基于关系的推荐框架对用户推荐采用意愿的影响机制研究

一、引 言

越来越多的网络平台基于大数据向用户提供由算法系统生成主动式推荐。主动式推荐的核心在于劝说用户接受新内容，提高内容间的转化率

。例如，字节跳动通过算法，为用户推荐优质的新闻讯息与短视频，在数年间成为全球最大的内容运营商之一。在给用户进行主动式推荐时，平台会选择一个简单有力的推荐框架来陈述推荐理由。例如，豆瓣电影在向用户推荐新电影时，采用基于关系的推荐框架，会显示“浏览此电影的用户也浏览了...”。与此对应，淘宝、京东等在线购物平台强调基于产品的推荐框架，常常表示为“与你浏览的产品相似的产品如下...”。因而，网络平台可以在给予用户推荐时，使用不同的推荐框架。但不恰当的推荐框架会使用户产生心理抗拒

，导致后续消极行为发生。

目前,学者对推荐框架的关注有限，其中最重要的文献为Gai和Klesse

的研究，其通过操纵不同的推荐框架，证明了相较基于产品的推荐框架，基于关系的推荐框架对用户的采用意愿有更强的影响，然而并未解释“为什么在基于关系的推荐框架下用户的推荐采用意愿会更高？”，这是本研究需解决的核心问题。因此，本研究探索用户在基于关系的推荐框架下的感知因素，首先，通过情感适应理论构建了“刺激→情感→动机→采用”的动态决策过程；其次，运用关系传播理论

提炼用户的两个感知因素——关系强度与兴趣匹配度，并结合心理抗拒理论，形成了感知因素到信任感，再到操纵意图推断的心理机制；最后，引入自我建构心理变量，探索用户存在的两种自我建构类型对该心理机制的调节作用。本文结论为网络平台在大数据时代的精准营销创新提供了实践启示。

二、理论基础与研究假设

(一)理论基础

主动式推荐是网络平台基于大数据分析，主动寻求用户，积极劝说用户接受新内容的过程。为了提高主动式推荐的效率，平台会运用算法系统，根据用户的历史记录来预测他们可能感兴趣的内容，并提供推荐

。先前研究主要集中在主动式推荐的算法系统上

，有两种典型的方法：第一种是基于内容的推荐，通过过滤算法来确定用户喜欢的产品属性，比较属性的相似度，推荐给用户其他相似的产品；第二种是基于协调过滤的推荐，通过历史记录识别出用户的特征，并向相似的其他用户推荐该特征相似的用户喜欢的内容，从而形成内容推荐

。但用户很难理解深奥的推荐算法是如何生成的。因此，一个简洁的解释至关重要，它可以提升用户对主动式推荐的信任度和接受度

。为了更简洁地说明推荐的理由，网络平台会通过“与你浏览的内容相似的内容如下...”等产品推荐框架或“浏览此内容的用户也浏览了...”等关系推荐框架向用户陈述推荐理由。然而目前仅有少数学者探讨了推荐框架的作用。例如Gai和Klesse

发现基于关系的推荐框架对用户的推荐采用意愿有更强的促进效果。但未给出这种效应产生的具体原因，仅解释在关系的推荐框架下，用户可以从别人的推荐中提取信息，来预测自己对不熟悉产品的满意度

。因此，本研究结合情感适应框架、关系传播理论以及心理抗拒来分析基于关系的推荐框架是如何影响用户推荐采用意愿的形成的。

用户对推荐内容的采用往往是由多个因素共同作用的结果，依据营销沟通学中的说服理论

，用户对推荐内容采用的决策过程一般包含前因、调节、行为、结果等多个因素或变量，是一个动态的心理采用过程，可以通过情感适应理论进行相关的分析和解释。根据情感适应理论的内涵，个体进行有意识的评价比无意识的评价更有价值

，主要是指个体通过对外部环境和内部状况进行评价后产生的情感反应状态，进而引起后续的具体处理行为的过程

，即“评价→情感→处理”的过程，可以细分为三个具体步骤：第一步，个体将在外部环境和信息的刺激下，通过内部状态的评价和认知产生相关情感状态的变化，即“评价→情感”；第二步，受众会寻找更为强烈的心理动机来完成心理状态的调整，即动机选择阶段；第三步，开始具体行为来解决问题以完成整个流程。因此，本研究将用户的主动式推荐采用设定为“刺激→情感→动机→意向”的动态决策过程。

用户对于信息获得的动机往往包括关系动机和信息任务动机两个类型

。根据关系传播理论

，用户接受其他用户的推荐是关系传播的一种模式，在用户获得其他用户信息的同时也能够得知其他用户的兴趣点，满足关系动机的需求。而用户间的关系动机强弱是不同的，很大程度上会受到社交结构中人际关系的影响

。因此，根据关系传播理论，本研究用关系强度，即社会网络中各主体间的关系紧密程度度量用户间人际关系的程度。相关研究表明人际间关系强度分为强连接和弱连接

。当具有更强的人际关系强度时，推荐内容会对用户产生更高的说服效果与背书效力

，满足用户更强的关系动机。同时，信息任务动机是用户对推荐的内容是否符合自己口味、兴趣的预期。例如，被推荐用户感知到与推荐用户之间的不同之处时，容易导致用户对主动式推荐的拒绝

。同样，提高主动式推荐采用转化率的关键是在推荐用户和被推荐用户之间建立起适当的匹配度

。因此，本研究通过兴趣匹配度，即被推荐用户对推荐用户在兴趣、爱好等方面相似程度的判断

来度量用户信息任务动机的感知因素。

(二)研究假设

本研究引入自我建构这一心理学变量来解释用户对推荐内容的信任感影响操纵意图推断的边界条件。自我建构是指个体在与他人交往、建立关系的过程中，对自我身份的一种界定倾向，一般而言，自我建构分为两种具体的类型，分别为独立型自我建构与依存型自我建构

。独立型自我建构的个体一般倾向于将自我身份与他人的身份进行区分，更加注重个体的独特性需求，较爱追求差异化的表达；依存型自我建构的个体则更加倾向于把自我身份与他人身份进行融合，将自我当作群体的一员，寻求与他人需求及表达的一致性。

信任感是双方可以信赖和依靠的一种意愿或情感

。根据信任理论，影响信任感形成有两个因素：第一因素是关系属性，关系属性是彼此间的关系状态及程度

。在关系属性中，人际关系的强弱程度会对消费者的行为意向产生影响，而信任在其中起到中介作用

。关系传播中的强关系往往被视为是一种可靠的信息来源

。而信息来源的可靠性可以影响消费者的信念和态度，有利于形成消费者信任

。基于此，提出假设：

H1：被推荐用户与推荐用户间的关系强度与被推荐用户对推荐内容的信任感呈现正相关关系，即关系强度越高则引发的信任感水平越高，反之亦然。

影响信任感的第二因素是情境因素，强调信任双方所处的环境特征

。兴趣匹配度不仅满足用户的信息任务动机，还能进一步提高沟通的可信度

。同时，兴趣匹配度会影响人际信任，用户也更倾向信任有共同兴趣爱好朋友的推荐

。因此，当被推荐用户与推荐者之间的兴趣匹配度水平较高时候，被推荐用户就容易信任由推荐者推荐的相关信息内容

。综上所述，提出假设：

在湿地处理系统中高盐份的土壤以及水会抑制普通植物的生长，影响植物根系吸水，同时过量Na+和Cl-会抑制其他微量元素的吸收，并且影响植物体内酶的特性，抑制叶绿素的合成，影响光合作用等[37]。研究发现，当盐浓度超过70 mmol/L时盐生植物仍然可以正常生长，这为利用人工湿地技术处理高盐度废水提供了新的理论基础。

对数据进行CMV检验，目的是避免问卷题项同源导致的方法偏差。本研究所采用的CMV检验方法共有两种，首先通过SPSS 25.0软件对问卷题项进行Harman单因子检验，结果显示：题项数据中一共抽取五个因子，其中第一个因子的方差贡献率为33.181%，低于相关标准的40%，说明存在较低的共同方法偏差，不会影响实证分析的结论。然后通过AMOS 24.0软件进行CMV检验，具体结果见表1。通过加入一个共同方法因子(该因子是所有变量测量项的集合)，各变量的实质性因素载荷(R

)仍然在p<0.001时显著，且远大于相应的方法因素载荷(R

)，同时方法因素载荷在p<0.05时不显著。此外，实质性因素解释的平均方差(R

=0.632)远远大于方法因子解释的平均方差(R

=0.002)。综上所述，通过两种方法的CMV检验，发现本研究的数据并不存在明显的共同方法偏差，可用于结构方程模型分析。

H2：被推荐用户与推荐用户间的兴趣匹配度与被推荐用户对推荐内容的信任感呈现正相关关系，即兴趣匹配度越高则引发的信任感水平越高，反之亦然。

首先，通过SPSS 25.0的软件对变量的题项进行信度检验，得到五个变量的Cronbach’s ɑ系数值，具体结果如下：

的Cronbach’s ɑ系数为0

865，

的Cronbach’s ɑ系数为0

827，

的Cronbach’s ɑ系数为0

843，

的Cronbach’s ɑ系数为0

848，

的Cronbach’s ɑ系数为0

828，同时问卷总量表的Cronbach’s ɑ系数为0

732。可以看出，五个变量的信度值较高，Cronbach’s ɑ系数均高于0

8，同时总量表的Cronbach’s ɑ系数也高于0

7，按照统计学的信度标准，题项具有较高的信度水平。

第一茬鲜食玉米种植时间在3月15日，要用地膜覆盖栽培。由于早春播种温度低，幼苗生长缓慢，导致生育期延长。所以，前期采用地膜覆盖加小拱棚的栽培方式，能有效地加快玉米生长速度，使其在6月10～20日正常成熟。由于鲜食玉米是在乳熟期收获的，比正常成熟的玉米起码早收10多天，实际生育期只有77～85天。因此，6月初即可上市。第二茬玉米在前茬收获前10天左右套种在行间，或提前10～15天用营养钵育苗，待苗长至3～5片叶时移栽也可。即5月中旬播种，到8月上、中旬上市。第三茬在7月中旬套种（或育苗），至10月上、中旬上市。如果有鲜贮设备，到元旦或春节期间上市，则效益更佳。

个体都具有情感状态，情感状态一般指个体通过对外部事件等客体的评价、反应所引发的心理意向状态，一般分为正面情感状态和负面情感状态。在正面情感状态下，人们常看到的是事物美好的一面，而忽视不美好的一面

。信任感作为一种正面的情感状态，可以积极影响消费者的行为

。同时，信任感会在内容推荐与后续行为之间产生中介效应

。换言之，用户对推荐内容具有更高的信任感，那么采用的可能性就较高。因此，提出假设：

H3：用户对推荐内容的信任感与对推荐内容的采用呈现正相关关系，即信任感越强则引发更高的推荐内容采用水平，反之亦然。

动机是支配个体行动的内在原因，因此会受到个体情感变化的影响。首先，个体会根据以往的经验、知识体系与社会的互动感受判断外界信息是否具有说服个体的意图，当个体在面对具有这种说服意图或者类似的劝说信息时，会产生较高程度的反感，对劝说行为产生消极反应，因此，在劝说信息与消费者的反感行为之间存在着复杂的内在心理动机

。同时，用户为了保护自身选择权的自由，会更倾向于行为回避。尤其是，在营销实践中网络平台过多采用主动式营销，强化了用户的心理抗拒。心理抗拒主要表现受众对推荐内容的操纵意图推断，即用户根据自身已有认知体系对营销者劝说策略的动机意识

。因此，有操纵性的行为都可能刺激用户产生怀疑并推断推荐内容带有操纵意图，进而产生心理抗拒

。同时，用户对推荐内容的操纵意图推断越显著，对推荐的采用意愿越弱

。正面情感会消除用户对信息的说服意图感知和心理抗拒

，个人对信任的推荐更容易产生积极的反应。所以用户对信源具有较高的正面情感状态，能够消除其对内容的操纵意图推断。因此，提出假设：

H4：用户对主动式推荐内容的操纵意图推断在对内容的信任感与推荐采用意愿的正相关关系中起中介作用，即信任感会降低操纵意图推断程度，进而促进推荐采用意愿的产生。

3.自我建构的调节作用

1.关系强度与兴趣匹配度对信任感的影响

两种自我建构类型的本质性差异会导致不同自我建构的个体具有不同的消费偏好和倾向

。具体来说，独立型自我建构的消费者会更加注重自我所具有的个性，更加重视自我的个体意志，倾向于通过产品与他人进行区分，并且更加偏好于那些具有独特、差异象征的产品、品牌和内容；依存型自我建构的消费者则表现出相反的消费倾向，会更加追求与群体或者他人在产品喜好上的相似或一致性，因此更加偏好那些能够与他人产生联系的产品、品牌和内容

。

独立型自我建构的用户更注重个人价值，更具有独立思考能力，积累了更多关于自我口味的经验，因此，更倾向于认为他们自己的口味是独特的

。同时，由于独立思考的特性与相对丰富的偏好经验，他们对内容的操纵性意图持有更强的怀疑态度。因此，对于独立型自我建构的用户而言，对推荐内容的信任感并不易降低其对推荐内容中操纵意图的推断。相比之下，依存型自我建构的用户更注重他人看法，追求与他人行为的一致性，容易通过对推荐内容的信任消除对推荐内容的操纵意图推断。据此，提出假设：

H5：用户的自我建构调节信任感对操纵意图推断的影响，即当用户为独立型自我建构时，信任感对减少操纵意图推断的影响较小，而当用户为依存型自我建构时，信任感对减少操纵意图推断的影响较大。

本文研究模型如图1所示：

绍兴文理学院是一所新建的地方本科院校。近年来，学校审时度势，结合区域经济社会发展特点和学校办学实际，在国家高等教育发展的大格局中找准位置，进一步冲破传统“精英教育”的办学理念和“学术型”人才的培养模式，大力推进应用型人才的培养工作，其间，经历了制订人才培养方案、修订课程教学大纲和改革课程教学模式“三部曲”。目前，已构建了具有理论先进性、系统完整性和可操作性的“三四五式”应用型课程教学模式，较为科学完整系统地回答了“如何进行应用型课程教学模式改革”问题。

福建省在国家防办制定的实施方案编制大纲基础上，制定了福建省建设实施方案编制大纲，监测预警系统建设技术要求，防御宣传手册、宣传栏、警示牌样式和防御预案编制要求和范本等。这些技术标准明确了“构建监测预警网络和群测群防的防御体系，完善‘预警到乡、预案到村、责任到人’工作机制，实现有效防御山洪灾害，保障人民群众生命安全，最大限度减轻山洪灾害损失”的建设目标；规范了建设任务、建设内容和概算编制要求等；体现了具有福建特色的项目总体要求和技术方案，为各地编制实施方案奠定了良好基础。

同时，采用线性相关分析来推断变量之间的相关性。分析结果显示，各变量两两之间均有显著的相关关系(p均小于0.01)，并进一步进行模型检验，发现变量间的相关系数均小于0.4，说明变量间具有相关关系，但并非为强相关关系，符合理论模型的要求。

三、研究设计

(一)数据收集

本研究通过让调查对象模拟某日在某平台浏览内容时，平台主动向其推荐新书籍的信息内容，让调查对象根据其平时在线浏览与阅读习惯回答问卷的题项来获取数据。为了保证问卷质量，研究采用Credamo平台进行随机抽样调查，并选择平台中的高质量用户(信用积分大于90分)作为调查对象，以确保调查数据的可靠性。

本研究运用AMOS 24.0软件进行结构方程模型的运算与验证，得到模型不同路径的标准化系数，如表2所示。

对

的标准路径影响系数有显著的正向影响，假设H1成立；

对

的标准路径影响系数有显著的正向影响，假设H2成立；

对

的标准路径影响系数有显著的负向影响；

对

的标准路径影响系数有显著的负向影响；

对

的标准路径影响系数有显著的正向影响，假设H3成立。

在回收的600份问卷中，剔除回答时间过短或过长、填写不完整的问卷，有效问卷为569份，有效回收率为94.83%。研究统计了用户的性别、年龄、受教育程度、个人月可支配收入以及在线购书经历等人口特征变量，其中女性用户占比38.7%，教育程度为大学本科的用户占比71.4%，21岁至30岁的用户占比64.1%，月可支配收入2000至6000元的用户占比52.2%，每日在线阅读时间多数用户集中在30至90分钟，占比68.7%。所有调查对象均在图书搜寻过程中接收到平台推荐的其他书籍信息。

(二)变量设定

本研究参考以往研究对变量进行设定与操纵。其中，自我建构(

)采用情景性操作手段进行激活

，对于分到独立型自我建构激活组的调查对象，要求其模拟和想象自己与家人、朋友不同的地方以及自己对自己的期望，并通过简短文字写下自己与他人不同之处与自我期望。对于分到依存型自我建构激活组的调查对象，要求其模拟和想象自己与家人、朋友的共同之处以及家人、朋友对自己的期望，并通过简短文字写下自己与他人的相同之处与自我期望。关系强度(

)衡量推荐与被推荐用户之间的关系连接水平

。兴趣匹配度(

)衡量推荐与被推荐用户在关注、兴趣、经历方面的匹配程度

。信任感(

)衡量用户间的信任水平，即被推荐用户对推荐用户的信任感

。操纵意图推断(

)衡量被推荐用户对推荐内容的反感、有效目的、操纵行为的推断程度

。推荐采用意愿(

)衡量用户对于推荐内容的关注、考虑、关注的行为意愿

。

四、实证结果分析

(一)信效度检验

2.操纵意图推断的中介作用

其次通过SPSS 25.0的软件对问卷题项进行KMO和Bartlett球形的显著性检验，KMO值为0.834，远高于标准值的0.7，同时Bartlett球体检验统计值的显著性水平小于标准值的0.001，说明题项数据的效度具有较高水平，适合做因子分析。

最后，通过AMOS 24.0软件中的极大似然法进行验证性因子分析，并检验结构效度与组合信度。在结果分析中，先构建一个验证性因子模型，再进行模型拟合。具体结果如下：验证性因子模型的卡方自由度比值2.494< 3.000，说明问卷的实际数据与理论模型之间的契合度较高；验证性因子模型由五个因子构成，其中五个因子的标准化因素负荷量值均大于0.5的标准值，临界比率C.R.均大于1.96的标准值，且不同因素的值均在0.001的水平上显著，说明该验证性因子模型的结构效度具有较高水平；不同变量所代表因子的组合效度较高，数值均大于0.7，同时不同因子的平均方差抽取量AVE值较高，均大于标准值的0.5，说明验证性因子模型的聚合效度良好；此外，模型中潜变量的AVE值的正平方根为0.785，大于相关系数中最大值的0.458，说明模型中潜变量之间具有良好的区分效度。

(二)探索性因子和相关性分析

对本研究的数据进行探索性因子分析，根据SPSS 25.0软件的系统默认1方法进行特征值大于1的因子提取，同时为保证最大限度地提取问卷题项中的信息，采用Kaiser标准化的正交旋转法，探索性因子分析在六次迭代旋转后收敛，前五个公因子的累计方差贡献率达到75.153%，远远高于标准值30%。因此，探索性因子分析所提取出的前五个公因子能够充分反映与解释原有变量中的大量信息，符合探索性因子分析的相关要求。

4.近年来奥巴马医疗改革——社会发展的要求。在奥巴马医改之前，美国与欧洲福利国家最大的不同就是，它没有像西欧国家那样面向全民的“国民医疗保险制度”，政府只负责65岁以上老人的医疗保险，其他公民的医疗保健都是由商业保险来负责的。而奥巴马上台后则针对这一情况进行改革。2010年国会通过了最终版本的医改法案，美国政府将在今后10年内投入9400亿美元，把3200万没有保险的美国民众纳入医保体系。在新法案下，美国医保覆盖率预计将从85%提升至95%，接近全民医保。

(三)共同方法偏差检验(CMV)

移动应用开发技术栈主要是框架和组件库的选型，架构师的主要工作已从原来的实现技术框架(加法)转变为从海量技术中选择最合适的技术组件(减法)。企业的移动开发团队需对移动应用的类型和技术领域进行分析，结合团队自身的技术积累和可能的投入总结出一套应对移动开发模式的技术栈。图1为移动开发技术栈参考模型，针对不同类型的开发模式，给出相应的技术选择域，对技术团队建设具有指导意义。

(四)结构模型检验

本研究通过结构方程模型验证潜在变量之间的关系。具体分析结果如下：

与

之间的关系由自变量间相关度确定，双箭头为模型运算需要的协方差关系，

与

之间的相关系数为0

393；同时，本研究对

的系数进行修正，以提高模型拟合优度情况。根据

修正系数，依次对残差e1-e5,e9-e14进行修正，得到修正后的模型。根据本研究相关的理论推导以及研究假设，构建五个变量之间的影响关系模型，即用户在基于关系的推荐框架下对推荐采用意愿的决策模型，如图2所示：

在构建好用户对推荐采用意愿的决策模型之后，对模型进行结构方程的实证分析，并对模型中误差项进行优化修正后，模型的整体拟合优度结果显示：一方面，模型的卡方自由度比值为2.822 ，远小于标准值的3.000，表示模型的适配度处于较高水平；另一方面，从模型的其他适配度指标看，模型的RMSEA指标为0.057，SRMR指标为0.086，GFI指标为0.944，CFI指标为0.96，IFI指标为0.96，PNFI指标为0.751，说明了模型中各结构方程的指标数值较高，表现较好，也说明总体上模型的拟合程度较佳，说明本研究提出的理论模型与问卷题项的实际数据之间契合较高，模型结果较有说服力。

调查问卷分为两个阶段：第一个阶段为预调研阶段，邀请150名调查对象(女性占比44.67%，年龄21至40岁占比94.67%)，根据模拟情景的要求填写问卷，验证刺激物的有效性，并对问卷题项的语义进行检查，通过对预调研的数据进行结构方程模型的初步分析，可以检测变量间的关系和结构与预设的模型是否方向一致。第二阶段为正式调查阶段，使用修订后的问卷进行调查，共发放问卷600份。问卷主要包括四个部分：(1)对调查对象进行不同自我建构的操纵；(2)让调查对象在浏览的模拟情景中，想象平台向其推荐一个新内容，并附上推荐框架“喜欢此内容的您的好友也喜欢某内容”，让调查对象对关系强度、兴趣匹配度以及信任感进行评价；(3)汇报个人对推荐内容的操纵意图推断、推荐采用意愿等相关问题；(4)汇报人口特征。

同时，采用AMOS 24.0软件进行Bootstrap中介检验，选取样本量N=2000，采用95%的置信区间。中介效应路径分析结果显示，中介路径

—

—

的中介效应的间接作用大小为0.10，置信区间为(0.061, 0.152)，不含0，达到显著性水平，假设H4，即

在

对

的正向影响中起中介作用。此外，本研究进一步对

中介效应的大小进行Bootstrap检验，本研究将Bootstrap检验的样本量N选取为2000，并采用95%的置信区间带入数据分析，具体结果见表3所示，其中在

为中介变量的四个中介路径中，95%的置信区间均不含0，因此

起显著的中介作用。

接下来，进一步研究调节变量

在

对

产生影响的过程中所起的调节作用。首先，带有调节变量的回归分析结果显示，回归调整的R

值为0

07，而方差分析结果显示，F值为15

156，对应的显著性水平为0

000，达到显著性水平，这两个指标都说明带有调节变量的模型拟合效果较好；其次，

对

有显著的负向影响，影响系数为-0

237，调节交互项

*

的标准回归系数为0

113，显著性值为0

006，达到显著性水平，说明交互项

*

对

有显著的正向影响，

的调节效应显著，为正向调节作用；最后，对调节效应进行进一步分析，调节变量

为1时表示依存型自我建构，为低调节；调节变量

为2时表示独立型自我建构，为高调节。结果显示，在

对

有显著负向影响的情况下，

为低调节时

对

的影响作用大于

为高调节时

对

的影响，由此，验证了假设H5。

五、结论与讨论

(一)研究结论

本研究结合情感适应理论与关系传播理论，构建了用户在基于关系的推荐框架下推荐采用的动态决策模型。研究发现，被推荐用户与推荐用户的关系强度与兴趣匹配度经过被推荐用户的评价而影响了其对推荐内容信任感的产生(H1 & H2)，而信任感会影响用户的推荐采用意愿(H3)。在信任感影响推荐采用意愿的效应中，被推荐用户对推荐内容的操纵意图推断起中介作用，具体而言，信任感会降低操纵意图推断，而更低的操纵意图推断会提高用户的推荐采用意愿(H4)。此外，用户的自我建构在信任感与操纵意图推断间起调节作用(H5)。

在整体发展中未能兼顾人口、资源、环境的协调一致，没有坚持量水而行、量水发展和以供定需等原则，工业产业全面发展，城市人口急剧增加，建设规模不断膨胀，同时水利基础设施建设滞后，输配水管网不配套，造成现有水资源得不到合理利用及严重浪费。用水量的过快增长超过了当地水资源的承载能力和环境容量，造成地下水超采、许多河流长期断流等一系列的生态环境问题。

等甲洛洛激动的心情渐渐平复，他又想起自己肩负的使命，既然小丁不是小偷，那小偷一定另有其人，可又是谁呢？他又开始从头整理思绪：

(二)理论贡献与实践启示

本研究通过构建用户推荐采用的决策模型，揭示了背后存在的心理机制，理论贡献如下：(1)采用关系传播理论提炼推荐框架下用户的感知因素，不仅提出了兴趣匹配度作为用户的信息任务动机对推荐采用意愿产生影响，还进一步从关系强度的角度提出了用户间互动的关系动机。相比以往研究，更细致地区分了用户的不同动机因素；(2)第一次引入信任感

，搭建了关系传播因素与用户推荐采用的情感环节，也将用户对内容的信任感来源区分为关系强度和兴趣匹配度两个变量，将信任感的学术研究进一步深化；(3)深挖决策模型中情感与意向中的动机反应——操纵意图推断。对心理抗拒理论与关系传播理论进行了跨领域结合，更为合理地解释了用户在心理抗拒的背景下如何积极采用推荐的心理机制框架；(4)解释了在不同自我构建类型下，基于关系的推荐框架对用户推荐内容采用的效应差异，这是第一次将自我建构作为调节变量研究心理抗拒与关系传播的效用，为后续相关研究提供了确定用户特质画像的新视角。

1.建立SVM模型。首先，确定训练集和测试集。本文将样本数据分为训练集与测试集，为了保证模型能够充分地学习到样本的信息，模型输入控制训练集大小与测试集大小的比例为7：3，且固定训练集和测试集中逾期样本与未逾期样本的比例为3：7。其次，构造划分超平面。设训练集为D={( )xi,yi}；其中yi={ - 1,1},i={ 3 1项指标下标 }。y=-1表示客户未逾期；y=1表示客户逾期。建立划分超平面为：

本研究也为网络平台实现基于关系推送的精准营销提供了实践指导：一方面，要选择与被推荐用户关系亲密的用户作为推荐用户，从而提高用户间在关系强度方面的传播力度；另一方面，可以通过算法向用户推送与其兴趣偏好相似度高的内容，从而让被推荐的用户降低对内容操纵意图的推断。此外，对于依存型自我建构的用户，可以使用基于关系的推荐框架，而对于独立型自我建构的用户，可以基于产品的推荐框架进行推荐。

(三)研究局限与展望

本研究存在一定局限性：第一，构建了用户推荐采用的决策模型，但由于篇幅限制，未采用行为实验对模型中的不同路径进行因果关系的进一步确定，内部效度还有提高的空间；第二，对于用户推荐采用的决策模型，可能还存在其他的边界条件，如推荐产品类型的不同是否会对用户采用产生不一样的影响，未来可以进行进一步研究。

乡村旅游所带来的巨大消费市场，让不少人都想从中分得一杯羹。然而产品服务的同质化、商业信誉参差不齐，都势必导致市场混乱。因此，政府要制定相关管理规定，建立市场机制，规范经营行为，避免不正当竞争。在此基础上还应加强监管制度，让经营者在不可影响游客的正常旅行的前提下展开商业活动，为游客提供便利服务。另一方面，对影响景区正常营业，污染自然环境，破坏基础设施的行为，应实行严厉的惩罚措施。

采用3p97软件计算各组大鼠体内ATV的药动学参数，详见表1。ATV在各组大鼠体内的药动学特征均符合非房室模型。采用SPSS 17.0软件进行组间单因素方差分析，结果表明丹红注射液低、中、高剂量联用组的cmax、AUC0-24、AUC0-∞均高于ATV单用组，差异有统计学意义（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]黄正伟, 冯翠, 何伟军. 心理抗拒理论下顾客在线购物体验研究[J]. 商业经济研究, 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]蒋晶. 影响我国个人捐赠者捐赠决策过程的心理机制——基于情感适应理论的实证研究[J]. 中国软科学, 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]杨楠. 网红直播带货对消费者品牌态度影响机制研究[J]. 中央财经大学学报, 2021, (2): 118-128.

[20]谭春辉. 网络口碑传播要素对浏览者信任感知的影响研究[J]. 兰州学刊, 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]孙瑾, 郑雨, 陈静. 感知在线评论可信度对消费者信任的影响研究——不确定性规避的调节作用[J]. 管理评论, 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]杨一翁, 孙国辉, 王毅. 消费者愿意采用推荐吗?——基于信息系统技术接受模型[J]. 中央财经大学学报, 2016, (7): 109-117.

[25]魏尉, 梅姝娥, 仲伟俊. 商户与用户间社交关系对渠道协调的影响研究[J]. 系统工程理论与实践, 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, 刘钾, 孙国辉. 熟人还是陌生人, 消费者为谁而改变?——不同类型的他人在场对消费者多样化寻求行为的影响[J]. 中央财经大学学报, 2020, (4): 91-97.

[29]彭岚, 施莉. 基于精细可能性模型的电子口碑对消费者购买意愿影响研究[J]. 软科学, 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. 网上信用服务对消费者信任感知的影响研究[J]. 软科学, 2016, (8): 107-112.

[32]刘红艳, 魏伟, 卫海英. 非目标消费群体品牌使用行为对目标消费者品牌态度的影响——自我建构的调节作用[J]. 管理评论, 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]贺远琼, 唐漾一, 张俊芳. 消费者心理逆反研究现状与展望[J]. 外国经济与管理, 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]黄元豪, 李先国, 黎静仪. 网红植入广告对用户行为回避的影响机制研究[J]. 管理现代化, 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]武丽慧. 自我建构对口碑两极分化产品偏好的影响及作用机制[J]. 心理科学进展, 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]万君, 王慧. 用户对网络社群主动式推荐信息的心理抗拒与接受意愿研究[J]. 信息资源管理学报, 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.