摘 要：智能推薦可能誘使用戶陷入“信息繭房”“過濾氣泡”和“回音室”等過度特化困境。考慮到心理特質及其產(chǎn)生的心理圖式是用戶外在偏好行為的內(nèi)在表征，探索和驗證心理圖式在緩解用戶過度特化傾向中的潛在作用，對完善以用戶為中心的推薦方法及其評價體系具有理論和實踐意義。文章基于用戶心理圖式理論，利用大規(guī)模用戶偏好行為數(shù)據(jù)、自然語言處理和機器學習實驗方法，探索和驗證用戶心理圖式對其推薦多樣性需求水平（即“特化”傾向）的影響。進而整合心理圖式構建用戶偏好模型，進行推薦算法實驗加以驗證。結果發(fā)現(xiàn)：心理圖式能較好地解釋和預測用戶對推薦多樣性的需求水平；心理圖式能在保證推薦準確性的同時緩解過度特化問題；相對于人格特質，價值觀在解釋和應對用戶過度特化問題上具有相對優(yōu)勢。

關鍵詞：過度特化；信息繭房；用戶偏好；心理圖式；推薦系統(tǒng)

中圖分類號：TP391.7 文獻標識碼：Ａ DOI：10.11968/tsyqb.1003-6938.2024051

The Role of Psychographics in Addressing Over-Specialization Problem in Recommendation Systems： An Empirical Study Based on Machine Learning

Abstract Intelligent recommender system may trap users in phenomena such as "information cocoons，" "filter bubbles，" and "echo chambers，" leading to over-specialization. Individual psychological traits are internal representations of external behavior. Exploring and validating the potential role of online users' psychographics in mitigating their over-specialization tendencies，holds theoretical and practical significance for improving and evaluating of user-centered recommender system. Using natural language processing and machine learning experimental methods， based on psychographic segmentation theory， this study investigates the relationship between users' demand for recommendation diversity （i.e.， "specialization" tendency） and their psychological traits through opinion mining and psychological computation methods. It then integrates psychographics into user preference models and validates them through large-scale preference behavior data and recommendation algorithm experiments. The study finds that： psychographics can effectively explain and predict users' demand for recommendation diversity. By integrating user preference models， psychographics can mitigate over-specialization while ensuring recommendation accuracy. Compared to personality traits， values have a relative advantage in explaining and mitigating users' over-specialization tendencies.

Key words over-specialization; information cocoons; user preferences; psychographics; recommendation systems

字節(jié)跳動、抖音、視頻號等由智能算法驅動的網(wǎng)絡平臺，在當今社會已經(jīng)肩負起信息生產(chǎn)、分發(fā)及策展的重任［1］。它們所構建的個性化信息推薦系統(tǒng)，在浩瀚的數(shù)字空間中為用戶精準獲取信息提供了不可或缺的助力。為了提升個性化信息推薦服務的精準度，信息服務平臺致力于使推薦項目與用戶行為偏好相一致。然而，網(wǎng)絡信息服務平臺在追求最大化用戶注意力和顯式行為的過程中，其服務機制和算法設計可能與用戶真實需求存在偏差［2］；受限于算法的局限性，推薦系統(tǒng)還可能加劇數(shù)據(jù)中固有的偏見和錯誤觀念［3］。近年來，因局限于推送與用戶歷史偏好相似的內(nèi)容，個性化信息推薦系統(tǒng)導致的過度特化（Over-Specialization）問題日益凸顯，引起了社會各界的廣泛關注［4］。從用戶層面來看，過度特化導致用戶所接收的信息日趨“同質化”，陷入“過濾氣泡”和“信息繭房”的困境，剝奪了用戶的信息自主權［5］；同時，也加劇了公眾意見的分歧，使公眾陷入極化觀點的“回音墻”中［6］。

現(xiàn)有針對過度特化問題的解決思路普遍聚焦準確性與非準確性推薦評價指標的權衡優(yōu)化方法，忽略了不同用戶對非準確性推薦指標的偏好［4］，特別是由用戶內(nèi)在心理特質所產(chǎn)生的在推薦多樣性的需求水平上的個體差異［7］。通俗來說，向具有廣泛、多樣喜好的用戶提供一個多樣化的推薦列表是可取的；但是對于一個偏好項目范圍狹窄的用戶來說，推送多樣性的推薦列表卻是較為激進的。針對心理特質及個體差異相關研究表明，人格等心理圖式變量顯著影響用戶對信息多樣性的需求水平（即“特化”水平）［8-9］。因此，整合心理圖式構建用戶偏好模型，進而在滿足用戶特定的多樣性需求水平的前提下提升推薦的準確性，能潛在緩解推薦系統(tǒng)中準確性和非準確性推薦指標的相互矛盾、難以兼顧的問題。

本研究針對推薦系統(tǒng)中的用戶過度特化問題，從個體心理特質視角引入網(wǎng)絡用戶心理圖式理論，結合自然語言處理和機器學習方法，提出用戶多樣性需求水平的系列指標，探索并驗證其與用戶心理圖式之間的關系；進而整合心理圖式構建用戶偏好模型，并通過網(wǎng)絡用戶偏好數(shù)據(jù)和協(xié)同過濾推薦系統(tǒng)進行實證研究，揭示和驗證心理圖式在緩解用戶偏好行為的過度特化問題上的作用，為構建應對推薦系統(tǒng)過度特化問題的用戶偏好模型及其評價指標體系提供理論和方法參考。

1 相關研究

1.1 個性化推薦環(huán)境下用戶的過度特化問題

為了提升推薦系統(tǒng)的性能，相關研究和應用集中在推薦準確性的優(yōu)化上，即通過預測項目的評分或排名，計算其與目標用戶真實偏好之間的量化距離，進而評估推薦的準確度［1］。相關學者據(jù)此認為：過度特化問題是個性化推薦系統(tǒng)只能針對用戶的畫像中評分高的項目，推送與已評分項目相似的項目［4，10］，所引起的用戶選擇過載問題。近年來，數(shù)字圖書館及在線消費等領域研究也發(fā)現(xiàn)，選擇過載現(xiàn)象在現(xiàn)有推薦機制下仍較為突出，因為推薦系統(tǒng)最為核心的目標就是向用戶提供具有較高吸引力的項目［11］。就用戶而言，這一現(xiàn)象引導用戶采用常見和頻繁的行為模式，以形成與用戶歷史偏好越來越相似的推薦。然而，較高的預測準確性并不總是與較高的用戶感知推薦效用相對應［12］；反而可能使用戶陷入“過濾氣泡”和“信息繭房”的陷阱。具體而言，過濾氣泡是“個性化過濾器為每個人所創(chuàng)建的獨特的無形而又難以掙脫的信息世界”［13］。而“信息繭房”則是在平臺信息分發(fā)和用戶信息接收過程中，個體對自身信息需求的感知并不完整，只注意已被選擇的、使自己愉悅的信息，長此以往使得自身桎梏于如蠶繭一般的“繭房”之中的現(xiàn)象［14］。

一般認為，推薦系統(tǒng)是一種有效地解決信息過載問題的方法，因為其向用戶提供了多樣化且滿足需求的信息。但用戶在接觸信息時傾向于表現(xiàn)出特定的信息多樣性偏好，即選擇性暴露行為，促使用戶選擇和收集與自己歷史經(jīng)驗一致的信息［15］，并潛在引發(fā)了個體偏見［16］。

1.2 心理圖式及其對網(wǎng)絡用戶偏好的多樣性的影響

心理圖式（Psychographic）已廣泛應用于消費心理與行為分析中，被認為是細分用戶群體進而理解用戶行為的基本工具［17］。Wedel和Kamakura將細分定義為“用于將潛在客戶分配給同質群體的一組變量或特征”［18］。因此，心理圖式即用于將潛在用戶分配給同質群體的一組穩(wěn)定的心理變量。早期的心理圖式主要來源于人格特質，如愛德華個人偏好量表、MBTI量表和五因素人格量表（Five Factor Model，F(xiàn)FM）。生活方式建構在個體動機和價值觀的基礎之上，是反映個體心理原因和社會后果的一組行為［18-19］?；顒?、興趣和觀點量表是使用最廣泛的生活方式量表之一［20］。個體的價值觀是其內(nèi)在世界觀的一部分，通常被定義為理想的、抽象的生活遠期目標，其重要性各不相同并作為個體生活中的指導原則［18］。被廣泛使用的價值觀量表包括價值、態(tài)度和生活方式評分量表，個人價值觀量表，羅克奇價值觀量表等［21］。另一種被廣泛接受和使用的測量工具是施瓦茨價值觀量表（Schwartz Value Survey，SVS）。其由10個主要的子維度環(huán)繞成圓傘狀［22］，包含10種動機類型相似的、連續(xù)的價值觀維度：權力，成就、享樂主義、刺激、自我定向、普世主義、仁慈、傳統(tǒng)、遵從和安全。

個體的心理圖式?jīng)Q定了其獨特的思維、情感和行為模式［23］，并與其對多樣化的網(wǎng)絡信息的偏好密切相關。Bessi等的研究發(fā)現(xiàn)，個體的特定人格特質與其在Facebook上傾向于固定信息源的偏好行為有關［24］。Wu等的研究也表明，人格特質影響用戶對推薦列表的多樣性的偏好［9］。Matz的研究聚焦開放性的人格特質，結果表明開放性有助于用戶避免在Facebook上陷入信息繭房［25］。針對文化價值觀的研究發(fā)現(xiàn)，集體主義者更可能尋找與其現(xiàn)有觀點相沖突的信息，而個人主義者則傾向于確認自己的觀點，以避免沖突和矛盾［26］。此外，Sindermann等研究發(fā)現(xiàn)，人口統(tǒng)計變量、意識形態(tài)在用戶信息回音室和過濾氣泡的形成中具有顯著作用［27］。

1.3 基于心理圖式的多樣性推薦研究

一直以來推薦系統(tǒng)研究主要關注推薦準確性，旨在通過預測縮減用戶評分與推薦評分之間的差異。然而，研究表明準確性不能完全捕捉用戶的偏好［28］。多樣性作為主要的非準確性指標，衡量了推薦列表中項目的整體差異性，被認為與準確性同等重要［29］，有助于提升用戶滿意度［30］。因此，相關研究進一步聚焦權衡準確性和非準確性指標的推薦方法研究，旨在提升推薦多樣性的同時，盡量減少對準確性的影響。重排序法方法通過重新排列與用戶偏好最相關的項目提升推薦多樣性［31］。如Wu等提出了一種廣義的、基于動態(tài)個性的貪婪重新排序方法來生成推薦列表，顯著提升多樣性水平［9］。Sá等采用重新排列方法，證明了多樣化策略能有效提高用戶參與度和品牌多樣性［32］。針對用戶偏好建模，Wu等考慮了候選新聞之間的相關性，生成相似候選新聞的不同嵌入式表示，并以端到端的方式生成多樣推薦列表［33］。He提出通過將用戶在線社交關系融入推薦模型，有效兼顧推薦多樣性［34］。Chakraborty等提出了一種包含時效性、流行度和多樣性的未來影響力指標，以預測推薦項目對用戶的影響力［35］。Zuo等基于標簽信息和圖協(xié)同過濾，提出了一個多樣性感知推薦模型［36］。

近年來，心理特質已被用于用戶畫像建模，以提升推薦系統(tǒng)性能［37］。研究結果表明，基于人格的推薦系統(tǒng)更準確地預測的用戶行為［38］。除了推薦的準確性之外，近來相關研究嘗試將人格作為衡量用戶對推薦多樣性的需求水平的核心心理特質。如Chatzicharalampous等將人格特質融入用戶最近鄰選擇算法中，增強了推薦覆蓋率和多樣性［39］。Chen等探討了人格特質與用戶對電影特征的多樣性偏好之間的關系［40］，提出了一種基于用戶人格特質的推薦多樣性調整策略［30］。進一步，Tintarev等的研究表明人格特質影響用戶選擇推薦項目的動機和態(tài)度，如開放性更強的用戶偏愛多樣性的推薦［8］。Wu等認為用戶偏好行為涵蓋了由用戶人格特質所產(chǎn)生的多樣性偏好，據(jù)此提出基于隱式偏好的人格特質識別方法［41］；進一步，將人格特質納入網(wǎng)絡興趣社區(qū)的推薦流程中，證明其能夠滿足用戶多樣性偏好并產(chǎn)生準確的推薦項目［9］。

1.4 研究問題的提出

過度特化問題根源于個體應對信息過載的選擇性暴露行為，即用戶對多樣化的信息的偏好行為?，F(xiàn)有研究聚焦提出多樣性評價指標并開發(fā)權衡優(yōu)化推薦方法。然而，不同用戶對推薦項目多樣性的固有需求各不相同，相關研究普遍忽視了對用戶特定的推薦多樣性需求水平的精準滿足。用戶心理圖式包括用戶的人格特征、生活方式、價值觀、興趣、態(tài)度和行為模式等。心理圖式及網(wǎng)絡用戶偏好相關研究表明，人格特質能刻畫用戶對信息的多樣性需求。但目前尚未有研究整合不同類型的心理圖式變量，考察其在推薦系統(tǒng)環(huán)境下用戶對推薦項目多樣性需求的作用。據(jù)此提出研究問題Q1：心理圖式能否顯著解釋和預測網(wǎng)絡用戶對推薦項目的多樣性需求水平？

現(xiàn)有研究普遍將人格特質整合到用戶偏好模型及推薦方法中，證明了其在提升推薦多樣性上的作用。但尚未有研究廣泛探討潛在表征用戶推薦多樣性需求水平的心理圖式，在緩解用戶過度特化問題上的整體性作用。據(jù)此提出研究問題Q2：心理圖式能否緩解個性化推薦中用戶偏好行為的過度特化傾向？

一方面，人格特質已被證明可促進對網(wǎng)絡用戶偏好的理解。另一方面，心理學研究指出與人格相比，價值觀更直接地與個體動機和行為相關［42］。然而目前尚未有研究深入比較不同心理圖式變量（如人格和價值觀）在表征用戶對推薦列表的多樣性需求，并進一步緩解個性化推薦中用戶偏好行為的過度特化傾向上的相對差異。據(jù)此提出研究問題Q3：價值觀和人格特質在應對個性化推薦中用戶偏好行為的過度特化傾向中的作用的有何相對差異？

2 數(shù)據(jù)、方法及實驗過程

2.1 數(shù)據(jù)集描述

亞馬遜是世界上最大的電子商務平臺之一，其積累了海量的用戶購買行為數(shù)據(jù)。McAuley等發(fā)布的亞馬遜評論數(shù)據(jù)集包含來自Amazon.com的1.428億條在線商品評論和元數(shù)據(jù)［43］。本研究依據(jù)“K-core”值為“10”，選擇5個商品類別中滿足要求的評論數(shù)據(jù)集內(nèi)容，以保證其中每個用戶或項目至少有10個評論。根據(jù)Arnoux等的工作［44］，本研究認為與其所使用的25條推文相比，10篇評論（平均評論長度為189字）在詞匯規(guī)模上能夠進行網(wǎng)絡用戶心理圖式特征的推斷（詳細數(shù)據(jù)集細節(jié)見表1）。

2.2 網(wǎng)絡用戶心理圖式的自動獲取方法

本研究在心理語言學研究的基礎上，獲取了與用戶SVS和FFM特質顯著相關的種子詞，應用WordNet中包含的語義知識來擴展這些種子詞，進一步在大規(guī)模網(wǎng)絡用戶評論語料庫中迭代擴展種子詞，構建完備的心理圖式詞典。最后，根據(jù)詞典工具和網(wǎng)絡用戶在線評論數(shù)據(jù)推斷了用戶的心理圖式特征。

首先，構建了基于心理語言學的心理圖式種子詞。Boyd等研究提出了與Schwartz價值觀量表（SVS）不同維度呈正相關或負相關的文本主題及其代表詞［45］。本研究據(jù)此構建了正相關和負相關的SVS英文種子詞集。Yarkoni的工作為構建FFM種子詞集奠定了基礎［46］。基于WordNet和這些詞集將種子詞及其同義詞歸類到相應的SVS或FFM維度候選詞集，形成由種子詞及同義詞組成的心理圖式候選詞庫。其次，利用亞馬遜語料庫擴展心理圖式候選詞庫?；谛睦韴D式候選詞庫，使用Word2Vec構建詞向量模型，通過詞匯相似度挖掘互聯(lián)網(wǎng)語料庫中的新詞。利用Gensim軟件中的Word2Vec模型和基于余弦相似度的Top10詞匯獲取方法，設定相似度閾值為0.45，遍歷由亞馬遜用戶評論語料庫訓練出的詞向量模型，篩選出與心理圖式（SVS和FFM）候選詞最相似的前10個詞匯，并加入候選詞集。迭代此過程，直到幾乎沒有新詞被發(fā)現(xiàn)，得到最終的擴展詞庫?？紤]到網(wǎng)絡用語的模糊性及心理圖式的連續(xù)性，本研究計算了每個候選詞的多個心理圖式維度值。通過以下公式計算擴展詞和心理圖式種子詞集所有詞匯之間的最大相似度，獲得擴展詞匯在各個SVS或FFM維度上的得分：

Lu'∈= （1）

= （2）

2.3 基于觀點挖掘的用戶多樣性需求水平指標構建

假設用戶對推薦列表的多樣性偏好反映在其偏好行為的多樣性上，進而利用用戶的在線評論文本數(shù)據(jù)，通過細粒度觀點挖掘方法，從評論關鍵詞-主題-觀點態(tài)度三個方面構建了用戶推薦多樣性需求水平的量化評價指標體系。

（1）在線評論中的主題挖掘。以一個用戶的所有評論為單位，本研究利用在線評論觀點挖掘程序“Bitext”中的主題模型及其自然語言處理模塊［47］，獲取所有評論文本對應的主題。其中所有的主題詞均進行了詞干化處理，以歸并含義相同但形式不同的英文詞匯。

（2）在線評論中的情感極性挖掘。以每個用戶的所有評論為一個單位，使用“Bitext”程序中的細粒度觀點挖掘模塊，確定評論文本中的特定主題，評估用戶對主題所表達的情感傾向，以獲取一個主題-情感傾向二元組。

（3）在線評論中的關鍵詞提取。利用TF-IDF關鍵詞提取算法，獲取每條評論相應的權重最高的前10個關鍵詞，進而匯總為所有用戶的關鍵詞庫。同樣，所有關鍵詞均進行詞干化處理。

本研究使用用戶相關的推薦多樣性需求水平特征（話題、情感極性或關鍵詞）的相應比例來全面表征用戶相應的多樣性需求水平的偏好：

P（c|u）= （3）

其中，Nu是指用戶u具有的話題、情感或關鍵詞的總數(shù)，而Nu，c是指屬于u的特征c的數(shù)量。

在此基礎上，將用戶推薦多樣性需求水平定義為用戶所具有的所有話題、情感或關鍵詞的分布。具體而言，采用香農(nóng)熵衡量用戶對推薦多樣性的需求水平：

（4）

其中，P（c|u）表示用戶u所有話題、情感或關鍵詞之中c類的相對頻率，C表示用戶所有話題、情感或關鍵詞的集合。較高的Div（u）熵值表明，用戶更喜歡具有話題、關鍵詞和情感傾向多樣化的項目，即用戶具有較高的推薦多樣性需求水平。

2.4 應對過度特化問題的個性化推薦系統(tǒng)的評價指標

本研究采用平均絕對誤差、平均精度均值、傳統(tǒng)多樣性指標分別評估推薦的準確率、多樣性。進一步構建準確率與用戶多樣性需求水平的滿足程度的差值這一推薦綜合性能評價指標，綜合評估用戶過度特化傾向和推薦準確性。

（1）推薦排序評價指標。個性化推薦系統(tǒng)中，用戶通常被推送一個根據(jù)偏好被預測出的包含Top-k項目的順序列表。個性化推薦系統(tǒng)可通過排序評價指標來評估其性能效果。MAP@K（Mean Average Precision@k）中的Precision@k被定義為排序結果中第k個位置上的準確率（前k個推薦項目中相關項目的比率）。如下所示，其中Average Precision@k （AP@k）則根據(jù)Precision@i，？坌i∈[1，k]的均值計算而得。

（5）

其中，rel（i）是一個如果在次序為k的推薦項目為用戶偏好項目的情況下值為1，否則值為零的指示函數(shù)。所有用戶的AP@k的均值為MAP@k。

（2）傳統(tǒng)的多樣性評價指標。傳統(tǒng)的推薦的多樣性評價指標通常通過計算預期的列表內(nèi)項目之間的距離（Expected Intra-List Distance，EILD）來計算。其中，推薦給特定用戶的任何項目列表L（s）的列表內(nèi)距離（Intra-List Distance，ILD）由以下公式給出：

（6）

因此，EILD可通過對所有用戶ILD的均值計算出來，即

（7）

其中，兩個項目i和j之間的距離d（i，j）一般由項目的所屬類別、流派或者項目嵌入式表示等元數(shù)據(jù)計算而得。在本研究中，該元數(shù)據(jù)由TF-IDF算法從推薦項目列表內(nèi)所有項目相關的用戶評論中提取的前十個關鍵詞（可為長度為2的短語）的獨熱表征構成。在EILD基礎上，本研究將所有EILD距離規(guī)范化到[0，1]之間，并將1-Scale（EILD）作為列表項目之間的相似性度量（“Similar_by_EILD”）。Similar_by_EILD值越大表示列表項目之間的相似性越大，推薦多樣性越小。

（3）應對過度特化問題的推薦整體性能評價指標。首先，為了衡量推薦列表是否精準滿足了用戶多樣性需求水平，本研究提出使用推薦列表內(nèi)所有項目的推薦多樣性需求水平均值和用戶多樣性需求水平之間的均方誤差這一評價指標。具體定義如下：

（8）

進一步，為了綜合衡量推薦系統(tǒng)在過度特化傾向問題上的整體表現(xiàn)，即其在滿足用戶推薦多樣性需求水平和推薦準確性上的綜合性能，提出了準確率與多樣性需求水平滿足程度的差值（）這一推薦評價指標。該評價指標計算了推薦準確率與上述用戶多樣性需求水平滿足程度的絕對值的差值。

（9）

其中，指標的值越大代表推薦列表的準確率越高、與用戶多樣性需求水平差異更小，進而推薦系統(tǒng)的整體效果越好。

2.5 研究思路

首先，針對研究問題Q1，本研究將用戶價值觀和人格的不同組合作為預測模型的輸入特征集，將主題、觀點態(tài)度和關鍵詞三方面的多樣性需求水平評價指標作為預測目標，使用均方誤差（MSE）和決定系數(shù)（R2）作為模型評價指標。具體而言，本研究采用心理圖式自動推斷方法，識別用戶的心理圖式特征（SVS和FFM得分），并通過用戶推薦多樣性需求水平評價指標及其方法，識別每個用戶的在觀點態(tài)度和主題多樣性上的需求水平。進而采用了多種回歸分析方法來探討用戶心理圖式與推薦系統(tǒng)多樣性需求之間的關系。具體使用的算法包括線性回歸（LR）、套索回歸（Lasso）和支持向量回歸（SVR）。這些算法不僅涵蓋從線性到非線性的多種數(shù)據(jù)關系，而且通過引入正則化和特征選擇技術，有效處理高維數(shù)據(jù)，提高模型的解釋能力和預測準確性。同時，利用結合交叉驗證的網(wǎng)格搜索（Grid Search CV）技術優(yōu)化算法參數(shù)。

其次，針對研究問題Q2和Q3，本研究利用用戶評分、SVS和FFM得分及其組合等數(shù)據(jù)，構建了基于用戶偏好模型的協(xié)同過濾推薦系統(tǒng)，并應用五折交叉驗證預測用戶項目評分，生成候選推薦列表。最后，根據(jù)用戶推薦多樣性需求水平，通過重排序方法優(yōu)化推薦列表（整體方法過程見圖1）。在用戶評分預測模型構建中，本研究根據(jù)課題組前期的研究結果［38］，采用深度神經(jīng)網(wǎng)絡模型（Deep Neural Network，DNN），通過設定模型的網(wǎng)絡層數(shù)、神經(jīng)元數(shù)、激活函數(shù)等參數(shù)，并利用前向傳播、損失計算及反向傳播優(yōu)化模型，提升模型在復雜的非線性關系中的評分預測能力。

3 結果分析

3.1 基于心理圖式的用戶推薦多樣性需求水平研究

3.1.1 心理圖式細分維度與推薦多樣性需求水平之間的相關分析

為了探索用戶心理圖式與推薦多樣性需求水平之間的關系，本研究分析了SVS價值觀和FFM人格的內(nèi)在維度與用戶多樣性需求水平的相關性關系（見表2）。結果顯示，在施瓦茨價值觀理論的四個維度上，自我提升（權力和成就）與觀點態(tài)度和主題多樣性呈負相關，自我超越（普遍主義和仁愛）則呈正相關。保守主義（安全和順從）與多樣性呈負相關，而傳統(tǒng)無顯著相關性。開放性（自我引導和享樂）與多樣性呈正相關，而刺激相對負相關。在大五人格維度中，神經(jīng)質較低的用戶對多樣性需求較低，外向性較高的用戶對多樣性需求較高。開放性較高的用戶對多樣性需求較高，而開放性較低的用戶則較低。宜人性較低的用戶對多樣性需求較低，而盡責性較低的用戶對多樣性需求較高。

3.1.2 心理圖式與用戶推薦多樣性需求水平關系的回歸分析

本研究通過回歸分析探索了心理圖式對用戶推薦多樣性需求水平的影響，包括整體心理圖式、不同心理圖式變量及其細分維度。在回歸模型中，將用戶價值觀和人格的不同組合作為預測模型的輸入特征集，將主題、觀點態(tài)度和關鍵詞三方面的多樣性需求水平評價指標作為預測目標，使用均方誤差（MSE）和決定系數(shù)（R2）作為評價指標（具體結果見表3）。其中使用了三種回歸預測模型：線性回歸（LR）、套索回歸（LASSO）和帶徑向基函數(shù)核的支持向量回歸（SVR_rbf）。心理圖式變量包括SVS價值觀（SVS）、FFM人格（FFM）及兩者組合（SVS_FFM）。推薦多樣性需求水平變量包括關鍵詞多樣性（Y_keyword_variance）、情感多樣性（Y_sentiment_diversity）、主題多樣性（Y_topic_diversity）。

從表3中可以看出，首先，帶徑向基函數(shù)核的支持向量回歸方法對其他回歸算法具有優(yōu)勢。如使用“SVR_rbf”方法，和結合Schwartz價值觀與大五人格的回歸模型方法對主題多樣性進行預測時，R2值達到最高水平0.938，表明模型解釋能力較高；同樣，使用該模型對情感多樣性進行預測時，均方誤差達到最低水平0.012，表明該算法預測的誤差較小。其次，相對于大五人格（R2：0.595），單獨使用Schwartz價值觀對主題多樣性進行預測的預測效果更佳（R2：0.806）。再次，相對于單獨使用心理圖式變量，結合Schwartz價值觀與大五人格兩種心理圖式變量進行預測，獲得了最低的預測誤差和最高的模型解釋力。

此外，針對不同類型的多樣性指標，實驗結果表明，關鍵詞多樣性的誤差最大（MSE：4.073），預測效果不佳；而情感多樣性（MSE：0.012）和主題多樣性（MSE：2.907，R2：0.938）均取得相對較好的預測效果。為了檢驗該結果，利用線性回歸方法，本研究進一步探討了該結果的統(tǒng)計顯著性（見表4）。結果發(fā)現(xiàn)，心理圖式對情感多樣性（R2：0.534）和主題多樣性（R2：0.540）水平具有較好的解釋力，在關鍵詞多樣性（R2：0.033）上則表現(xiàn)不佳?？偟膩碚f，這些發(fā)現(xiàn)回應了研究問題Q1，即心理圖式能較好地刻畫不同用戶的推薦多樣性需求水平。

3.2 整合心離圖式的偏好模型對推薦性能的影響分析

本研究根據(jù)用戶偏好要素組合和重排序方法，形成了7*2種推薦模型，并獲取了相應的RMSE、MAP@k、多樣性以及準確性與推薦多樣性需求水平差異等推薦性能評價指標，以探索重排序方法、心理圖式變量、推薦多樣性需求水平及其組合對協(xié)同過濾推薦系統(tǒng)性能的影響（不同推薦模型的性能評價指標結果見表5）。

具體而言，在推薦整體性能（）上，基于用戶人格特質、價值觀和評分數(shù)據(jù)的偏好模型（“Rating&SVS&FFM”）的重排序協(xié)同過濾方法（“re_rank”）在整體性能上表現(xiàn)最佳?；谟脩粼u分和價值觀的偏好模型（“Rating&SVS”）的重排序協(xié)同過濾方法在RMSE上取得了最小的評分預測誤差。基準偏好模型（“Rating”）的表現(xiàn)較差。

其次，在推薦準確率上，基于評分與心理圖式（價值觀與人格特質）的偏好模型（Rating&SVS&FFM”）的重排序協(xié)同過濾方法在MAP@3和MAP@4上取得了最高的性能，而僅基于評分的偏好模型在MAP@1和MAP@2上表現(xiàn)最好。包含價值觀（“SVS”）和人格特質（“SVS&FFM”）的協(xié)同過濾方法在列表內(nèi)部相似性上表現(xiàn)優(yōu)異，優(yōu)于基準模型（“Rating”），這表明心理圖式能夠緩解用戶偏好行為的過度特化傾向，同時保證一定的推薦準確性。

最后，就不同心理圖式變量在推薦性能上的相對差異而言，包含評分的偏好模型普遍優(yōu)于僅包含隱式反饋的模型。盡管用戶評分具有優(yōu)越性，但基于相關心理圖式變量的重排序協(xié)同過濾方法能獲得最佳性能。價值觀（SVS）和人格特質（FFM）在提升推薦列表多樣性方面均表現(xiàn)良好，有效減少列表內(nèi)相似性。在準確性方面，SVS相對于FFM表現(xiàn)更佳。SVS在保持推薦準確性的同時，更能緩解個性化推薦中用戶偏好行為的過度特化傾向。從而回答了研究問題Q3，即相對于人格特質，價值觀在緩解用戶過度特化問題具有相對優(yōu)越性。

4 討論

本研究針對個性化推薦中過度特化問題，提出了一種基于自然語言處理的用戶心理圖式計算方法，并開發(fā)了一系列評價指標，探討其與用戶心理圖式的關系。通過將心理圖式納入偏好建模，實驗驗證了其在兼顧推薦準確性的同時，緩解過度特化問題的效果。

首先，針對研究問題Q1，研究結果表明，心理圖式能夠解釋用戶對推薦項目的情感傾向和主題多樣性。先前研究表明，心理圖式作為一種認知結構，能夠有效地影響個體在信息處理和內(nèi)容選擇上的表現(xiàn)［48］。如Markus發(fā)現(xiàn)，心理圖式可以加速個體對與自我相關信息的處理，并增強對該類信息的記憶［49］。此外，相關研究進一步表明，心理圖式不僅促進了相關信息的記憶，還可能抑制對無關信息的感知編碼，從而增強了選擇性注意力［50］。然而，心理圖式在關鍵詞多樣性上的預測力較差。其原因可能在于關鍵詞多樣性可能更多地受到文本特征或語言使用模式的影響，而非直接由心理圖式?jīng)Q定。文本的語言豐富度、專業(yè)背景等因素可能顯著影響關鍵詞多樣性，而這些因素并非心理圖式的直接產(chǎn)物。這說明心理圖式雖然在情感相關信息處理和主題選擇上具有較強的影響力，但在不同的任務類型和情境下，其影響可能受到其他因素的調節(jié)和限制。因此，考慮到心理圖式影響用戶如何評價和選擇多樣化的推薦項目，進而決定用戶在推薦系統(tǒng)中的行為模式，系統(tǒng)設計者可構建用戶的心理圖式畫像，進而準確地識別和滿足用戶對新奇性和多樣性的需求，促進推薦的個性化和用戶滿意度。此外，心理圖式畫像的作用在冷啟動問題下表現(xiàn)尤為顯著，能夠有效應對用戶行為數(shù)據(jù)不足的問題［9］。

其次，針對研究問題Q2，研究發(fā)現(xiàn)，利用針對推薦多樣性需求的重排序方法，在用戶偏好模型中整合心理圖式變量，不僅提升了推薦準確性，還滿足了用戶對推薦列表多樣性的需求，從而緩解了過度特化問題。因此，推薦系統(tǒng)可以采用基于心理圖式的動態(tài)重排序方法，將用戶的心理圖式變量融入推薦算法中，增強系統(tǒng)的個性化能力，使得推薦內(nèi)容更具吸引力。研究還發(fā)現(xiàn)，相對于單獨使用特定變量，整合不同類型心理圖式變量能取得更好的推薦結果。該結論與Ishanka和Yukawa的研究一致，即結合多種心理特征特征，如情感和人格，可以更準確地預測用戶的偏好，并在推薦過程中提供更符合用戶預期的多樣化內(nèi)容［51］。

再次，針對研究問題Q3，研究發(fā)現(xiàn)，相較于人格特質，價值觀在提升推薦準確性和多樣性需求的滿足水平方面表現(xiàn)更為突出。這一結果原因可能在于外向性和開放性人格對多樣性需求有較大影響，但其他人格特質如神經(jīng)質、宜人性和盡責性的影響較為有限。具體而言，持自我超越和開放性價值觀的用戶在多樣性需求上表現(xiàn)較高，而持自我提升和保守主義價值觀的用戶則較低。外向性和開放性人格對多樣性需求影響顯著，而神經(jīng)質、宜人性和盡責性人格的影響相對較弱。這一結論與前人研究相符［25］：即開放性高的個體傾向于尋求更高水平的多樣性。

此外，本研究在用戶偏好模型構建和推薦評價體系優(yōu)化方面做出了積極探索。首先，提出了基于用戶評論行為的用戶心理圖式的計算方法，幫助平臺分析和理解用戶的內(nèi)在需求和心理狀態(tài)。其次，基于觀點挖掘方法，提出了用戶多樣性需求水平的評估指標及其計算方法，能幫助平臺量化用戶對于內(nèi)容多樣性的需求，避免用戶長時間接觸相似的內(nèi)容而感到厭倦或者遺漏其他可能興趣領域。最后，提出了一個針對過度特化問題的推薦整體性能的評估指標，幫助平臺和研究者量化推薦系統(tǒng)在防止過度特化方面的表現(xiàn)，從而進行針對性的調整和優(yōu)化。上述指標將有助于構建整合信息多樣性需求水平的推薦方法，如基于后處理的算法（Post-processing algorithms）可通過簡單的調整來推薦列表的多樣性以適合用戶需求；基于模型的算法通過在模型訓練中內(nèi)置多樣性需求水平的約束，實現(xiàn)了更加個性化的推薦多樣性；而多目標優(yōu)化算法則通過權衡優(yōu)化方法，實現(xiàn)推薦的準確性與多樣性平衡，以適用于用戶群體需求多樣且系統(tǒng)復雜的場景。

5 結論與未來研究

本研究探索和驗證了用戶心理圖式在精確滿足用戶多樣化需求和緩解系統(tǒng)過度特化問題中的重要性，為理解網(wǎng)絡用戶過度特化問題的內(nèi)在心理機制，進而理解和預測用戶多樣化的偏好行為提供了新的理論視角。通過適應不同用戶對內(nèi)容多樣性的偏好，推薦系統(tǒng)能夠設計具有個性化的推薦策略，以針對性地增加擴大用戶的視野，從而有效緩解過度特化現(xiàn)象，提升用戶滿意度與忠誠度，并合理加強平臺上內(nèi)容的整體吸引力。這種策略更加注重用戶心理特質在外在信息需求上的個體差異，有助于打破信息推薦的同質化束縛，促進信息生態(tài)的多元化和平臺的長遠發(fā)展。此外，在推薦系統(tǒng)評價領域，本研究提出了用戶感知推薦多樣性需求水平評價指標的定義及其計算方法，豐富和完善了以用戶為中心的推薦評價體系，為推薦評價和優(yōu)化算法設計提供了新的方向。

然而，以下局限仍然存在。首先，一方面，數(shù)據(jù)驅動的心理圖式計算需要收集一定的用戶評論行為數(shù)據(jù)（至少10條評論）。另一方面，雖然用戶的心理圖式具有穩(wěn)定性，但仍可能隨著時間、環(huán)境和經(jīng)歷而變化，進而可能使得用戶偏好無法及時調整，導致推薦系統(tǒng)無法準確反映用戶的當前需求。未來研究可開發(fā)心理圖式的動態(tài)計算方法，并結合問卷法以提升心理圖式計算的準確性和適應性。其次，本研究通過用戶偏好行為定義并量化評估了用戶對信息內(nèi)容的多樣性需求水平，雖然該指標具有良好的可操作性和實踐指導性，但更為全面的、以及融合理論視角的評估指標仍是必要的。因此，未來可從多元化的用戶偏好行為數(shù)據(jù)，如瀏覽記錄、點擊率、搜索關鍵詞、收藏與分享行為、用戶評論與反饋等完善本文的評估指標。第三，用戶對多樣性信息的處理過程涉及到其認知風格、動機、控制感、社會規(guī)范等心理特質和過程，未來可整合相關理論構建更為深入的評價體系，并據(jù)此提出針對過度特化問題的心理和行為干預機制，提升用戶形成應對過度特化問題的內(nèi)在素養(yǎng)和外在能力。第四，未來的研究可以進一步探討心理圖式在不同情境和任務類型下的作用機制，特別是在處理文本特征和語言使用模式的多樣性，如語義多樣性（Semantic Diversity）和意圖多樣性（Intent Diversity）。此外，本研究雖然在主流的協(xié)同過濾算法環(huán)境下發(fā)現(xiàn)了心理圖式模型的顯著作用，但仍需要在基于內(nèi)容、基于知識、以及混合推薦等其他算法環(huán)境下推廣和驗證這一發(fā)現(xiàn)。

總的來說，本研究針對推薦系統(tǒng)過度特化問題，建立了評估用戶推薦多樣性需求的指標，分析了偏好行為如何影響用戶的心理圖式；進而提出了一個整合心理圖式的用戶偏好模型，并通過協(xié)同過濾推薦算法進行了實驗驗證。研究證明了推薦多樣性需求水平以及心理圖式在緩解推薦系統(tǒng)中用戶行為過度特化的問題上的積極效果，為進一步推動以用戶為中心的推薦系統(tǒng)開發(fā)、設計和評價提供了理論與方法參考。

參考文獻：

［1］ GUNAWARDANA A，SHANI G，YOGEV S.Evaluating Recommender Systems［M］.Recommender Systems Handbook.New York，NY：Springer US，2012：547-601.

［2］ SEAVER N.Captivating algorithms：Recommender systems as traps［J］.Journal of Material Culture，2019，24（4）：421-436.

［3］ VERMA S.Weapons of Math Destruction：How Big Data Increases Inequality and Threatens Democracy［J］.Vikalpa：The Journal for Decision Makers，2019，44（2）：97-98.

［4］ 黃英輝，王偉軍，劉輝，等.個性化信息推薦中的過度特化問題研究進展［J］.情報科學，2022，40（8）：185-192.

［5］ 姜婷婷，許艷閏.窄化的信息世界：國外信息繭房、選擇性接觸與回音室研究進展［J］.圖書情報知識，2021，38（5）：134-144.

［6］ 社交媒體平臺群體極化的形成機理與引導策略研究［EB/OL］.［2024-05-10］.https：//kns.cnki.net/kcms2/article/abstract？v=m2RMPZxbF1J8ZYVbB8aNt73WfuANAwfH1PdSmTp1nrV6BHbaU2cKcvRmiHElDpwwo1LUH-YquJvGzjH8r5yHchjldmQUHKbtS2j6D2PgElgYmEA_p9sHyFtxm4XrqMY5fgA9wcL1k6YLKMITw5eteQ==&uniplatform=NZKPT&language=CHS.

［7］ Oliveira G，dos Santos Braz R，de Freitas Guilhermino Trindade D，et al.Model for analysis of personality traits in support of team recommendation［A］.Adaptive Instructional Systems：First International Conference，AIS 2019，Held as Part of the 21st HCI International Conference，HCII 2019，Orlando，F(xiàn)L，USA，July 26-31，2019，Proceedings 21［C］.Springer International Publishing，2019：405-419.

［8］ Tintarev N，Dennis M，Masthoff J.Adapting recommendation diversity to openness to experience：a study of human behaviour［AVDulMLm4ygc5SIx5NQ+Agw==］.International Conference on User Modeling，Adaptation，and Personalization［C］.Berlin，Heidelberg：Springer Berlin Heidelberg.2013：190-202.

［9］ WU W，CHEN L，ZHAO Y.Personalizing recommendation diversity based on user personality［J］.User Modeling and User-Adapted Interaction，2018，28（3）：237-276.

［10］ BOURGAIS M，ZANNI-MERK C，F(xiàn)ATALI R，et al.Avoiding the Overspecialization of Recommender Systems in Tourism with Semantic Trajectories，Initial Thoughts［J］.Procedia Computer Science，2022，207：1933-1942.

［11］ BEIERLE F，AIZAWA A，BEEL J.Exploring Choice Overload in Related-Article Recommendations in Digital Libraries［M］.arXiv，Preprint arxiv：1704.00393，2017.

［12］ Cremonesi P，Garzotto F，Negro S，et al.Looking for“good”recommendations：A comparative evaluation of recommender systems［A］.Human-Computer Interaction-INTERACT 2011：13th IFIP TC 13 International Conference，Lisbon，Portugal，September 5-9，2011，Proceedings，Part III 13［C］.Springer Berlin Heidelberg，2011：152-168.

［13］ 國外過濾氣泡研究：基礎、脈絡與展望［EB/OL］.［2024-05-10］.https：//kns.cnki.net/kcms2/article/abstract？v=m2RMPZxbF1InLbxkvEi0XvC1QsrySdF-vMvU2u4yr9vSI878840XVlqRiaazos5kwPBRI-WPtmBeRvhSrhk5aAPvGRXEzcWm3BJ3

y9rSTR4OwrW_4Fs-v-o7IvbsHX239RixPTtR5pzpcYj20Wk1cA==&uniplatform=NZKPT&language=CHS.

［14］ 王益成，王萍，王美月，等.信息運動視角下內(nèi)容智能分發(fā)平臺突破“信息繭房”策略研究［J］.情報理論與實踐，2018，41（5）：114-119.

［15］ FLAXMAN S，GOEL S，RAO J M.Filter Bubbles，Echo Chambers，and Online News Consumption［J］.Public Opinion Quarterly，2016，80（S1）：298-320.

［16］ CELIKTUTAN B，CADARIO R，MOREWEDGE C K.People see more of their biases in algorithms［J］.Proceedings of the National Academy of Sciences，2024，121（16）：e2317602121.

［17］ SHUKLA P，BABIN B J.Effects of consumer psychographics and store characteristics in influencing shopping value and store switching［J］.Journal of Consumer Behaviour，2013，12（3）：194-203.

［18］ Wedel M.Market segmentation：Conceptual and methodological foundations［M］.The Hague：Kluwer Academic Publisher，2000.

［19］ VYNCKE P.Lifestyle Segmentation［J］.European Journal of Communication，2002，17（4）：445-463.

［20］ GUNTER B，F(xiàn)URNHAM A.Consumer profiles（RLE Consumer Behaviour）：An introduction to psychographics［M］.Routledge，2014.

［21］ WALTERS G D.Lifestyle theory：Past，present，and future［M］.Nova Publishers，2006.

［22］ SCHWARTZ S H.An Overview of the Schwartz Theory of Basic Values［J］.Online Readings in Psychology and Culture，2012，2（1）：11.

［23］ VECCHIONE M.The five factors of personality and personal values：An update with the refined theory［J］.Personality and ndividual Differences，2023，203：112033.

［24］ BESSI A.Personality traits and echo chambers on facebook［J］.Computers in Human Behavior，2016，65：319-324.

［25］ MATZ S C.Personal echo chambers：Openness-to-experience is linked to higher levels of psychological interest diversity in large-scale behavioral data［J］.Journal of Personality and Social Psychology，2021，121（6）：1284-1300.

［26］ Individualism and Collectivism：Reconciling the Values of Freedom & Equality | Cadmus Journal［EB/OL］.［2024-06-16］.https：//cadmusjournal.org/node/913.

［27］ Personality associations with Facebook use and tendencies towards Facebook Use Disorder-ScienceDirect［EB/OL］.［2024-06-16］. https：//www.sciencedirect.com/science/article/pii/S2352853219302081.

［28］ KAMINSKAS M，BRIDGE D.Diversity，Serendipity，Novelty，and Coverage［J］.ACM Transactions on Interactive Intelligent Systems，2017，7（1）：1-42.

［29］ ADOMAVICIUS G，KWON Y.Toward more diverse recommendations：Item re-ranking methods for recommender systems［A］.Workshop on Information Technologies and Systems［C］.2009：79-84.

［30］ CHEN L，YANG Y，WANG N，et al.How Serendipity Improves User Satisfaction with Recommendations？A Large-Scale User Evaluation［A］.The World Wide Web Conference［C］.2019：240-250.

［31］ SCHWARTZ H A，EICHSTAEDT J C，KERN M L，et al.Personality，Gender，and Age in the Language of Social Media：The Open-Vocabulary Approach［J］.PLoS ONE，2013，8（9）：e73791.

［32］ S？魣J，QUEIROZ MARINHO V，MAGALH？魨ES A R，et al.Diversity Vs Relevance：A Practical Multi-objective Study in Luxury Fashion Recommendations［A］.Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.2022：2405-2409.

［33］ WU C，WU F，QI T，et al.End-to-end Learnable Diversity-aware News Recommendation［M］.arXiv Preprint arXiv：2204.00

539，2022.

［34］ HE X.Does Utilizing Online Social Relations Improve the Diversity of Personalized Recommendations？［J］.International Journal of Strategic Decision Sciences，2022，13（1）：1-15.

［35］ CHAKRABORTY A，GHOSH S，GANGULY N，et al.Optimizing the recency-relevance-diversity trade-offs in non-personalized news recommendations［J］.Information Retrieval Journal，2019，22（5）：447-475.

［36］ ZUO Y，LIU S，ZHOU Y.DTGCF：Diversified Tag-Aware Recommendation with Graph Collaborative Filtering［J］.Applied Sciences，2023，13（5）：2945.

［37］ TKALＣIM，QUERCIA D，GRAF S.Preface to the special issue on personality in personalized systems［J］.User Modeling and User-Adapted Interaction，2016，26（2-3）：103-107.

［38］ LIU H，HUANG Y，WANG Z，et al.Personality or Value：A Comparative Study of Psychographic Segmentation Based on an Online Review Enhanced Recommender System［J］.Applied Sciences，2019，9（10）：1992.

［39］ CHATZICHARALAMPOUS E，CHRISTOS Z，VAKALI A.Exploriometer［A］.Proceedings of the 24th International Conference on World Wide Web［C］.ACM，2015：1463-1468.

［40］ CHEN L，WU W，HE L.How personality influences users’ needs for recommendation diversity？［M］.CHI’13 Extended Abstracts on Human Factors in Computing Systems，2013：829-834.

［41］ WU W.Implicit Acquisition of User Personality for Augmenting Recommender Systems［A］.Companion Proceedings of the 22nd International Conference on Intelligent User Interfaces［C］.2017：201-204.

［42］ PARKS L，GUAY R P.Can Personal Values Predict Performance？Evidence in an Academic Setting［J］.Applied Psychology，2012，61（1）：149-173.

［43］ MCAULEY J，TARGETT C，SHI Q，et al.Image-Based Recommendations on Styles and Substitutes［A］.Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.2015：43-52.

［44］ ARNOUX P H，XU A，BOYETTE N，et al.25 tweets to know you：A new model to predict personality with social media［A］.Proceedings of the international AAAI conference on web and social media［C］.2017：472-475.

［45］ BOYD R，WILSON S，PENNEBAKER J，et al.Values in words：Using language to evaluate and understand personal values［A］.Proceedings of the International AAAI Conference on Web and Social Media［C］.2015：31-40.

［46］ YARKONI T.Personality in 100，000 Words：A large-scale analysis of personality and word use among bloggers［J］.Journal of Research in Personality，2010，44（3）：363-373.

［47］ Introduction-API Reference［EB/OL］.［2024-05-22］.https：//docs.api.bitext.com/.

［48］ GILBOA A，MARLATTE H.Neurobiology of Schemas and Schema-Mediated Memory［J］.Trends in Cognitive Sciences，2017，21（8）：618-631.

［49］ MARKUS H.Self-schemata and processing information about the self［J］.Journal of Personality and Social Psychology，1977，35（2）：63-78.

［50］ VON HIPPEL W，JONIDES J，HILTON J L，et al.Inhibitory effect of schematic processing on perceptual encoding［J］.Journal of Personality and Social Psychology，1993，64（6）：921-935.

［51］ ISHANKA U A P，YUKAWA T.User emotion and personality in context-aware travel destination recommendation［A］.2018 5th International Conference on Advanced Informatics：Concept Theory and Applications（ICAICTA）［C］.IEEE，2018：13-18.

［52］ KUNAVER M，PO？譕RL T.Diversity in recommender systems-A survey［J］.Knowledge-Based Systems，2017，123：154-162.

作者簡介：黃英輝，武漢理工大學管理學院副教授，研究方向：網(wǎng)絡用戶心理與個性化服務；劉輝，華中師范大學心理學院博士研究生，研究方向：網(wǎng)絡用戶心理與行為；王偉軍，武漢工商學院特聘教授，華中師范大學青少年網(wǎng)絡心理與行為教育部重點實驗室教授，博士生導師，研究方向：網(wǎng)絡用戶心理與行為；何珂，武漢理工大學管理學院碩士研究生，研究方向：網(wǎng)絡用戶行為分析；李偉卿，湖北工業(yè)大學經(jīng)濟與管理學院講師，研究方向：網(wǎng)絡用戶行為與個性化推薦。