李婷婷

（浙江长征职业技术学院，浙江 杭州 310000）

摘要：人工智能个性化推荐是电商平台提升用户购物体验的重要手段，Z世代作为数字原住民，其消费行为和偏好具有独特性，人工智能个性化推荐对其电商重购意愿的影响值得深入研究。本文以Z世代为研究对象，基于SOR模型，构建了包含推荐可解释性、推荐精准性、推荐新颖性、推荐多模态、用户满意度、品牌感知、重复购买意愿7个潜在变量的理论模型，并通过问卷调查进行分析。研究结果表明，推荐新颖性、推荐多模态、用户满意度、推荐精准性、品牌感知依次对重购意愿产生显著影响，推荐可解释性对重购意愿影响不显著，其中用户满意度和品牌感知发挥中介作用，基于研究结论，本文提出了引入“惊喜因子”到推荐算法等建议，以期为电商平台优化人工智能个性化推荐提供理论依据和实践指导。

关键词：人工智能；个性化推荐；Z世代；重购意愿；SOR模型

Z世代（1995-2010年出生）作为数字原住民，撑起了4万亿的消费市场，已经成为电商平台重要的新增消费力量。Z世代对技术的依赖性和对个性化体验的追求成为其重要特征。近年来，人工智能技术在推荐系统中的应用日益广泛，其强大的数据处理能力和精准的预测能力使得个性化推荐的效果显著提升。例如，基于协同过滤、内容推荐和深度学习等技术的推荐系统，有助于捕捉用户兴趣点，并基于此实施推荐策略。

然而，尽管个性化推荐系统在提升用户购物体验方面表现出巨大潜力，但其对用户重购意愿的具体影响机制尚未得到充分研究。现有文献多集中于推荐系统的技术优化或一般用户群体的行为分析，缺乏针对Z世代这一独特群体，从用户行为和心理的角度探讨个性化推荐如何影响用户的重购决策。因此，本研究旨在填补这一研究空白，探讨人工智能个性化推荐如何通过影响Z世代的感知价值、满意度等心理因素，进而作用于其重购意愿。具体而言，本研究基于刺激-机体-反应（SOR）理论基础，构建理论模型，并通过调查问卷收集样本数据，开展实证研究。通过这一研究，以期能够为电商平台优化个性化推荐系统、提升用户重购意愿提供理论基础和实践指导。

    一、理论基础与研究假设

1.理论基础

（1）Z世代

Z世代即1995年-2009年出生人群，中国Z世代人群约2.6亿人，占总人口的19%。他们成长于互联网、即时通讯、智能手机和平板等科技产物环绕的背景下，他们年轻、注重体验、个性鲜明。Z世代在吃穿住用等众多消费场景中，均具有鲜明特色：他们消费多元化又注重性价比，他们既渴望表达自我又注重定制化消费体验，他们消费既追求时尚潮流又怀旧，他们既重视颜值又关注质量，他们对国潮产品有独特的偏好等。

（2）人工智能个性化推荐

   人工智能个性化推荐结合了机器学习、深度学习等技术，对电商平台海量数据进行数据挖掘和分析形成用户画像，精准地推荐符合用户偏好和需求的商品，个性化推荐也在可解释性、互动性以及推荐的精准度等方面对顾客购买意愿产生影响^[1]，而新颖度极高的推荐商品又会对用户的购买产生积极的影响^[2]，信息呈现、系统交互和社群影响对消费者购买决策有正相关的作用^[3]，本文在综合学者们关于个性化推荐测量维度的基础上，确定了推荐可解释性、推荐精准性、推荐新颖度、推荐信息呈现4个维度来测量个性化推荐。

（3）重购意愿

   重购意愿是消费者决定未来继续购买商品的一种倾向^[4]，是消费者对企业产品或服务的绩效感知，当消费者对企业商品产生归属感后，会在心理上愿意未来继续购买该商品，顾客重购意愿影响着重购行为的发生。电商平台上的用户获取或购买其他商家的商品更加方便、转换成本更低，因此，提高重购意愿显得更加重要，本文总结了学者们对影响购买意愿的影响因素，包括顾客感知价值与顾客满意度^[5]、顾客满意度与顾客信任、客户满意及转移成本^[6]等，本文结合了结合Z世代电商用户的特征，将顾客重购意愿影响因素分为用户满意度、品牌形象。

  （4）刺激-机体-反应（SOR）模型

刺激-机体-反应（SOR）模型由Mehrabian等提出，是一种学习理论。“刺激”是外部因素对个体的影响，“机体”是个体在外部因素的影响下，产生的心理状态，反应则是个体产生的行为。

本文借鉴SOR模型，对应到本文中，刺激指的是人工智能个性化推荐服务中对Z世代电商用户的影响，机体状态指顾客满意度、品牌形象感知，反应是Z世代用户重购意愿。

2.研究假设

（1）推荐可解释性

推荐可解释性是指系统能够清晰地向用户说明推荐的原因，帮助用户理解推荐逻辑，从而提升信任度和接受度。可解释性通常通过以下方式实现：①基于用户行为：如“根据您最近的浏览记录推荐”。②基于相似用户：如“与您兴趣相似的用户也喜欢”。③基于商品特性：如“推荐这款商品是因为它符合您的偏好”。在推荐过程中，用户感受到个性诉求得到回应和被尊重与重视^[7]，因此本文提出以下假设：

H1a：推荐可解释性对用户满意度具有正向影响作用。

H1b：推荐可解释性对用户品牌感知具有正向影响作用。

H1：推荐可解释性对用户重购意愿具有正向影响作用。

（2）推荐精准性

   推荐精准性是衡量推荐系统性能的核心指标，反映了系统能否准确理解用户需求并提供相关推荐。精准性通常依赖于用户画像分析，使用协同过滤、内容-based推荐、深度学习等算法，动态调整推荐策略。基于用户画像的精准营销能够实现客户转化率和产品销量的提升^[8]，本文提出以下假设：

H2a：推荐精准性对用户满意度具有正向影响作用。

H2b：推荐精准性对用户品牌感知具有正向影响作用。

H2：推荐精准性对用户重购意愿具有正向影响作用。

（3）推荐新颖性

新颖性是指推荐系统能够为用户提供他们尚未接触过的新商品或内容，帮助用户发现潜在兴趣点，是对用户未知需求的探索。精准推荐中存在商品类型单一、缺乏新意的问题，在兼顾精准性的前提下，通过融合新颖性特征，能够有效改善推荐内容^[9]，本文提出了如下假设：

H3a：推荐新颖性对用户满意度具有正向影响作用。

H3b：推荐新颖性对用户品牌感知具有正向影响作用。

H3：推荐新颖性对用户重购意愿具有正向影响作用。

（4）推荐多模态

推荐多模态指系统能够利用多种类型的数据（如文本、图像、视频、音频）进行推荐，电商平台利用短视频完成个性化推荐时，霍育福等提出了用于短视频点击率预估任务的多模态增强模型（MMa4CTR），实现了卓越的推荐效果^[10]，本文提出了如下假设：

H4a：推荐多模态对用户满意度具有正向影响作用。

H4b：推荐多模态对用户品牌感知具有正向影响作用。

H4：推荐多模态对用户重购意愿具有正向影响作用。

（5）用户满意度

   用户满意度是在消费产品或服务后，用户实际感知的价值与预期相比较，产生的一种情感反应，当实际感知价值大于预期时，用户就会展现出较高的满意度，会产生对产品或服务的重购意愿^[11]，本文提出了如下假设：

H5：满意度对用户重购意愿具有正向影响作用。

（6）品牌感知

品牌感知是指用户对某个品牌的整体印象、认知和感受，反映了品牌在消费者心目中的地位和形象。已有众多学者对品牌感知进行了研究，如李桂华等认为品牌信任在要素品牌感知价值与终端消费者重购意向之间起部分中介作用^[12]，姚杰等发现品牌认知、感知价值是直接影响顾客重购意愿的品牌资产关键维度^[13]，本文提出如下假设：

H6：品牌感知对用户重购意愿具有正向影响作用。

根据以上假设，本文构建了如图1所示模型。

图1  本文研究模型

二、研究方法

    本文通过问卷调查采集样本对人工智能个性化推荐下Z世代电商用户的重购意愿进行实证检验，采集样本是在淘宝、京东、拼多多、

亚马逊等平台有购物经历的Z世代用户。

1.数据收集和调查样本

2024年9月在问卷星制作发布调查问卷，并通过社交平台推广问卷，邀请Z世代电商用户参与调查，非Z世代用户不参与本次调查，共回收469份问卷，剔除无电商平台购物经历、填写不完整等问题的无效问卷31份，得到有效问卷438份，回收率93.39%。调查对象基本属性特征占比：男性42.8%，女性57.2%；年龄分布15-20岁35.3%，20-25岁38.2%，25-30岁26.5%；教育程度为硕士及以上23.6%，大专及以上67.5%，其他教育程度8.9%；月收入6000-8000元65.1%，4000-6000元25.3%，其他收入9.6%。调查对象特征表现为性别比例基本均衡、Z世代人群各年龄段占比相对均衡、受教育程度较高、收入较为稳定，因此，本文采集的数据样本具有较好的代表性。

2.变量测量

本文涉及7个测量项目，即推荐可解释性（EA）、推荐精准性（PA）、推荐新颖性（NA）、推荐多模态（MA）、用户满意度（SA）、品牌感知（BP）、重复购买意愿（RI）。本文的变量测度项均借鉴了前人已有的研究成果，并结合Z世代电商用户的实际情境改编，本文调查问卷的测度项与引用来源如表1所示。题项测量采用了Liker五级量表法，“非常不同意”“不同意”“中立”“同意”“非常同意”五个不同等级分别用1-5表示。

表1  本文调查问卷测度项及其引用来源

   三、实证分析与假设检验结果

1.测量模型

本文所有测量项数据来自于同一被调查者，容易存在共同方法变异问题，在设计问卷阶段，采取了以下措施：在问卷设计阶段，实施了预测试，根据参与者的反馈调整了问卷的措辞，并在调查期间，作了参与者的匿名处理。分析数据之前，对样本数据的共同方法偏差进行了检验，借助Herman的单因子方法对共同方法变异进行了评估，单因子解释的方差总量为36.326%，说明7个变量不存在共同方法偏差问题。

2.信度和效度检验

使用SPSS对推荐可解释性、推荐精准性、推荐新颖性、推荐多模态、用户满意度、品牌感知、重复购买意愿变量的Cronbach's α系数进行分析，各变量信度系数见表2，信度系数均大于0.8，表明问卷具有较好的信度。

效度分析包括内容效度和结构效度。在内容效度方面，本文变量测度项均在已有研究的基础上，根据设定的场景修改题项而非自行开发，主成分分析无需进行。在结构效度方面，本文对7个变量的标准化载荷、复合信度（CR）和平均方差萃取量（AVE）进行检验，检验结果见表2，7个变量的标准载荷均大于0.8，表明测量指标具有较高的信度，CR均大于0.8，各变量内部一致性较好，AVE均大于0.5，各变量可以很好地解释方差。因此，本文调查具有较好的信度和效度。

表2  变量信度效度检验

3.假设检验

（1）主效应检验

利用重采样技术自举法（Bootstrapping）随机生成2000个样本，在 SmartPLS中测试结构方程模型，评估了路径系数，见图2。PLS算法的结果得到三个内生变量的R²：重购意愿（0.436）、用户满意度（0.31）、品牌感知（0.298），均超过0.2，表明结构方程模型具有较好的解释能力。预测相关性Q²为重购意愿（0.213）、用户满意度（0.189）、品牌感知（0.229），均大于0，说明模型预测效度不错。

推荐新颖性（β=0.256）对重购意愿的直接影响最大，其次是推荐多模态（β=0.206）、用户满意度（β=0.189）、推荐精准性（β=0.113）和品牌感知（β=0.108），推荐可解释性（β=0.106）影响较小。在用户满意度方面，推荐可解释性（β=0.358）影响最大，其次是推荐新颖性（β=0.223）、推荐精准性（β=0.135），推荐多模态（β=0.023）对满意度影响不显著；在品牌感知方面，推荐多模态（β=0.316）影响最大，其次是推荐新颖性（β=0.217）、推荐精准性（β=0.186），推荐可解释性（β=0.114）。综上，假设H4a不成立，其他假设（H1，H1a，H1b，H2，H2a，H2b，H3，H3a，H3b，H4，H4b，H5，H6）均成立。

图2  结构模型检验

（2）中介效应检验

通过以上分析，本文发现用户满意度和品牌感知在推荐可解释性、推荐精准性、推荐新颖性、推荐多模态与重购意愿之间存在中介作用。本文利用Bootstrap抽样法来验证用户满意度和品牌感知的中介作用，抽取2000个样本进行检验，当Bootstrap95%置信区间不包含0时，说明用户满意度和品牌感知具有中介作用。从表3可见，用户满意度和品牌感知在推荐可解释性、推荐精准性、推荐新颖性、推荐多模态对重购意愿的中介作用中，Bootstrap95%置信区间均不包含0，中介效应显著。即推荐可解释性（EA）、推荐精准性（PA）、推荐新颖性（NA）、推荐多模态（MA）、用户满意度（SA）、品牌感知（BP）、重复购买意愿（RI）。

表3  用户满意度和品牌感知的中介效应

四、管理启示

根据上述研究结论，本文提出以下建议。

1.引入“惊喜因子”到算法中，平衡新颖性与精准性

推荐新颖性对Z世代电商用户的重购意愿影响最大，电商平台在推荐系统中引入“惊喜因子”，可以为用户推荐具有一定新颖性且符合其潜在兴趣的商品。推荐系统分析用户历史行为数据（浏览、购买、收藏等），建立用户画像，了解用户明确兴趣，并利用协同过滤、内容分析等技术，挖掘用户潜在兴趣，识别其可能感兴趣但尚未接触过的商品类别。平台实时收集用户反馈和行为数据，根据用户接受程度，不断优化推荐算法和策略，动态调整新颖商品的推荐比例。在推荐结果的展示界面，突出新颖商品的“惊喜”属性，例如使用“新品推荐”“发现好物”等标签。本文研究发现，精准性对Z世代用户购买意愿也同样存在影响，因此推荐也需要平衡用户兴趣和商品相关性，实现新颖性和精准性的协调，避免推荐过于冷门或无关的商品，影响用户体验。

2.利用人工智能深度学习技术，构建多模态推荐系统

  通过收集用户浏览、点击、购买、收藏、评价等行为数据，提取商品图像、文本描述、视频演示等多模态特征，考虑时间、地点、天气、用户设备等上下文信息，实现多模态数据的融合。利用跨模态注意力机制、多模态图神经网络等深度学习技术，构建多模态融合模型。随着深度学习技术的进步，计算能力的提升，多模态推荐在电商平台已取得一定应用，给用户带来了较好的体验，但多模态数据的收集和处理需要投入大量资源，多模态推荐算法的设计和训练需要较高的技术门槛，也需要保护用户隐私和数据安全。

3.注重推荐系统的交互式解释，实现用户体验驱动推荐

  选择或设计具有可解释性的推荐算法，如使用明确的规则生成推荐结果、提供与用户相似的其他用户的案例等，利用自然语言生成技术，将推荐模型的决策过程转化为用户易于理解的自然语言描述，根据用户的不同需求，提供不同层次的解释信息，如用一句话简洁解释推荐理由：“根据您的浏览历史推荐”，或详细说明影响推荐结果的因素：“推荐该商品是因为您浏览过类似商品，并且该商品近期销量很高”，允许用户与推荐系统进行交互，用户可以对推荐结果进行点赞、踩、屏蔽等操作，也可以选择查看不同层次的解释信息，或关注特定类型的推荐理由。在个性化推荐系统中引入可解释性机制也需要平衡可解释性和推荐效果，避免过度解释导致推荐结果质量下降。

本文中的研究结论揭示了人工智能个性化推荐在Z世代消费行为中的重要作用，未来研究可进一步探索推荐透明度、用户隐私保护等其他潜在影响因素，总之，随着人工智能技术的不断进步，个性化推荐系统将在电商领域发挥更加重要的作用，为平台和用户创造更大的价值。

参考文献：

[1]杨一翁,王毅,孙国辉.消费者视角下的推荐系统研究[J].企业经济,2016(9):79-85.

[2]杨一翁,王毅,孙国辉.网络推荐系统对消费者的营销效果——技术接受模型视角[J].中国流通经济,2016,30(2):98-107.

[3]刘泓霆,路瑶.基于数字经济的电商平台个性化智能推荐、产品涉入度与消费者购买决策[J].数字流通,2024(1):131-134.

[4]]ZEITHAML V A.The behavioral consequences of servicequality[J].

Journal of marketing,1996,(2):31-46.

[5]齐永智,张梦霞.新零售企业多渠道整合服务质量对重购意愿的影响--顾客涉入度的调节作用[J].中国流通经济,2021,35(4):58-69.

[6]张蓓,刘凯明,招楚尧.消费者线上体验、产品卷入度与重购意愿[J].统计与信息论坛,2021,36(12):103-115.

[7]田冰洁,姚洋.电商直播平台个性化推荐、用户感知价值与消费者购买意愿[J].商业经济研究,2024(21):70-74.

[8]张亮.基于用户画像算法的饲料电商精准营销策略研究[J].中国饲料,2024(20):100-103.

[9]徐元萍,陈翔.推荐系统中的新颖性问题研究[J].计算机应用研究,2020,37(8):2310-2314.

[10]霍育福,金蓓弘,廖肇翊.多模态信息增强的短视频推荐模型[J].浙江大学学报(工学版).2024,58(6):1142-1152.

[11]Manfred B and Michael A CZ.Development and Implementation of National Customer Satisfaction Indices.The Swiss Index of Customer Satisfaction [J],Total Quality Management,2000,7:1017-1028.

[12]李桂华,杨萍,郑帅.要素品牌感知价值对消费者重购意向的影响——以品牌信任为中介的实证研究[J].管理现代化,2019,39(1):70-73.

[13]姚杰,魏巍.顾客重购意愿的品牌资产维度研究--以笔记本电脑行业为例[J].产业经济研究,2009(4):61-65.

[14]王松,王金龙,李芳.价值共创视角下个性化推荐用户满意度的形成机理研究[J].商业经济研究,2020(23):68-71.

基金项目：浙江省教育厅一般科研项目，新质生产力下AI电商助农实施路径研究，Y202455854