社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為影響機(jī)理研究

陸澤宇 查先進(jìn) 嚴(yán)亞蘭

(1.武漢大學(xué)信息管理學(xué)院，湖北 武漢 430072；2.武漢大學(xué)圖書情報(bào)國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心，湖北 武漢 430072；3.武漢科技大學(xué)恒大管理學(xué)院，湖北 武漢 430065)

面對(duì)紛繁復(fù)雜的海量媒體數(shù)據(jù)，用戶時(shí)刻面臨著信息超載[3]和認(rèn)知負(fù)荷[4]的挑戰(zhàn)。在此背景下，智能推薦系統(tǒng)應(yīng)運(yùn)而生。這種系統(tǒng)技術(shù)能挖掘數(shù)據(jù)隱含價(jià)值，協(xié)調(diào)用戶數(shù)據(jù)和項(xiàng)目屬性以捕捉客戶需求，從而提供個(gè)性化信息服務(wù)，讓用戶獲取所需信息的同時(shí)提升數(shù)據(jù)利用率[5]。在社交媒體中，基于智能推薦系統(tǒng)的“推薦”頻道或相關(guān)功能已對(duì)用戶產(chǎn)生了廣泛而深遠(yuǎn)的影響，其根據(jù)用戶特征及用戶在社交媒體中的瀏覽、搜尋、閱讀、收藏等信息活動(dòng)進(jìn)行個(gè)性化信息推薦，如微博、知乎、B站、豆瓣、小紅書的首頁(yè)信息流及微信朋友圈、QQ空間的廣告推薦等。智能推薦一方面協(xié)助解決了用戶的信息超載等問題[6]；另一方面又帶來了許多新的問題[7]，用戶也從主動(dòng)獲取信息逐漸轉(zhuǎn)變?yōu)楸粍?dòng)接受信息。社交媒體平臺(tái)不僅可以通過算法、挖掘、分析用戶數(shù)據(jù)向用戶推薦個(gè)性化信息[8]，亦可以通過技術(shù)手段運(yùn)用用戶數(shù)據(jù)不斷反哺優(yōu)化推薦算法[9]。

“點(diǎn)贊”作為一個(gè)重要的社交平臺(tái)交互功能，其操作成本相對(duì)于其他多數(shù)用戶行為較高，頻率相對(duì)于評(píng)論等交互行為也較高[10]，較能體現(xiàn)用戶對(duì)智能推薦內(nèi)容的反應(yīng)程度。隨著中國(guó)互聯(lián)網(wǎng)的發(fā)展與相關(guān)亞文化群體的壯大，“點(diǎn)贊”的本土化色彩愈發(fā)濃厚，其產(chǎn)生背后的行為邏輯也十分豐富，具有參考意義。因此，對(duì)社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為的影響因素進(jìn)行深入探討，研究其影響機(jī)理，將有助于智能推薦算法的優(yōu)化，進(jìn)一步滿足用戶需求，對(duì)智能推薦系統(tǒng)建設(shè)乃至社交媒體平臺(tái)治理具有重大價(jià)值。

綜上，本文將具體探討社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為的影響因素，分析其影響機(jī)制及影響路徑，進(jìn)而構(gòu)建社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為影響機(jī)理理論模型，為未來的研究及實(shí)踐提供參考。

1 文獻(xiàn)綜述

Web2.0時(shí)代以來，特別是近年來，隨著社交媒體的發(fā)展壯大，用戶投入時(shí)長(zhǎng)不斷增長(zhǎng)，其對(duì)政治、經(jīng)濟(jì)、社會(huì)的影響日益凸顯。在全球范圍內(nèi)，圖書情報(bào)學(xué)、傳播學(xué)、心理學(xué)、管理學(xué)、計(jì)算機(jī)科學(xué)等眾多領(lǐng)域的專家學(xué)者對(duì)其進(jìn)行了大量相關(guān)研究。在圖書情報(bào)領(lǐng)域，學(xué)者們從社交媒體對(duì)市場(chǎng)營(yíng)銷[11-12]、醫(yī)療健康[13-14]、學(xué)術(shù)科研及知識(shí)共享[15-16]、緊急事件[17-18]等方面的影響開展了關(guān)聯(lián)研究。

推薦系統(tǒng)于20世紀(jì)90年代開始發(fā)展[19-21]，并在發(fā)展中迅速投入互聯(lián)網(wǎng)商業(yè)化運(yùn)營(yíng)[7](如1996年Yahoo推出的個(gè)性化的入口“My Yahoo!”、2003年Google投入使用的廣告推薦系統(tǒng))。隨著社交媒體日益發(fā)展壯大，推薦系統(tǒng)也被引入，引發(fā)了學(xué)者的關(guān)注。如Nilashi M等[22]運(yùn)用多標(biāo)準(zhǔn)評(píng)分，開發(fā)了一種用于電子旅游平臺(tái)中的酒店推薦的新推薦方法；胡昌龍[23]基于社交媒體基因圖譜對(duì)信息服務(wù)推薦開展了研究，構(gòu)建基于社交媒體基因圖譜的信息推薦模型；張繼東等[24]基于社交媒體基因圖譜提出了一種在線教育服務(wù)推薦方法；唐曉波等[25]利用可視化的方法生成用戶的復(fù)雜信任網(wǎng)絡(luò)圖譜，提出了一種基于復(fù)雜信任網(wǎng)絡(luò)的社會(huì)化媒體好友推薦模型。學(xué)者們亦對(duì)社交媒體中推薦系統(tǒng)的用戶使用進(jìn)行了探討。如Kim M S等[26]針對(duì)有使用YouTube經(jīng)驗(yàn)的受訪者進(jìn)行了一項(xiàng)在線調(diào)查，分析后發(fā)現(xiàn)，感知嚴(yán)重性對(duì)披露所有類型信息的意愿有顯著的負(fù)面影響，應(yīng)對(duì)效能對(duì)除反饋信息外的信息披露意愿有正向影響，自我效能感對(duì)披露反饋信息有正向影響；范梓騰等[27]基于數(shù)字鴻溝的視角考察了社交媒體用戶對(duì)算法推薦內(nèi)容的接受傾向，提出使用層次、心理效能、隱私保護(hù)擔(dān)憂、信息準(zhǔn)確度認(rèn)知等因素會(huì)對(duì)用戶算法推薦接受傾向產(chǎn)生影響；張雄濤等[28]在隱私視角下探究了社交媒體推薦對(duì)用戶在線交互意向的影響機(jī)理，梳理了社交媒體推薦、感知收益、感知隱私風(fēng)險(xiǎn)、平臺(tái)信任、感知信息控制與用戶在線交互意向間的關(guān)系。

隨著國(guó)內(nèi)社交媒體平臺(tái)的發(fā)展，對(duì)應(yīng)國(guó)外社交媒體“Like”功能的“點(diǎn)贊”功能也逐漸完善。國(guó)內(nèi)外學(xué)者對(duì)于點(diǎn)贊行為的研究較為豐富：Gerlitz C等[29]提出Facebook的點(diǎn)贊按鈕支持不同參與者之間的多個(gè)數(shù)據(jù)流，有助于同時(shí)實(shí)現(xiàn)網(wǎng)絡(luò)的去中心化和再中心化；Chin C Y等[30]提出，點(diǎn)贊的動(dòng)機(jī)一般包括快樂動(dòng)機(jī)、實(shí)用動(dòng)機(jī)、順從動(dòng)機(jī)、從眾動(dòng)機(jī)、隸屬動(dòng)機(jī)等；Sumner E M等[31]通過研究用戶在Facebook的點(diǎn)贊行為，討論了點(diǎn)贊頻率的一般預(yù)測(cè)因素、點(diǎn)贊表達(dá)具體含義等內(nèi)容；Zhao H等[32]調(diào)研了微信用戶點(diǎn)贊情況，建立了一個(gè)微信用戶點(diǎn)贊行為的概念模型，提出內(nèi)容(包括內(nèi)容有用性與內(nèi)容趣味性)、關(guān)系(包括給面子、人情、感情)分別通過積極情緒、預(yù)期關(guān)系收益間接影響點(diǎn)贊行為；Xu X等[33]借鑒“刺激—有機(jī)體—反應(yīng)”模型(S-O-R模型)，提出人際關(guān)系的刺激與道德義務(wù)感影響用戶在社交媒體的點(diǎn)贊行為；張瑜等[34]從傳播心理學(xué)、人際傳播、媒介經(jīng)濟(jì)3個(gè)維度分析了社交媒體中的點(diǎn)贊行為；曹冉[35]從媒介依賴角度提出“自我表露的心理動(dòng)機(jī)”“新型傳播媒介的自身優(yōu)勢(shì)”“基于社會(huì)認(rèn)同的社交需要”“社會(huì)意見環(huán)境的不斷推動(dòng)”是影響點(diǎn)贊依賴的重要因素。

綜上所述，學(xué)界目前對(duì)社交媒體環(huán)境下的智能推薦相關(guān)研究較少，對(duì)社交媒體環(huán)境下智能推薦相關(guān)的用戶信息行為研究存在不足。關(guān)于社交媒體中用戶點(diǎn)贊行為的研究多針對(duì)某個(gè)平臺(tái)或從某個(gè)角度開展，未充分考慮平臺(tái)、用戶、情境等多個(gè)維度的綜合影響，其主要采用的定量、定性方法缺乏質(zhì)性研究性質(zhì)的探索嘗試，與社交媒體中智能推薦相結(jié)合的研究亦存在不足。因此，本文將采用扎根理論開展研究，嘗試回答以下問題：針對(duì)社交媒體環(huán)境下智能推薦內(nèi)容，用戶的點(diǎn)贊行為會(huì)受何因素影響？其影響機(jī)理如何？有何啟示？

據(jù)奧維云網(wǎng)（AVC）監(jiān)測(cè)數(shù)據(jù)顯示，2018年第三季度，嵌入式一體機(jī)全渠道均價(jià)4351元，同比下跌了8.4%，然而全渠道零售額同比漲幅卻達(dá)到了99.0%。值得注意的是，當(dāng)嵌入式一體機(jī)產(chǎn)品的均價(jià)呈現(xiàn)下跌態(tài)勢(shì)，銷售額竟出現(xiàn)了大幅增長(zhǎng)。

2 研究設(shè)計(jì)

2.1 研究方法

扎根理論(Grounded Theory)由Glaser B G等提出[36]，是一種質(zhì)性研究方法，作為情境化研究方法論的代表，日益得到學(xué)界的認(rèn)可與接受[37]。扎根理論是一種在經(jīng)驗(yàn)資料的基礎(chǔ)上，研究者根據(jù)個(gè)人知識(shí)和經(jīng)驗(yàn)對(duì)原始資料進(jìn)行編碼構(gòu)建理論的方法[38]。因NVivo軟件被大量使用于扎根理論的編碼工作中[39-40]，其能夠完整記錄操作痕跡，協(xié)助完成文字資料的整理、分析與呈現(xiàn)，提升質(zhì)性研究的嚴(yán)謹(jǐn)性與信實(shí)度[41]，本文研究采用NVivo進(jìn)行編碼工作。主要研究流程如圖1所示。

2.2 訪談提綱設(shè)計(jì)

鑒于受訪對(duì)象對(duì)研究主題的了解程度參差不一，本文的數(shù)據(jù)收集采用更便于開展的半結(jié)構(gòu)化訪談方法進(jìn)行。本文通過前期的文獻(xiàn)調(diào)研、現(xiàn)象觀察、借鑒相關(guān)研究經(jīng)驗(yàn)，初步設(shè)計(jì)出訪談大綱，咨詢領(lǐng)域?qū)＜壹右哉{(diào)整后，分別邀請(qǐng)兩名社交媒體資深用戶(信息管理相關(guān)專業(yè)、有互聯(lián)網(wǎng)工作經(jīng)驗(yàn)、在社交媒體平臺(tái)較活躍且有10年以上使用經(jīng)驗(yàn))及普通用戶(非信息管理相關(guān)專業(yè)、無(wú)相關(guān)工作背景、社交媒體平臺(tái)使用年限較少)開展預(yù)訪談，從不同用戶的角度收集反饋意見并進(jìn)行整理、討論后對(duì)訪談提綱進(jìn)行修正，最終確定正式訪談提綱，包括導(dǎo)語(yǔ)介紹、術(shù)語(yǔ)界定、受訪者信息與核心問題4個(gè)方面，如表1所示。

表1 訪談提綱

2.3 研究樣本選擇

本文遵循目的性抽樣[42]與理論飽和抽樣[43]的原則開展研究樣本選擇。

本文參考目的性抽樣原則，確定研究樣本候選人應(yīng)滿足以下條件：①熟悉社交媒體且經(jīng)常使用；②接觸或體驗(yàn)過智能推薦系統(tǒng)相關(guān)服務(wù)，并接觸或體驗(yàn)過對(duì)智能推薦內(nèi)容的點(diǎn)贊功能；③可最大限度為訪談所提問題提供相關(guān)信息；④可充分理解訪談所提問題，有較豐富的知識(shí)儲(chǔ)備與清晰地表達(dá)觀點(diǎn)的能力；⑤在時(shí)間與精力等客觀條件上符合訪談要求；⑥了解研究目的與相關(guān)保密規(guī)定后，同意訪談全程錄音。

理論飽和抽樣原則提出的訪談結(jié)束標(biāo)準(zhǔn)為：受訪者不再提供新范疇與關(guān)系，在進(jìn)行不少于3人的驗(yàn)證工作后，可以認(rèn)為資料范疇達(dá)到飽和狀態(tài)，并確定最終研究樣本。經(jīng)綜合考量，本文以研究生群體作為主要研究樣本目標(biāo)群體，原因如下：①研究生群體經(jīng)過科研訓(xùn)練，信息素養(yǎng)較高，可一定程度上保證訪談質(zhì)量；②研究生群體接觸互聯(lián)網(wǎng)時(shí)間更長(zhǎng)，相應(yīng)的社交媒體使用經(jīng)歷更豐富，其訪談時(shí)輸出的信息量相應(yīng)也更充足。

在上述原則指導(dǎo)下，結(jié)合后續(xù)編碼與理論飽和度檢驗(yàn)結(jié)果，考慮樣本抽取便利性與樣本代表性，本文最終確定14名受訪者為研究樣本，如表2所示。

表2 研究樣本

表2(續(xù))

2.4 研究數(shù)據(jù)收集

本文研究數(shù)據(jù)收集工作歷時(shí)兩個(gè)月，線上受訪者為3人，其余均為線下訪談。所有受訪者均認(rèn)同保密規(guī)定，并接受全程錄音。正式訪談中，具體訪談內(nèi)容亦會(huì)根據(jù)受訪者回答進(jìn)行適當(dāng)調(diào)整。訪談結(jié)束后，首先通過“有道云筆記”對(duì)訪談錄音進(jìn)行初步識(shí)別轉(zhuǎn)錄，轉(zhuǎn)錄完成后進(jìn)行初步人工整理，整理完成后由受訪者本人指出需修改之處，修改確認(rèn)無(wú)誤后的文檔即為后續(xù)研究資料。當(dāng)訪談至第11名受訪者并進(jìn)行資料編碼時(shí)，發(fā)現(xiàn)其與前10名受訪者資料形成的范疇與關(guān)系相比，未提煉出新范疇與關(guān)系，直到訪談完第14名受訪者時(shí)亦如此，已滿足理論飽和抽樣原則，隨即停止訪談工作。根據(jù)完成修改確認(rèn)的順序，將14個(gè)文檔資料命名為A～N。

3 扎根分析

3.1 開放性編碼

本文對(duì)原始資料采用逐句分析方式進(jìn)行編碼，盡量使用“本土化”概念。在初始概念形成過程中，相同的概念僅編碼一次；對(duì)于近似的概念，選擇其中的一個(gè)作為初始概念。最終得到推薦內(nèi)容經(jīng)過別人篩選、展現(xiàn)形式比較好理解等216個(gè)初始概念。初始概念的形成過程舉例如表3所示。

表3 初始概念的形成過程舉例

本文對(duì)初始概念聚類進(jìn)行范疇化處理，形成點(diǎn)贊行為、點(diǎn)贊意向、用戶滿意度等32個(gè)基本范疇?；痉懂犈c初始概念的對(duì)應(yīng)關(guān)系及基本范疇的內(nèi)涵與命名依據(jù)如表4所示。

表4 范疇化編碼

表4(續(xù))

表4(續(xù))

3.2 主軸編碼

本文對(duì)32個(gè)基本范疇進(jìn)行歸納整合，共提煉出3個(gè)維度共12個(gè)主范疇，具體如表5所示。

表5 主軸編碼

3.3 選擇性編碼

本文經(jīng)過深入比較分析，將3個(gè)維度12個(gè)主范疇關(guān)系結(jié)構(gòu)梳理出“故事線”如下：平臺(tái)維度下的平臺(tái)聲譽(yù)、智能推薦信息質(zhì)量、智能推薦服務(wù)質(zhì)量、智能推薦系統(tǒng)質(zhì)量，以及用戶維度下的用戶需求、用戶感知通過用戶滿意度對(duì)點(diǎn)贊意向產(chǎn)生間接影響；同時(shí)，用戶維度下的用戶感知以及情境維度下的游戲化運(yùn)營(yíng)、社會(huì)影響、從眾行為對(duì)點(diǎn)贊意向產(chǎn)生直接影響；最終，點(diǎn)贊意向直接影響點(diǎn)贊行為。其詳細(xì)描述如表6所示。

綜上所述，點(diǎn)贊意愿受眾多主范疇直接或間接影響，最終再直接影響點(diǎn)贊行為。因此，本文將“點(diǎn)贊意向”確定為核心范疇，構(gòu)建社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為影響機(jī)理理論模型，如圖2所示。

3.4 理論飽和度檢驗(yàn)、可信度分析

據(jù)Francis J J等[70]的研究，最小樣本量設(shè)置為10+3時(shí)很可能捕捉到幾乎所有受訪者提出的主觀因素，當(dāng)編碼的過程不能再提供新的范疇和關(guān)系時(shí)(一般是10份訪談資料完成編碼以后)，再對(duì)不少于3份資料進(jìn)行編碼驗(yàn)證，若仍不能發(fā)現(xiàn)新的范疇和關(guān)系，可認(rèn)為編碼所構(gòu)建的理論已經(jīng)飽和。本文遵循理論飽和原則進(jìn)行樣本選擇，當(dāng)樣本量達(dá)到10+4時(shí)，連續(xù)4位受訪者不能再提供新的范疇和關(guān)系便停止訪談，已經(jīng)超過最小樣本量標(biāo)準(zhǔn)，最終14個(gè)樣本量的確定標(biāo)志著理論飽和。

為了保證研究可信度，本文完成了以下工作：在訪談階段，前期在文獻(xiàn)調(diào)研、現(xiàn)象觀察與經(jīng)驗(yàn)借鑒的基礎(chǔ)上開展預(yù)訪談，細(xì)致設(shè)計(jì)正式訪談提綱；進(jìn)行訪談時(shí)采用線下為主、線上為輔的半結(jié)構(gòu)化訪談模式，結(jié)合受訪者實(shí)際經(jīng)歷鼓勵(lì)其表達(dá)真實(shí)想法，并及時(shí)補(bǔ)充、追問，全程錄音；后期通過軟件轉(zhuǎn)錄和人工校對(duì)相結(jié)合的方式進(jìn)行規(guī)范整理資料，并與受訪者本人進(jìn)行確認(rèn)。在數(shù)據(jù)分析階段，借助NVivo工具，有邏輯、成系統(tǒng)地記錄編碼痕跡；貼近受訪者，盡量使用“本土化”概念對(duì)原始資料逐句分析、進(jìn)行編碼，減少信息噪聲；基本范疇的界定充分參考已有成熟概念，有效提升范疇的解釋度；嚴(yán)格遵循扎根理論編碼程序規(guī)范，并充分參考成熟模型進(jìn)行模型構(gòu)建，有效提升理論可信度。

4 結(jié)論與討論

4.1 研究結(jié)論與貢獻(xiàn)

本文運(yùn)用扎根理論，通過對(duì)半結(jié)構(gòu)化訪談數(shù)據(jù)資料進(jìn)行程序化的三級(jí)扎根分析，梳理了各概念、范疇間的結(jié)構(gòu)和關(guān)系，構(gòu)建了社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為影響機(jī)理模型。本文研究發(fā)現(xiàn)，①在平臺(tái)維度下的平臺(tái)聲譽(yù)(包括平臺(tái)口碑、創(chuàng)作者口碑)、智能推薦信息質(zhì)量(包括信息準(zhǔn)確性、信息新穎性、信息完整性、信息呈現(xiàn)形式、信息標(biāo)準(zhǔn)化)、智能推薦服務(wù)質(zhì)量(包括推薦時(shí)效性、推薦可控性、推薦個(gè)性化)、智能推薦系統(tǒng)質(zhì)量(包括交互設(shè)計(jì)、隱私安全性)通過用戶滿意度對(duì)點(diǎn)贊意向產(chǎn)生間接影響；②用戶維度下的用戶需求(包括娛樂需求、隱私關(guān)注需求、信息需求、身份認(rèn)同需求、社交需求、情感需求、功能需求、粉絲需求、表達(dá)需求)、用戶感知(感知有用性、感知易用性、感知趣味性)通過用戶滿意度對(duì)點(diǎn)贊意向產(chǎn)生間接影響，同時(shí)用戶感知也對(duì)點(diǎn)贊意向有直接影響；③情境維度下的游戲化運(yùn)營(yíng)、社會(huì)影響(壓力沖突、他人評(píng)價(jià)、群體規(guī)范)、從眾行為對(duì)點(diǎn)贊意向產(chǎn)生直接影響；④最終點(diǎn)贊意向?qū)⒅苯佑绊扅c(diǎn)贊行為。

本文研究主要貢獻(xiàn)如下：①目前，對(duì)于社交媒體環(huán)境下的智能推薦相關(guān)的用戶信息行為研究存在一定不足，關(guān)于社交媒體中用戶點(diǎn)贊行為的研究未充分考慮平臺(tái)、用戶、情境等多個(gè)維度的綜合影響。本文從社交媒體環(huán)境下智能推薦內(nèi)容點(diǎn)贊行為入手，開展相關(guān)影響機(jī)理的研究，對(duì)現(xiàn)有研究不足進(jìn)行了有益補(bǔ)充，豐富了研究主題；②現(xiàn)有智能推薦滿意度或評(píng)價(jià)體系研究多為定量、定性研究，缺乏質(zhì)性研究的探索嘗試。本文采用扎根理論開展質(zhì)性研究，有助于豐富研究維度、發(fā)現(xiàn)新的影響因素和評(píng)價(jià)指標(biāo)，為日后相關(guān)研究提供有益借鑒；③在運(yùn)用扎根理論研究過程中，驗(yàn)證了技術(shù)接受模型和D&M模型，部分延伸了兩個(gè)模型的適用場(chǎng)景，為未來研究提供了新的思路與參考。

4.2 研究啟示

社交媒體環(huán)境下，點(diǎn)贊行為可以一定程度上體現(xiàn)用戶對(duì)于智能推薦內(nèi)容的感知與滿意度，亦可以反映出用戶所處的情境因素。通過分析訪談材料、總結(jié)研究成果，本文從3個(gè)角度闡述啟示如下：

從社交媒體治理角度而言，有關(guān)部門需聯(lián)合專業(yè)力量，進(jìn)一步健全對(duì)社交媒體平臺(tái)監(jiān)督、指導(dǎo)的專業(yè)性，完善相關(guān)數(shù)據(jù)分析研究機(jī)制。本研究在訪談中發(fā)現(xiàn)，大部分受訪者認(rèn)為平臺(tái)的信息推送、信息采集等機(jī)制仍存在改進(jìn)空間，其態(tài)度較為普遍地反映在了點(diǎn)贊等交互行為上。對(duì)此，監(jiān)管部門應(yīng)繼續(xù)完善內(nèi)容生產(chǎn)的相關(guān)規(guī)范，切實(shí)督促各社交媒體運(yùn)營(yíng)平臺(tái)落實(shí)隱私保護(hù)要求，避免平臺(tái)為提升用戶留存與使用時(shí)長(zhǎng)制造“算法陷阱”，從而保護(hù)用戶權(quán)益；同時(shí)，應(yīng)進(jìn)一步聯(lián)合領(lǐng)域?qū)＜?、相關(guān)研究機(jī)構(gòu)等專業(yè)力量，與社交媒體平臺(tái)共同建立健全科學(xué)分析的研究機(jī)制、公開透明的規(guī)劃?rùn)C(jī)制、合作討論的協(xié)商機(jī)制，在保護(hù)隱私的前提下，構(gòu)建公共用戶互動(dòng)數(shù)據(jù)分析平臺(tái)，為日后法律法規(guī)及政策制定、行業(yè)發(fā)展、科學(xué)研究提供有益參考與指導(dǎo)。

從社交媒體運(yùn)營(yíng)角度而言，社交媒體平臺(tái)仍需以內(nèi)容質(zhì)量為核心開展信息推薦，進(jìn)一步落實(shí)隱私保護(hù)承諾，完善優(yōu)化與用戶互動(dòng)機(jī)制。本研究受訪者普遍反映，智能推薦的整體質(zhì)量對(duì)其滿意度有較大影響。社交媒體平臺(tái)若要有效提升用戶對(duì)推薦內(nèi)容的感知，需要鼓勵(lì)內(nèi)容創(chuàng)作者產(chǎn)出高質(zhì)量?jī)?nèi)容，并在推薦算法上對(duì)高質(zhì)量?jī)?nèi)容給予支持；要重視點(diǎn)贊等用戶交互行為數(shù)據(jù)對(duì)智能推薦的整體提升作用，運(yùn)用用戶反饋的交互信息進(jìn)行及時(shí)、精確、個(gè)性化的內(nèi)容投放，提升智能推薦系統(tǒng)的關(guān)聯(lián)推薦能力，使智能信息推薦具備更強(qiáng)的預(yù)見性與豐富性，讓用戶觸及更多優(yōu)質(zhì)內(nèi)容；在收集相關(guān)用戶信息用于智能推薦時(shí)，需守好隱私保護(hù)底線，切實(shí)履行平臺(tái)主體責(zé)任，營(yíng)造良好的用戶環(huán)境及口碑；綜合參考用戶交互數(shù)據(jù)制定運(yùn)營(yíng)策略，通過適當(dāng)合理高質(zhì)量的游戲化運(yùn)營(yíng)方式提升用戶使用積極性。

從社交媒體使用角度而言，內(nèi)容消費(fèi)者需進(jìn)一步提升消費(fèi)者素養(yǎng)與信息素養(yǎng)，而內(nèi)容創(chuàng)作者則需進(jìn)一步提升內(nèi)容質(zhì)量與互動(dòng)質(zhì)量。內(nèi)容消費(fèi)者可結(jié)合口碑綜合考慮需要選擇的社交媒體，提升隱私意識(shí)，在被動(dòng)接收智能推薦內(nèi)容時(shí)充分行使用戶作為消費(fèi)者的權(quán)利，主動(dòng)通過互動(dòng)進(jìn)行反饋，從而調(diào)整智能推薦內(nèi)容；同時(shí)應(yīng)注意智能推薦內(nèi)容的“殺時(shí)間陷阱”及“信息繭房”效應(yīng)，健康、合理使用社交媒體，擴(kuò)大信息獲取面，培養(yǎng)信息分析能力。內(nèi)容創(chuàng)作者需以內(nèi)容質(zhì)量為中心開展創(chuàng)作，充分利用平臺(tái)資源支持，提升受眾滿意度與自身影響力；可通過參與或發(fā)起形式豐富、激勵(lì)合理的營(yíng)銷活動(dòng)提升用戶互動(dòng)率，重視用戶互動(dòng)數(shù)據(jù)的分析運(yùn)用，為內(nèi)容策劃提供有效參考。

4.3 研究不足與展望

本文研究存在以下不足：①即時(shí)通信及社交化的音視頻媒體等功能型應(yīng)用亦出現(xiàn)了智能推薦功能模塊，本文對(duì)不同應(yīng)用下用戶行為呈現(xiàn)出的差異化趨勢(shì)未做進(jìn)一步梳理研究；②快速發(fā)展中的社交媒體產(chǎn)生了諸如“投幣”等與點(diǎn)贊行為近似的概念，本文研究有進(jìn)一步明晰界定、拓展內(nèi)容的空間；③對(duì)研究的訪談對(duì)象的人口統(tǒng)計(jì)學(xué)特征分析不足，未充分考慮諸如地域與職業(yè)的差異；④并未對(duì)扎根理論建構(gòu)的理論模型進(jìn)行量化檢驗(yàn)。

綜上所述，未來研究將考慮：①針對(duì)各類應(yīng)用下產(chǎn)生的用戶行為數(shù)據(jù)進(jìn)行對(duì)比分析、提煉；②對(duì)狹義的點(diǎn)贊行為范疇進(jìn)行進(jìn)一步界定、拓展；③增加不同地域、職業(yè)等特征的樣本，并進(jìn)一步分析人口統(tǒng)計(jì)學(xué)特征對(duì)其點(diǎn)贊行為的影響；④采用結(jié)構(gòu)方程建模、回歸分析等研究方法，對(duì)理論模型進(jìn)行量化實(shí)證的檢驗(yàn)。