【淘宝个性化推流对消费者购买意愿的影响实证探究（含问卷）12000字（论文）】

淘宝个性化推荐对消费者购买意愿的影响实证研究目录TOC\o"1-3"\h\u8833摘要 摘要在现在的社会下，越来越多的人接受了网上购物的方式，并且消费者的个性化特征也越来越明显。随着信息技术的发展，互联网也进入了快速发展的阶段。消费者面临的信息资源由原本的信息缺乏成为了信息的过度承载。对于电子商务平台和网络商家来说，自己的商品从千万商品的海洋中出现，很难被消费者所接受。个性化的推荐系统就是诞生在这个背景下，现在被各大电子商务平台所接受并使用。本文基于以上背景，选择我国最大的购物平台——淘宝进行研究。本文分析整理了国内外关于个性化推荐系统、感知风险、购买成本、购买欲望等概念的研究现状，提出了淘宝购物平台个性化推荐系统影响消费者购买欲望的模式和假设确定每个影响因素的测量维度。在此基础上，本文通过问卷调查的方法收集数据，分析整理收集的数据，验证模型假说。经过对收集到的数据进行分析发现：淘宝购物平台提供的个性化推荐系统，在影响在校大学生的购买欲望这一领域，是有积极的影响的。关键词：淘宝；个性化推荐系统；购买意愿绪论第一节课题的研究背景目的和意义一研究背景2020年9月，中国互联网信息中心（CNNIC）通过统计发布了《第46届中国互联网发展状况统计报告》，截至6月，中国互联网用户数为9.40亿人，手机用户数为9.32亿人，同比增长4.0%和3.9%，我国网络利用率达到67.0%，较同年3月提升2.5%，比全球平均水平高出5%[1]。无论从规模看还是从影响看，网络在我国都在急速发展。根据该报告，截至6月，在中国参加网购的用户数比去年3月增加了3912万人，规模达到7.49亿人，保持着快速增长的态势[1]。一系列数据表明，互联网和网上购物的方式已经得到了广大群众的理解和接受。随着信息技术的发展，互联网也进入了快速发展阶段，消费者出现了信息过剩的烦恼，对于网购平台和商店来说，使自己店铺内的商品从千万商品的海洋中显现并被消费者接受购买是一件高度困难的事情[2]。而个性化的推荐系统，通过提供个性化的产品信息，帮助用户减轻信息过剩带来的困扰[3]。个性化推荐系统在一定程度上与检索平台有很大的区别。它是根据用户在这个网站上浏览历史和检索行为，将满足用户可能的需要点和需求的商品推到用户面前，使用正确的营销模式，可以大幅提高用户的粘性和忠诚度。到目前为止，很多行业都使用个性化推荐技术为客户提供服务，并获得一定的回报。在电子商务领域，个性化的推荐技术被广泛应用和重视。国内的电子商务平台已经针对自己的平台特征，参考用户的准确信息，从而利用推荐系统减少用户检索商品所耗费的时间和精力，87%的网络用户希望利用在线平台提供个性化推荐服务。亚马逊将其作为推荐清单向用户和产品提供个性化的推荐，占销售额的三分之一；京东也非常重视推荐系统，建立专业部门责任制、个性化推荐系统，开发和升级算法，为达到定制效果，京东在PC和手机终端的首页上开发了“推荐”等个性化推荐模块。根据2015年的统计，10%的销售量来自个性化推荐系统[4]。同时，淘宝网作为我国目前最大的B2C网络购物平台，自2011年发布手机客户端后用户也实现了激增。大学生这个群体是对新鲜事物十分敏感的群体，现在他们已经成为网购的主力军。因此，本文以在校大学生为对象，通过问卷调查的方法收集数据，分析数据进行研究。二研究目的随着信息技术的发展，越来越多的学者致力于个性化推荐系统的研究。然而，分析前人的研究结果发现，前人的研究主要集中在优化推荐算法上，并且几乎不涉及其他方面。另外，学术界对个性化推荐对顾客心理和购买行为的影响的研究还处于初级阶段。关于市场营销的研究，以前的学者从个性化推荐系统有可能影响消费者决策时间和效率的研究，没有深入研究推荐系统对消费者终端的影响以及推荐商品信息推荐系统是否能被消费者接受。对本文这个课题的研究更少。在此基础上，本文的主要研究目标如下；本研究将以大学生这一特殊群体为研究对象，研究分析淘宝网提供的个性化推荐系统对大学生购买意愿的影响，以验证该群体对网上推荐产品的接受程度。三研究意义1.理论意义。虽然许多学者和研究机构对大学生的网上购物行为进行了研究，但从个性化推荐系统的角度研究推荐系统对大学生购买意愿的影响却很少，本文在前人研究的基础上，分析了个性化推荐对大学生购买意愿的影响，丰富了个性化推荐系统的研究领域。2.实践意义。在突破时空限制的网络环境下，个性化推荐的营销战略逐渐显示其广泛深远的商业价值。如何加强消费者，特别是大学生此网络购物主体群体的了解，已经成为电子商务营销中不可缺少的一部分，如何改善、利用推荐系统，提高相关产品的推荐效果，是营销人员思考的最重要的问题。根据本文的研究成果，其实际意义如下电子商务平台及商家可以理解个性化推荐在影响大学生购买欲望的重要性。在营销过程中，提高使用推荐系统的意识，进一步完善个性化推荐系统的建设，使自己的商品可以更快速、更准确的推送到消费者面前，从而提高自身业绩。同时，大学生也会对个性化推荐系统的作用机制有更进一步的了解，从而对个性化推荐系统可能为自己带来的风险采取一定的规避手段，在购物过程中降低购买成本。第二节国内外研究现状综述一个性化推荐系统的相关研究在国外，上个世纪九十年代就有学者提出个性化推荐系统这一概念并进行相关研究，而且取得了丰富的研究成果。如今，在各个领域都可以看到个性化推荐的身影。在社交领域，Yi-jiaZhang(2019)等通过研究发现，利用推荐系统可以向用户提供高质量的建议和信息[5]。在资讯推送方面，Asenova（2019）等通过深入的研究发现，为用户提供个性化的推送界面，可以有效的改善用户的阅读体验[6]。在旅游方面，Renjith（2020）等认为推荐系统可以通过用户的特征和历史记录中发现用户的个人偏好，从而在景点、路线、方式等选择中给予建议[7]。在教育方面，Imran（2016）等认为个性化推荐系统可以向用户推荐课程，在学习过程中提出指导建议，从而提升用户的学习质量，提高用户在课程使用中的满意度[8]。我国在个性化推荐系统方面的研究起步较晚，但近年来，越来越多的学者投入这一领域进行研究，目前个性化推荐系统也得到广泛运用。在社交方面，周炜翔（2019）等认为微博的推荐系统可以使用户更快速，更准确的获取信息[9]。刘慧婷（2018）等为了提高微博推荐的准确性试图从算法方面进行了研究[10]。在短视频中，通过推荐系统可以向用户推荐符合其喜好的视频内容[11]。将个性化推荐系统应用到网络购物平台中可以使消费者更快速的找到目标产品。姚凯，涂平（2018）等认为个性化推荐系统能够有效减少消费者的决策时间，鼓励消费者在网站浏览更多的产品[12]。李丹妮(2019)认为通过提升消费者对网络购物平台的熟悉度可以提高其对个性化推荐系统的接受度[13]。二大学生网购行为的相关研究罗菁麟，潘莉（2020）等认为平台便捷度、安全性、促销活动、售后处理等方面影响着大学生对平台的满意度[14]。张彦桐，王蕾等（2020）通过研究认为对忠诚度影响最大的是大学生自身的价值观念并预测大学生属于理性型，冲动型或中性型消费者[15]。闫晴（2020）认为大学生主要具备的网购特点有购买量大、购买倾向大、总金额小等特点[16]。厉斌斌等（2010）认为，网络安全影响着大学生是否上网购物[17]。戴琳琳，李妍（2019）等指出对大学生网络购物消费产生影响的主要因素有方便快捷、节省时间、价格便宜等[18]。陈丽丽(2011)从网络购物动机、网络购物知识、网络购物满意度等方面分析了大学生的网络购物行为，为电子商务企业如何作为“潜力股”对大学生进行营销提供了建议[19]。吴婷艳(2012)认为，网络购物中的感知风险制约着大学生参与网络购物的程度[20]。基于感知风险的视角，以大学生消费群体为研究对象，构建了一个三维网络购物电子销售系统感知的多维风险系统及其影响因素，并通过实证分析选取影响大学生网络购物风险的19个因素，提出降低大学生网络购物感知风险的对策和建议[21]。三文献综述国内外学者对个性化推荐系统进行大量研究，主要集中于算法的研究，也有关于个体化的研究，也有关于消费者的网上购物行为和决策的影响的研究。在传统的研究中，（1）个体化的推荐不仅有助于简化消费者的决策过程，而且可以缩短决策时间，提高决策效率。（2）引导消费者最终选择推荐系统推荐的相关产品。关于第（1）部分，过去有很多学者通过各种各样的方法确认产品推荐系统，从而使消费者简化购物，提高决策的效率。然而，对于第（2）部分，虽然很多学者都认同这一观点，但很少有学者通过文献研究证明，这即使是有少数学者提出的观点，也只是一个理论层面。对于大学生来说，推荐系统能否真正引导并影响他们最终选择推荐系统所推荐的相关产品，以及大学生是否能接受推荐系统的推荐商品，几乎没有文献对其进行研究。大学生的消费能力虽然比社会消费者有限，但他们的群体数量巨大，潜力巨大。在此基础上，以大学生等特殊群体为研究对象，根据前人的研究收集相关数据，分析个性化推荐系统对大学生网上购物愿望的影响[21]。第三节主要研究内容及方法一主要内容本文将以我国最大的B2C购物平台——淘宝为例，以大学生为研究对象，分析淘宝推荐系统对大学生购买欲望的影响，首先，论文简单介绍研究背景，研究目的及意义，对个性化推荐系统的发展历程、研究现状及成果进行了综述，在此基础上提出了本文的研究问题，其次，基于相关文献对本文将涉及的部分进行简单介绍，提出假设，并分析通过问卷调查的方法收集到的数据，验证假设是否成立。最后，对研究结果进行讨论和解释。二研究方法1文献研究方法。为了对所要研究的问题以及对象有一个全面、正确的认识，为本文的研究提供更坚实的理论基础，查阅了大量的文献，主要来源于CNKI。2问卷调查方法。本文在梳理已有研究的基础上，对相应的研究课题进行了界定，并设计了调查问卷。对问卷进行预调查，整理收到的改进建议，修改措辞，然后正式发放问卷，获得大量数据。理论基础及研究假设第一节理论框架一个性化推荐系统20世纪90年代中期，随着关于协同过滤的论文问世，学者开始对推荐系统这一领域进行研究。随着信息技术和互联网的发展，信息过剩的问题逐渐引起更多人的关注，由此，推荐系统的作用也越来越明显，特别是今天的客户越来越重视个性化的服务体验，因此，个性化推荐系统的研究也越来越受到学者们的重视。本章主要对个性化推荐的定义和功能进行梳理，以期对本研究涉及的关键词有更深入的了解。虽然推荐系统已经被广泛应用在实践中，但目前学术界对个性化推荐系统还没有一个统一的定义。本文在借鉴国内外学者相关研究成果的基础上，主要从技术和客户两个角度探讨了个性化推荐系统的定义。1从技术视角对个性化系统进行定义。Kramer等人（2000）构建了个性化的用户体验设计，从网页上简单的名称和产品展示，到基于用户需求和行为的深度模型[22]。张红（2013）认为，个性化推荐是指网站利用推荐算法，根据用户的历史浏览习惯，挖掘用户的喜好，为其推荐符合其购物倾向的产品，从而使用户进一步产生购买行为，为客户带来便利[23]。Wakil(2019)认为个性化推荐系统是指通过使用合适的推荐算法，为客户提供个性化定制服务，解决在线客户的信息过量问题[24]。2从顾客视角对个性化系统进行定义。朱岩（2009）认为，个性化推荐系统是帮助消费者根据自身特点过滤有效信息，为客户提供满足其个人需求的定制化服务，推送决策建议[25]。张秀伟等（2013）指出，个性化推荐是指根据客户的个性化需求，针对不同的客户需求为其提供差异化的服务，以满足其个性化需求[26]。戴宝德等（2015）的研究认为该系统是通过模拟销售人员的行为，根据客户的个性化需求，为其提供符合客户喜好的定制化、个性化服务，比如推荐产品信息和购买建议，帮助客户做出购买决策，产生购买行为的过程[27]。总而言之，本文将个性化推荐系统定义为一种决策系统向导，根据客户的个人行为特征提供产品信息。在以往的研究中，国内外学者分别定义了基于技术和基于客户的定制推荐系统。这一定义的方向也反映了当前学者对个性化推荐系统这一领域的研究方向。也就是说，目前针对个性化推荐系统这一领域的研究方向主要分为两个方面：技术和用户。一方面，针对推荐算法方面进行研究，希望可以改进和优化推荐算法，使其进一步智能化。另一方面，研究推荐系统对用户行为的影响过程及机制，并进一步以为用户提供更优质的定制化推荐服务为目的对推荐系统进行优化，为客户提供更加匹配的服务。二购买意愿“意愿”一词最初来源于心理学，指的是个人在从事某种事物或行为时所表现出的情愿或不情愿。在消费者行为这一研究领域，许多学者投入这一领域进行深入研究。因此，在后续的研究中，学者们常常选择购买意愿作为因变量[28]。国外学者对意愿进行定义最早出现于1968年，学者指出个体会在经过计划和意识的过程后，会进行一定的实践活动，因此意愿反映了个人的心里动机。朱智贤（1985）提出当消费者遇到符合个人的心理预期的商品时，他们会有一种心理上的欲望，这是购买行为的前兆。随着电子商务的发展，在网络环境下，消费者的购买意愿有了新的内涵。吴锦峰（2014）认为线上购买意愿是指用户在线上购买某一产品的过程中实现的一种有意识的计划[28]。总而言之，我想说的是，国内外学者一致认为，消费者的购买意向是一种心理活动，在网络语境中，购买意向又是指消费者在线上购物过程中在网络购物平台上所表达出的购买倾向，也属于是心理活动范畴。针对大学生而言，它们处于互联网快速发展的阶段，同时，由于其群体的特殊性，对网络购物这一购买方式有更高的接受度，且大学生相比进入社会的人群来讲，其购物模式更加简单，在购物时考虑的因素相对来说比较单一，因此对此人群进行研究更具有代表性。三购买成本交易成本理论是经济学的重要理论。首先提出交易成本概念的是美国经济学家科斯，他用此来解释企业的成因。在科斯的理论中，对交易双方来讲，各自获得的信息不是完全对称的，而是有限性的。因此，科斯把交易过程中的相关成本称为交易成本，如寻找贸易伙伴和比较不同的价格等。1985年，威廉姆森认为交易成本主要由三部分组成，分别为监督、控制、管理。张五常还扩展了这一概念的定义，认为人们为达成交易而不可避免产生的成本就是交易成本。大学生这一群体，无资金收入，因此相比较来讲资金处于有限的阶段，因此在购物过程中会更加关注产品金额这一因素，此外，大学生相对来说，时间、精力比较充足，有足够的时间、精力在网络购物过程中浏览更多的产品，从而做出更优的选择，因此，对大学生这一群体来说，更主要的购买成本为金钱成本。四感知风险感知风险的概念是从心理学领域中引申出来的，首先对这一概念进行定义的是Bauer（1960），他认为消费者决策行为的正确性是不确定的，并且行为结果可能是负的[30]。从本质上讲，感知风险即为消费者感知到的负结果的可能性。它影响着消费者的行为，主要表现为消费者在面对客观风险时所表现出来的主观认知和感受。在针对网络购物这一领域的研究过程中，学者们非常重视感知风险这一变量，也不断的在研究和完善其测量维度。1972年，Jacoby和Kaplan认为消费者对风险的感知为心理风险、绩效风险、财务风险、社会风险和身体风险五种。通过研究，证明这五种风险可以解释整体风险的70%以上[31]，在此基础上，Peter和tarpey在1975年加入了第六维度——时间风险，1993年，Stone.Gronhaung进行了研究，发现可解释的总风险达到88.8%。随着时代的发展，消费者开始认识到个人隐私这一方面的重要性。因此，CasesAS.（2002）排除了身体的维度，增加了这一维度。针对个性化推荐的特点，本文主要从时间、经济、隐私、功能、心理风险五个方面进行研究。针对大学生这一群体来讲，最主要的风险大概为时间、经济和隐私风险。因为大学生这一群体的特殊性，首先，大学生没有固定的收入来源，所以相对来讲会更加注重经济风险这一方面，如果在网上购物过程中出现金钱损失，可能在今后的购物过程中会优先排除曾经给他带来经济损失的店铺。其次，如今的大学生群体也会更加注重个人隐私的保护，所以对隐私风险这一方面也有一个高度的重视。再次因为经济有限，所以大学生在购物过程中会花费更多的时间去进行各方面的比对，以求优化自己的购物体验，如果最终的商品不如人意，购物体验差，也会给大学生带来极大的影响。第二节理论模型设计一购买意愿对购买行为的作用在消费者的购物过程中，做出产品选择和决策的重要组成部分是消费者自身的购物意愿，它描述了消费者的主观购买倾向。也就是说，当消费者想要拥有某种商品时，他们会产生进一步的购买行为[32]。因此，当我们知道了消费者或用户的消费倾向后，就可以进一步预测他们的后续行为。Dodds(1991)也表明购买意愿能够对购买行为产生积极作用。陈茜(2019)指出购物场景的主要色彩会影响消费者的购买意愿，当购物场景的颜色使消费者的购买意愿变得更加强烈时，会加快消费者做出购买决策。网络购物平台个性化推荐系统的主要目的是针对现有或潜在客户的购物行为进行引导。当消费者对平台针对自身做出的定制化服务更加满意的情形下，他们更倾向于接受建议的内容，这将对他们的购买或决策行为产生积极的影响。二淘宝个性化推荐对消费者购买意愿的影响国内外学者对引进的个性化推荐系统进行了一系列的调查研究。根据Haubal和Trifts（2000）的实证研究，当消费者在网上购买商品时，通过比较有或没有个性化推荐发现，93%和65%的消费者在第一次选择时会选择更好的产品，同时21%和60%的被调查者会在决策结果可以改变的情况下选择改变；在此基础上，Haubal和Murray（2005）指出个性化推荐可以帮助消费者在购物过程中做出更加满意的决策，提升购物体验。Lerzan等（2006）提出，当平台给用户推荐的产品属性与消费者自身的购物倾向相一致时，能够显著提高推荐的成功率，增加消费者购买的可能性。朱文婷对消费者购买欲望进行了研究，研究结论为个性化推荐产品对消费者购买欲望有正向作用，从而提高平台和网店的业绩，因为它们和用户的需求想匹配。可以看出，尽管视角不同，但上述学者均认为，个性化推荐可以有效激发消费者的购买欲望，该推荐机制根据消费者需求推荐相关信息给消费者，从而促使消费者产生进一步的购买行为[29]。本文的研究对象淘宝网也采用了个性化推荐系统。本文在前人理论的基础上，通过对上述个性化推荐策略进行简要研究，提出了个性化推荐的假设：淘宝网的个性化推荐能够有效提高大学生的购买意愿。在以上假设的基础上，本文的理论模型也建立出来了，理论模型图如图1所示：图1理论模型研究方案设计第一节问卷设计一问卷基本结构在阅读相关文献的基础上,本研究设计了一个问卷调查研究本文目的和模式,主要由两个部分组成。第一部分是问卷作答者基本情况调查。该署会收集受访者的性别、教育背景及其他资料。在问卷开始时，将设置筛选问题，以确保所有拥有有效数据的受访者都有网上购物经历。第二部分是该问卷的主体部分。这一部分的项目被用来测量研究模型中的变量。考虑到一些学者已经开发出了本研究所涉及的量表，所以本研究的问卷使用了以往成熟的量表，但具体元素的组合需要适当修改。二量表设计在量表的编制过程中，本文对成熟度量表进行了适当的调整，并采用李克特五点量表对研究涉及的各个因素进行测量，选项中1-5在问卷中代表从强烈不同意到强烈同意的转变及其选项所代表的分值，填写问卷的人需要阅读后根据自己的经验根据个人对数字的感知来选择项目。对于各因素具体的测量题项可详见表1。表1各变量具体题项因素题号测量列表个性化推荐1淘宝通过个性化推荐系统推荐的产品信息可以满足我的爱好和需求2我对淘宝给我推荐的产品感兴趣3淘宝网的推家系统了解我的喜好购买成本1我觉得在淘宝网购物是一件复杂的事情2我经常在搜寻和对比目标店铺和产品时花费很多时间3和卖家讨价还价会浪费我的很多时间和精力4如果收到的宝贝不能满足我的需求，处理这些事情会消耗很多我的时间和精力购买风险1淘宝网通过个性化推荐系统推荐的商品来源不可靠，会对我的经济造成损失2淘宝网的个性化推荐系统可能会造成我个人隐私信息的泄露3我认为淘宝网的个性化推荐系统还不够成熟，不能为我提供满足我需求的服务购买意愿1如果我需要购买某种商品，在淘宝网购买的可能性比较大2我接受且喜欢在淘宝网进行购物3我会向身边的亲戚朋友推荐在淘宝网进行购物4以后我还会继续使用淘宝网购买我所需要的产品第二节数据收集本研究以问卷调查的方式收集数据，在2020年12月20日至2021年2月28日，将在问卷星上设计的问卷发布到QQ、微信等平台进行数据收集，并请求作答者者转发问卷链接，以扩大本研究的样本量。在问卷操作过程中，共收集问卷315份，排除无效问卷58份。这些无效的问卷被排除在外，因为缺乏网上购物经验，回答时间短，所有问题的分数相同，有效问卷257份，有效率81.6%。第三节数据分析一样本特征统计问卷收集完毕后，对样本的年龄和性别进行分析，以验证样本是否满足目前的要求互联网用户的特点，使样本更可信。具体描述如下：此次回收的257份有效调查问卷中，基本信息概况见表2。表2样本特征统计特征项具体类型样本数所占比例男9838.13%性别女15961.87%是257100.00%是否在校大学生否00.00%专科6324.51%学历本科19475.49%三描述性统计分析基于对上述样本特征数据分析发现，研究获取的样本是有代表性的，因此研究进一步对量表进行数据描述性统计分析，结果分别如表3、4、5、6所示：表3个性化推荐的均值和标准差个性化推荐均值标准差13.161.12023.241.12233.211.096通过对个性化推荐这一因素题项所收集到的数据进行分析计算均值和标准差的大小，可以发现样本具有良好的分布情况，既没有出现同质情况，也没有形成很大差别，可以进行下一步分析。表4购买成本的均值和标准差购买成本均值标准差12.750.83422.680.78532.740.81642.820.789 通过对购买成本这一因素题项所收集到的数据进行分析计算均值和标准差的大小，可以发现样本具有良好的分布情况，既没有出现同质情况，也没有形成很大差别，可以进行下一步分析。表5购买风险的均值和标准差购买风险均值标准差12.890.92322.870.91232.960.897通过对购买风险这一因素题项所收集到的数据进行分析计算均值和标准差的大小，可以发现样本具有良好的分布情况，既没有出现同质情况，也没有形成很大差别，可以进行下一步分析。表6购买意愿的均值和标准差购买意愿均值标准差13.160.89623.240.89833.080.87643.250.892通过对购买意愿这一因素题项所收集到的数据进行分析计算均值和标准差的大小，可以发现样本具有良好的分布情况，既没有出现同质情况，也没有形成很大差别，可以进行下一步分析。三信度分析信度分析是为了验证问卷的稳定性和回收数据的一致性，Cronbach'sα系数是衡量可靠性的主要指标，Cronbach'sα系数α在0-1之间，系数越高，各问卷项目的相关性越大，信度越高。表7变量信度分析表变量Cronbach'sα系数题项数目个性化推荐0.8643购买成本0.8794购买风险0.8543购买意愿0.7894从上表的结果可以看出，本研究中各变量的信度均满足要求，量表的项目设置合理可靠，回收的数据可以用于进一步分析。四效度分析效度是指测量工具或手段对被调查内容的正确测量程度，即评价结果与被调查目标的一致程度。在社会测量中，是指问卷作为测定工具，在多大程度上正确反映了相应的理论和概念。本文设计的量表均来自成熟量表，因此是科学性上是可信的，且在正式评价前为避免问卷在评价过程中产生歧义和误解，进行了预调查，对收到的反馈信息进行了遣词用句上的修改。因此，本文使用的问卷在效度上没有问题，可以在下一步进行分析。第四章总结与展望本文主要研究了淘宝网才用的个性化推荐系统对在校大学生这一受众群体购买意愿是我影响，主要采用问卷调查，文献研究等研究方法，验证在校大学生对淘宝网推荐商品的接受程度，丰富了个性化推荐系统的研究领域，让网络购物平台及商家认识到推荐系统的重要性，同时，可以让消费者了解推荐系统的运行机制，更好的规避在网络购物过程中由于个性化推荐系统可能带来的风险。虽然本文的研究取得了一定的成果，但是由于水平有限，本文的研究还存在许多不足，具体如下研究方法的局限性。本文运用了文献研究法和问卷调查法，并未真正深入淘宝网进行研究，并且调查的范围也存在一定的局限性，主要为学校周边的几所高校，如果能更加深入淘宝网并且能将调查对象范围扩大到周边城市，那么得出的结论也会更有说服力。案例的局限性。本文所研究的平台——淘宝网目前已经趋于成熟，因此其采用的个性化推荐算法也会相对来说更加全面、成熟，而我国目前的电子商务平台还有许多处于发展或者起步阶段，因此淘宝网的推荐系统可能对于他们来讲并不适用。今后，如果有机会再次从事此方面的研究，会更加全面、详细的进行研究调查，以弥补此次研究的不足，同时，也期待个性化推荐技术可以进一步发展，使消费者在网络购物过程中可以更快速、更准确地找到满意的商品，同时网络购物平台和商家也可以利用个性化推荐系统让自己的商品更大限度的推送到消费者面前，从而提高销量。参考文献[1]第46次中国互联网络发展状况统计报告[R].中国互联网络信息中心，2020.09.[2]刘建国，周涛，王秉宏.个性化推荐系统的研究进展[J].自然科学进展，2009.[3]Adomavicius

G,

Tuzhilin

A.

Toward

the

next

generation

ofrecommendersystems:

A

surveyofthestate-of-the-artandpossibleextensions[J].Know1edge

and

Data

Engineering,

IEEE

Transactions

on,

2005,

17(6):[4]周建丁.订单贡献率10%，京东个性化推荐系统持续优化的奥秘.[5]ZhangYL,ShiZK,ZuoWL,YueL,LiangSN,LiX.JointPersonalizedMarkovChainswithSocialNetworkEmbeddingforCold-StartRecommenda-tion[J].Neurocomputing,2019.[6]AsenovaM,ChrysoulasC.PersonalizedMicro-ServiceRecommendationSystemforOnlineNews[J].ProcediaComputerScience,2019,160.[7]RenjithS,SreekumarA,JathavedanM.AnExtensiveStudyonTheEvolutionofContext-AwarePersonalizedTravelRecommenderSystems[J].InformationProcessingandManagement,2020,57(1).[8]ImranH,Belghis-ZadehM,ChangTW,etal.Plors:APersonalizedLearningObjectRecommenderSystem[J].VietnamJournalofComputerScience,2016,3(1):3-13.[9]周炜翔,张雯,杨博,柳毅,张琳,张仰森.面向微博用户的个性化推荐算法研究[J].计算计工程:1-7.[10]刘慧婷,程雷,郭孝雪,赵鹏.实时个性化微博推荐系统[J].计算机科学,2018,45(9):253-265.[11]齐德法.基于多重粒度召回的短视频推荐系统的设计与实现[D].山东师范大学,2019.[12]姚凯,涂平,陈宇欣,苏萌.基于多源大数据的个性化推荐系统效果研究[J].管理科学,2018,31(05):3-15.[13]李丹妮.购物平台个性化推荐对消费者购买意愿的影响[J].中国经贸导刊(中),2019(12):122-125.[14]罗菁麟,潘莉.大学生网购行为对应分析研究[J].营销界,2020,(38):29-30.[15]张彦桐,王蕾,陈奕彤,袁明月,张辉.大学生“双十一”网购行为与预测分析[J].中国传媒大学学报（自然科学版）,2020,27(04):57-61.[16]闫晴.大学生网购的行为模式及营销策略分析[J].现代营销（经营版）,2020(03):107-108.[17]厉斌斌,王宏艳,张楠.大学生网络购物忠诚度培育对策研究用,消费研究2010.[18]戴琳琳,薛婧峰,李妍.基于主成分析的大学生网购消费调查分析研究[J].环渤海经济管理,2019,(07):154.[19]陈丽丽.在校大学生网上购物行为分析[J].管理观察2011,(05):37-42.[20]吴婷艳.大学生网络购物感知风险评价体系研究[D].西安电子科技大学，2012:31-62.[21]刘智鹏.个性化推荐对大学生网购行为的影响研究[D].中南林业科技大学，2016:5-7.[22]KramerJ.NoronhaSandVergoJ.AUser-CenteredDesignApproachtoPersonalization,CommunicationsoftheACM,2000,43(8):45-48.[23]张红.基于认知心理的电子商务网站知识推荐服务模型研究[D].南京理工大学，2013.[24]WakilK,AlyariF.GhasvariM,LesaniZ,RajabionL.AnewmodelforAssessingTheRoleofCustomerBehaviorHistory.ProductClassification,andPricesonTheSussessofTheRecommenderSystemsinE-commerce[J].Kyber