基于用戶滿意度的學(xué)術(shù)文獻(xiàn)推薦評價(jià)研究

陳海華，何文靜（. 武漢大學(xué)信息管理學(xué)院，武漢 430072； 2. 武漢大學(xué)信息檢索與知識挖掘研究所，武漢 430072）

基于用戶滿意度的學(xué)術(shù)文獻(xiàn)推薦評價(jià)研究

陳海華1，2，何文靜1
（1. 武漢大學(xué)信息管理學(xué)院，武漢 430072； 2. 武漢大學(xué)信息檢索與知識挖掘研究所，武漢 430072）

學(xué)術(shù)文獻(xiàn)推薦可以自動化地為學(xué)者推薦合適的文獻(xiàn)。借助于文獻(xiàn)推薦，用戶可以在一定程度上提高文獻(xiàn)檢索的效率。鑒于當(dāng)前對文獻(xiàn)推薦的評價(jià)缺少實(shí)證研究，本文從文獻(xiàn)推薦的內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力三個(gè)方面，檢驗(yàn)其對用戶滿意度和持續(xù)使用意愿的影響關(guān)系。利用量表式問卷對網(wǎng)絡(luò)用戶進(jìn)行調(diào)查，通過結(jié)構(gòu)方程建模的方法對所回收的問卷進(jìn)行分析。用戶使用文獻(xiàn)推薦服務(wù)的滿意度受到推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力的影響，進(jìn)而影響其持續(xù)使用意愿。

學(xué)術(shù)文獻(xiàn)推薦；推薦內(nèi)容質(zhì)量；服務(wù)質(zhì)量；技術(shù)能力；用戶滿意度

1 引言

文獻(xiàn)調(diào)研是研究者撰寫學(xué)術(shù)文獻(xiàn)的重要環(huán)節(jié)，作者一般會借助谷歌學(xué)術(shù)、百度學(xué)術(shù)等學(xué)術(shù)搜索引擎或Web of Science、中國知網(wǎng)、萬方、維普等數(shù)據(jù)庫進(jìn)行相關(guān)文獻(xiàn)的檢索。在學(xué)術(shù)文獻(xiàn)數(shù)量飛速增長的當(dāng)代，每天都有數(shù)以萬計(jì)的學(xué)術(shù)成果被發(fā)表，據(jù)R.M. May［1］1997年的統(tǒng)計(jì)結(jié)果，公開出版物的年增長速率為3.7％，特別是在一些比較熱門的研究領(lǐng)域，這個(gè)數(shù)字更為驚人［2］。在這種環(huán)境下，傳統(tǒng)的文獻(xiàn)檢索在檢全率和檢準(zhǔn)率上很難滿足需求，且往往會耗費(fèi)研究者大量的精力。學(xué)術(shù)文獻(xiàn)推薦是根據(jù)用戶的研究背景、檢索歷史、文獻(xiàn)內(nèi)容等信息自動化地為用戶推薦相關(guān)的符合其偏好的學(xué)術(shù)文獻(xiàn)［3］。借助文獻(xiàn)推薦，用戶可以方便地進(jìn)行主題跟蹤，在一定程度上提高文獻(xiàn)檢索的效率，降低對重要相關(guān)文獻(xiàn)的遺漏。

然而，當(dāng)前針對學(xué)術(shù)文獻(xiàn)推薦的研究主要集中于推薦技術(shù)和方法的運(yùn)用、推薦系統(tǒng)的構(gòu)建和推薦系統(tǒng)的評價(jià)指標(biāo)等方面，缺乏學(xué)術(shù)文獻(xiàn)推薦的用戶研究［4］。在實(shí)際應(yīng)用中，推薦結(jié)果的準(zhǔn)確性、全面性、權(quán)威性以及推薦系統(tǒng)的友好性與易用性等都是由用戶判定的，文獻(xiàn)推薦服務(wù)的持續(xù)發(fā)展也很大程度上依賴于科研用戶的持續(xù)使用意愿。因此，構(gòu)建一套科學(xué)完整的基于用戶的學(xué)術(shù)文獻(xiàn)推薦評價(jià)體系，有助于揭示科研用戶使用文獻(xiàn)推薦服務(wù)的內(nèi)在動機(jī)，進(jìn)而促進(jìn)學(xué)術(shù)文獻(xiàn)推薦更好地發(fā)展。筆者結(jié)合信息系統(tǒng)成功模型，將學(xué)術(shù)文獻(xiàn)推薦的評價(jià)分為推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力三個(gè)方面［5］，構(gòu)建學(xué)術(shù)文獻(xiàn)推薦的用戶持續(xù)使用意愿影響因素模型，利用定量的研究方法同時(shí)檢驗(yàn)推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力對用戶滿意度和用戶持續(xù)使用意愿的影響關(guān)系，以期從用戶角度為文獻(xiàn)推薦系統(tǒng)的改進(jìn)帶來新的啟示。

2 相關(guān)研究及理論基礎(chǔ)

2.1 學(xué)術(shù)文獻(xiàn)推薦及評價(jià)

推薦系統(tǒng)自19世紀(jì)中期以來已成為一個(gè)重要的研究領(lǐng)域，很快在商品推薦、電影推薦和新聞推薦上得到了應(yīng)用，并于2002年被Mcnee S M等用于學(xué)術(shù)文獻(xiàn)的推薦［6］。后繼文獻(xiàn)推薦的研究大多是基于圖模型的。2007年，Strohman T等提出結(jié)合圖模型和文本相似性的方法給一篇文獻(xiàn)推薦相似的文獻(xiàn)［7］，這類似于谷歌學(xué)術(shù)和百度學(xué)術(shù)的文獻(xiàn)推薦功能。2010年，Zhou Shaoping結(jié)合基于內(nèi)容推薦方法、協(xié)同過濾推薦方法和引文分析相關(guān)方法進(jìn)行文獻(xiàn)推薦的研究，并在此基礎(chǔ)上開展了用戶可行性調(diào)研，對文獻(xiàn)推薦系統(tǒng)的構(gòu)建和優(yōu)化提出了一些建議，這是實(shí)證研究首次應(yīng)用于文獻(xiàn)推薦［8］。

文獻(xiàn)推薦系統(tǒng)以所使用的技術(shù)和信息為綱目，可分為基于內(nèi)容的文獻(xiàn)推薦、基于協(xié)同過濾的文獻(xiàn)推薦、混合型文獻(xiàn)推薦三類［3］。基于內(nèi)容（Content-based）的文獻(xiàn)推薦技術(shù)在推薦過程中主要采用文獻(xiàn)的標(biāo)題、摘要、類別、作者等特征信息或者采用用戶的性別、年齡、職業(yè)等人口統(tǒng)計(jì)信息?；趨f(xié)同過濾（Collaborative Filtering）的文獻(xiàn)推薦基本思想是根據(jù)引用關(guān)系和合作者關(guān)系等給用戶推薦參考文獻(xiàn)，在具體的文獻(xiàn)推薦時(shí)表現(xiàn)為瀏覽過該文獻(xiàn)的人還瀏覽過其他文獻(xiàn)、引用過該文獻(xiàn)的文獻(xiàn)還引用過其他文獻(xiàn)等，其主要依據(jù)是文獻(xiàn)之間的相關(guān)關(guān)系和用戶之間的聯(lián)系?；旌闲臀墨I(xiàn)推薦往往是綜合多種推薦方法，整合其優(yōu)點(diǎn)，從而達(dá)到最佳的推薦效果。

目前，對學(xué)術(shù)文獻(xiàn)推薦的評價(jià)基本沿用信息檢索的評價(jià)策略。一般從準(zhǔn)確度、覆蓋率、多樣化、新穎性四個(gè)方面展開［9］。準(zhǔn)確度就是評價(jià)系統(tǒng)推薦文獻(xiàn)與用戶需求的相關(guān)程度，但文獻(xiàn)推薦的結(jié)果可能不止一條，現(xiàn)實(shí)生活中用戶的耐心往往是有限的，不可能一一瀏覽推薦列表中的所有文獻(xiàn)，故用戶滿意度往往會受到其需求文獻(xiàn)在推薦列表中位置的影響，這時(shí)候有必要引入排序準(zhǔn)確度，即越符合用戶需求的文獻(xiàn)是否越排名靠前。覆蓋率是指系統(tǒng)推薦的文獻(xiàn)覆蓋全部相關(guān)文獻(xiàn)的比例，如果一個(gè)推薦系統(tǒng)的覆蓋率比較低，那么這個(gè)系統(tǒng)很可能會由于其推薦范圍的局限性而降低用戶滿意度。實(shí)際應(yīng)用中，已經(jīng)發(fā)現(xiàn)即使是準(zhǔn)確率比較高的文獻(xiàn)推薦系統(tǒng)也不能保證用戶對其推薦結(jié)果滿意［10］。用戶往往會要求系統(tǒng)推薦既相關(guān)又多樣化的文獻(xiàn)，這樣可以拓寬用戶的知識面，使用戶了解更多的相關(guān)文獻(xiàn)，這時(shí)就有必要要求系統(tǒng)推薦文獻(xiàn)的新穎性，二者的結(jié)合提高了文獻(xiàn)推薦的客觀性和合理性。另外，學(xué)術(shù)文獻(xiàn)推薦和商品推薦的最大區(qū)別是，有些文獻(xiàn)盡管在內(nèi)容上相似，但在質(zhì)量上差距很大，這時(shí)就需要考慮被推薦文獻(xiàn)的權(quán)威性，只有權(quán)威性更高的文獻(xiàn)才更有可能被用戶采納和引用。以上五項(xiàng)指標(biāo)構(gòu)成本文第一個(gè)潛在變量推薦內(nèi)容質(zhì)量測度項(xiàng)的基礎(chǔ)。

然而，用戶在使用文獻(xiàn)推薦服務(wù)時(shí)，并不僅僅關(guān)注推薦內(nèi)容的質(zhì)量，推薦系統(tǒng)的服務(wù)質(zhì)量、性能及易用性等也是其關(guān)注的重要方面。因此，文獻(xiàn)推薦系統(tǒng)作為一個(gè)信息系統(tǒng)，在進(jìn)行用戶研究時(shí)，可以參照信息系統(tǒng)成功模型的評價(jià)標(biāo)準(zhǔn)。

2.2 信息系統(tǒng)成功模型及應(yīng)用

本文旨在探索影響學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)用戶滿意度的主要因素，通過對建模思路的分析，發(fā)現(xiàn)ISSM可以很好地作為本研究模型構(gòu)建的基礎(chǔ)。ISSM關(guān)注信息質(zhì)量、服務(wù)質(zhì)量和系統(tǒng)質(zhì)量三個(gè)維度，恰好也是學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)應(yīng)該關(guān)注的問題。

信息系統(tǒng)成功模型最初是由DeLone和McLean提出［11］，后經(jīng)反復(fù)修訂，形成圖1所示的模型，學(xué)者們還對模型中的變量做了相應(yīng)解釋：信息質(zhì)量一般通過準(zhǔn)確性、時(shí)效性、完整性、相關(guān)性和持續(xù)性等指標(biāo)來評估；系統(tǒng)質(zhì)量一般通過易用性、功能性、靈活性、可移植性、整合性和重要性等指標(biāo)來評估；服務(wù)質(zhì)量則可通過可靠性、響應(yīng)性、準(zhǔn)確性來進(jìn)行評估［12］。本研究結(jié)合學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)的特點(diǎn)，對該模型進(jìn)行簡化，保留文獻(xiàn)推薦服務(wù)中用戶最為關(guān)注的問題：內(nèi)容、服務(wù)和性能，并參照倪鵬飛等的研究［13］，分別命名為推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力，作為本研究的潛在變量。

圖1　D&M信息系統(tǒng)成功模型

2.3 用戶滿意度研究

用戶滿意度是對用戶滿意的量化描述，是指用戶滿意的程度。Richard L等通過研究發(fā)現(xiàn)，用戶滿意度的提高會增加其持續(xù)使用意愿，反之用戶會放棄使用［14］。Pararueman A V等則進(jìn)一步提出用戶滿意水準(zhǔn)臨界點(diǎn)的概念，用戶滿意水準(zhǔn)臨界點(diǎn)以上的用戶滿意度的增加會帶來用戶持續(xù)使用意愿的快速提高；反之，則急劇下降［15］。McKinsey D P等在此基礎(chǔ)上，將用戶滿意度進(jìn)一步劃分為不滿意、滿意和非常滿意三個(gè)區(qū)域，結(jié)果發(fā)現(xiàn)，只有在不滿意和非常滿意兩個(gè)區(qū)域里，其變化會引起用戶持續(xù)使用意愿的變化［16］。Jones T O等研究發(fā)現(xiàn)用戶滿意度和用戶持續(xù)使用成正向關(guān)系，而用戶滿意度正是促進(jìn)用戶持續(xù)使用意愿的前因變量［17］。HomburgC等的研究表明，用戶使用體驗(yàn)的積累形成用戶滿意度［18］。對于學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)，我們可以認(rèn)為，用戶使用文獻(xiàn)推薦進(jìn)行文獻(xiàn)檢索的體驗(yàn)形成其對學(xué)術(shù)文獻(xiàn)推薦的滿意度。Chiu S I等通過研究發(fā)現(xiàn)，用戶的整體滿意度與產(chǎn)品和自己預(yù)期的相符程度相關(guān)，即文獻(xiàn)推薦系統(tǒng)的內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力能否到達(dá)用戶預(yù)期決定了用戶滿意度［19］。

3 文獻(xiàn)推薦的相互影響關(guān)系模型

筆者對武海東［5］、朱郁筱［9］、倪鵬飛［13］、A. Bhattacherjee［20］等學(xué)者歸納總結(jié)的學(xué)術(shù)文獻(xiàn)推薦評價(jià)指標(biāo)以及推薦系統(tǒng)的評價(jià)指標(biāo)進(jìn)行整理，基于信息系統(tǒng)成功模型提出基于用戶滿意度的學(xué)術(shù)文獻(xiàn)推薦評價(jià)模型（見圖2）。這些評價(jià)指標(biāo)可以分為三類：推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力，它們都會影響用戶使用文獻(xiàn)推薦服務(wù)的滿意度，進(jìn)而影響其持續(xù)使用意愿。

圖2　基于用戶滿意的學(xué)術(shù)文獻(xiàn)推薦評價(jià)模型

3.1 推薦內(nèi)容質(zhì)量與用戶滿意度

本文沿用信息系統(tǒng)成功模型中的信息質(zhì)量維度，并命名為推薦內(nèi)容質(zhì)量。推薦文獻(xiàn)的內(nèi)容質(zhì)量是學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)的靈魂。用戶在使用其推薦服務(wù)時(shí)，首先關(guān)注的就是推薦內(nèi)容的質(zhì)量，如果推薦的文獻(xiàn)內(nèi)容相關(guān)且權(quán)威性高，用戶滿意度自然會上升。鑒于學(xué)者對文獻(xiàn)推薦內(nèi)容質(zhì)量的評測一般從多樣性、準(zhǔn)確性、全面性和新穎性四個(gè)方面展開，本文也將這些指標(biāo)作為推薦內(nèi)容質(zhì)量的測度項(xiàng)，并添加了權(quán)威性指標(biāo)，用戶在檢索文獻(xiàn)時(shí)，一般會選擇那些內(nèi)容上相關(guān)且影響力高的文獻(xiàn)，若這類文獻(xiàn)排名靠前，必然會增加用戶的滿意度。綜上，本文提出如下假設(shè)：

H1：推薦內(nèi)容質(zhì)量與用戶滿意度呈正相關(guān)關(guān)系。

3.2 服務(wù)質(zhì)量與用戶滿意度

學(xué)術(shù)搜索引擎和數(shù)據(jù)庫的推薦服務(wù)沒有人與人的面對面溝通，強(qiáng)調(diào)人機(jī)交互。當(dāng)用戶進(jìn)行關(guān)鍵詞檢索、文獻(xiàn)瀏覽時(shí)，快速準(zhǔn)確地識別并分析用戶需求以提供準(zhǔn)確的推薦服務(wù)凸顯了推薦系統(tǒng)技術(shù)能力的準(zhǔn)確性，這種推薦服務(wù)的準(zhǔn)確性是推薦系統(tǒng)推薦服務(wù)質(zhì)量的保證，因此本文保留信息系統(tǒng)成功模型中的服務(wù)質(zhì)量維度。服務(wù)質(zhì)量是指文獻(xiàn)推薦系統(tǒng)幫助用戶快速檢索出相關(guān)文獻(xiàn)的能力，若在文獻(xiàn)推薦的幫助下，用戶能很快檢索出高質(zhì)量的相關(guān)文獻(xiàn)，大大縮短用戶時(shí)間成本，那么用戶的滿意度必然會隨之增加，基于此，本文提出如下假設(shè)：

H2：服務(wù)質(zhì)量與用戶滿意度呈正相關(guān)關(guān)系。

3.3 技術(shù)能力與用戶滿意度

信息系統(tǒng)成功模型中的系統(tǒng)質(zhì)量強(qiáng)調(diào)系統(tǒng)的技術(shù)能力是推動用戶使用意愿的關(guān)鍵。與技術(shù)能力相關(guān)的網(wǎng)站頁面設(shè)計(jì)、使用便利性等是用戶考慮較多的因素。由于技術(shù)能力是保證推薦系統(tǒng)質(zhì)量的關(guān)鍵，故將其保留作為學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)用戶滿意度測評的重要維度。本文認(rèn)為，友好的使用界面、實(shí)時(shí)的用戶反饋及便利的信息獲取是用戶可感知的技術(shù)能力。同時(shí)，對推薦相關(guān)文獻(xiàn)的依據(jù)作出解釋是推薦系統(tǒng)智能化和人性化的體現(xiàn)。因此，本文將技術(shù)能力進(jìn)一步細(xì)分為頁面友好性、易訪問性、可解釋性和便利性四個(gè)方面，提出如下假設(shè)：

H3：技術(shù)能力與用戶滿意度呈正相關(guān)關(guān)系。

3.4 用戶滿意度和持續(xù)使用意愿

滿意度是指用戶使用信息系統(tǒng)后產(chǎn)生的影響［21］，其與持續(xù)使用意愿的內(nèi)在聯(lián)系本文2.3節(jié)已進(jìn)行了詳細(xì)闡述。在學(xué)術(shù)文獻(xiàn)推薦中，用戶滿意度表現(xiàn)為用戶對文獻(xiàn)推薦結(jié)果是否滿意或是否認(rèn)為使用文獻(xiàn)推薦服務(wù)是一項(xiàng)明智的決定，是決定用戶繼續(xù)使用或者放棄使用文獻(xiàn)推薦服務(wù)的關(guān)鍵因素［22］。一般來說，科研用戶在使用學(xué)術(shù)文獻(xiàn)推薦的初期，會產(chǎn)生期望，如節(jié)約文獻(xiàn)搜索的時(shí)間、提高文獻(xiàn)搜索的準(zhǔn)確率、減少重要相關(guān)文獻(xiàn)的遺漏等。使用一段時(shí)間后，如果其最初的期望得到了滿足，即對推薦服務(wù)感到滿意，則用戶很有可能持續(xù)使用；如果沒有得到滿足，即對推薦服務(wù)不滿意，則用戶可能會減少甚至放棄使用文獻(xiàn)推薦服務(wù)?；诖耍疚奶岢鋈缦录僭O(shè)：

H4：用戶滿意度和持續(xù)使用意愿呈正相關(guān)關(guān)系。

4 研究方法與數(shù)據(jù)分析

4.1 數(shù)據(jù)收集

本研究使用結(jié)構(gòu)化調(diào)查問卷進(jìn)行驗(yàn)證，問卷的調(diào)查對象為使用過百度學(xué)術(shù)、谷歌學(xué)術(shù)、知網(wǎng)、萬方、維普文獻(xiàn)推薦服務(wù)的網(wǎng)絡(luò)用戶。調(diào)查問卷主要通過在線問卷調(diào)查平臺問卷星（問卷地址http://www.sojump. com/jq/5749880.aspx）進(jìn)行發(fā)放，并通過QQ、微信、短信等途徑邀請用戶進(jìn)行問卷填寫。問卷收集工作持續(xù)兩周，共收集問卷322份，剔除不合格的問卷，得到有效問卷299份。調(diào)查樣本中女性（占56.52％）略多于男性（占43.48％）；被調(diào)查者的受教育程度多集中在大學(xué)本科及以上（占97.56％），原因是只有學(xué)歷較高的人群才會使用學(xué)術(shù)文獻(xiàn)推薦服務(wù)；在被調(diào)查者的學(xué)科分布上，大類學(xué)科文科、理科、工科、管理類和醫(yī)學(xué)類分別占比為26.76％、17.73％、17.39％、29.77％和6.02％。

4.2 測量項(xiàng)的設(shè)計(jì)與測度

本問卷采用9分制進(jìn)行評分，1分表示最不滿意，9分表示最滿意，從1分到9分表示用戶的滿意度從最不滿意逐漸過渡到最滿意。測量問項(xiàng)參考了倪鵬飛［13］、A. Bhattacherjee等［20］的相關(guān)文獻(xiàn)或者較為成熟的測量量表。通過對這些文獻(xiàn)的研讀和分析，筆者將測量問項(xiàng)與之前提出的理論構(gòu)想進(jìn)行相應(yīng)的比配。問卷在正式發(fā)放之前邀請了3位武漢大學(xué)信息管理學(xué)院2014級情報(bào)學(xué)碩士生參與預(yù)測試。根據(jù)反饋對測度項(xiàng)進(jìn)行了相應(yīng)增刪，修正了部分測量問項(xiàng)的提問方式，最終得到正式問卷。問卷測量項(xiàng)內(nèi)容詳見表1。

5 驗(yàn)證結(jié)果

本研究采用偏最小二乘法（partial least squares，PLS）進(jìn)行結(jié)構(gòu)方程建模。PLS作為一種結(jié)構(gòu)方程模型的方法，可以同時(shí)估計(jì)測量項(xiàng)的因子載荷以及各個(gè)潛在變量之間的因果關(guān)系［23］，提供一種對模型系統(tǒng)和全局的分析。另外，PLS對樣本的大小和分布沒有很嚴(yán)格的限制，變量不需要滿足正態(tài)分布，而且它還適合小樣本數(shù)據(jù)［24］?？紤]到本研究所收集的有效樣本量較少（樣本量299份），采用PLS是比較合適的。因此，本研究采用SmartPLS2.0軟件對數(shù)據(jù)進(jìn)行分析和處理。

5.1 測量模型檢驗(yàn)

測量模型的檢驗(yàn)主要從信度和效度方面進(jìn)行評估。在信度方面，可以通過內(nèi)部一致性系數(shù)（Cronbach's Alpha）、組合信度（Composite Reliability，CR）與抽取的平均方差（Average Variance Extracted，AVE）來衡量。通常認(rèn)為，Cronbach's Alpha和CR的值大于0.7， AVE的值大于0.5，表明測量模型內(nèi)部一致性良好。表2是本研究的信度檢驗(yàn)的結(jié)果，據(jù)此可知，Cronbach's Alpha的值在0.757 6～0.890 5，CR的值在0.891 9～0.919 4，AVE的值在0.676 2～0.839 0，均達(dá)到了臨界值以上，表明本研究的測量模型具有良好的內(nèi)部一致性。

表2　測量模型信度檢驗(yàn)

測量模型的效度檢驗(yàn)分為聚合效度和區(qū)別效度。區(qū)別效度可以通過比較AVE的平方根與相關(guān)系數(shù)的值來衡量，當(dāng)每一個(gè)潛在變量的AVE平方根值大于所有其他變量與改變量之間的相關(guān)系數(shù)時(shí)，就說明該測量模型具有良好的區(qū)別效度［25］。表3是區(qū)別效度檢驗(yàn)結(jié)果，可以看出，所有潛在變量AVE平方根值都大于與之相關(guān)的相關(guān)系數(shù)，表現(xiàn)出良好的區(qū)別效度。

表3　潛在變量間相關(guān)系數(shù)與AVE平方根

表4是因子載荷和交叉因子載荷值。由表4可以看出，每個(gè)測量項(xiàng)與其對應(yīng)的潛在變量之間具有較高的相關(guān)系數(shù)，并且與其他潛在變量之間的相關(guān)系數(shù)較低，進(jìn)一步表明測量模型具有良好的內(nèi)部聚合效度和外部區(qū)別效度?？紤]到不同潛在變量測量項(xiàng)之間的交叉因子負(fù)荷量高于0.4，這些較高交叉因子負(fù)荷量容易引起多重共線性［24］，為了確?？赡艽嬖诘亩嘀毓簿€性不影響本研究，故利用SPSS21.0中回歸模塊的多重共線性統(tǒng)計(jì)來檢驗(yàn)該問題。結(jié)果顯示所有變量的方差放大系數(shù)（Variance Inflation Factor，VIF）均小于上限值3.3［26］，說明多重共線性在本研究中不是一個(gè)嚴(yán)重的問題。

表4　因子載荷和交叉因子載荷值

5.2 結(jié)構(gòu)模型檢驗(yàn)

通過使用SmartPLS對研究模型進(jìn)行路徑參數(shù)估計(jì)，并使用拔靴法（Bootstrapping）檢驗(yàn)路徑系數(shù)的顯著性。在Bootstraooing時(shí)，筆者將觀測變量數(shù)（Cases）設(shè)置為默認(rèn)值500，將樣本數(shù)量（Simple Size）設(shè)置為有效樣本數(shù)299。具體分析結(jié)果見圖3。

圖3　研究模型PLS結(jié)果（注：*表示p≤0.05，**表示p＜0.01，***表示p＜0.001）

分析結(jié)果顯示，用戶滿意度被解釋的方差為69.7％，持續(xù)使用意愿被解釋的方差為60.6％，均具有較高的解釋度。推薦內(nèi)容質(zhì)量對用戶滿意度（β=0.220，p＜0.001）具有顯著的正向影響作用；服務(wù)質(zhì)量對用戶滿意度（β=0.281，p＜0.001）具有顯著的正向影響作用；技術(shù)能力對用戶滿意度（β=0.418，p＜0.001）具有顯著的正向影響作用；用戶滿意度對持續(xù)使用意愿（β=0.778，p＜0.001）具有顯著的正向影響作用，表明假設(shè)H1、假設(shè)H2、假設(shè)H3、假設(shè)H4均成立。

6 討論與結(jié)論

6.1 結(jié)果分析

本研究探索了學(xué)術(shù)文獻(xiàn)推薦服務(wù)的推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力對用戶滿意度及持續(xù)使用意愿的影響機(jī)制，結(jié)果顯示，本研究提出的四個(gè)假設(shè)均得到了證實(shí)?！巴扑]內(nèi)容質(zhì)量”正向影響“用戶滿意度”說明用戶在使用文獻(xiàn)推薦服務(wù)時(shí)都會關(guān)心推薦文獻(xiàn)的準(zhǔn)確度、多樣化、全面性并且會考量文獻(xiàn)的新穎性和權(quán)威性，這與現(xiàn)實(shí)符合，那些質(zhì)量低的文獻(xiàn)即使出現(xiàn)在用戶檢索列表中，也較少會被用戶使用?！胺?wù)質(zhì)量”正向影響“用戶滿意度”說明用戶不僅關(guān)注推薦的內(nèi)容，更關(guān)心在文獻(xiàn)推薦的幫助下，是否能快速高效地達(dá)到自己的預(yù)期檢索目標(biāo)。實(shí)際上，任何推薦服務(wù)，用戶均會關(guān)心其服務(wù)質(zhì)量，對于那些雖然能推薦出質(zhì)量高的文獻(xiàn)的推薦系統(tǒng)，若不能快速幫助用戶解決問題，自然也不會被用戶廣泛使用?！凹夹g(shù)能力”正向影響“用戶滿意度”說明推薦系統(tǒng)的性能仍然是用戶較為關(guān)心的問題，假若一個(gè)系統(tǒng)不友好，且推薦的資源混亂不堪且不易獲取，自然將會被用戶拋棄，這也是推薦系統(tǒng)設(shè)計(jì)過程中應(yīng)該關(guān)注的問題。“用戶滿意度”正向影響“持續(xù)使用意愿”說明如果用戶對文獻(xiàn)推薦服務(wù)感到滿意，那么用戶就會選擇繼續(xù)使用該服務(wù)，并愿意將這項(xiàng)服務(wù)在親朋好友中進(jìn)行推廣。

6.2 研究啟示

6.2.1 理論啟示

本研究從用戶角度對學(xué)術(shù)文獻(xiàn)推薦系統(tǒng)進(jìn)行了評價(jià)。雖然關(guān)于文獻(xiàn)推薦的研究成果很多，專門研究文獻(xiàn)推薦評價(jià)的文獻(xiàn)也很多，但大都是從信息檢索的評測指標(biāo)展開的，對文獻(xiàn)推薦的實(shí)證研究還很缺乏。而用戶研究也是文獻(xiàn)推薦應(yīng)該關(guān)注的問題，只有關(guān)注用戶的需求，才能使文獻(xiàn)推薦研究更加完善。本研究證實(shí)了推薦內(nèi)容質(zhì)量、服務(wù)質(zhì)量和技術(shù)能力會正向影響用戶滿意度，從而影響用戶的持續(xù)使用意愿，以后的研究可以從其他維度展開。

6.2.2 實(shí)踐啟示

本研究的結(jié)果顯示，推薦內(nèi)容的多樣性、準(zhǔn)確性、全面性、新穎性和權(quán)威性會影響用戶使用文獻(xiàn)推薦服務(wù)的滿意度，因此在內(nèi)容方面，文獻(xiàn)推薦應(yīng)該從這些方面進(jìn)行改進(jìn)。文獻(xiàn)推薦的速度、顧客預(yù)期和問題導(dǎo)向性也會影響用戶滿意度，因此文獻(xiàn)推薦在保證質(zhì)量的同時(shí)還應(yīng)該提升響應(yīng)速度，以用戶為中心。本研究還表明，技術(shù)能力也會正向影響用戶滿意度，因此文獻(xiàn)推薦在界面設(shè)計(jì)上要做到友好、易用、便利，這樣才會吸引用戶的注意力，改善用戶體驗(yàn)。

6.3 局限性與展望

本研究存在以下幾點(diǎn)缺陷：首先，本研究并沒有對用戶的學(xué)歷和學(xué)科背景進(jìn)行嚴(yán)格區(qū)分，一般來說，只有學(xué)歷在本科及其以上的用戶才會經(jīng)常檢索學(xué)術(shù)文獻(xiàn)，并使用文獻(xiàn)推薦服務(wù)，可能研究生及以上的人對文獻(xiàn)推薦服務(wù)更加了解，他們的觀點(diǎn)更具有代表性；另外，不同學(xué)科背景的人對文獻(xiàn)推薦服務(wù)的了解程度也不同，筆者是圖書情報(bào)學(xué)領(lǐng)域人員，調(diào)查的人群也大多集中于該領(lǐng)域，并不能很全面地反映其他用戶的實(shí)際情況。其次，本研究的模型過于簡單，不夠完整，可能還有其他很多因素沒有考慮在內(nèi)，所得出的結(jié)論難免有些片面。最后，由于時(shí)間有限，對于模型各個(gè)變量間更深層次的影響機(jī)制，筆者并沒有進(jìn)行深入分析，在以后的研究中應(yīng)該進(jìn)一步完善。

［1］ May R M. The Scientific Wealth of Nations ［J］. Science， 1997， 275（5301）: 793-796.

［2］ Mallik A， Mandal N. Bibliometric analysis of global publication output and collaboration structure study in microRNA research ［J］. Scientometrics，2014， 98（3）: 2011-2037.

［3］ 李琳娜，張志平，劉春霞.文獻(xiàn)推薦系統(tǒng)綜述［J］.數(shù)字圖書館論壇，2012 （5）:32-37.

［4］ 陳海華，孟睿，陸偉.學(xué)術(shù)文獻(xiàn)引文推薦研究進(jìn)展［J］.圖書情報(bào)工作，2015，59（15）: 133-143，147.

［5］ 武海東.基于信息系統(tǒng)成功模型的數(shù)字資源統(tǒng)一檢索系統(tǒng)評價(jià)［J］.情報(bào)雜志，2013，32（4）:177-182.

［6］ Mcnee S M， Albert I， Dan C， et al. On the recommending of citations for research papers ［C］// Cscw02， 2002: 116-125.

［7］ Strohman T， Croft W B， Jensen D. Recommending citations for academic papers ［C］// SIGIR 2007. Proceedings of the 30th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval， Amsterdam， 2007: 705-706.

［8］ Zhou Shaoping. ActiveCite: An interactive system for automatic citation suggestion ［D］. Singapore: National University of Singapore， 2010.

［9］ 朱郁筱，呂琳媛.推薦系統(tǒng)評價(jià)指標(biāo)綜述［J］.電子科技大學(xué)學(xué)報(bào)，2012，41（2）:163-175.

［10］ Herlocker J L， Konstan J A， Terveen L G， et al. Evaluating collaborative filtering recommender systems ［J］. ACM Transactions on Information Systems， 2004， 22（1）: 5-53.

［11］ DeLone W H， McLean E R. Information systems success: The quest for the dependent variable ［J］. Information systems research， 1992， 3（1）: 60-95.

［12］ 王文韜，謝陽群，謝笑.關(guān)于D&M信息系統(tǒng)成功模型演化和進(jìn)展的研究［J］.情報(bào)理論與實(shí)踐，2014，37（6）:73-76.

［13］ 倪鵬飛.基于顧客滿意度的電子商務(wù)個(gè)性化推薦系統(tǒng)評價(jià)研究［D］.保定:河北大學(xué)，2015.

［14］ Oliver R L. A cognitive model of the antecedents and consequences of satisfaction decisions ［J］. Journal of Marketing Research， 1980， 17（4）: 460-469.

［15］ Zeithaml V A. Communication and Control Processes in the Delivery of Service Quality ［J］. Journal of Marketing， 1988， 52（2）: 35-48.

［16］ Finkelman D P. Crossing the zone of indifference ［J］.Marketing Management， 1993， 2（3）: 22-31.

［17］ Jones T O. Why Satisfied Customers Defect ［J］. IEEE Engineering Management Review， 1998， 12（6）: 11.

［18］ Homburg C， Koschate N， Hoyer W D. The Role of Cognition and Affect in the Formation of Customer Satisfaction: A Dynamic Perspective ［J］. Journal of Marketing， 2013， 70（3）: 21-31.

［19］ Chiu S I， Cheng C C， Yen T M， et al. Preliminary research on customer satisfaction models in Taiwan: A case study from the automobile industry ［J］.Expert Systems with Applications An International Journal， 2011，38（8）: 9780-9787.

［20］ Bhattacherjee A. An empirical analysis of the antecedents of electronic commerce service continuance ［J］. Decision Support Systems， 2001，32（2）: 201-214.

［21］ 王偉軍，甘春梅.學(xué)術(shù)博客持續(xù)使用意愿的影響因素研究［J］.科研管理，2014，35（10）:121-127.

［22］ Hsiao C H， Chang J J， Tang K Y. Exploring the influential factors in continuance usage of mobile social Apps: Satisfaction， habit， and customer value perspectives ［J］. Telematics & Informatics， 2015， 33（2）: 342-355.

［23］ Sun Y Q， Fang Y L， Lim K H， et al. User Satisfaction with IT Service Delivery: A Social Capital Perspective ［J］. Information Systems Research， 2012， 23（4）: 1195-1211.

［24］ 邱均平，陳曉宇，何文靜.科研人員論文引用動機(jī)及相互影響關(guān)系研究［J］.圖書情報(bào)工作，2015，59（9）:36-44.

［25］ Fornell C， David F L. Evaluating Structural Equation Models with Unobservable Variables and Measurement Error ［J］. Journal of Marketing Research， 1981， 18（1）: 39-50.

［26］ Hair J F， Black W C， Babin B J， et al. Multivariate data analysis ［M］. Upper Saddle River， NJ: Pearson Prentice Hall， 2006.

Research on User Satisfaction-based paper recommendation evolution

CHEN HaiHua1，2， HE WenJing1
（1. School of Information Management， Wuhan University， Wuhan 430072， China；2. Institute for Information Retrieval and Knowledge Mining， Wuhan University， Wuhan 430072， China）

Paper recommendation can recommend suitable documents for an author. With the aid of paper recommendation， authors can improve the efficiency of retrieving academic literatures. Due to the lack of empirical study on paper recommendation evolution， this paper aims at exploring the interaction on user satisfaction and continuing use willingness for three aspects such as recommended content quality， service quality and technical capacity. This paper collects 299 valid questionnaires with questionnaires scale for users， and analyzes the samples by means of structural equation modeling （SEM）. We find that recommended content quality， service quality and technical capacity have positive effects on user satisfaction， and further have positive effects on users' continuing use willingness.

Paper Recommendation； Recommended Content Quality； Service Quality； Technical Capacity； User Satisfaction

G353.4

10.3772/j.issn.1673-2286.2016.4.004

陳海華，男，1990年生，碩士研究生，研究方向：信息檢索、知識挖掘，E-mail：chh2014@whu.edu.cn。

何文靜，女，1991年生，碩士研究生，研究方向：信息計(jì)量、信息服務(wù)，E-mail：hwj1992kathy@163.com。

2016-03-29）