首先，確定訓練集和測試集。本文將樣本數(shù)據(jù)分為訓練集與測試集，為了保證模型能夠充分地學習到樣本的信息，模型輸入控制訓練集大小與測試集大小的比例為7：3，且固定訓練集和測試集中逾期樣本與未逾期樣本的比例為3：7。其次，構造劃分超平面。設訓練集為D={( )xi,yi}；其中yi={ - 1,1},i={ 3 1項指標下標 }。y=-1表示客戶未逾期；y=1表示客戶逾期。建立劃分超平面為：

本研究也為網(wǎng)絡平臺實現(xiàn)基于關系推送的精準營銷提供了實踐指導：一方面，要選擇與被推薦用戶關系親密的用戶作為推薦用戶，從而提高用戶間在關系強度方面的傳播力度；另一方面，可以通過算法向用戶推送與其興趣偏好相似度高的內容，從而讓被推薦的用戶降低對內容操縱意圖的推斷。此外，對于依存型自我建構的用戶，可以使用基于關系的推薦框架，而對于獨立型自我建構的用戶，可以基于產(chǎn)品的推薦框架進行推薦。

(三)研究局限與展望

本研究存在一定局限性：第一，構建了用戶推薦采用的決策模型，但由于篇幅限制，未采用行為實驗對模型中的不同路徑進行因果關系的進一步確定，內部效度還有提高的空間；第二，對于用戶推薦采用的決策模型，可能還存在其他的邊界條件，如推薦產(chǎn)品類型的不同是否會對用戶采用產(chǎn)生不一樣的影響，未來可以進行進一步研究。

鄉(xiāng)村旅游所帶來的巨大消費市場，讓不少人都想從中分得一杯羹。然而產(chǎn)品服務的同質化、商業(yè)信譽參差不齊，都勢必導致市場混亂。因此，政府要制定相關管理規(guī)定，建立市場機制，規(guī)范經(jīng)營行為，避免不正當競爭。在此基礎上還應加強監(jiān)管制度，讓經(jīng)營者在不可影響游客的正常旅行的前提下展開商業(yè)活動，為游客提供便利服務。另一方面，對影響景區(qū)正常營業(yè)，污染自然環(huán)境，破壞基礎設施的行為，應實行嚴厲的懲罰措施。

采用3p97軟件計算各組大鼠體內ATV的藥動學參數(shù)，詳見表1。ATV在各組大鼠體內的藥動學特征均符合非房室模型。采用SPSS 17.0軟件進行組間單因素方差分析，結果表明丹紅注射液低、中、高劑量聯(lián)用組的cmax、AUC0-24、AUC0-∞均高于ATV單用組，差異有統(tǒng)計學意義（P＜0.05或P＜0.01）。

[1]Xu L., Duan J. A., Andrew W. Path to Purchase: A Mutually Exciting Point Process Model for Online Advertising and Conversion[J]. Management Science, 2014, 60(6): 392-412.

[2]黃正偉, 馮翠, 何偉軍. 心理抗拒理論下顧客在線購物體驗研究[J]. 商業(yè)經(jīng)濟研究, 2015, (26): 48-50.

[3]Gai P. J., Klesse A. K. Making Recommendations More Effective through Framings: Impacts of User-versus Item-based Framings on Recommendation Click-throughs[J]. Journal of Marketing, 2019, 83(6): 61-75.

[4]Marieke L., Peeter W., Amna K., et al. A Typology of Consumer Strategies for Resisting Advertising and a Review of Mechanisms for Countering Them[J]. International Journal of Advertising, 2014, 29(5): 6-16.

[5]Ricci F., Rokach L., Shapira B. Recommender Systems Handbook[M]. Springer-Verlag New York, Inc., 2015.

[6]Hennig-thurau T., Marchand A., Marx P. Can Automated Group Recommender Systems Help Consumers Make Better Choices?[J]. Journal of Marketing, 2012, 76(5): 89-109.

[7]Spangher A. Building the Next New York Times Recommendation Engine[N]. The New York Times, 2015-08-26.

[8]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.

[9]Morvinski C., Amir O., Muller E. “Ten Million Readers Can’t be Wrong!, ” or Can They? On the Role of Information About Adoption Stock in New Product Trial[J]. Marketing Science, 2017, 36(2): 290-300.

[10]Friestad M., Wright F. P. The Persuasion Knowledge Model: How People Cope with Persuasion Attempts[J]. Journal of Consumer Research, 1994, 21(1): 1-31.

[11]Lazarus R. S. Emotion and Adaptation[M]. Oxford University Press, 1991.

[12]蔣晶. 影響我國個人捐贈者捐贈決策過程的心理機制——基于情感適應理論的實證研究[J]. 中國軟科學, 2014, (6): 49-62.

[13]Xu Y. J. Task and Social Information Seeking: Whom Do We Prefer and Whom Do We Approach?[J]. Journal of Management Information Systems, 2010, 27(3): 211-240.

[14]Wang Y. A Logical Hermeneutic Perspective of Relational Communication Theories[J]. Journalism & Communication, 2006, (2): 21-26.

[15]Litvin S. W, Goldsmith R. E., Pan B. Electronic Word-of-mouth in Hospitality and Tourism Management[J]. Tourism Management, 2008, 29(3): 458-468.

[16]Brown J. J., Reingein P. H. Social Ties and Word-of-mouth Referral Behavior[J]. Journal of Consumer Research, 1987, 14(3): 350-362.

[17]Gilly m. C., Graham J. L., Wolffinbarger M. F., et al. A Dyadic Study of Interpersonal Information Search[J]. Journal of the Academy of Marketing Science, 1998, 26(2): 83-100.

[18]Tuk M. A., Verlegh P. W. J., Smidts A., et al. You and I Have Nothing in Common: The Role of Dissimilarity in Interpersonal Influence[J]. Organizational Behavior and Human Decision Processes, 2019, 151(3): 49-60.

[19]楊楠. 網(wǎng)紅直播帶貨對消費者品牌態(tài)度影響機制研究[J]. 中央財經(jīng)大學學報, 2021, (2): 118-128.

[20]譚春輝. 網(wǎng)絡口碑傳播要素對瀏覽者信任感知的影響研究[J]. 蘭州學刊, 2017, (1): 176-189.

[21]Moorman C., Zaltman G., Deshpande R. Relationships between Providers and Users of Market Research: The Dynamics of Trust within and between Organizations[J]. Journal of Marketing Research, 1992, 29(3): 314-328.

[22]孫瑾, 鄭雨, 陳靜. 感知在線評論可信度對消費者信任的影響研究——不確定性規(guī)避的調節(jié)作用[J]. 管理評論, 2020, (4): 146-159.

[23]Koo D. M. Impact of Strength and Experience on the Effectiveness of Online Service Recommendations[J]. Electronic Commerce Research and Applications, 2016, 15(1): 38-51.

[24]楊一翁, 孫國輝, 王毅. 消費者愿意采用推薦嗎?——基于信息系統(tǒng)技術接受模型[J]. 中央財經(jīng)大學學報, 2016, (7): 109-117.

[25]魏尉, 梅姝娥, 仲偉俊. 商戶與用戶間社交關系對渠道協(xié)調的影響研究[J]. 系統(tǒng)工程理論與實踐, 2018, (11): 2793-2804.

[26]Luoa A., Bakerb A., Donthua N. Capturing Dynamics in the Value for Brand Recommendations from Word-of-mouth Conversations[J]. Journal of Business Research, 2019, 104(11): 247-260.

[27]Daems K., De P. P., Moons I. The Effect of Ad Integration and Interactivity on Young Teenagers’ Memory, Brand Attitude and Personal Data Sharing[J]. Computers in Human Behavior, 2019, 99(10): 245-259.

[28]王毅, 劉鉀, 孫國輝. 熟人還是陌生人, 消費者為誰而改變?——不同類型的他人在場對消費者多樣化尋求行為的影響[J]. 中央財經(jīng)大學學報, 2020, (4): 91-97.

[29]彭嵐, 施莉. 基于精細可能性模型的電子口碑對消費者購買意愿影響研究[J]. 軟科學, 2018, (6), 140-144.

[30]Carlson M., Charlin V., Miller N. Positive Mood and Helping Behavior: A Test of Six Hypotheses[J]. Journal of Personality and Social Psychology, 1987, (55): 211-229．

[31]李琪, 殷猛, 王璇. 網(wǎng)上信用服務對消費者信任感知的影響研究[J]. 軟科學, 2016, (8): 107-112.

[32]劉紅艷, 魏偉, 衛(wèi)海英. 非目標消費群體品牌使用行為對目標消費者品牌態(tài)度的影響——自我建構的調節(jié)作用[J]. 管理評論, 2017, (8): 110-120.

[33]Acquisti A., Brandimarte L., Loewenstein G. Privacy and Human Behavior in the Age of Information[J]. Science, 2015, 347(6221): 509-514.

[34]賀遠瓊, 唐漾一, 張俊芳. 消費者心理逆反研究現(xiàn)狀與展望[J]. 外國經(jīng)濟與管理, 2016, (2): 49-61.

[35]Van R. E. A., Lammers N., Rozendaal E., et al. Disclosing the Persuasive Nature of Advergames: Moderation Effects of Mood on Brand Responses via Persuasion Knowledge[J]. International Journal of Advertising, 2015, 34(1): 70-84.

[36]Sullivan Y. W., Kim D. J. Assessing the Effects of Consumers’ Product Evaluations and Trust on Repurchase Intention in E-commerce Environments[J]. International Journal of Information Management, 2018, 39(4): 199-219.

[37]Eisend M. Persuasion Knowledge and Third-person Perceptions in Advertising: The Moderating Effect of Regulatory Competence[J]. International Journal of Advertising, 2015, 34(1): 54-69.

[38]黃元豪, 李先國, 黎靜儀. 網(wǎng)紅植入廣告對用戶行為回避的影響機制研究[J]. 管理現(xiàn)代化, 2020, 40(3): 108-111.

[39]Markus H. R., Kitayama S. Culture and the Self: Implications for Cognition, Emotion, and Motivation[J]. Journal of Personality and Social Psychology, 1991, 98(2): 224-253.

[40]武麗慧. 自我建構對口碑兩極分化產(chǎn)品偏好的影響及作用機制[J]. 心理科學進展, 2020, (4): 535-548.

[41]Trafimow D., Triandis H. C., Gotoo S. G. Some Tests of the Distinction between the Private Self and the Collective Self[J]. Journal of Personality & Social Psychology, 1991, 60(5): 649-655.

[42]Juntiwasarakij S. Framing Emerging Behaviors Influenced by Internet Celebrity[J]. Kasetsart Journal of Social Sciences, 2018, 39(9): 550-555.

[43]Albert N., Ambrosie L., Valette-florence P. Consumer, Bran, Celebrity: Which Congruency Produces Effective Celebrity Endorsements?[J]. Journal of Business Research, 2017, 81(12): 96-106.

[44] Kim S., Choe J. Y., Petrick J. F. The Effect of Celebrity on Brand Awareness, Perceived Quality, Brand Image, Brand Loyalty, and Destination Attachment to a Literary Festival[J]. Journal of Destination Marketing & Management, 2018, 9: 320-329.

[45]萬君, 王慧. 用戶對網(wǎng)絡社群主動式推薦信息的心理抗拒與接受意愿研究[J]. 信息資源管理學報, 2019, (3): 90-99.

[46]Hashim H., Yunus M., Embi M. Pre-university English as Second Language (ESL) Learners’ Attitude towards Mobile Learning[J]. Creative Education, 2016, 36(10): 636-641.