在線付費(fèi)閱讀中群體感知價(jià)值差異研究*

姜 崇 王曉光 簡(jiǎn) 華

(武漢大學(xué)信息管理學(xué)院，武漢，430072)

1 引言

伴隨信息與通信技術(shù)(Information and Communication，ICT)的發(fā)展，不同領(lǐng)域在世界范圍內(nèi)加速數(shù)字化轉(zhuǎn)變，進(jìn)入數(shù)字時(shí)代。在數(shù)字技術(shù)的驅(qū)動(dòng)下，以數(shù)字媒介為載體的數(shù)字閱讀也在打破以紙張為載體的傳統(tǒng)閱讀模式的格局，促使讀者閱讀習(xí)慣、閱讀方式和閱讀場(chǎng)景隨之變化。與紙質(zhì)閱讀相對(duì)，數(shù)字閱讀是基于數(shù)字文本知識(shí)和數(shù)字媒介信息獲取的一種閱讀活動(dòng)和文化現(xiàn)象[1]。數(shù)字閱讀作為全新的信息獲取方式和知識(shí)接受行為正在深刻改變現(xiàn)代生活方式。

伴隨數(shù)字閱讀的普及，數(shù)字閱讀實(shí)體產(chǎn)業(yè)發(fā)展的需要、知識(shí)產(chǎn)權(quán)保護(hù)意識(shí)的增強(qiáng)、讀者個(gè)性化高質(zhì)量閱讀需求的增長(zhǎng)、人們對(duì)精神層面需求的增加等催生了數(shù)字閱讀付費(fèi)。付費(fèi)閱讀滿足讀者閱讀需要，并以消費(fèi)為前提，是尊重知識(shí)產(chǎn)權(quán)的表現(xiàn)。由于內(nèi)容質(zhì)量與收費(fèi)不匹配、內(nèi)容定價(jià)過高、早期互聯(lián)網(wǎng)資源免費(fèi)促使人們形成免費(fèi)意識(shí)、公眾知識(shí)產(chǎn)權(quán)意識(shí)薄弱等原因，我國國民數(shù)字閱讀總體付費(fèi)意愿偏低[2-3]。因此，付費(fèi)意愿成為數(shù)字閱讀研究集中關(guān)注的焦點(diǎn)之一，而感知價(jià)值則是影響付費(fèi)意愿至關(guān)重要的因素。

感知價(jià)值是用戶將所能感知到的利益與其在獲得產(chǎn)品或服務(wù)時(shí)所付出的成本對(duì)比權(quán)衡后，對(duì)產(chǎn)品或服務(wù)效用的總體評(píng)價(jià)。由于不同閱讀用戶在認(rèn)知結(jié)構(gòu)、心理需求、社會(huì)價(jià)值觀、知識(shí)體系和信念態(tài)度等方面存在很大差異性，閱讀用戶依據(jù)主觀判斷和知覺事物對(duì)其作出反應(yīng)，造成行為決策差異化，導(dǎo)致付費(fèi)意愿影響因素作用于不同閱讀用戶的影響程度大相徑庭。因此，本文選擇在線閱讀平臺(tái)付費(fèi)閱讀用戶為研究對(duì)象，結(jié)合用戶感知價(jià)值差異性，對(duì)用戶進(jìn)行分群，并從群體感知價(jià)值的角度出發(fā)，以量化的方式分析不同用戶群體感知價(jià)值的差異。

2 相關(guān)研究

數(shù)字閱讀作為新的閱讀形式出現(xiàn)意味著社會(huì)的變革和文化的重構(gòu)，以知識(shí)獲取、信息搜尋、文化娛樂等為目的的讀者行為構(gòu)成了數(shù)字閱讀的重要內(nèi)容，而數(shù)字閱讀付費(fèi)對(duì)閱讀意愿的制約與阻礙逐漸成為不容忽視的問題。因此，眾多學(xué)者圍繞跨媒介電子書、網(wǎng)絡(luò)文學(xué)、知識(shí)付費(fèi)社區(qū)等應(yīng)用場(chǎng)景對(duì)知識(shí)付費(fèi)、文化消費(fèi)、支付意愿、付費(fèi)行為等相關(guān)問題展開研究。

中國網(wǎng)民規(guī)模在2020年12月達(dá)9.89億，手機(jī)網(wǎng)民規(guī)模達(dá)9.86億[4]。2020年，中國成年國民數(shù)字化閱讀方式的接觸率達(dá)到79.4%[5]，而中國電子書市場(chǎng)規(guī)模則是達(dá)到351.6億元，用戶規(guī)模接近4.94億，其中86.3%的用戶愿意為電子書付費(fèi)[6]。藉由用戶基數(shù)激增、支付方式變革、精神層面需求增加、信息過載、市場(chǎng)機(jī)制的推動(dòng)以及用戶付費(fèi)意識(shí)的提高等原因，國內(nèi)付費(fèi)數(shù)字閱讀出現(xiàn)了諸如打賞/贊賞、付費(fèi)社群、付費(fèi)問答等多種模式[7]。徐芳等[8]通過對(duì)比分析掌閱、QQ閱讀、咪咕閱讀、書旗小說和百度閱讀五大主要移動(dòng)閱讀APP的付費(fèi)模式認(rèn)為，多元化付費(fèi)方式、完善付費(fèi)模式評(píng)價(jià)反饋機(jī)制以及開發(fā)高質(zhì)量的內(nèi)容產(chǎn)品，有助于進(jìn)一步促進(jìn)付費(fèi)閱讀的發(fā)展。數(shù)字閱讀付費(fèi)發(fā)展?jié)摿薮螅芟抻诋a(chǎn)業(yè)規(guī)模，優(yōu)質(zhì)內(nèi)容供給不足，發(fā)行平臺(tái)的樞紐作用發(fā)揮不充分等原因，讀者付費(fèi)閱讀意愿與閱讀滿意度有待進(jìn)一步提升[9]。因此，用戶付費(fèi)閱讀意愿的影響因素成為學(xué)者研究的重點(diǎn)。羅曉蘭等[10]認(rèn)為，借助社交媒體的社交影響所產(chǎn)生的分享閱讀行為有助于促進(jìn)閱讀推廣，知識(shí)焦慮則進(jìn)一步激發(fā)用戶知識(shí)付費(fèi)意愿[11]，以興趣和情感為核心的網(wǎng)絡(luò)社群聚合所誕生的網(wǎng)絡(luò)閱讀圈群，從用戶的認(rèn)知盈余空間切入，通過互聯(lián)網(wǎng)知識(shí)共享平臺(tái)向知識(shí)需求方分享知識(shí)的現(xiàn)象也恰好印證這一結(jié)論[12]。Bapna等[13]也證明人與人之間的關(guān)系可以通過主觀規(guī)范影響付費(fèi)意愿。說明在以內(nèi)容為核心的前提下，社交關(guān)系有利于促進(jìn)用戶為閱讀付費(fèi)[14]。雖然這種類似“部落化”的方式有利于付費(fèi)閱讀的實(shí)現(xiàn)，但用戶作為主觀能動(dòng)性的主體，用戶的個(gè)體特征與生活方式[15]是付費(fèi)意愿的出發(fā)點(diǎn)，用戶的異質(zhì)性在提升用戶消費(fèi)目標(biāo)的過程中起到了關(guān)鍵作用[16]。Punj[17]通過調(diào)查發(fā)現(xiàn)，用戶年齡、性別[16]都會(huì)對(duì)付費(fèi)行為產(chǎn)生影響。大學(xué)生群體作為數(shù)字閱讀的主流群體，付費(fèi)意愿不僅受年齡和性別的影響，其他因素還包括學(xué)歷、專業(yè)、家庭居住地、學(xué)校層次、生活費(fèi)用、數(shù)字閱讀歷史、數(shù)字閱讀時(shí)長(zhǎng)等[18-19]，而在心理層面，長(zhǎng)久形成的免費(fèi)心理所形成的心理慣性也可能是一種影響付費(fèi)意愿的原因[20]，其他諸如態(tài)度[21]、興趣[22]、人格特征[23]同樣可能影響用戶的付費(fèi)意愿。

雖然付費(fèi)意愿影響因素眾多，但已有研究發(fā)現(xiàn)，用戶的感知價(jià)值直接影響用戶對(duì)在線內(nèi)容的購買意愿，并將用戶的感知價(jià)值作為購買在線內(nèi)容或服務(wù)的主干影響因素[24-25]。在移動(dòng)商務(wù)環(huán)境下，用戶感知價(jià)值對(duì)沖動(dòng)性消費(fèi)具有顯著直接影響[26]，調(diào)節(jié)并影響著用戶消費(fèi)動(dòng)機(jī)和消費(fèi)意圖的形成[27]，Liu等[28]通過實(shí)證表明，感知價(jià)值和用戶間的互動(dòng)共同增加了用戶的消費(fèi)意愿；在娛樂消費(fèi)領(lǐng)域中，感知價(jià)值作為中介因素能夠調(diào)節(jié)用戶對(duì)知識(shí)產(chǎn)權(quán)電影的觀看意愿[29]；在移動(dòng)社交媒體領(lǐng)域，感知價(jià)值通過強(qiáng)化用戶網(wǎng)絡(luò)自我形象表達(dá)與購買意愿之間的傳導(dǎo)機(jī)制[30]，顯著正向影響用戶的態(tài)度與預(yù)期滿意度，從而影響調(diào)節(jié)用戶網(wǎng)絡(luò)口碑行為[31]。Kuo等[32]也證明了感知價(jià)值會(huì)對(duì)用戶滿意和購后意愿均產(chǎn)生正向影響。感知價(jià)值理論[33]最早由美國學(xué)者Zeithaml于1988年提出，感知價(jià)值有四層含義：①價(jià)值就是低廉的價(jià)格；②價(jià)值就是顧客想從產(chǎn)品中所獲取的東西；③價(jià)值就是顧客付錢買回來的質(zhì)量；④價(jià)值就是顧客的全部付出所能得到的全部，包括在時(shí)間、金錢和努力方面的付出。價(jià)值代表了效用(收益)與成本(代價(jià))間的權(quán)衡，顧客會(huì)根據(jù)自我感受到的價(jià)值作出購買決定。Eggert等[34]在研究中指出，感知價(jià)值是消費(fèi)者進(jìn)行購買行為的主要驅(qū)動(dòng)力，相比消費(fèi)者的使用滿意度更能激發(fā)購買行為[35]。價(jià)值感知也是用戶在金錢與時(shí)間支出決策時(shí)的關(guān)鍵影響因素[36]，甚至影響用戶的情緒響應(yīng)[37]。相關(guān)評(píng)論者的意見也會(huì)對(duì)用戶付費(fèi)決策產(chǎn)生正向影響[38]，用戶會(huì)通過感知有用性、認(rèn)知需求等主觀感受和所能獲取到的實(shí)際效用進(jìn)行博弈平衡，若期望與購買后的認(rèn)知差距形成期望不確認(rèn)，會(huì)直接影響消費(fèi)者購買的意愿和行為[39]。

在多數(shù)情境下，用戶對(duì)價(jià)格的感知更為直觀，即Zeithaml感知價(jià)值理論的第一層定義，即價(jià)值就是低廉的價(jià)格。在閱讀場(chǎng)景下，用戶讀書獲得閱讀內(nèi)容的滿足感，這一過程用戶付出的成本是時(shí)間與金錢，符合Zeithaml感知價(jià)值理論的第四點(diǎn)定義，感知價(jià)值與感知成本之間的平衡則持續(xù)性影響用戶的后續(xù)使用意愿[40]。因此，本文將感知價(jià)值狹義定義為感知價(jià)格與感知成本之間的平衡。Kim等[41]通過對(duì)比日本移動(dòng)互聯(lián)網(wǎng)和固定互聯(lián)網(wǎng)下的消費(fèi)者行為差異發(fā)現(xiàn)，感知價(jià)格是影響用戶付費(fèi)意愿的重要因素。隨著知識(shí)付費(fèi)同質(zhì)化現(xiàn)象產(chǎn)生，用戶對(duì)價(jià)格變得更為敏感[42-43]，根據(jù)需求和用戶個(gè)性特征進(jìn)行個(gè)性化的在線定價(jià)方式逐漸流行，但這種動(dòng)態(tài)定價(jià)策略往往會(huì)導(dǎo)致用戶感知不公平，用戶的付費(fèi)意愿也會(huì)受到負(fù)面影響[44]，研究表明，動(dòng)態(tài)價(jià)格條件下用戶感知價(jià)格公平感、付費(fèi)意愿都較低[45]，通過價(jià)格框架可以一定程度降低動(dòng)態(tài)價(jià)格對(duì)用戶付費(fèi)意愿的負(fù)面影響[46]。

綜上所述，學(xué)者更多從用戶付費(fèi)意愿影響因素角度出發(fā)，通過質(zhì)性研究方式探尋不同影響因素對(duì)用戶付費(fèi)意愿的影響作用與機(jī)理研究，感知價(jià)值作為主干影響因素，對(duì)其研究主要集中于對(duì)價(jià)格和定價(jià)公平相關(guān)的定性分析。雖然眾多研究都已證明感知價(jià)值對(duì)促進(jìn)數(shù)字閱讀付費(fèi)起到顯著正向影響，但針對(duì)感知價(jià)值影響程度具體大小，以及在不同人群中這種影響程度的一致性和差異性卻鮮有研究。為從定量的角度研究用戶群體間感知價(jià)值的差異性，本文研究設(shè)計(jì)思路為，首先考慮用戶個(gè)體在個(gè)人屬性與社會(huì)屬性的差異性必然存在，但以用戶個(gè)體為研究對(duì)象，研究規(guī)律缺乏普遍適用性，且以用戶個(gè)體為單位計(jì)算感知價(jià)值會(huì)在現(xiàn)實(shí)應(yīng)用場(chǎng)景中增加計(jì)算負(fù)擔(dān)，降低效率。其次，用戶個(gè)體之間雖然存在差異性，但個(gè)體之間的相似性也會(huì)構(gòu)成用戶群體并表達(dá)群體特征，用戶個(gè)體對(duì)自我與他人的定義會(huì)對(duì)經(jīng)濟(jì)、社會(huì)和資源分配產(chǎn)生影響，區(qū)分為“我們”和“他們”，這是社會(huì)認(rèn)知的基本方面[47]，因此社會(huì)群體的形成是天然存在，并具備了去人格化的特征，也不可避免地出現(xiàn)群體間的差異與對(duì)抗現(xiàn)象[48]。因此，借助無監(jiān)督聚類方式可以結(jié)合用戶個(gè)人屬性與社會(huì)屬性的相似性將整體用戶分成若干用戶群體，通過分群的方式可以從分析個(gè)體微觀差異轉(zhuǎn)變?yōu)樘接懸匀后w為單位的群體中觀差異性的研究。最后，根據(jù)每個(gè)用戶群體內(nèi)用戶數(shù)據(jù)來構(gòu)建符合該群體特征的若干用戶群體模型，比較用戶群體模型之間的差異性，能夠反映出用戶群體之間所呈現(xiàn)的群體差異性，而非個(gè)體性差異。這不僅有利于從群體角度對(duì)用戶行為進(jìn)行群體建模，減少計(jì)算工程量，還可以針對(duì)不同群體所形成的用戶模型，有針對(duì)性地對(duì)該群體擬定更契合高效的推薦營銷策略。因此本文結(jié)合付費(fèi)意愿影響因素，以在線閱讀用戶真實(shí)的付費(fèi)行為數(shù)據(jù)為基礎(chǔ)，定義感知價(jià)值并量化指標(biāo)，對(duì)用戶群體進(jìn)行聚類并采用M5模型樹數(shù)據(jù)建模，實(shí)證不同用戶群體感知價(jià)值的差異性。

3 閱讀用戶群體聚類

用戶在數(shù)字閱讀過程中留下真實(shí)付費(fèi)行為記錄，是挖掘用戶行為的寶貴資源。通過對(duì)真實(shí)付費(fèi)行為數(shù)據(jù)的挖掘分析，對(duì)擁有相似付費(fèi)行為和相似特征的用戶群體的研究則可以從群體層面探尋群體行為模式，實(shí)現(xiàn)群體中觀層差異化付費(fèi)服務(wù)。相比通過調(diào)查問卷和訪談方式獲得的數(shù)據(jù)，真實(shí)行為數(shù)據(jù)不會(huì)受到被調(diào)查者的主觀影響。

3.1 數(shù)據(jù)來源

在線閱讀中，網(wǎng)絡(luò)文學(xué)、小說、電子書閱讀是讀者主要選擇，本文的研究數(shù)據(jù)來源于追書神器APP在線閱讀用戶真實(shí)付費(fèi)行為數(shù)據(jù)及用戶數(shù)據(jù)，總計(jì)84694條。為保護(hù)用戶隱私，全部數(shù)據(jù)均已進(jìn)行脫敏和隱私保密處理。本文的研究目標(biāo)是挖掘真實(shí)付費(fèi)用戶在閱讀付費(fèi)中的群體行為模式，探尋數(shù)據(jù)中隱藏的現(xiàn)象規(guī)律，目的在于強(qiáng)調(diào)用戶群體的感知價(jià)值差異。

3.2 數(shù)據(jù)特征說明

首先，大量研究表明，用戶的統(tǒng)計(jì)特征，包括用戶性別(女性比男性更愿意付費(fèi)[49])、網(wǎng)齡結(jié)構(gòu)(年輕群體比中老年群體更愿意付費(fèi))、歷史閱讀經(jīng)驗(yàn)(閱讀經(jīng)驗(yàn)更豐富比閱讀經(jīng)驗(yàn)較淺用戶更愿意付費(fèi))等對(duì)付費(fèi)意愿有著正向促進(jìn)作用，閱讀用戶本身的個(gè)體因素特征對(duì)付費(fèi)意愿具有很強(qiáng)的穩(wěn)定性。

其次，本文研究重點(diǎn)是探討感知價(jià)值在用戶群體中的差異性，特征選擇應(yīng)圍繞價(jià)值獲取與消耗，以及影響價(jià)值獲取與消耗的相關(guān)因素。因此，從消耗性特征、操作性特征和閱讀性特征三大維度五個(gè)小類定義選擇用戶特征。在線閱讀需要支付閱讀虛擬幣，虛擬幣的消耗是產(chǎn)生周期性付費(fèi)的前提。用戶閱讀的興趣影響書籍檢索與收藏行為，反映閱讀用戶內(nèi)在精神需求的期望，促使閱讀行為增加發(fā)生付費(fèi)行為。內(nèi)容質(zhì)量是吸引用戶為內(nèi)容付費(fèi)的根本驅(qū)動(dòng)力，網(wǎng)絡(luò)文學(xué)的持續(xù)更新與閱讀用戶追蹤閱讀直接導(dǎo)致閱讀付費(fèi)的發(fā)生和虛擬幣的減少，推動(dòng)閱讀用戶產(chǎn)生周期付費(fèi)行為。

最后，價(jià)格作為感知價(jià)值的核心內(nèi)容，針對(duì)不同的用戶進(jìn)行差別性定價(jià)，當(dāng)用戶通過對(duì)比歷史價(jià)格發(fā)現(xiàn)當(dāng)前定價(jià)存在不公平，將會(huì)影響用戶付費(fèi)意愿。由此閱讀服務(wù)平臺(tái)會(huì)通過優(yōu)惠、折扣等形式促使用戶產(chǎn)生付費(fèi)意愿。但通過對(duì)感知價(jià)值的四層含義的理解，簡(jiǎn)單以價(jià)格來替代感知價(jià)值是片面的。因此本文對(duì)感知價(jià)值的量化定義如下：

Zeithaml的感知價(jià)值理論首先認(rèn)為價(jià)值就是低廉的價(jià)格，用戶付出的貨幣數(shù)量即感知價(jià)格在完成付費(fèi)行為后，會(huì)變?yōu)楦兄杀尽Ｍ瑫r(shí)價(jià)值還包括從服務(wù)或產(chǎn)品中獲取的東西或購買到的質(zhì)量。用戶在付費(fèi)行為中收到閱讀服務(wù)平臺(tái)的比例回贈(zèng)，獲得較之付出價(jià)格更多的虛擬貨幣數(shù)量，是用戶直接獲得的附加利益，不同的付費(fèi)價(jià)格獲取的回贈(zèng)收益不同。用比率的方式構(gòu)造感知價(jià)值，可以表達(dá)用戶付費(fèi)與收益之間的博弈，在一定程度體現(xiàn)感知價(jià)值的內(nèi)涵。與此同時(shí)，由于用戶在付費(fèi)行為中能夠直接感知到價(jià)格和回贈(zèng)收益，但價(jià)格與回贈(zèng)收益之間的比率則是隱性的，用戶憑借感覺與約束條件來選擇策略，借助上述公式，量化表達(dá)了用戶對(duì)付費(fèi)行為決策的感覺屬性。具體的特征說明見表1。

表1 特征選擇與說明

3.3 數(shù)據(jù)集篩選

為保障研究的有效性，引入用戶付費(fèi)周期區(qū)分用戶活躍度。選取用戶行為數(shù)據(jù)時(shí)間跨度為10日，章回小說更新周期一般以日為計(jì)算單位，當(dāng)用戶在整個(gè)數(shù)據(jù)覆蓋的時(shí)間周期內(nèi)沒有發(fā)生任何付費(fèi)行為(付費(fèi)小說內(nèi)容需要發(fā)生付費(fèi)行為才能閱讀)，則認(rèn)為用戶閱讀行為不活躍，因此當(dāng)用戶付費(fèi)周期超過10日即定義為不活躍用戶。選擇10日作為活躍度區(qū)分界限的原因?yàn)?，首先受限于?shù)據(jù)源本身時(shí)間跨度的客觀影響，需要在時(shí)間跨度內(nèi)做出活躍度區(qū)分，同時(shí)當(dāng)用戶付費(fèi)為0則無法對(duì)其進(jìn)行回歸分析。其次，在章回小說以日為更新周期的現(xiàn)代社會(huì)環(huán)境下，連續(xù)10日沒有發(fā)生付費(fèi)行為進(jìn)行付費(fèi)閱讀，從主觀經(jīng)驗(yàn)判斷也并不屬于付費(fèi)活躍用戶，具有一定現(xiàn)實(shí)原因。

為避免付費(fèi)周期與感知價(jià)值之間存在相關(guān)性而影響對(duì)用戶活躍度的區(qū)分，對(duì)感知價(jià)值(R)與付費(fèi)周期(rechargetime)進(jìn)行相關(guān)性檢驗(yàn)，結(jié)果顯示，Pearson(R，rechargetime)=0.11，Spearman(R，rechargetime)=0.24，Kendall(R，rechargetime)=0.199。從三項(xiàng)相關(guān)性系數(shù)檢驗(yàn)可以看出，感知價(jià)值與付費(fèi)周期的相關(guān)性較差，特征間相互獨(dú)立，可以作為數(shù)據(jù)集合的篩選條件，區(qū)分活躍用戶與不活躍用戶。最終獲得活躍用戶付費(fèi)行為數(shù)據(jù)31358條，不活躍用戶付費(fèi)行為數(shù)據(jù)53336條。

對(duì)不活躍用戶付費(fèi)行為數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，用戶感知價(jià)值R均為0，同時(shí)在10日內(nèi)沒有發(fā)生付費(fèi)行為。說明用戶在早期購買虛擬貨幣時(shí)沒有獲得任何回贈(zèng)，在閱讀內(nèi)容以日為單位更新的前提下，10日內(nèi)無付費(fèi)也可以反映用戶閱讀的積極性弱，消費(fèi)意愿低。

不活躍付費(fèi)用戶本身形成一個(gè)用戶群體，即由于用戶對(duì)付費(fèi)服務(wù)、感知價(jià)值等方面存在不滿而拒絕再次付費(fèi)的群體，存在付費(fèi)用戶流失的可能性。從統(tǒng)計(jì)結(jié)果看，活躍用戶明顯少于不活躍用戶，一定程度反映該平臺(tái)用戶重復(fù)付費(fèi)意愿較低、用戶對(duì)付費(fèi)服務(wù)的滿意度和感知價(jià)值較弱，亟待改善。同時(shí)也反映通過對(duì)活躍用戶群體感知價(jià)值差異性的研究來分析用戶行為模式，從而改善付費(fèi)服務(wù)策略，將活躍用戶與不活躍用戶比例正向轉(zhuǎn)變的研究必要性。由于不活躍付費(fèi)用戶行為數(shù)據(jù)的R值均為0，無法對(duì)其進(jìn)行回歸分析。因此，文章選擇活躍用戶付費(fèi)行為數(shù)據(jù)31358條來作為用戶感知價(jià)值差異的研究數(shù)據(jù)。

3.4 用戶聚類

本文采用K-means聚類算法，對(duì)活躍付費(fèi)用戶進(jìn)行聚類。聚類模型的目標(biāo)是將數(shù)據(jù)集中的樣本劃分為多個(gè)不相關(guān)子集，每個(gè)子集形成一個(gè)簇，聚類的結(jié)果希望簇內(nèi)樣本相似度高，簇間樣本相似度低。在實(shí)際應(yīng)用中，K-means算法[50-51]是最為常用的聚類算法之一，同時(shí)聚類結(jié)果往往具有顯著成效。K-means算法在最小化誤差的基礎(chǔ)上將數(shù)據(jù)劃分為預(yù)定的簇?cái)?shù)K，采用距離作為相似度評(píng)估，通過選取的K個(gè)初始聚類中心，計(jì)算各樣本與各聚類中心的距離并將樣本分配給距離樣本最近的簇，并利用加權(quán)平均值重新計(jì)算簇的聚類中心，通過迭代計(jì)算優(yōu)化聚類結(jié)果，該過程在滿足設(shè)定條件時(shí)終止。利用簇Ei(i=1,2,...k)的形心ei代表簇，用dist(x,ei)表示x∈Ei與簇中心ei之差，計(jì)算公式如下：

(1)

使用誤差平方和SSE作為度量聚類質(zhì)量的目標(biāo)函數(shù)，表示簇內(nèi)樣本圍繞簇中心的緊密程度。SSE越小，組內(nèi)樣本相似度越高。連續(xù)屬性的SSE計(jì)算公式如下：

(2)

(3)

采用表1中用戶個(gè)體因素、消耗性特征、操作性特征和閱讀性特征四個(gè)維度的子類特征作為付費(fèi)用戶聚類模型使用特征。通過多輪實(shí)驗(yàn)發(fā)現(xiàn)，K值選擇3時(shí)，聚類的效果最好，通過PCA主成分分析降維對(duì)聚類結(jié)果進(jìn)行可視化，聚類結(jié)果見圖1和圖2。圖2的坐標(biāo)軸反應(yīng)主成分特征主要為用戶閱讀消耗速率(currency_expend)=0.73，用戶經(jīng)驗(yàn)(exp)=0.269。通過K-means聚類算法將用戶聚類為三個(gè)聚簇。

圖1 用戶聚類結(jié)果圖

圖2 用戶聚類PCA降維分析圖

3.5 用戶群體定義

聚類算法將用戶分為A、B、C三個(gè)聚簇，A類聚簇采用紅色符號(hào)“.”表示，B類聚簇采用綠色符號(hào)“o”表示，C類聚簇采用藍(lán)色符號(hào)“*”表示。A類聚簇?cái)?shù)據(jù)21013條，B類聚簇?cái)?shù)據(jù)10139條，C類聚簇?cái)?shù)據(jù)206條。根據(jù)聚類特征對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，經(jīng)過對(duì)比分析發(fā)現(xiàn)，用戶性別(gender)、用戶付費(fèi)價(jià)格(total_amount)、用戶等級(jí)(Lv)、用戶經(jīng)驗(yàn)(exp)對(duì)用戶群體具有較強(qiáng)的區(qū)分度。

根據(jù)統(tǒng)計(jì)分析結(jié)果發(fā)現(xiàn)，A類群體用戶等級(jí)在4—8級(jí)，閱讀資歷較淺，付費(fèi)價(jià)格集中在4—8元，男女比例均衡，需要服務(wù)平臺(tái)發(fā)展培養(yǎng)，定義該群體用戶為發(fā)展型閱讀群體；B類群體用戶等級(jí)在8—10級(jí)，用戶閱讀經(jīng)驗(yàn)豐富，付費(fèi)價(jià)格重心向高價(jià)移動(dòng)，高價(jià)付費(fèi)上限提高，占比數(shù)量提高，男女比例中男性占比提高，說明用戶對(duì)服務(wù)平臺(tái)已經(jīng)產(chǎn)生使用習(xí)慣和信任感，定義該群體用戶為成熟型閱讀群體；C類群體用戶等級(jí)輻射范圍最廣，但從經(jīng)驗(yàn)值角度看，用戶的閱讀資歷與A類群體相近，但該群體可以接受的價(jià)格上限更高，在75元到100元的充值用戶最多，男女比率差異巨大，作為初入服務(wù)平臺(tái)的新用戶直接接受高價(jià)付費(fèi)，行為偏向激進(jìn)，定義該群體為激進(jìn)型閱讀群體。如表2所示。

表2 聚簇特征統(tǒng)計(jì)分析表

4 用戶群體數(shù)據(jù)建模

4.1 數(shù)據(jù)預(yù)處理

異常值處理。在三類子集數(shù)據(jù)集合中，由于閱讀服務(wù)平臺(tái)開展優(yōu)惠活動(dòng)，出現(xiàn)付費(fèi)1分錢，獲得回贈(zèng)50元高價(jià)值虛擬貨幣的特殊活動(dòng)，從而出現(xiàn)離群點(diǎn)數(shù)據(jù)，且該數(shù)據(jù)屬于特殊場(chǎng)景下數(shù)據(jù)，不利于本文對(duì)常態(tài)化感知價(jià)值的量化分析，因此作為異常值處理。處理方式采用人為提高付費(fèi)價(jià)格，將1分錢修改為1元錢，從而將該類數(shù)據(jù)的度量縮小100倍。通過該方式處理，異常值可以回歸到正常的付費(fèi)范圍中，同時(shí)又處于付費(fèi)范圍中邊緣區(qū)域。經(jīng)統(tǒng)計(jì)，A類21013條數(shù)據(jù)集中處理該異常值共599條，B類10139條數(shù)據(jù)集中處理該異常值313條，C類206條數(shù)據(jù)集中處理該異常值4條。

標(biāo)準(zhǔn)化處理。在選擇的特征變量中，用戶等級(jí)、用戶周期收藏書籍?dāng)?shù)、用戶周期檢索次數(shù)、用戶追更閱讀比例五個(gè)特征的數(shù)量級(jí)與用戶經(jīng)驗(yàn)值的數(shù)量級(jí)相差較大，需要進(jìn)行標(biāo)準(zhǔn)化處理，將用戶經(jīng)驗(yàn)值數(shù)據(jù)處理為0—1之間，避免低數(shù)值的特征權(quán)重受到壓縮。

4.2 M5模型樹建模

本文研究的目標(biāo)在于實(shí)證不同閱讀用戶群體的感知價(jià)值的差異性，并希望準(zhǔn)確計(jì)算出不同群體感知價(jià)值的閾值范圍。M5模型樹可以同時(shí)實(shí)現(xiàn)分類與回歸思想，不僅可以對(duì)用戶個(gè)體進(jìn)行區(qū)分，也可對(duì)連續(xù)性數(shù)值進(jìn)行回歸計(jì)算，因此選擇M5模型樹對(duì)用戶群體數(shù)據(jù)集進(jìn)行建模。

M5模型樹由Quinlan[52]提出，它基于二叉決策樹，在末端(葉子)節(jié)點(diǎn)采用一系列線性回歸函數(shù)，建立輸入與輸出變量之間的關(guān)系，因此可以用于定量數(shù)據(jù)。M5模型樹生成需要兩個(gè)不同階段，第一階段，將數(shù)據(jù)分成子集并假設(shè)將到達(dá)節(jié)點(diǎn)的類值的標(biāo)準(zhǔn)差作為該節(jié)點(diǎn)處誤差的度量來創(chuàng)建決策樹，計(jì)算作為在節(jié)點(diǎn)處每個(gè)屬性結(jié)果的預(yù)期誤差減少程度，用標(biāo)準(zhǔn)偏差減少(standard deviation reduction,SDR)[53]表示，定義如下：

(4)

其中T、Ti和SD分別表示到達(dá)節(jié)點(diǎn)的實(shí)例集合、具有潛在集合的第i個(gè)結(jié)果的實(shí)例子集和標(biāo)準(zhǔn)偏差。由于拆分過程，子節(jié)點(diǎn)中的數(shù)據(jù)的標(biāo)準(zhǔn)差變得比父節(jié)點(diǎn)的標(biāo)準(zhǔn)差更低。在掃描所有可能的分割后，M5模型樹選擇最大限度地降低預(yù)期誤差的模型樹[52]。第二階段，為避免樹結(jié)構(gòu)復(fù)雜，泛化能力減弱，對(duì)過長(zhǎng)的樹進(jìn)行樹剪枝，并用線性回歸函數(shù)替代子樹，從而為每一個(gè)子空間建立線性回歸模型。

本文將用戶付費(fèi)總量作為預(yù)測(cè)變量，將其余變量作為參數(shù)，訓(xùn)練預(yù)測(cè)模型。從相關(guān)性系數(shù)、平均絕對(duì)誤差、標(biāo)準(zhǔn)差、相對(duì)絕對(duì)誤差、相對(duì)均方根誤差指標(biāo)來判別算法構(gòu)建模型的優(yōu)劣。分別對(duì)A、B、C三類群體用戶群體數(shù)據(jù)集合建模。

圖3、圖4、圖5分別為A(發(fā)展型閱讀群體)、B(成熟型閱讀群體)、C(激進(jìn)型閱讀群體)三類用戶的M5模型樹結(jié)構(gòu)圖。

圖3 A類用戶群體M5模型樹結(jié)構(gòu)

圖4 B類用戶群體M5模型樹結(jié)構(gòu)

圖5 C類用戶群體M5模型樹結(jié)構(gòu)

分別針對(duì)三類用戶的模型樹進(jìn)行分析，在A類用戶模型樹與B類用戶模型樹中，感知價(jià)值R對(duì)付費(fèi)總量產(chǎn)生正向影響的葉子節(jié)點(diǎn)線性回歸方程為L(zhǎng)M13(A)、LM14(A)、LM7(B)和LM8(B)，見表3，線性方程詳細(xì)信息見附錄。由于C類用戶數(shù)據(jù)集有限，模型樹中未產(chǎn)生正向影響葉子節(jié)點(diǎn)的線性方程，在后續(xù)的分析中會(huì)對(duì)這一類群體進(jìn)一步分析說明。

表3 A、B模型樹正向影響葉子節(jié)點(diǎn)線性回歸方程

分別采用A、B、C三類模型樹進(jìn)行預(yù)測(cè)分析，預(yù)測(cè)結(jié)果見圖6、圖7、圖8。橫坐標(biāo)為用戶付費(fèi)價(jià)格真實(shí)值，縱坐標(biāo)為預(yù)測(cè)值，當(dāng)預(yù)測(cè)值與真實(shí)值越接近，數(shù)據(jù)將越集中在對(duì)角線，預(yù)測(cè)效果最優(yōu)。從預(yù)測(cè)效果圖可以看出，B類用戶模型預(yù)測(cè)效果最優(yōu)，A類用戶模型預(yù)測(cè)效果次優(yōu)，C類用戶模型預(yù)測(cè)效果最差，這與C類用戶本身的數(shù)據(jù)集較小有較大關(guān)聯(lián)。

圖6 A類用戶群體預(yù)測(cè)效果圖

圖7 B類用戶群體預(yù)測(cè)效果圖

圖8 C類用戶群體預(yù)測(cè)效果圖

對(duì)A、B、C三類用戶M5模型樹的算法效果進(jìn)行對(duì)比分析，結(jié)果如表4所示。

表4 A、B、C三類M5模型樹算法模型評(píng)估指標(biāo)對(duì)比

4.3 用戶感知價(jià)值差異性分析

根據(jù)三類用戶群體的M5模型樹的模型結(jié)構(gòu)分析如下：

在A類用戶模型樹模型中，感知價(jià)值R對(duì)預(yù)測(cè)變量的正向影響子節(jié)點(diǎn)線性方程分別為L(zhǎng)M13和LM14。其中，LM13位于感知價(jià)值R≤0.361區(qū)間，LM14位于感知價(jià)值R>0.361區(qū)間，同時(shí)根據(jù)LM15線性方程中感知價(jià)值R對(duì)預(yù)測(cè)變量成負(fù)向影響，且LM15處于感知價(jià)值R>0.472區(qū)間，可以認(rèn)為當(dāng)感知價(jià)值R超過0.472時(shí)，感知價(jià)值R對(duì)預(yù)測(cè)變量的影響效果開始呈現(xiàn)負(fù)向影響。因此，A類用戶群體感知價(jià)值區(qū)間初步確定為(0，0.361]、(0.362，0.472]。

在B類用戶模型樹模型中，感知價(jià)值R對(duì)預(yù)測(cè)變量的正向影響子節(jié)點(diǎn)線性方程分別為L(zhǎng)M7和LM8。LM7位于感知價(jià)值R≤0.372區(qū)間，LM8位于感知價(jià)值R>0.372區(qū)間，同時(shí)LM9線性方程中感知價(jià)值R對(duì)預(yù)測(cè)變量開始呈現(xiàn)負(fù)向影響，且LM9位于感知價(jià)值R>0.722區(qū)間，因此，B類用戶群體感知價(jià)值區(qū)間初步確定為(0，0.372]、(0.372，0.722]。

由于C類用戶模型樹模型中，所有子節(jié)點(diǎn)線性回歸方程中感知價(jià)值R對(duì)預(yù)測(cè)值的影響都是負(fù)向影響，因此暫時(shí)無法確定準(zhǔn)確的感知價(jià)值區(qū)間。同時(shí)，C類用戶數(shù)據(jù)模型在進(jìn)行評(píng)估指標(biāo)評(píng)估中，各類評(píng)估指標(biāo)較差，模型的有效性也較差。這與C類用戶數(shù)據(jù)量不足有很大關(guān)系，需要采取其他方法來確定C類用戶感知價(jià)值區(qū)間。

4.4 數(shù)據(jù)驗(yàn)證及閾值邊界

M5模型樹的模型結(jié)構(gòu)初步確定不同用戶群體的感知價(jià)值的閾值區(qū)間，但只能確定單邊邊界，同時(shí)還需要保證邊界的有效性，因此需要新的方法來確定閾值區(qū)間的另一側(cè)邊界。

當(dāng)用戶感知價(jià)值獲得滿足時(shí)，直接的行為是付費(fèi)行為，不同感知價(jià)值下的用戶付費(fèi)訂單量反應(yīng)了用戶對(duì)感知價(jià)值的滿意度。同時(shí)，用戶付費(fèi)訂單量的分布曲線可以確定用戶對(duì)感知價(jià)值的峰值點(diǎn)，借助峰值點(diǎn)對(duì)用戶群體感知價(jià)值的閾值區(qū)間加以約束，從而確定另一側(cè)邊界，最終獲得不同用戶群體的感知價(jià)值閾值區(qū)間。

圖9為對(duì)感知價(jià)值R與用戶付費(fèi)訂單分布折線圖按坐標(biāo)尺度縮放后的分布折線圖，從中可以看出存在多個(gè)峰值，說明面對(duì)不同的感知價(jià)值，用戶進(jìn)行付費(fèi)行為是存在決策差異的。圖10、圖11、圖12分別為A、B、C三類用戶群體感知價(jià)值與用戶付費(fèi)訂單量分布圖。對(duì)比三類用戶折線圖分布情況存在較明顯差異。在感知價(jià)值在(0，0.5)區(qū)間內(nèi)，A類用戶與B類用戶的分布折線相似，但在(0.5，3)區(qū)間內(nèi)，A類用戶依然存在多個(gè)峰值點(diǎn)，而B類用戶不再有相應(yīng)峰值點(diǎn)。C類用戶由于數(shù)據(jù)量有限，可以發(fā)現(xiàn)在(0，0.5)之間趨勢(shì)先下降，只存在一個(gè)峰值。

圖9 感知價(jià)值R與用戶付費(fèi)訂單量分布圖

圖10 感知價(jià)值R與用戶付費(fèi)訂單量分布圖(A類)

圖11 感知價(jià)值R與用戶付費(fèi)訂單量分布圖(B類)

圖12 感知價(jià)值R與用戶付費(fèi)訂單量分布圖(C類)

通過感知價(jià)值訂單分布圖可以直觀對(duì)比不同用戶群體感知價(jià)值存在差異性，但無法確定感知價(jià)值閾值區(qū)間的邊界。因此繪制感知價(jià)值R與用戶付費(fèi)訂單量分布列表，從而進(jìn)一步確定閾值邊界。如表5所示。

表5 感知價(jià)值與訂單量分布列表

P_N代表總數(shù)據(jù)中與感知價(jià)值R對(duì)應(yīng)的訂單數(shù)量，P_N(A類)、P_N(B類)、P_N(C類)分別代表A、B、C類用戶數(shù)據(jù)集合中與感知價(jià)值R相對(duì)應(yīng)的訂單量。R_A、R_B、R_C分別代表A、B、C類用戶M5模型樹中根據(jù)線性回歸方程獲得的感知價(jià)值R的閾值邊界。表5中加粗標(biāo)記的數(shù)值與每一類用戶感知價(jià)值訂單分布折線圖中峰值點(diǎn)對(duì)應(yīng)。

在R_A一列中，LM11與LM12所在的邊界范圍內(nèi)存在兩個(gè)峰值點(diǎn)，對(duì)應(yīng)感知價(jià)值R=0.273和R=0.296，兩個(gè)峰值點(diǎn)恰好存在于A類用戶第一個(gè)閾值區(qū)間(0，0.322]內(nèi)，由于LM11和LM12線性模型中感知價(jià)值R對(duì)預(yù)測(cè)值成負(fù)向影響，且從LM11向LM12變化過程中感知價(jià)值R的權(quán)重在減小，可以認(rèn)為，感知價(jià)值R開始從負(fù)向影響向正向影響轉(zhuǎn)變，因此重新界定A類用戶的第一個(gè)閾值區(qū)間為[0.237，0.361]。在LM14的邊界區(qū)間內(nèi)，當(dāng)感知價(jià)值R=0.396時(shí)同樣存在一個(gè)峰值點(diǎn)，同時(shí)LM14線性回歸方程中，感知價(jià)值R對(duì)預(yù)測(cè)值成正向影響效果，因此將兩個(gè)區(qū)間進(jìn)行融合，最終獲得A類用戶群體的感知價(jià)值閾值范圍為[0.237，0.472]。

在R_B一列中，LM4與LM5所在的邊界范圍內(nèi)存在兩個(gè)峰值點(diǎn)，對(duì)應(yīng)感知價(jià)值R=0.273和R=0.296，兩個(gè)峰值點(diǎn)同樣恰好存在于B類用戶第一個(gè)閾值區(qū)間(0，0.372]內(nèi)，由于LM4與LM5線性模型中感知價(jià)值R對(duì)預(yù)測(cè)值預(yù)測(cè)不產(chǎn)生影響，但在事實(shí)數(shù)據(jù)中會(huì)產(chǎn)生峰值，因此重新界定B類用戶的第一個(gè)閾值區(qū)間為[0.223，0.372]。在LM8的邊界區(qū)間內(nèi)，當(dāng)感知價(jià)值R=0.3967時(shí)存在一個(gè)峰值點(diǎn)，在LM8的線性回歸方程中，感知價(jià)值R對(duì)預(yù)測(cè)值成正向影響效果，因此將兩個(gè)區(qū)間進(jìn)行融合，最終獲得B類用戶群體的感知價(jià)值閾值范圍[0.233，0.722]。

在R_C一列中，根據(jù)感知價(jià)值R的用戶付費(fèi)訂單峰值點(diǎn)在R=0.396處，在C類用戶M5模型樹結(jié)構(gòu)中并沒有獲取初始感知價(jià)值閾值范圍，因此結(jié)合C類用戶感知價(jià)值訂單分布折線的趨勢(shì)顯示，C類用戶群體的感知價(jià)值閾值范圍推測(cè)至少應(yīng)大于等于0.396，而上限的確定則需要更多的數(shù)據(jù)作補(bǔ)充。由于C類用戶群體屬于激進(jìn)型閱讀用戶群體，同時(shí)受數(shù)據(jù)量限制，感知價(jià)值的閾值區(qū)間確定無法精準(zhǔn)。

根據(jù)結(jié)果分析，A類用戶感知價(jià)值的比率閾值范圍[0.237,0.472]可以充分不必要的實(shí)現(xiàn)B類用戶感知價(jià)值的比率滿足，但B類用戶會(huì)形成獨(dú)立的區(qū)間[0.472,0.722]只對(duì)B類用戶感知價(jià)值進(jìn)行比率滿足。同理，B類用戶感知價(jià)值的比率閾值的子區(qū)間[0.396,0.722]能夠?qū)崿F(xiàn)C類用戶的感知價(jià)值的比率滿足，但當(dāng)閾值超過0.722后，僅對(duì)C類用戶群體產(chǎn)生積極作用。因此，每一類用戶群體都會(huì)擁有獨(dú)立區(qū)間僅對(duì)自我產(chǎn)生感知價(jià)值的比率滿足，證明了群體感知價(jià)值的差異性。

5 結(jié)論

本研究在付費(fèi)意愿影響因素的研究基礎(chǔ)上，結(jié)合閱讀用戶個(gè)性化特點(diǎn)，采用K-means聚類算法，將用戶群體分為發(fā)展型閱讀群體、成熟型閱讀群體和激進(jìn)型閱讀群體三類，并從感知價(jià)值的角度切入，結(jié)合感知價(jià)值理論，定義并構(gòu)建了本文使用的感知價(jià)值指標(biāo)，利用M5模型樹算法對(duì)三類閱讀用戶群體進(jìn)行數(shù)據(jù)建模，研究三類閱讀群體的群體感知價(jià)值的差異性，并準(zhǔn)確計(jì)算不同群體感知價(jià)值閾值區(qū)間。從用戶群體的數(shù)據(jù)統(tǒng)計(jì)分析可以發(fā)現(xiàn)，在性別比例、用戶付費(fèi)價(jià)格、用戶閱讀經(jīng)驗(yàn)方面存在顯著差異。根據(jù)三類用戶群體的模型樹結(jié)構(gòu)分析和用戶付費(fèi)訂單的統(tǒng)計(jì)分析，確定發(fā)展型閱讀群體(A類)的感知價(jià)值閾值區(qū)間為[0.237，0.472]，成熟型閱讀群體(B類)的感知價(jià)值閾值區(qū)間為[0.233，0.722]，激進(jìn)型閱讀群體(C類)的感知價(jià)值在數(shù)據(jù)集合不足的情況下推測(cè)閾值范圍應(yīng)大于0.396。

本文在以往學(xué)者對(duì)感知價(jià)值研究主要關(guān)注感知價(jià)格和定價(jià)公平的基礎(chǔ)上加入了反饋收益來量化感知價(jià)值，進(jìn)一步拓展了對(duì)感知價(jià)值的研究范疇。在理論層面，本文不僅實(shí)證了感知價(jià)值對(duì)數(shù)字閱讀付費(fèi)行為產(chǎn)生的正向影響，同時(shí)借助真實(shí)的閱讀付費(fèi)行為數(shù)據(jù)對(duì)影響程度進(jìn)行量化計(jì)算，從群體中觀層面精確計(jì)算出不同用戶群體感知價(jià)值閾值區(qū)間，通過定量研究實(shí)證了不同用戶群體對(duì)感知價(jià)值的識(shí)別具有較大差異性，而且適用于不同群體的感知價(jià)值閾值區(qū)間存在著層次關(guān)系，進(jìn)一步豐富了感知價(jià)值的研究?jī)?nèi)容和深度。在實(shí)踐應(yīng)用層面，針對(duì)個(gè)體進(jìn)行計(jì)算建模不僅會(huì)增加計(jì)算工程，且個(gè)體產(chǎn)生數(shù)據(jù)體量小，難以構(gòu)建足夠精準(zhǔn)的數(shù)據(jù)模型，導(dǎo)致數(shù)據(jù)模型數(shù)量巨大并難以有效控制與調(diào)整。本文利用個(gè)體間相似性進(jìn)行分群，從群體層面對(duì)用戶數(shù)據(jù)進(jìn)行群體建模可以利用大量數(shù)據(jù)構(gòu)建符合該群體的特征，并對(duì)比發(fā)現(xiàn)感知價(jià)值在不同群體中影響的差異性，精確的感知價(jià)值閾值區(qū)間有助于數(shù)字閱讀服務(wù)平臺(tái)結(jié)合不同用戶群體來制定更具個(gè)性化和差異性的服務(wù)對(duì)策，以及促進(jìn)用戶付費(fèi)的促銷活動(dòng)，實(shí)現(xiàn)收益提升。有限的群體用戶模型利用大量相似用戶數(shù)據(jù)做訓(xùn)練，能夠保障模型的準(zhǔn)確性和有效性，針對(duì)不同群體用戶模型的優(yōu)化與調(diào)整是相互獨(dú)立且可以實(shí)時(shí)對(duì)比，更符合實(shí)際應(yīng)用場(chǎng)景，具有較強(qiáng)的實(shí)踐價(jià)值。

本文研究的局限性在于，隨著數(shù)據(jù)集和聚類層級(jí)的變化，用戶群體與閾值范圍也會(huì)隨之發(fā)生變化，受數(shù)據(jù)集大小與對(duì)用戶活躍度的區(qū)分界限選擇，導(dǎo)致激進(jìn)型閱讀群體(C類)的數(shù)據(jù)模型無法獲得精準(zhǔn)的閾值區(qū)間。未來的研究希望擴(kuò)大數(shù)據(jù)規(guī)模并豐富數(shù)據(jù)特征，進(jìn)一步分析激進(jìn)型閱讀群體感知價(jià)值的閾值區(qū)間，同時(shí)研究不同用戶群體之間可能發(fā)生躍遷的影響因素，即如何促使發(fā)展型閱讀群體用戶轉(zhuǎn)化為成熟型閱讀群體用戶，以及如何促使激進(jìn)型閱讀群體的付費(fèi)習(xí)慣趨于穩(wěn)定。本文的研究目的主要在于實(shí)證不同用戶群體的感知價(jià)值是否存在明顯差異性，實(shí)驗(yàn)的結(jié)果證實(shí)了這一假設(shè)，希望本文對(duì)相關(guān)研究起到拋磚引玉的作用，產(chǎn)生啟發(fā)意義。

(附錄鏈接地址：https://github.com/happyclame/Perceived-value)