人工智能算法推荐会增加消费者的品牌好感吗？

范月娇，刘香港

(华侨大学工商管理学院，福建 泉州 362021)

一、引 言

以人工智能(AI)、区块链(Block Chain)、云计算(Cloud)、大数据(Data)等为代表的新一代信息技术的应用正逐步成为全球经济增长的新动力，对人们生产活动的内容和方式产生深刻影响，推动了营销战略的全方位变革，促使营销迈向“营销5.0”阶段[1]。消费者需求也呈现出高度易变、不确定、模糊和复杂的特征，传统品牌产品推荐方式和营销模式越来越难以应对这一挑战。于是人工智能算法作为收集和运用数据的有效工具应运而生，企业使用它来捕获并分析消费者所产生的海量数据，勾勒用户画像，利用算法推荐给消费者推送相关的产品和广告信息，以期达到品牌形象塑造和产品推广的目的。人工智能算法推荐已成为营销理论和实务界关注的焦点。

现有人工智能算法(简称AI算法)推荐对品牌影响的研究有限，且分成两种不同的观点。一种观点认为AI算法推荐有利于品牌影响力传播，因为AI算法推荐在预测消费者喜好基础上进行信息的精准分发，在注意力稀缺的当下，这无疑是企业提高营销效率的良好途径[2]。例如，AI算法推荐能够通过特定方式提升品牌认可度，促进品牌产品的推广[3]，并通过机器学习算法的动态识别模型影响消费者的品牌决策偏好[4]。另一种观点认为AI算法推荐并不总是受到消费者青睐[5]，算法歧视、“大数据杀熟”及诱导沉迷等算法应用导致的问题深刻影响着消费群体。例如，Srinivasan和Sarial-abi(2021)[6]认为算法推荐可能会造成消费者品牌伤害危机；Dietvorst等(2015)[7]研究了消费者对智能算法推荐负面特征的算法厌恶效应。究其原因，主要是由AI算法的隐私性和侵入性负面特征所引起，并对消费者采纳、购买意愿和行为会产生重要影响。

人工智能算法推荐如何保证用户的信息选择权和知情权，解决隐私担忧的困扰[8]？对个人行为轨迹、用户画像数据的侵入性采集是否会将消费者置于时时被监控的“圆形监狱”之中[2]？企业采用人工智能算法推荐的方式真的能加深消费者对品牌的认知吗？越来越多的算法不能如预期的那样执行，甚至会造成品牌伤害危机。然而，研究及营销人员对消费者的品牌反应知之甚少[6]。因此，本文基于心理抗拒理论，利用情景实验以及Bootstrap等分析方法，分析人工智能算法推荐负面特征对消费者品牌态度的影响，并深入研究人工智能算法推荐的隐私性和侵入性如何影响消费者对品牌的态度？探索消费者心理抗拒的心理特征在此过程的作用以及消费者对品牌的依恋是否会改善其品牌态度。

二、理论框架与研究假设

(一)人工智能算法推荐负面特征对消费者品牌态度的影响

目前人工智能算法推荐主要有隐私性(Privacy)和侵入性(Intrusiveness)的负面特征，两者紧密关联而又有所区别。由于学者研究目的和角度不同，对隐私性并未形成统一认识，《中华人民共和国民法典》将隐私定义为“不愿为他人知晓的私密空间、活动与信息，并且依法受到保护，不受他人侵扰、知悉、使用、披露和公开”。而侵入性被定义为“消费者认为利用技术手段而滥用私人信息”[9]，更强调的是对个人信息的获取手段。研究表明人工智能算法推荐与监视用户及其日常生活有关，包括获取、使用和存储个人数据，以监测和控制从屏幕时间、卫生习惯到饮食和旅行时间表以及其他活动的一切情况[10]，一些设备甚至使用传感器和麦克风，以便更容易根据用户的兴趣做出针对性推荐[11]。这两种AI算法推荐的负面特征会模糊公共领域和私人领域之间的界限，让消费主义文化最大程度占据着公众的注意力[12]，从而对消费者品牌态度产生重要影响。

品牌态度是指消费者通过学习和强化习得的以一种喜欢或不喜欢的方式对品牌发生反应的习惯性倾向，表现为消费者对品牌的认知、情感、行为倾向。虽然在“数智化”赋能下，消费者已不再是品牌价值的被动接受者，还可以通过体验反馈、口碑传播等方式参与品牌的价值创造过程[13]，但是品牌商如果凭借AI算法推荐对消费者的信息隐私造成侵扰，尤其是违规收集消费者的浏览、购买等个人信息，使消费者的日常时时在品牌商的跟踪与监测之下，甚至在消费者未授权时对其进行品牌产品的侵入性推荐，就会侵占用户的注意力资源，反而引起消费者对品牌的负面感知。因此，AI算法推荐的隐私性和侵入性会伤害消费者品牌态度或违反消费者对品牌价值的期望，使得品牌商向消费者提供承诺利益的能力受到损害，甚至产生品牌伤害危机，导致消费者对品牌产生负面态度[14][15]。这会对公司品牌的声誉造成重大威胁，增加品牌的脆弱性，使得营销效果适得其反[16]。据此，提出假设：

H1：人工智能算法推荐的负面特征对消费者品牌态度产生负面影响。

H1a：人工智能算法推荐的隐私性对消费者品牌态度产生负面影响；

H1b：人工智能算法推荐的侵入性对消费者品牌态度产生负面影响。

(二)心理抗拒的中介作用

心理抗拒(Psychological Reactance)是指个人在行为方面有一定的自由，如果个体受到约束导致行为自由被减少或受到减少的威胁，个人将被激发出重新获得它们的一种心理反应[17]。在营销观念发生巨大转变和新的营销策略不断涌现的今天，关注消费环境下的心理抗拒尤为重要，因为消费者越来越敢于尝试或接受新事物、新产品，更多地追求体验感和对情感价值需求的满足，更期待具有独特个性、能带来增值性体验的新服务和新产品。与此同时，消费者看重的还是品牌本身的服务价值，并不会为这些品牌的花式营销手段所影响，而AI算法推荐由于其隐私性和侵入性的负面特征，可能引发消费者心理抗拒并采取与企业意愿相反的行为。Alepis和Patsakis(2017)[18]研究发现虽然AI算法推荐为用户提供了好处，但技术的持续进步可能会对个人隐私构成较大威胁，并且人们对隐私的担忧将继续增长[19]；有研究还发现，信息隐私、未经授权的个人信息二次使用和感知入侵都会对消费者对智能服务或产品的抵制产生影响[20]。Puntoni等[21]认为，由于AI算法推荐的“不可解释性”、数据捕获过程的侵入性以及缺乏透明度和问责制，消费者会在AI算法推荐的数据捕捉过程中感受到被利用。因此，AI算法推荐可能会威胁到消费者对个人数据的所有权，并挑战个人控制，使消费者感知决策自由权和自治权受到侵犯[22]，并对推荐的内容产生操纵性意图推断，从而产生抗拒心理，拒绝接受算法推荐的建议[23]。并且，随着AI算法推荐频率的提高，用户甚至会出现倦怠心理，产生更严重的抵触情绪，部分用户可能故意做出与预测结果不一致的其他选择，甚至会因过于精准的推荐结果而放弃消费[24]。据此，提出假设：

H2：人工智能算法推荐的负面特征对消费者心理抗拒产生正向影响。

H2a：人工智能算法推荐的隐私性对消费者心理抗拒产生正向影响；

H2b：人工智能算法推荐的侵入性对消费者心理抗拒产生正向影响。

心理抗拒理论指出当个体对有说服力的信息产生心理抗拒时，会以相反的方向抵制或改变其态度与行为[25]。对于心理抗拒与品牌之间的关系，汪涛等(2014)[26]认为当人们面临选择时，可能将外界影响看作对自己自由的威胁，而人们一旦预测未来继续与品牌的互动可能会影响到自己的自由，便会引发抗拒心理。一方面，当消费者认为平台企业生成的内容都是精心设计的品牌信息时，尤其是品牌商通过AI算法进行商业目的明显的信息推荐时，消费者会感受到强迫性和被操纵感，这一认知过程将削弱消费者对品牌的接受热情[23][27]；另一方面，AI算法推荐信息自动且持续性出现在用户界面时，会侵占用户的注意力资源，使用户产生“厌腻感”[28]，从而使用户对推荐品牌的态度产生负面影响。据此，提出假设：

H3：心理抗拒对消费者品牌态度具有显著负向影响。

关于心理抗拒在人工智能算法推荐与消费者品牌态度之间的作用，Benlian等(2020)[29]认为智能产品的隐私性会导致用户觉得他们失去了对所披露信息的控制，这会引发不信任的抗拒心理，从而使他们不可能使用该品牌的产品[30]；Veritas发布的全球消费者数据隐私报告调查结果表明，消费者甚至会对未能妥善保护个人数据的企业采取惩罚手段，会停止从该企业购买产品和服务，还会鼓励朋友和家人共同抵制并且考虑转向选择竞争对手的品牌。侵入性也会对消费者行为有负面影响。如来自第三方的未经请求的定向广告或未经建议的推荐，以及无意中的语音激活等，构成了用户侵犯性的担忧，引发心理抗拒，成为新技术采用的障碍[30]。综上，本文认为消费者在对AI算法推荐的隐私性和侵入性产生心理抗拒后，会对其推荐品牌的态度产生负面影响。据此，提出假设：

H4：心理抗拒在人工智能算法推荐负面特征与消费者品牌态度间起中介作用。

H4a：心理抗拒在人工智能算法推荐隐私性对消费者品牌态度的影响中起中介作用；

H4b：心理抗拒在人工智能算法推荐侵入性对消费者品牌态度的影响中起中介作用。

(三)品牌依恋的调节作用

消费者对AI算法推荐负面特征的敏感性因人而异，品牌依恋(Brand Attachment)是个人与品牌之间一种富有情感的独特纽带关系，在品牌关系的层级中位于最高等级，表现出对品牌的强烈依恋行为[31]，因此品牌依恋会对消费者的心理及行为产生重要影响。Roy等(2017)[32]指出，对品牌的情感依恋是增强消费者对品牌真实性的认知、恢复消费者品牌信任的基础；Kim和Yim(2022)[33]认为与品牌关系密切的人倾向于以偏颇的方式处理负面信息，以保护他们对品牌的感情，因此负面信息并不足以通过激活防御性信息来影响人们得出预期的结论；Whelan和Dawar(2014)[34]研究认为品牌伤害危机后的指责归因取决于消费者的品牌依恋风格，具有安全依恋风格的消费者将最少指责品牌。即使AI算法推荐具有隐私性和侵入性特征，由于对品牌的依恋，消费者爱屋及乌，也不会或者较少产生心理抗拒，使AI算法负面特征对品牌负面态度的影响减弱。因此，品牌依恋可以让消费者觉得AI算法推荐该品牌是诚实和善意的，感知到的隐私性和侵入性较小。据此，提出假设：

H5:品牌依恋会调节人工智能算法推荐负面特征对消费者心理抗拒的影响。

H5a:品牌依恋会调节人工智能算法推荐隐私性对消费者心理抗拒的影响；

H5b:品牌依恋会调节人工智能算法推荐侵入性对消费者心理抗拒的影响。

H6：品牌依恋会调节人工智能算法推荐负面特征对消费者品牌态度的影响。

H6a:品牌依恋会调节人工智能算法推荐隐私性对消费者品牌态度的影响；

H6b:品牌依恋会调节人工智能算法推荐侵入性对消费者品牌态度的影响。

综上所述，本文的研究模型如图1所示：

图1 研究模型

三、研究设计

本文通过两项情景实验问卷研究对假设进行验证：研究一主要检验人工智能算法推荐隐私性和侵入性负面特性对消费者品牌态度的影响及心理抗拒的中介作用，即验证假设H1至H4；研究二检验品牌依恋在人工智能算法推荐负面特性对消费者品牌态度的影响过程中的调节作用，并再次验证AI算法推荐隐私性和侵入性对品牌态度的影响，即验证假设H5至H6。

(一)预实验

预实验的目的是验证品牌依恋存在与否场景设计的合理性和测量量表的信效度。基于Cohen(1977)的计算方式和相关研究，采用G*Power进行事前(A priori)设定统计功效来确定样本量，将效应规模设置为中等效应值0.25(effect size f=0.25)，双尾检验的α水平控制在0.05，期望功效值确定为0.8(power=0.80)，然后输入分组数，计算出本研究的样本数应当达到128以上。因此，预实验通过Credamo平台招募了165名被试，被随机分配到两组情境下(有品牌依恋/无品牌依恋组)。被试先填写人口统计学相关信息，再使用问卷设计中的流程控制功能进行随机实验，按照平均分配的逻辑，被试被分配到A、B两个不同的品牌依恋场景实验组里，随后阅读相关场景的材料并对相关问题的测验进行评分。

预实验结束后，剔除极端值和作答时间过少的样本，总体样本量为N=152(男性42.8%，女性57.2%，年龄段集中分布于18—50岁之间，约占98%，受教育程度集中于本硕阶段)，同时各组样本容量N无品牌依恋=77、N有品牌依恋=75。验证性因子分析结果表明，所有测量题项的因子载荷介于0.625—0.954之间，均大于0.5的最低标准，平均方差抽取量AVE值除研究二的品牌态度为0.466，略低于0.5外，其余均高于0.5，组合信度CR值和Cronbach’s α值均大于0.7的标准，表明预实验测量的信效度良好。同时，操纵性检验结果表明，有品牌依恋组被试得分(M高品牌依恋=5.89，SD=0.60)显著高于无品牌依恋组被试(M低品牌依恋=2.89，SD=1.29)，F(1，150)=31.158，p<0.001，说明对品牌依恋的操纵检验成功，表明本实验的测量、操纵方式可以运用于正式实验。

(二)其他实验控制

为控制共同方法偏差，本研究以匿名方式收集数据，并在卷首语中告知被试答案没有对错之分，鼓励其真实作答。为提高实验质量，将平台被试信用分以及历史采纳率均设置为80%以上，多次发布作答的用户不重复，以保证预实验和正式实验的被试不同，IP地址只允许作答一次且开启定位授权。实验结束后根据问卷情景实验问卷题项的多少，给予被试一定的报酬。

四、研究一：心理抗拒的中介作用

(一)被试及测量

针对人工智能算法推荐，实验一的场景设计为无品牌依恋的综合型电商平台App采用算法推荐的场景：假设你经常在一些综合型电商平台的App商城购物，这些平台入驻了很多品牌商，这些品牌并非是你的最爱，但平台的品牌商都会通过AI算法对你进行相关品牌产品的信息推荐。为便于被试理解，附有部分相关算法推荐截图，并请被试结合平时类似的品牌推荐体验，回答后续问题。

实验问卷测量题项如下：参考Swaminathan等(2007)[15]的研究，对品牌态度的测量从质量认可程度、喜爱程度、支持程度、品牌讨人喜欢程度以及总体态度5个题项进行测量；参考Mwesiumo等(2021)[8]的研究，形成“我担心智能算法推荐会收集我太多的信息”等4个题项和“我认为我的个人数据(名字、电话、地址、支付记录等)在未经我许可的情况下被监控、搜寻、记录或者被盗过”等4个题项，分别测量AI算法推荐的隐私性和侵入性；参考Edwards等(2002)[35]的研究，心理抗拒采用“智能算法强制推荐让我失去自由选择的机会令我感到不满”等4个题项进行测量，所有量表均采用李克特七点计分方式。实验共回收有效样本177份，其中男性81人(45.8%)、女性96人(54.2%)；人口年龄段主要分布在18—29岁(44.6%)、30—39岁(47.5%)以及40—49岁(6.8%)，样本构成合理，适合进一步分析。

(二)信效度及共同方法偏差分析

利用Amos 24.0进行验证性因子分析(CFA)来检验量表的建构效度，结果如下：RMSEA为0.066，小于0.7；χ2/df为1.762，小于3；NFI、RFI、IFI、TLI、CFI均大于0.9，表明模型拟合优度良好。各题项的因子载荷位于0.723—0.939之间，组合信度CR值和Cronbach’s α值均大于0.7，表明构念具有良好的信效度。

此外，进行Harman单因子检验，在未旋转时第1个因子解释总变异的34.093%，小于临界值50%；参考Liang等(2007)[36]的研究，在模型中纳入一个共同方法因子，其指标包括所有主要变量结构的因子，并计算实质性因子载荷和共同方法因子载荷的方差变异量。结果表明，各指标的平均实质性解释方差为0.619，而基于共同方法因子的解释方差为0.080，实质性方差与方法方差之比约为8:1，存在较大差异。此外，大多数共同方法因子负荷都不显著。综上表明，共同方法偏差在可接受范围内，对结果影响较小。

(三)假设检验

直接效应的回归分析结果表明，AI算法推荐的负面特征对消费者的品牌态度有显著的负向影响(β=-0.362，F(1，170)=11.484，ΔR2=0.226，p<0.001)，假设H1得到验证。其中，隐私性对品牌态度具有显著负向影响(β=-0.33，F(1，170)=10.999，ΔR2=0.217，p<0.001)，侵入性对品牌态度具有显著负向影响(β=-0.36，F(1，170)=10.714，ΔR2=0.212，p<0.001)，假设H1a和H1b得到验证。AI算法推荐的负面特征对消费者心理抗拒有显著的正向影响(β=0.815，F(1，170)=72.613，ΔR2=0.591，p<0.001)，假设H2得到验证。其中，隐私性对心理抗拒有显著正向影响(β=0.722，F(1，170)=56.9，ΔR2=0.539，p<0.001)，侵入性对心理抗拒有显著正向影响(β=0.833，F(1，170)=71.087，ΔR2=0.586，p<0.001)，假设H2a和H2b得到验证。心理抗拒对消费者的品牌态度具有显著负向影响，β=-0.566(p <0.001)，且可以解释32.1%的变异量(ΔR2=0.321)，假设H3得到验证。以上回归的膨胀因子VIF最大为3.513，均在合理范围内，故不存在明显的共线性问题。然而逐步回归时发现当加入中介变量心理抗拒时，AI算法推荐负面特征对品牌态度的影响不显著，这可能是由于心理抗拒完全中介所致，故进一步采用Bootstrap法进行中介效应检验。

按照Hayes提出的Bootstrap方法和步骤进行中介效应检验，选择Model 4，样本量为5000，并对各变量进行标准化处理，取样方法为选择偏差校正的非参数百分位法，统计结果不包含0为显著，包含0为不显著。

由表1可知，模型的总体效应是显著的，效应值为-0.365，95%置信区间为[-0.453，-0.277],不包含0；隐私性和侵入性对品牌态度的合并效应值为-0.116，95%置信区间为[-0.275，0.044],包含0，其中隐私性和侵入性对品牌态度直接影响值为-0.105、-0.090，95%置信区间包含0，说明中介作用下的直接效应并不显著；而隐私性和侵入性合并效应通过心理抗拒对品牌态度的影响效应值为-0.250，95%置信区间为[-0.407，-0.090]，不包含0，其中隐私性和侵入性通过心理抗拒对品牌态度的影响效应值分别为-0.225和-0.281，95%置信区间均不包含0。综上，说明心理抗拒在这个过程中起完全中介作用，印证了前文的推断，即假设H1至H4得到验证。

表1 心理抗拒的中介效应(N=177)

五、研究二：品牌依恋的调节作用

(一)被试及测量

实验二的设计为有品牌依恋的场景，让被试回忆并想象自己在一个最喜欢的品牌App商城购物，这个品牌会经常进行相关产品信息推荐,要求被试结合喜欢品牌的情况回答后续问题。为确保该组被试具有依恋的品牌，设置了“请问您是否有自己最喜欢的品牌”的题项进行甄别，并进一步要求被试写出最喜欢品牌的名称，确定被试依恋该品牌，否则被试将被拒绝参与后续实验。

在本研究中，AI算法推荐的隐私性与侵入性、心理抗拒以及品牌态度的测量同研究一，不同的是增加了调节变量品牌依恋的测量题项，参考Malär等(2011)[37]的研究，形成“如果放弃这个品牌我会感到难过”等4个题项。实验二的样本数为197，其中男性91人(46.2%)、女性106人(53.8%)，集中分布于18—29岁(49.7%)、30—39岁(40.1%)以及40—49岁(7.1%)，大学学历占比较大，样本信息构成合理。

(二)信效度分析

(三)假设检验

利用Bootstrap进行中介效应检验，结果显示，AI算法推荐的隐私性和侵入性合并对心理抗拒有显著正向影响(β=0.682，t=13.584，p<0.001)，其中，隐私性对心理抗拒有显著正向影响(β=0.573，t=12.348，p<0.001)，侵入性对心理抗拒也具有显著正向影响(β=0.648，t=12.018，p<0.001)；隐私性和侵入性合并对品牌态度有显著负向影响(β=-0.163，t=-4.727，p<0.001)，隐私性对品牌态度有显著负向影响(β=-0.113，t=-3.634，p<0.001)，侵入性对品牌态度有显著负向影响(β=-0.186，t=-5.404，p<0.001)；心理抗拒对消费者的品牌态度具有显著负向影响(β=-0.156，t=-3.1424，p<0.01)，假设H1至H3再次得到验证。

由表2可知，AI算法推荐负面特征通过心理抗拒中介作用的总效应是显著的，效应值为-0.219，95%置信区间不包含0；AI算法推荐负面特征对品牌态度影响的合并效应的95%置信区间均不包含0，说明中介效应显著。其中隐私性对品牌态度直接影响值为-0.046，95%置信区间包含0，而隐私性通过心理抗拒对品牌态度的影响效应值-0.126，95%置信区间不包含0，说明心理抗拒在隐私性对品牌态度影响过程中起到完全中介作用；侵入性对品牌态度直接效应为-0.140，95%置信区间不包含0，其通过心理抗拒对品牌态度影响的中介效应值为-0.095，95%置信区间不包含0，说明心理抗拒在侵入性对品牌态度影响过程中起到部分中介的作用，再次验证了假设H4。

表2 心理抗拒的中介效应(N=197)

(四)调节效应检验

采用被调节的中介模型检验在不同品牌依恋水平上，AI算法推荐的隐私性和侵入性通过心理抗拒对品牌态度所产生的效应是否存在差异。参照Hayes提出的Bootstrap方法对隐私性和侵入性分别进行检验(选择Model 8)，样本抽取量设置为5000次。结果发现,品牌依恋对AI算法推荐的隐私性对心理抗拒以及品牌态度的交互项不显著(β1= 0.044，β2=0.026，p>0.05)，说明品牌依恋并未在两者之间起到调节作用。在AI算法推荐侵入性对品牌态度的影响中，品牌依恋对直接效应的调节也不显著(β3=0.035，p>0.05)，但是品牌依恋在侵入性与心理抗拒的关系中具有显著的调节作用(β4=0.153，p<0.05)，且被调节的中介效应显著(Index为-0.0159，95%置信区间不包含0)，H5b得到验证。为分析品牌依恋在侵入性与心理抗拒中的调节效应，进一步做简单效应分析，采用加减一个标准差区分高品牌依恋和低品牌依恋水平下(如表3)AI算法推荐侵入性对消费者心理抗拒的影响，并制作简单斜率分析图,见图2。

表3 简单斜率分析表

图2 简单斜率分析图

由图2可知，在AI算法推荐侵入性水平较低，品牌依恋水平较高时，消费者心理抗拒水平较低，而当消费者品牌依恋水平较低时，消费者的心理抗拒水平较高，故品牌依恋起到调节作用。即使如此，随着侵入性水平的提高，即使有品牌依恋的调节作用，消费者的心理抗拒水平也会提升，因此AI算法推荐并不一定能够促进消费者的品牌好感度。综上，假设H6不成立，假设H5部分成立。

六、结论与启示

(一)研究结论

本文构建了包含人工智能算法推荐负面特征(隐私性和侵入性)、心理抗拒、品牌态度以及品牌依恋变量的被调节的中介模型，检验结果表明：(1)人工智能算法推荐是目前品牌商普遍采用的营销技术和竞争手段，但人工智能算法的隐私性和侵入性不可避免地对消费者的品牌态度会产生显著的负向影响，这与Srinivasan和Sarial-abi(2021)[6]的研究结论一致；(2)在人工智能算法推荐负面特征对消费者品牌态度影响的过程中，消费者的心理抗拒起到了完全中介作用，也印证了Dietvorst等人(2015)[7]研究中算法厌恶效应的存在，由于AI算法推荐的负面特征，尤其是算法预测与人类相比出现错误时，会极大引起消费者的心理抗拒，从而负向影响消费者对品牌的态度；(3)品牌依恋在人工智能算法推荐对消费者品牌态度直接影响过程中的调节作用不显著，这可能是受消费者心理抗拒的完全中介作用的影响，但是品牌依恋在AI算法推荐的侵入性与心理抗拒的关系中具有显著的调节作用，这与先前的研究一致，即与品牌关系密切的人倾向于以偏颇的方式处理负面信息，以保护他们对品牌的感情，具有品牌依恋的消费者将较少的指责归咎于品牌[32][33]。

(二)贡献与启示

本文的理论贡献在于：(1)聚焦当下人工智能技术的应用效果，对智能营销领域算法推荐的结果研究进行了拓展，揭示了人工智能算法推荐对企业品牌的影响机理；(2)研究了品牌依恋在人工智能算法推荐的负面特征对消费者心理抗拒的调节作用，探索了人工智能算法推荐对消费者品牌态度影响的边界条件；(3)从人工智能算法与品牌之间的关系入手，是对营销领域中人工智能算法推荐与消费者品牌响应的有益探索。

本文的实践启示是：(1)企业为达到品牌产品推广的目的，可以采用AI算法推荐来增加消费者的品牌认知，但应该深耕推荐内容，规避或减少隐私性和侵入性等负面特征带来的影响。尤其在“内容为王”的Web3.0时代，只有深化所推荐品牌的内涵，不断迭代优化，找到最能打动消费者的内容，才能增加消费者的品牌好感，塑造品牌形象。(2)企业要改善AI算法推荐的技术与形式，给予消费者更多推荐掌控权，设置推荐的可选择性，提供可解释性的算法推荐程序，从而增强交互体验，减少心理抗拒。同时实现AI算法推荐策略的转变，用激发消费者“意外新奇感(Serendipity)”的逻辑做销售[38]，推动企业从“货找人”式推荐向吸引消费者的“人找货”模式的转变，形成双向融合的消费共创模式。(3)企业应该细分消费群体，对具有品牌依恋的消费群体，特别是“忠粉”群体展开AI算法推荐，将诸如品牌产品的新特征和性能等优质化内容进行推广，让消费者及时享受新的优质体验，拉近消费者的心理距离，强化情感需求，塑造品牌的核心竞争力，但对无品牌依恋的对象则不宜过多采用AI算法推荐，一味推荐可能会适得其反。因此，企业应该高度重视培养消费者的品牌依恋，适当延伸产品或服务品牌的内涵，通过增强体验吸引消费者，并构建完善的反馈机制。

(三)研究局限与展望

首先，本文并未对人工智能算法的类型进行详细划分，如推荐系统生成推荐所采用的算法不同，消费者对个性化推荐的反应也会不同，消费者的品牌感知也可能有所不同；其次，本文也未对品牌依恋的类型进行具体划分，根据依恋理论，不同的依恋风格对消费者品牌感知的影响也是不同的；最后，“可解释性”对揭示算法黑箱有着重要作用，当消费者理解了AI算法推荐的黑箱，其品牌感知会有所不同，这可在以后的研究中进行探讨。