彈幕視頻網(wǎng)站用戶持續(xù)使用行為的影響因素及其可解釋性分析

李偉卿　汪文濤　黃煒等

關(guān)鍵詞： 彈幕視頻網(wǎng)站； 感知價值； ＳＨＡＰ 可解釋模型； 用戶持續(xù)使用行為； 嗶哩嗶哩網(wǎng)站

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．１２．００６

〔中圖分類號〕Ｇ２５２.０ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） １２－００６３－１０

截至２０２２ 年６ 月， 我國網(wǎng)絡視頻（含短視頻）用戶規(guī)模達９.６２ 億， 占網(wǎng)民整體的９１. ５％［１］ 。觀看與分享視頻已成為人們獲取信息、交流、娛樂、學習的主要方式， 人們的生活方式和社會結(jié)構(gòu)也因此改變［２］ 。研究網(wǎng)絡視頻傳播的機制及影響因素， 有助于優(yōu)質(zhì)信息的傳播及增加用戶的粘性， 具有重大的經(jīng)濟價值和現(xiàn)實意義。如Ｙａｎ Ｈ 等［３］ 通過對多個視頻網(wǎng)站用戶行為的挖掘， 發(fā)現(xiàn)用戶既表現(xiàn)出一致的跨站點興趣， 也表現(xiàn)出不同站點的特定興趣。Ｙｅ ＬＬ［４］ 通過問卷調(diào)查探討了視頻彈幕的感知價值對用戶持續(xù)參與行為的影響， 發(fā)現(xiàn)彈幕的信息價值、娛樂價值對用戶的持續(xù)參與行為有積極影響。孫曉寧等［５］ 通過對Ｂｉｌｉｂｉｌｉ 網(wǎng)站用戶彈幕與評論信息的交互特征的研究， 發(fā)現(xiàn)在多元場景下用戶彈幕使用頻率呈現(xiàn)顯著差異， 且在總體情況下， 彈幕情感較評論情感更為積極與強烈?，F(xiàn)有研究多聚焦于視頻本身（如視頻的滿意度、彈幕數(shù)量、彈幕情緒）對用戶持續(xù)使用行為的影響， 變量之間存在一定的內(nèi)生性問題， 且少有對各影響因素重要性和正負性的探索。

因此， 本文使用Ｂｉｌｉｂｉｌｉ 彈幕網(wǎng)站中的視頻特征數(shù)據(jù)和用戶行為數(shù)據(jù)， 基于感知價值理論， 采用多元回歸分析和基于機器學習的ＳＨＡＰ 可解釋方法，探討視頻用戶持續(xù)使用行為的影響因素及其影響的重要性及正負性。本研究主要有以下創(chuàng)新和貢獻：使用基于機器學習的ＳＨＡＰ可解釋方法， 探索了視頻用戶持續(xù)使用行為的影響因素的重要性及正負性， 驗證與補充了現(xiàn)有研究的結(jié)論， 并為彈幕視頻網(wǎng)站的用戶行為研究提供了思路與方法； 探討了不同維度感知價值對視頻用戶持續(xù)使用行為的影響大小， 研究結(jié)論有助于視頻制作者從多維度把控視頻的質(zhì)量， 從而提高視頻制作者的競爭力， 增強用戶持續(xù)使用意愿， 有利于優(yōu)質(zhì)信息內(nèi)容的傳播。

１相關(guān)研究與研究假設

感知價值理論在營銷和信息系統(tǒng)研究領(lǐng)域得到了廣泛驗證與認可， 視頻的感知價值對用戶的持續(xù)參與行為具有正向影響［６］ 。產(chǎn)品感知價值直接影響用戶的購買意愿， 通常包括質(zhì)量因素、價格因素、社會價值和情感價值［７］ 。信息感知價值正向影響用戶對信息的采納行為， 信息采納行為是用戶有目的地選擇、分析、評價、接受和利用信息的過程［８］ 。目前， 關(guān)于信息感知價值的研究主要基于技術(shù)接受模型（ＴＡＭ）和信息采納模型（ＩＡＭ）。技術(shù)接受模型認為感知有用性、感知易用性共同作用于用戶采納行為， 感知有用性主要指用戶主觀上認為信息或者技術(shù)能提高其工作績效的程度， 感知易用性主要指用戶主觀上認為理解信息或者使用新技術(shù)需要付出的努力程度［９］ ； 而信息采納模型提出信息質(zhì)量和信源的可信度正向影響用戶的感知有用性， 從而影響用戶的信息采納行為［１０］ 。

對于視頻的感知價值及參與行為， 還未有較成熟的理論模型。現(xiàn)有研究多從視頻的內(nèi)容價值（信息質(zhì)量）、社會價值和情感價值（滿意度）探討用戶對視頻信息的采納行為和持續(xù)使用意愿［１１－１３］ 。如張帥等［１４］ 基于扎根理論探索了視頻網(wǎng)站用戶使用行為的驅(qū)動因素， 發(fā)現(xiàn)情感需求（娛樂、情感歸屬、釋放壓力）、社交需求（表達自己的感受、交流愛好、了解別人的看法）以及認知需求（理解視頻內(nèi)容、彈幕有趣、獲取知識）是驅(qū)動視頻網(wǎng)站用戶持續(xù)使用的核心因素； ＹｅＬＬ［４］ 在彈幕視頻中對用戶持續(xù)參與行為進行研究， 從信息價值、娛樂價值、社會價值３ 個方面探討視頻用戶持續(xù)參與行為的影響因素。基于此， 本文將從內(nèi)容感知價值、情感感知價值和社會感知價值３ 個維度來探討視頻用戶持續(xù)使用行為的影響因素。

１） 內(nèi)容感知價值。在營銷領(lǐng)域， 產(chǎn)品的質(zhì)量感知價值顯著正向影響消費者的購買意愿。而視頻的質(zhì)量感知價值， 通常體現(xiàn)在用戶對視頻信息內(nèi)容質(zhì)量的感知。Ｐａｇａｎ Ｎ 等［１５］ 探索了社交媒體上的“顯著影響者（網(wǎng)紅）” 的產(chǎn)生和被關(guān)注機制， 發(fā)現(xiàn)用戶始終在追尋ＵＧＣ 質(zhì)量更好的網(wǎng)紅， 即內(nèi)容為王。視頻的內(nèi)容質(zhì)量， 即視頻信息內(nèi)容的準確性、一致性、時效性和全面性， 還包括視頻的字幕內(nèi)容、視頻的畫面內(nèi)容（動畫質(zhì)量的好壞或者真人的動作、語速、語氣等）。在實證研究中， 通常難以對信息的客觀內(nèi)容質(zhì)量進行有效衡量， 基于用戶視角的信息質(zhì)量評價是國內(nèi)外學術(shù)研究的主流范式［１６］ 。如史偉［１７］ 在基于內(nèi)容分析的微博轉(zhuǎn)發(fā)行為研究中， 證實內(nèi)容特征對微博轉(zhuǎn)發(fā)有著顯著的影響。張瑜等［１８］ 研究發(fā)現(xiàn)， 在以內(nèi)容為主導的社交媒體中， 內(nèi)容質(zhì)量本身是吸引個體進行點贊的主要因素。陳明紅等［１９］ 在對彈幕網(wǎng)站的用戶行為進行研究時， 發(fā)現(xiàn)視頻彈幕數(shù)、視頻點贊數(shù)、視頻評論數(shù)和視頻轉(zhuǎn)發(fā)數(shù)均對播放量產(chǎn)生顯著正向影響。彈幕視頻網(wǎng)站上的用戶行為， 如點贊、投幣、收藏、轉(zhuǎn)發(fā)等直觀地反映了用戶對視頻內(nèi)容質(zhì)量的主觀評價?；诖颂岢鲆韵录僭O：

Ｈ１： 點贊數(shù)量正向影響用戶的內(nèi)容感知價值，從而影響視頻用戶的持續(xù)使用意愿

Ｈ２： 投幣數(shù)量正向影響用戶的內(nèi)容感知價值，從而影響視頻用戶的持續(xù)使用意愿

Ｈ３： 收藏數(shù)量正向影響用戶的內(nèi)容感知價值，從而影響視頻用戶的持續(xù)使用意愿

Ｈ４： 轉(zhuǎn)發(fā)數(shù)量正向影響用戶的內(nèi)容感知價值，從而影響視頻用戶的持續(xù)使用意愿

２） 情感感知價值。即用戶使用或體驗產(chǎn)品時的感覺或者情感狀態(tài)。研究表明， 在彈幕視頻網(wǎng)站的使用過程中， 彈幕更多地反映用戶在觀看視頻時的情感狀態(tài)。如孫曉寧等［５］ 在多元場景下對彈幕和評論的比較研究中發(fā)現(xiàn)， 彈幕比評論具有更強烈的情感色彩； Ｍａ Ｘ 等［２０］ 和Ｌｅｅ Ｙ Ｃ 等［２１］ 發(fā)現(xiàn)， 彈幕相對評論較短， 更能促進用戶即時交流以分享事實、想法和感受， 激勵用戶的社會溝通和情感表達。王敏等［２２］ 對視頻彈幕與字幕進行情感分析與比較研究， 發(fā)現(xiàn)單從情感詞數(shù)量考慮， 視頻彈幕與字幕的情感強度無明顯差異， 彈幕與字幕的情感種類分布規(guī)律大致相同， 即視頻字幕與彈幕有一定的相似性， 彈幕的情感價值在一定程度上反映視頻字幕的情感價值； 彈幕數(shù)量也能反映用戶的情感強度。如袁海霞等［２３］ 在研究彈幕對在線消費行為影響時發(fā)現(xiàn)， 彈幕數(shù)量正向影響用戶的觀看行為與消費意愿。綜上， 彈幕體現(xiàn)了用戶在觀看視頻時的情感體驗， 這種情感體驗對用戶持續(xù)使用行為具有顯著的正向影響。視頻的情感感知價值主要體現(xiàn)在彈幕情感和彈幕數(shù)量兩個方面。而對于彈幕數(shù)量， 在不同時長的視頻中， 使用彈幕數(shù)量會導致量綱不統(tǒng)一，因此， 使用彈幕密度＝彈幕數(shù)量／ 視頻時長， 以彈幕密度替代彈幕數(shù)量。基于此提出以下假設：

Ｈ５： 彈幕情感正向影響用戶的情感感知價值，從而影響視頻用戶的持續(xù)使用意愿

Ｈ６： 彈幕密度正向影響用戶的情感感知價值，從而影響視頻用戶的持續(xù)使用意愿

３） 社會感知價值。即產(chǎn)品對社會的意義或價值， 具有一定的主觀性。網(wǎng)絡環(huán)境下， 社會價值的表現(xiàn)形式一般為在線評論與打分［２４］ 。用戶在進行消費決策之前通常會尋找并查看在線評論， 以此評估此次消費的感知利得與感知利失， 所以， 在線評論會形成相當程度的社會價值［２５］ 。在視頻領(lǐng)域，在線評論反映了用戶對視頻價值的評價， 評論多在全部觀看視頻之后產(chǎn)生， 表達的是對整個視頻內(nèi)容的看法， 由此內(nèi)容更為完整， 也更趨于理智［３］ 。評論可有效支持用戶之間的直接互動， 并幫助其開展深層次的知識交流［２６］ 。如Ｄｕａｎ Ｗ Ｊ 等［２７］ 發(fā)現(xiàn)，在線電影評論內(nèi)容對電影票房收入無過多影響， 但在線電影評論數(shù)量對電影票房收入有顯著性影響。郝媛媛等［２８］ 分析了在線影評的文本特征， 發(fā)現(xiàn)評論的正負情感、表達方式、平均句子長度等都會影響評論信息質(zhì)量?；诖颂岢鲆韵录僭O：

Ｈ７： 評論平均長度正向影響用戶的社會感知價值， 從而影響視頻用戶的持續(xù)使用意愿

Ｈ８： 評論數(shù)量正向影響用戶的社會感知價值，從而影響視頻用戶的持續(xù)使用意愿

２研究方法

２.１變量描述與表示

根據(jù)前文３ 個維度感知價值的構(gòu)念及其含括的視頻與用戶特征因素， 構(gòu)建視頻用戶持續(xù)使用行為影響因素模型， 具體如圖１ 所示。

然后采用ＬｉｇｈｔＧＢＭ、ＸＧＢｏｏｓｔ 模型， 對數(shù)據(jù)進行建模， 并利用ＳＨＡＰ （Ｓｈａｐｌｅｙ Ａｄｄｉｔｉｖｅ Ｅｘｐｌａｎａ?ｔｉｏｎｓ）解釋方法， 對ＬｉｇｈｔＧＢＭ、ＸＧＢｏｏｓｔ 模型進行可解釋分析， 探討各維度感知價值對于用戶持續(xù)使用行為的影響大小。ＳＨＡＰ 解釋方法是由Ｌｕｎｄｂｅｒｇ Ｓ等［３０］ 提出的用于解釋黑箱模型的一種基于歸因分析的解釋方法， 將ＳＨＡＰ 值作為特征的歸因值， ＳＨＡＰ值的作用主要是用于量化每個特征對模型預測所做的貢獻。ＳＨＡＰ 方法認為一個特征對于輸出變量的效應強度應該為： 使用該特征的預測結(jié)果與不使用該特征的預測結(jié)果之差［３１］ 。與傳統(tǒng)的特征重要性方法相比， ＳＨＡＰ 解釋方法具有更好的一致性， 可以呈現(xiàn)各特征因子相對于目標變量的正負關(guān)系， 可用于局部和全局解釋［３２］ 。對于局部解釋， 每種特征都有自己的一組ＳＨＡＰ 值（即該特征的每個樣本都有１個ＳＨＡＰ 值）， 因此， 可用來解釋每個樣本每個特征對預測的貢獻； 對于全局解釋， 將所有樣本中該特征的ＳＨＡＰ 值取平均作為該特征的重要性值。ＳＨＡＰ模型最大的優(yōu)勢， 是能反映出每一個樣本中的特征影響力和該影響對于最終預測結(jié)果的正負性。

３實驗與結(jié)果分析

３.１研究數(shù)據(jù)

對于不同內(nèi)容的視頻， 用戶更關(guān)注的特征會有所不同， 因而本文僅選用Ｂｉｌｉｂｉｌｉ 網(wǎng)站知識區(qū)ｕｐ 主的視頻作為研究對象。選取粉絲量分別為５０～１５０萬、１５０～３００ 萬、３００～６００ 萬的ｕｐ 主各５ 個， 利用Ｐｙｔｈｏｎ 語言編寫爬蟲程序， 根據(jù)表１ 爬取并計算這些ｕｐ 主視頻的相關(guān)數(shù)據(jù)， 共獲得１ １６６個樣本。獲取的視頻樣本時間跨度為２０１８ 年１１ 月３ 日—２０２２年１ 月８ 日。其中， 采用基于情感詞典的情感分析方法（ＳｎｏｗＮＬＰ）計算視頻的每一條彈幕情感值， 取其均值作為該視頻的彈幕情感； 對于往期視頻數(shù)量ｎ， 當ｎ ＝ １０ 時， 模型擬合效果達到最佳， 所以，采用待研究ｕｐ 主近１０ 期的視頻的數(shù)據(jù)表征各維度感知價值。各數(shù)據(jù)變量的描述性統(tǒng)計如表２ 所示。

３.２回歸分析結(jié)果分析

３.２.１相關(guān)系數(shù)分析

變量間的相關(guān)系數(shù)如表３ 所示， 點贊數(shù)量、投幣數(shù)量、收藏數(shù)量、轉(zhuǎn)發(fā)數(shù)量、彈幕密度、評論數(shù)量、評論平均長度與觀看數(shù)量均存在正相關(guān)關(guān)系，僅有彈幕情感與觀看數(shù)量存在微弱負相關(guān)關(guān)系， 表明內(nèi)容、情感、社會感知價值對視頻用戶持續(xù)使用行為存在正向影響。

３.２.２多元線性回歸分析

多元線性回歸分析的結(jié)果如表４所示。３ 個模型的擬合曲線差異不大， 其中ＶＩＦ 值均小于１０，說明變量間不存在多重共線關(guān)系。以模型二為例，粉絲數(shù)量對觀看數(shù)量的影響不顯著。點贊數(shù)量（β ＝０.４２４， ｐ＜０.００１）、轉(zhuǎn)發(fā)數(shù)量（β ＝０.１０６，ｐ＜０.００１）、評論平均長度（β ＝０.１２２，ｐ＜０.００１）、評論數(shù)量（β ＝０.１４，ｐ＜０.００１） 與觀看數(shù)量呈顯著正相關(guān)關(guān)系；投幣數(shù)量（β ＝ －０.２１４， ｐ＜０. ００１）與觀看數(shù)量呈顯著負相關(guān)關(guān)系； 收藏數(shù)量（β ＝０.０２６， ｐ＜０.１２）、彈幕情感（β ＝－０.０１２， ｐ＜０.２）、彈幕密度（β ＝０.０４２，ｐ＜０. ４７）與觀看數(shù)量沒有顯著相關(guān)性。

綜合回歸分析的結(jié)果， 點贊數(shù)量和轉(zhuǎn)發(fā)數(shù)量對用戶的觀看行為具有顯著正向影響， 知識區(qū)視頻的內(nèi)容感知價值顯著影響視頻用戶持續(xù)使用行為。投幣數(shù)量和收藏數(shù)量對用戶的觀看行為不具有顯著正向影響， 可能是因為大部分知識區(qū)的視頻是ｕｐ 主對某些領(lǐng)域內(nèi)容的加工與分享， 更具科普屬性， 少有用戶收藏反復觀看； 而投幣行為是Ｂｉｌｉｂｉｌｉ 網(wǎng)站的特色， 可能很多用戶并不能知曉并使用此行為，亦或是認為需要花費一定的金錢才能使用此行為對ｕｐ 主表示支持， 故很少使用。評論平均長度和評論數(shù)量對用戶的觀看行為具有顯著正向影響， 知識區(qū)視頻的社會感知價值顯著影響視頻用戶持續(xù)使用行為。而彈幕情感和彈幕密度對用戶的觀看行為影響不顯著， 知識區(qū)視頻的情感感知價值對用戶持續(xù)使用行為影響不顯著。分析其原因， 一方面， 知識區(qū)的視頻， 更多的是內(nèi)容的加工、解讀與分享， 少有情感的共鳴與宣泄； 另一方面， 可能是因為用戶在觀看知識區(qū)的視頻時更關(guān)注視頻內(nèi)容的信息獲取與分析， 而在觀看完視頻后再進行思考、探討與交流。為進一步驗證各維度感知價值對視頻用戶持續(xù)使用行為的影響， 將采用基于ＳＨＡＰ 的可解釋機器學習方法驗證各特征對用戶觀看數(shù)量的影響。

３.３基于機器學習的ＳＨＡＰ 可解釋模型

３.３.１單個樣本的特征ＳＨＡＰ 值分析

采用ＳＨＡＰ 方法， 基于已經(jīng)完成訓練的機器學習模型， 對每個樣本的特征貢獻度進行計算， 得到相應ＳＨＡＰ 值。一個樣本所有特征ＳＨＡＰ 值之和即該樣本在模型觀看數(shù)量預測值。以其中一個視頻樣本（標題為“年輕人不生孩子， 中國未來何去何從？”）為例， 使用ＸＧＢｏｏｓｔ模型， 在ＳＨＡＰ 方法下，可視化其各項特征對于此視頻觀看數(shù)量的貢獻度，結(jié)果如圖２ 所示， 其中藍色表示該特征對觀看數(shù)量具有負向影響； 紅色表示該特征對觀看數(shù)量具有正向影響。因而對于此視頻， 除評論平均長度對觀看數(shù)量具有負向影響， 其余特征均正向影響其觀看數(shù)量， 其中， 彈幕密度對觀看數(shù)量的正向影響最大，收藏數(shù)量次之。另外， 在所有特征的綜合影響下，此樣本的觀看預測值為１７２.９７萬， 說明所有特征的綜合影響對觀看數(shù)量有正向作用， 且與該樣本的實際觀看數(shù)量１８２.１５ 萬接近。一定程度上， 證實了本文所選特征的正確性和ＳＨＡＰ 方法的有效性。

３.３.２總體樣本的特征ＳＨＡＰ值分析

１） 特征重要性。將樣本數(shù)據(jù)按粉絲數(shù)量分為３ 組， 基于ＳＨＡＰ 方法， 使用ＸＧＢｏｏｓｔ 和ＬｉｇｈｔＧＢＭ模型， 計算每個樣本的特征貢獻度并求均值， 得出每個特征對于觀看數(shù)量的平均貢獻度（ＳＨＡＰ 值），作為該特征的重要性。ＸＧＢｏｏｓｔ 和ＬｉｇｈｔＧＢＭ 模型的結(jié)果基本一致， 僅展示ＬｉｇｈｔＧＢＭ 模型的結(jié)果并分析， 具體如圖３、圖４ 所示。圖３ 為不同粉絲數(shù)量ｕｐ 主視頻的各項特征對觀看數(shù)量的貢獻度， 圖４ 為視頻各維度感知價值對觀看數(shù)量的貢獻度， 其中“綜合” 是３ 類粉絲數(shù)量ｕｐ 主視頻的各項特征ＳＨＡＰ 值的算術(shù)平均值， 以作為對各項特征重要性的綜合參考。

如圖３ 所示， ５０～１５０ 萬粉絲數(shù)量ｕｐ 主視頻的播放量， 點贊數(shù)量和轉(zhuǎn)發(fā)數(shù)量的貢獻度顯著高于其他特征； １５０～３００ 萬粉絲數(shù)量ｕｐ 主視頻的播放量，點贊數(shù)量、彈幕密度、彈幕情感的貢獻度顯著高于其他特征； ３００～６００ 萬粉絲數(shù)量ｕｐ 主視頻的播放量， 點贊數(shù)量、評論數(shù)量、收藏數(shù)量的貢獻度顯著高于其他特征。結(jié)合圖４ 所示， 在３ 類粉絲數(shù)量的ｕｐ 主視頻中， 內(nèi)容感知價值的ＳＨＡＰ 值均為最高，說明內(nèi)容感知價值對觀看數(shù)量的貢獻度最大。在粉絲量為５０～１５０ 萬的ｕｐ 的視頻中， 情感感知價值與社會感知價值對用戶持續(xù)使用行為的影響差別不大； 在粉絲量為１５０～３００ 萬的ｕｐ 的視頻中， 情感感知價值對用戶持續(xù)使用行為的影響高于社會感知價值； 在粉絲量為３００～６００ 萬的ｕｐ 的視頻中， 社會感知價值對用戶持續(xù)使用行為的影響高于情感感知價值。分析其原因， 對于粉絲數(shù)量相對較少或還處在快速增長的ｕｐ 主， 除點贊以外， 轉(zhuǎn)發(fā)行為更能促進其視頻的播放， 此時視頻的新增播放量可能更多來自非粉絲群體； 對于粉絲數(shù)量較高的ｕｐ 主，其視頻的情感感知價值更能促進視頻的播放， 可能是因為對于此類ｕｐ 主的視頻， 更多的是在粉絲群體內(nèi)播放， 而更多的情感交流與共鳴更能促進用戶觀看ｕｐ 主的新視頻； 對于粉絲數(shù)量最高的那一類ｕｐ 主， 其視頻的內(nèi)容質(zhì)量必定較高， 往期視頻的評論數(shù)量和收藏數(shù)量對于ｕｐ 主新視頻的播放量影響較高， 說明這類ｕｐ 主的粉絲更注重視頻的內(nèi)容質(zhì)量， 收藏以便反復觀看， 看完后有更多的思考且與作者或者其他粉絲進行交流。

２） 特征影響的正負性分析。將各項特征在所有樣本上的取值以不同顏色來表示， 并構(gòu)建特征——ＳＨＡＰ 值的散點圖， 以進一步探究各項特征對于觀看數(shù)量影響的正負性。如圖５～ 圖７ 所示， 紅色表示此樣本點上相應特征的ＳＨＡＰ 值較高， 藍色表示此樣本點上相應特征的ＳＨＡＰ 值較低。某項特征如果與觀看數(shù)量為正相關(guān)， 則此特征在散點圖中的表現(xiàn)為以ＳＨＡＰ 值零點為分界線， 左邊為藍色， 右邊為紅色， ＳＨＡＰ 值零點附近為紫色； 反之， 若為負相關(guān)， 則表現(xiàn)為左紅中紫右藍。

如圖５～圖７ 所示， 點贊數(shù)量、轉(zhuǎn)發(fā)數(shù)量、評論平均長度、評論數(shù)量與觀看數(shù)量正相關(guān)， 投幣數(shù)量與觀看數(shù)量負相關(guān)， 彈幕情感與觀看數(shù)量的關(guān)系不明顯也不明確， 這與回歸分析的結(jié)果一致； 收藏數(shù)量、彈幕密度與觀看數(shù)量正相關(guān)， 而回歸分析的結(jié)果中， 收藏數(shù)量、彈幕密度對觀看數(shù)量具有正向影響但不顯著， 在圖７ 中可以發(fā)現(xiàn)， ３００～６００ 萬粉絲數(shù)量ｕｐ 主的視頻， 其收藏數(shù)量顯著影響用戶持續(xù)使用行為， 而圖６ 則顯示， １５０～３００ 萬粉絲數(shù)量ｕｐ 主的視頻， 彈幕密度顯著影響用戶持續(xù)使用行為， 因而認為收藏數(shù)量、彈幕密度正向影響視頻用戶持續(xù)使用行為。綜合以上數(shù)據(jù)分析的結(jié)果， 本研究認為點贊數(shù)量、收藏數(shù)量、轉(zhuǎn)發(fā)數(shù)量、彈幕密度、評論平均長度、評論數(shù)量顯著正向影響視頻用戶的觀看行為， Ｈ１、Ｈ３、Ｈ４、Ｈ６、Ｈ７、Ｈ８ 支持；而投幣數(shù)量負向影響視頻用戶的觀看行為， 彈幕情感對視頻用戶的觀看行為影響不顯著， Ｈ２、Ｈ５ 不支持， 具體如表５ 所示。

４結(jié)語

４.１研究結(jié)論

本研究采用視頻與用戶特征數(shù)據(jù)， 基于感知價值理論， 從內(nèi)容感知價值、情感感知價值、社會感知價值３ 個角度， 利用多元線性回歸及基于機器學習的ＳＨＡＰ 可解釋模型的方法， 對用戶持續(xù)使用行為的影響因素進行分析。主要有以下研究結(jié)論：

１） 在Ｂｉｌｉｂｉｌｉ 網(wǎng)站上， 感知價值顯著正向影響視頻用戶持續(xù)使用行為。其中， 視頻的內(nèi)容感知價值影響最為顯著， 這與現(xiàn)有研究結(jié)果一致［１５］ ， 視頻內(nèi)容是否優(yōu)質(zhì)， 決定了用戶的觀看意愿。點贊數(shù)量對用戶持續(xù)使用行為的影響遠超其他特征［３３］ ，可能是因為點贊行為被使用在各種網(wǎng)絡場景中， 用戶對其熟練度較高， 且相較于其他行為， 點贊行為更為便捷與“廉價”， 因而點贊數(shù)量可以在很大程度上代表一個視頻的內(nèi)容質(zhì)量以及大部分用戶在觀看視頻后對ｕｐ 主的認可程度， 這與文獻［１９］的研究結(jié)果一致。而與現(xiàn)有研究結(jié)果不同的是， 本研究發(fā)現(xiàn)在不同粉絲數(shù)量的群體中， 轉(zhuǎn)發(fā)和收藏行為對用戶持續(xù)使用行為的影響大小不同［１７］ 。當ｕｐ 主的粉絲數(shù)量較少或者仍在快速變化時， 轉(zhuǎn)發(fā)行為對用戶持續(xù)使用行為影響更大， 視頻播放量的增長更多來自于用戶的轉(zhuǎn)發(fā)使非粉絲群體觀看， 而當ｕｐ 主的粉絲數(shù)量較高且趨于穩(wěn)定時， 收藏行為對用戶持續(xù)使用行為影響更大， 視頻播放量的增長更多來自于用戶的收藏以便反復觀看。投幣數(shù)量對用戶持續(xù)使用行為有負向影響， 這可能是因為用戶不太了解Ｂｉｌｉｂｉｌｉ 網(wǎng)站特有的投幣功能， 誤認為投幣類似于直播中的打賞， 需要付費。而在具有不同粉絲數(shù)量的ｕｐ 主中， 情感感知價值和社會感知價值對用戶持續(xù)使用行為的影響不同。

２） 現(xiàn)有研究的結(jié)論普遍表明， 視頻的情感感知價值對用戶持續(xù)使用行為具有顯著正向影響［２３，３４－３５］ ， 而本研究的數(shù)據(jù)分析結(jié)果顯示， 整體上， 情感感知價值正向影響用戶持續(xù)使用行為但不顯著， 僅在１５０～３００ 萬粉絲數(shù)量ｕｐ 主的視頻中，彈幕密度正向影響用戶持續(xù)使用行為。可能是因為數(shù)據(jù)選擇的偏差， 本文研究的是知識區(qū)的ｕｐ 主的視頻， 這些視頻本身更多的是ｕｐ 主對一些領(lǐng)域信息內(nèi)容的加工與分享， 少有強烈的情感表達， 用戶可能更注重視頻的觀點、信息是否正確或有價值，觀看時更注重對新信息和知識的獲取、理解與分析， 而非情感的表達。

３） 視頻的社會感知價值正向影響用戶持續(xù)使用行為， 與現(xiàn)有研究結(jié)果一致［３６］ 。在線評論可以反映視頻的電子口碑， 有利于用戶之間的交流、溝通、討論， 對視頻的二次傳播有積極意義， 進而影響了用戶持續(xù)使用行為。其中， 評論數(shù)量和評論平均長度均對用戶持續(xù)使用行為具有顯著正向影響，參與討論的用戶越多， 評論的長度越長， 說明該視頻引起了更多用戶的思考與交流， 可以促進用戶持續(xù)使用行為， 這與文獻［２７］的研究結(jié)果一致。另外， 本文發(fā)現(xiàn)， 在粉絲群體數(shù)量最多的ｕｐ 主中，視頻的社會感知價值對用戶持續(xù)使用行為影響更大， 可能是因為， 當ｕｐ 主的粉絲數(shù)量很高且趨于穩(wěn)定之后， 此時的用戶更多是老觀眾， 對此ｕｐ 主視頻的質(zhì)量具有一定程度的認同， 會更耐心地看完視頻， 通過評論表達自身的思考與看法。

４.２研究貢獻與管理啟示

本文使用Ｂｉｌｉｂｉｌｉ網(wǎng)站的視頻與用戶行為特征數(shù)據(jù)， 研究分析了視頻用戶持續(xù)使用行為的影響因素。從信息感知價值視角構(gòu)建了視頻用戶研究的理論模型， 并采用多種方法進行試驗， 驗證并發(fā)現(xiàn)了一些新的結(jié)論； 其次， 本文結(jié)合傳統(tǒng)回歸分析與可解釋的機器學習方法， 對視頻用戶持續(xù)使用行為的影響因素進行了全面細致的分析， 為基于大規(guī)模網(wǎng)絡數(shù)據(jù)的視頻用戶行為研究提供了思路與借鑒； 最后， 本研究為ｕｐ 主如何提升視頻質(zhì)量、如何提高視頻的播放量， 以及彈幕視頻網(wǎng)站如何從多維度把控視頻的質(zhì)量， 提供了理論參考。對于知識區(qū)的視頻， 視頻的內(nèi)容是視頻質(zhì)量的重中之重， 優(yōu)質(zhì)的內(nèi)容可以持續(xù)、有效地提高用戶的觀看意愿， 彈幕視頻網(wǎng)站應該鼓勵視頻制作者更加專注于視頻內(nèi)容的凝練、打磨， 并為內(nèi)容質(zhì)量高的視頻提供更多的流量、推薦； 其次， ｕｐ 主初期在制作出優(yōu)質(zhì)的視頻的同時， 可適當引導用戶幫助自己點贊與轉(zhuǎn)發(fā)， 以獲得更多的推薦與非粉絲群體的觀看； 而在粉絲增長到一定數(shù)量時， 需特別注意視頻評論區(qū)的反響，評論對用戶理解視頻有較高的幫助， 同時， 可以引起用戶之間的有效互動， 視頻制作者可以有意識地引導用戶在評論區(qū)進行深入交流。

４.３局限與展望

本研究的數(shù)據(jù)來源僅限于Ｂｉｌｉｂｉｌｉ 網(wǎng)站知識區(qū)視頻， 后續(xù)可有針對性地擴充數(shù)據(jù)樣本， 如在不同的視頻網(wǎng)站、不同的視頻類型中， 感知價值如何影響用戶持續(xù)使用行為。視頻用戶持續(xù)使用行為受到多種因素影響， 本文主要從視頻的內(nèi)容感知價值、情感感知價值、社會感知價值３ 個角度進行研究， 未考慮視頻網(wǎng)站的分發(fā)與推薦， 以及用戶的偏好是否會對研究結(jié)論產(chǎn)生了一定影響， 需要進一步研究驗證。