信息茧房下网络购物平台推送方式研究

管瀚文 潘国豪 刘楚薇 顾芳霏 孔田雨

摘 要：随着经济社会的发展和互联网的普及，购物方式趋于网络化，大学生作为社会生活的一个特殊群体，其消费对经济发展起到不可忽视的作用，而个性化的商品推送使大学生陷入“信息茧房”的桎梏。基于此背景，文章通过问卷调查收集了大学生的消费偏好，在此基础上建立“关联度”模型，为提高信息推送效率提供了思路，并运用广义Logistic模型对潜在需求进行了分析和预测，最后对改善推送方式和提高消费质量提出了建议。

关键词：信息茧房;信息推送;消费者偏好;Logistic模型

0  引言

信息推送技术（Message Push Technology），也称“Web Casting网播”[1]，是通过一定的技术手段或协议，在互联网上通过定期传送用户需要的信息来减少信息过载的一项技术。在信息社会高速发展的今天，推送技术能够使人们在信息爆炸的环境中迅速发掘出自己感兴趣的内容并加以利用，这不仅提高了信息使用者的办事效率，也提高了信息平台的运营效率。因此，信息推送以其高效性被各大平台开发和使用，个性化推送技术应运而生。所谓个性化推送技术（Personal Push Technology）（简称“个推技术”）[2]，是以用户为中心的信息推送机制，其建立在大数据技术和模型画像技术之上，将推送效率进一步提高。个推技术为每位用户绘制画像，存储偏好，并利用大数据技术将同类型用户反馈的内容进行合并整理，运用模型计算出用户的可能性偏好，并进行相应推送。其发展进一步繁荣了信息市场，但对于大学生消费者来说，个性化推送往往容易使其陷入“信息茧房”之中。

关于“信息茧房”概念，美国学者凯斯·R·桑斯坦[3]曾在其著作《信息乌托邦》中提出：对于公众而言，其往往更倾向于选择能使自身愉悦的通讯领域并只关注基于自身偏好选择的信息，长此以往，自身便会被桎梏于如蚕茧一般的“信息茧房”当中，而长期处于这种效应便会出现一系列不良影响，如忽视自身的实际需求、产生不良从众心理等等。对此，申楠[4]也指出，信息推送会造成不同主体间的信息鸿沟，使得用户在信息内容与获取方式上面临窄化风险，加大社会不同群体间认知差异，加剧在社会认知方面的“个性化”，消解“共性化”倾向，阻碍公共空间与社会共识的形成，造成信息垄断，并可能进一步造成社会撕裂的后果。

作为新时代的消费群体，大学生消费者潜在消费量巨大，消费规模与日俱增。同时，猎奇心理不断激发他们向未知而新鲜的领域探索，却往往忽视了消费质量，并在特定的信息推送机制下陷入信息茧房的桎梏。曹斐[5]提出相应的表述如下：大学生在浩如煙海的网络商品面前只会选择自己感兴趣的，而网络平台也会据此提供，无疑强化了大学生原有的喜好，使其固定思维，给自己制造了一个信息茧房，于是个人和群体变得更加极化，疏远了和其他思想碰撞的机会，长此以往，影响着大学生的消费观。对此，倪敬凯[6]指出：当代大学生消费者在消费时存在盲目消费的习惯，只顾及商品因素而未考虑其实际用途，缺乏绿色消费意识和理财意识。因此，引导大学生消费者提高消费质量，优化对大学生的信息推送方式是一项必要且迫切的工作，这不仅仅利于消费市场的开拓，更利于促进大学生的合理消费、理性消费。

本文的研究目标是在“信息茧房”的背景下，通过查阅文献，实地调研，发放调查问卷，运用数学建模提出改善现状的新的推送思路，促进提升消费者购物体验，助力消费平台开拓潜在市场。本文安排如下：第一部分，说明数据来源并进行描述性统计;第二部分，介绍信息推送和消费预测模型原理;第三部分，建立模型并应用;第四部分，总结全文并提出对策建议。

1  数据来源和相关工作

为获取大学生的消费习惯和偏好，我们设计了“大学生网购偏好”问卷调查，并在互联网平台上发放，排除具有缺失值的无效问卷，最终收集到514份问卷。

1.1问卷核心内容及基本信息

问卷收集的基本信息包括性别、年级、月可支配金额，核心问题包括现有需求和潜在需求。现有需求指消费者在购物平台上会选择购买的商品。潜在需求指消费者在平台上被推送但由于经济因素等原因暂时无法购买但有购买欲望的商品。对于这两个核心问题，问卷采用多选题的方式，让被调查者在以下商品中勾选。

如此分成11类商品的目的是通过对大学生常用商品进行现有需求和潜在需求的统计，找出具有消费潜力的群体。同时，收集被调查者的基本信息是为了在模型中作为潜在需求预测的自变量。

1.2核心统计数据

由于数据之多，且不重要的问题对后续理解并无大碍，因此，在此不详细罗列，只列举核心数据的统计结果，如表1所示。

2  模型原理

本文的模型分为两部分。第一部分，通过建立关联度模型得出具有巨大和潜在消费市场的商品，并同时筛选出常用商品（具有巨大消费市场）的购买者。第二部分，定义一个新变量作为因变量——与潜在需求有关，将第一部分筛选出的消费者按因变量进行分类，以此分别进行Logistic回归，得出预测结果。

先介绍模型原理。

2.1 条件概率

条件概率可以表示两个事件之间的关系，利用一个事件在另一个事件已经发生的情况下求出本事件的概率。公式为，即表示的是一个事件A在另外一个事件B已经发生的条件下，两件事同时发生的概率。本文建立的模型基础是其变形公式.，意为在购买了B商品的前提之下购买A商品的概率，旨在通过计算挖掘出具有强关联度的商品，此类商品正是消费者的偏好。具体目的、方法等见模型。

2.2 Logistic回归

Logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘、经济预测等领域。本文中主要是建立模型，即模型表示的是预测在不同的自变量情况下（设定参照类），发生某种事件的概率比是多少， 根据与的大小决定因变量的值。Logistic回归实质是发生概率除以没有发生概率再取对数。

3 模型建立与应用

3.1 关联度模型

3.1.1相关介绍

目的：找出商品之间的关系，并以此判断商品的消费市场和未来趋势。同时，筛选出具有强大消费市场商品的购买者进行下一步研究。

方法和步骤：①运用条件概率公式等定义关联度公式，并给予相应的定性指标。

②利用核心数据的统计结果进行关联度公式计算，将商品的联系用定量数据表示。

③筛选出核心大学生消费者，以此为基础进行下一步建模。

模型假设：①为了简化问题只考虑两种商品之间的关联程度而不考虑三种或三种以上商品的关联程度。

②人们的偏好在短时间内不会发生剧烈变化，即偏好在一段时间内具有稳定性。

③建模时忽略其他外面因素的干扰，为了揭示一般的规律不考虑特殊情况的发生。

3.1.2模型

考虑到商品不可能是独立的，消费者在购买一种商品后，可能会同时购买互补品或相似产品，本节定义“关联度”来反映商品之间联系的密切程度，它为两种商品同时被购买发生的概率，下面给予定义公式。

其中，（1）式中、表示为商品的种类，为商品被购买的次数，数据（现有需求）在表1中已罗列。为同时购买的次数，由于核心数据采用的是多选形式收集，且每类商品购买赋值为1，未购买赋值为0，只需将研究的两种商品以每份数据为单位进行简单的加总，结果为2再进行计数即为所得。（1）式中表示在已购买的条件下再购买的概率，即相对于的关联程度，（2）式同理.（3）式即（1）式和（2）式的几何平均数，用于消除购买的先后顺序对关联度的影响，表示为2种商品间的平均关联度，简称“关联度”。其定性指标如下。

利用收集到的大学生消费偏好数据进行关联度计算，并绘制成表，如下表所示：

表中第行列与第行列所代表的含义相同，因此数据只占用了表格的右上部分。第行第列的值显然无意义，表中未列出。

由表2得出三点结论：

1.从表2中得出很多关于优化推送方面的启示，可以选择关联度在50%以上的相关商品进行推送.例如，在消费者购买了零食之后，可以推送日用品和服饰，在购买了日用品之后，可以推送零食、服饰和化妆品，等等.表中列出了在购买了每一种商品之后所应该推送的具有高关联度的相关商品，以此提高推送效率，增加消费量。

2.表2中还可以看出这4种商品的相互关联度都超过60%，甚至达到70%。结合这4种商品的类型，可以将购买这类商品的大学生消费者定位为喜欢娱乐、注重仪表和热爱生活的消费者，这类消费者具有较强的消费欲望和潜在需求，是市场消费的一大因子，同时，统计数据显示至少购买中一种商品的人數占大部分（499人），于是认为这类消费群体能够代表绝大多数大学生的消费偏好，我们将其筛选并作为下一步回归模型的研究对象。从另一个角度来讲，之所以剔除另外15人是防止其偏好的特殊性所导致回归效果不显著。

3.表2显示、、这3种商品分别和其他商品的关联度不高，大约20%～30%，但确实存在且不能忽略，在这里可认为关联度在20%～30%左右的商品是被信息茧房覆盖的具有潜在市场的商品，如何提高它们的销售量？需要商品平台优化推送模式，弱化信息茧房对消费者选择的影响，进一步发掘消费者的偏好，这里不再展开。

3.2 Logistic回归预测分析

3.2.1相关介绍

目的：对潜在需求进行预测。

方法：①对3.1中筛选出的消费者进行潜在需求的统计，找出具有强烈的潜在需求商品。

②以上一步得出的商品为代表，定义潜在需求顺序型变量，作为回归因变量。

③将顺序型因变量的每一等级分别进行回归分析：首先进行显著性检验，如果有必要，剔除一些非显著因素后重新回归，确保建模结果具有显著性意义。（由于各类消费者的购买欲不同，如果简单的将所有消费者合并进行回归分析，效果显然不尽人意）

④讨论所得结果对于问题研究起到的作用

建模步骤：

1）设自变量为，，其中1，2...f...为属于第i个自变量的不同等级（i =1，2......n，其中f为参照类）

2）因变量α分为A、B、C、D四个等级，

3）（e为常数，j≠f， k为相关系数，ξ为其他因素）

以D为参照类，将A，B，C分别代入公式求出结果。

3.2.2建模

运用SPSS软件对3.1中筛选的消费者的潜在需求进行统计，即对问卷中的核心问题（潜在需求）的统计，如表4所示：

表中可以看出他们强烈的潜在需求为零食、服饰、化妆品。从商品推送的角度看，除了推送类似同性质商品外，日用品、电子产品等也因适当纳入推送考虑的范围。

由于Logistic回归分析研究的是非数值型变量，于是想到将问卷中核心问题的两个变量转为顺序型变量。一个新变量作为自变量，为“现有需求”，变量值为每一个消费者购买的4种商品数量之和（不购买的计数为0，购买的计数为1），值有1、2、3、4（因为已经筛选出的消费者所以不存在0值），给予定性指标分别代表较弱、一般、较强、极强（现有需求），另一个新变量作为因变量，为“潜在需求”，变量值为消费者有强烈购买欲望的3种商品（零食、服饰、化妆品）数量之和（不购买的计数为0，购买的计数为1），值有0、1、2、3，给予定性指标分别代表微弱、一般、较强、极强（潜在需求）。

下面用SPSS软件的Logistic回归分析，对潜在需求进行定量预测分析。

将性别、年级、现有需求、可支配金额纳入自变量，潜在需求作为因变量，通过SPSS软件进行多元Logistic回归，得到如表5所示的显著性结果：

通过表5中显著性（双侧）可知4个影响因素中，年级、现有需求对潜在需求的影响是显著的（若显著性（双侧）值<0. 05， 表明具有较强相关性），而性别和可支配金额对因变量的影响却不大，因此重新构建以年级和现有需求为自变量，潜在需求为因变量的多元Logistic回归模型，参照变量选择“最后一个”，即现有需求以“极强”为参照，年级以“研究生”为参照，回归结果见表6。

如表6（2）所示，概率p值为0，如果显著性水平（双侧）为0.05，则应拒绝回归方程显著性检验的原假设，说明解释变量全体与广义Logistic之间的线性关系显著，模型选择正确。

模型参数如下表：

上表分为三部分，以顺序性因变量：微弱、一般、较强作为分割点，可以得到三个回归方程。倘若将所有消费者当做一个总体来进行回归，其回归方程过于籠统，且忽视了消费者购买欲的差异对方程参数产生的影响，于是选择了将因变量进行分类，使有相似购买欲的消费者分为一类，依次进行回归，以此提高回归的准确度。换句话说这三个回归方程是独立的，之间互不影响。

表中共八列，第一列为三个顺序性因变量（第四个因变量作为参照类），第二列为自变量及其相应等级，其中年级1、2、3、4、5分别代表大一、大二、大三、大四和研究生。第三列为自变量相应等级与参照类之间的自然对数比，最后一列为与之对应的概率发生比，四～七列为检验统计量，与模型关系不大。第四列为参数的标准误差。第五列为卡方统计量，第六列为统计量的自由度，第七列为显著性水平。

在模型中因指定参照类别以此获得相对值，上文已述参照类为年级5（研究生）、现有需求4（极强）.因此得到3个广义Logistic方程如下：

（4）、（5）、（6）分别代表对微弱、一般、较强潜在需求的预测，三式相互独立。式中为其他不显著因素，表示第i个自变量中第j个水平与参照类的对数之比为a，即表中第3列数值，发生比即概率比为，即表中最后一列的数值.例如表示对于选择微弱潜在需求，当非年级自变量相同时，大一人数是研究生人数的倍，即0.778倍。

由表可知，大二的潜在需求较其他年级更高，但没有更显著的规律可寻。相比年级，现有需求对因变量的影响更加显著：无论对于哪一类因变量，具有较弱和一般现有需求的大学生消费者的潜在需求明显高于另两类，且在概率上显著，因此商品推送要“对症下药”，偏向现有需求一般的消费者。

综上，模型通过消费者在购物平台上购买的商品确认其偏好，以此获取对其的大致定位，找出具有较强的消费欲望和潜在需求消费者，然后用Logistic模型对其潜在需求进行预测分析.但由于样本量和样本特殊群体的限制，对普遍性潜在需求的预测更需要大数据来作为分析的支撑。

上述关联度模型及Logistic回归模型启示我们处理问题的模型思想，在不确定自变量对因变量相关性的情况下，首先应创新的筛选出有意义的研究对象，为进一步优化相关性系数，使模型预测效果吻合，运用显著性检验，剔除影响较小的变量，进而构建相关数学模型进行预测.在本例中，关联度模型为探索商品推送的内容提供了一种思路，可延拓对于n个商品的关联度分析并加以应用。

4 结语和建议

根据以上模型，本文提出下列建议：

1.平台根据消费群体差异化推送

平台进行商品推送时，可以根据消费者年龄和性别等因素，运用计量和统计方法进行预测，并针对不同的客户群体定向定量推送，提高推送效率。不同年龄层消费者拥有截然不同的消费观，青年人消费大多追求时尚新颖，易于接受新鲜事物，追随时代潮流，推送时可注意商品美观新潮，其次是质量;随着年龄增长，人们变得很少冲动消费，消费时考虑更加全面，精打细算，推送商品时更加注重性价比和实用性。这样有针对性的推送显然更全面，准确性、匹配度更高，从而大大方便了用户，提高信息推送效率。

2.潜在消费市场商品尝试性推送

对于电商平台而言，可以通过改进算法将用户以不同指标（如年龄）进行层次划分，找出同层次消费者的共性需求，并将其与每个消费者个体的需求进行比较。并在比较后，向消费者推送其未曾购买过的商品。这样可以拓宽消费者在一般维度下的选择范围与消费广度。对于大学生消费者而言，可以根据其猎奇心理较重的年龄特征，将该层次全部消费者所购买的比较小众的商品以少量随机的方式进行推送。既可以为平台优化推送机制，也可以为大学生消费者提供一个跳出机制，削弱信息茧房的影响。

3.消费者挖掘自身偏好

对于消费者而言，其本身不要拘泥于自己眼前能看到的商品，不要被困在自己的小世界里。信息茧房给消费者带来的影响是片面而单一的，消费者因平时接触不到更广泛领域里的其他商品，而容易在同一类型商品反复消费，甚至于忽略自己可能需求或擅长的。由于眼界的局限本人难以意识到这一情况，通过多关注其他类型的产品来发掘自己在需求和喜好上的更多可能，则可以帮助消费者提高在其他领域的兴趣，发现自己可能存在偏好的消费领域，通过消费多元化实现自我的提高和完善与全面发展。

参考文献：

[1]王培凤.Push技术与图书馆信息推送服务[J].现代情报，2005，7：107-109

[2]徐青云.信息推送在个性化信息服务中的发展趋势[J].现代情报，2010，3：55-57

[3][美]凯斯·R.桑斯坦.信息乌托邦———众人如何生产知识[M].毕竞悦，译.北京：法律出版社，2008：6-7.

[4]申楠.算法时代的信息茧房与信息公平[J].西安交通大学学报，2020，40（2）：139-144

[5]曹斐.浅析网络信息茧房的现状、困境及对策[J].管理观察，2010，36：22-23

[6]倪敬凯.互联网视角下大学生消费观培养研究[J].赤峰学院学报，2021，5：73-75

【作者简介】：

管瀚文（2001-），男，汉族，江苏盐城人，南京审计大学本科生在读，研究方向：金融学