个性化推荐系统的本质就是向顾客推荐个性化的产品或服务，主流研究根据技术的不同将其分为：基于内容的推荐和协同过滤的推荐。基于内容的推荐基于用户的偏好与产品特征之间的相似程度，将最能吸引用户兴趣的物品集呈现给用户[6]。它通过历史数据分析，了解消费者以往偏好程度高的产品，再进一步进行产品特征分析，然后向消费者推荐相似度的产品。协同过滤的推荐是基于类似目标消费者的其他消费者偏好而进行的个性化推荐方式[7]，是由消费者群体之间偏好的相似程度决定的，一般不需要商品的特征信息。该推荐的主要目的是找到目标消费者和其他消费者之间的关系，以确定偏好的相似性，并根据相似偏好的消费者提供产品推荐。
基于两类个性化推荐系统之间的内在差异，它们可能会对消费者的感知、信念产生不同的影响。Xiao和Benbasat就曾提出探索何种类型的个性化推荐能够帮助使用者更好地了解产品的功能，并增强其对其的信心，并提高他们的购物乐趣将是有意义的[8]。根据常人理论可以发现一个有趣的现象，即使消费者自己在做决策时不喜欢过多付出努力或投入成本，但他们对其他人付出努力和成本做出的决策还是持积极态度的，所以认为消费者其实乐于接受已经反映了其他消费者决策行为的推荐系统，即协同过滤的推荐系统，甚至对该推荐系统所推荐的产品表现出强烈的购买倾向。
先前研究表明结果，消费者从他人的品味中提取信息来预测自己对不熟悉产品的满意度[9]，如果他们认为其他人的口味和自己相匹配，他们就会倾向于接受别人的偏好[10]。某一方面偏好相同的人，很有可能会在其他方面也有相同或相似偏好，因此在进行产品推荐时，向具有相同偏好的人群推荐往往更容易拥有较高的信任度和满意度[11]。在现有的文献中，研究者已经发现，模仿心理和从众心理对消费者购买决策具有重大影响[12]。其他相似的消费者也更加具有“熟悉度”[13]，一般被认为具有更高的可信度[14]。
我们认为协同过滤的推荐通过在产品匹配之外提供关于口味匹配的额外信息，可以作为一种双重保证，减少消费者对他们是喜欢还是不喜欢推荐的商品的不确定性，让消费者感知到了更高的收益和价值。由此，提出以下假设：
H1：个性化推荐类型对消费者感知的影响会有显著差异。
H1a：个性化推荐类型对消费者感知信任的影响会有显著差异。具体而言，与基于内容的推荐相比，协同过滤的推荐会让消费者的感知信任更高。
H1b：个性化推荐类型对消费者感知价值的影响会有显著差异。具体而言，与基于内容的推荐相比，协同过滤的推荐会让消费者的感知价值
2.2.消费者感知与购买意愿
从社会交易的角度来看，信任是网购交易能够顺利进行的基础，对产品的认可信任会促进消费者对产品的消费。目前，很多关于在线交易的研究都证实了消费者对互联网零售商的信任程度会影响网上购买意愿，对其信任程度决定了他们从网上商店搜索和购买产品的意愿水平。Hans等人强调了信任这一因素会直接影响消费者对在线消费的态度[15]。杜群阳等在研究线上消费者购买意愿的动态形成机理时，将信任倾向划分为四个维度：环境、个人、线上平台以及制度信任倾向，并证实了这几个维度均对消费者购买意愿有正向效应[16]。
可以看出，消费者在做出购买决策时会基于自己的感知综合考虑个方面因素。特别是，在电商平台个性化推荐背景下，如果消费者相信当前的购物环境是安全的、推荐的产品是可靠的和具有较高的价值的，那么消费者更有可能购买该产品。因此，提出了以下假设：
H2：消费者感知正向影响消费者的购买意愿。
H2a：感知信任正向影响消费者购买意愿。
H2b：感知价值正向影响消费者购买意愿。
2.3.消费者感知的中介作用
SOR理论指出，个体与环境刺激相互作用后的机体认知状态会影响心理反应。结合上述两个假设关系可得，个性化推荐可以通过对消费者感知信任和感知价值进行作用进而影响其购买意愿。这也与计划行为理论和信息系统接受模型一致，评价信念在不同类型的信息系统使用和行为意愿之间起中介作用。
在众多的研究中，感知信任与感知价值是影响消费者购买意向的中介变量。龚映梅等人通过对农产品网购意愿影响因素分析，发现了感知信任在外部线索对消费者网购意愿影响中的中介效应[21]。刘佳研究得出，在电商直播环境中，消费者感知到的商家和直播间的服务质量会通过感知价值间接影响购买意愿[22]。王建军等通过研究网络口碑对消费者购买意向的影响机制显示，感知价值起着中介的作用[23]。
综上所述，消费者在不同的情况下，都会根据所获得的信息刺激，对商品进行心理上的价值感知，然后综合不同的因素，对商品进行考量和评价，最后再做出购买决策。据此提出以下假设：
H3：消费者感知在个性化推荐类型与消费者购买意愿之间起中介作用。
H3a：感知信任在个性化推荐类型与消费者购买意愿之间起中介作用。
H3b：感知价值在个性化推荐类型与消费者购买意愿之间起中介作用。
2.4.消费者知识的调节作用
Brucks认为消费者知识包括客观知识和主观知识，人们对商品的了解度是主观知识，消费者长期记忆中产品类别的信息是客观知识[24]。而Zaichkowsky认为客观知识维度的测量没有一个统一的标准，另外，消费者的主观知识对消费者的影响更大[25]，因此本文选取了主观知识作为消费者知识。
已有研究表明，在信息处理过程中，消费者的知识将会对信息收集与处理的能力与方法产生影响[26]，消费者在做判断时，很可能会将推荐的产品与他们已经知道的产品进行比较。消费者对产品的知识水平对其在信息处理时的自信程度有积极效应，而高产品知识水平的消费者较少受他人影响[27]。从消费者怀疑论的角度也可以看出，消费者对产品的知识水平越高，其对自身判断的认可程度越高[28]。所以对产品拥有更多知识的顾客可能不太可能认为协同过滤的推荐口味匹配是成功的。相比之下，低消费者知识水平的顾客对自己的判断缺乏信心，更容易倾向于他人的意见[29]，可能对自己和他人的品味之间的匹配不那么怀疑[30]，从而导致协同过滤的推荐优势更加凸显。综上，提出以下假设：
H4：消费者知识在个性化推荐类型与消费者感知中起调节作用。
H4a：消费者知识在个性化推荐类型与感知信任中起调节作用。具体而言，消费者知识水平越高(低)，对不同个性化推荐类型的感知信任差异会越小(大)，即协同过滤的推荐的感知信任优势会减弱(增强)。
H4b：消费者知识在个性化推荐类型与感知价值中起调节作用。具体而言，消费者知识水平越高(低)，对不同个性化推荐类型的感知价值差异会越小(大)，即协同过滤的推荐的感知价值优势会减弱(增强)。
Figure1.Diagramofthetheoreticalmodelofthisstudy
3.研究设计
3.1.实验设计
3.2.实验场景
在选择实验刺激产品方面，考虑到本此实验未涉及产品类别，本研究采用棉被这一中性产品，消费者可以通过搜索棉被产品参数而了解到材质信息，同时棉被需要使用过后才能感受到消费者在意的适用性和保暖程度。
根据本研究采用的实验刺激产品棉被，结合不同类型的个性化推荐，设计了不同的虚拟实验场景及对应的文字说明材料。被试被要求想象他们打算在某电商平台购买棉被，然后会被随机分配到两种不同的虚拟购物实验场景中：“基于内容的推荐”场景和“协同过滤的推荐”场景。每个场景都附上了同样的三张棉被商品图片以增强消费者的代入感，此外，为了避免消费者现实对产品品牌的偏好而造成的实验误差，本研究隐去了棉被的实际品牌名称信息，尽可能排除现实品牌的影响。
“基于内容的推荐”的场景设定为“某电商平台是一家综合性购物平台。在注册时你接受平台用基于内容的推荐系统(根据当前和历史购物商品的相似性进行推荐)为您进行商品的个性化推荐。近日，你打算在该平台上购买棉被，在浏览了一款棉被后，平台根据你个人的历史浏览商品的相似性，为您推荐了以下棉被。”
“协同过滤的推荐”的场景设定为“某电商平台是一家综合性购物平台。在注册时你接受平台用协同过滤的推荐系统(根据用户和其他用户的相似性进行推荐)为您进行商品的个性化推荐。近日，你打算在该平台上购买棉被，在浏览了一款棉被后，平台根据和您有相似偏好的其他用户为您推荐了以下棉被。”
3.3.变量的操纵与测量
1)自变量：个性化推荐类型
个性化推荐类型采用“基于相似群体偏好的推荐还是基于自己偏好的推荐”这一测项的李克特七级量表来检验自变量是否分类引导成功，其中1表示个性化推荐是基于相似群体偏好的推荐，即协同过滤的推荐，7表示个性化推荐是基于自己偏好的推荐，即基于内容的推荐。
2)中介变量：感知信任
感知信任程度主要参考RamseyandRosemary[31]过去研究里的指标，通过李克特七级量表来测量以下三个题项：a)我觉得这个平台推荐的信息很可靠；b)我觉得这个推荐是可以信任的；c)我会考虑购买推荐给我的产品。
3)中介变量：感知价值
感知价值程度变量借鉴Zeithaml[32]的3个测量题项：a)总体来说，这次使用平台我感受到的体验价值很高；b)这次使用平台的体验满足了我的期望和我想得到的东西；c)对比我所得到的和我所付出的，我觉得这次的体验是很值得的。
4)因变量：购买意愿
5)调节变量：消费者知识
4.实证分析
4.1.描述性统计分析
4.2.操纵检验与信效度检验
4.2.1.操纵检验
Table1.Basicinformationoverviewofthesample
Table2.Manipulationtest
**p<0.01.
4.2.2.信效度检验
Table3.Reliabilitytest
Table4.Validitytest
4.3.假设检验
4.3.1.直接效应检验
Table5.MaineffectsANOVAforrecommendationtypes
**p<0.01。
Table6.Pearsoncorrelationcoefficient
Table7.Regressionanalysisofperceivedtrust,perceivedvalueandpurchaseintention
4.3.2.消费者感知的中介效应检验
Table8.Mediatingeffectmodeltest
**p<0.01括号里面为t值。
Table9.Effectdecompositiontable
4.3.3.消费者知识的调节效应检验
Table10.Moderatingeffecttestofconsumerknowledge(perceivedtrust)
Table11.Moderatingeffecttestofconsumerknowledge(perceivedvalue)
Figure2.Theinteractionofrecommendationtypeandconsumerknowledgeonperceivedvalue
5.结论及启示
5.1.研究结论
本研究探讨个性化推荐类型对消费者购买决策的影响差异，以及消费者知识因素如何与推荐类型交互来对消费者购买决策产生影响，为此基于SOR理论建立了个性化推荐类型、消费者知识、感知价值、感知信任与消费者购买意愿间的理论模型，并通过情景实验收集数据，而后进行实证分析来检验研究假设。主要研究结论有以下几点：
5.2.管理启示
第一，注重对协同过滤的推荐系统的优化设计。电商平台在在制定个性化的推荐时，应该侧重于积累用户数据，根据用户的标签分类，采用协同过滤的推荐类型为用户提供个性化推荐服务。同时，在电商平台推荐信息输出页面，还可以多设计采用“浏览(购买)过该商品的人还(购买)了……”这类反映了协同过滤的推荐原理的推荐解释。
5.3.不足及展望
本研究虽然丰富了个性化推荐领域的研究，为电商平台优化个性化推荐策略提供了一些思路，但由于一些主客观条件的约束，还存在一些局限性，可在未来研究中进行改进优化。
一是研究方法上，本研究采用虚拟情景实验的问卷调查方法收集实验数据，实验场景主要通过文字说明方式来呈现，这与真实的在线消费情境可能会存在一定出入。而且数据是由被试本人进行自评得到的，不是对实际消费行为的测量，这种方法可能不够客观。未来可以通过实验室实验，自行设计网购页面来模拟真实的网络环境，以增强被试的代入感，同时可以运用脑电波和眼动追踪等技术来获取消费者的生理指标数据，以提高数据的客观性。未来的研究甚至还可以在真实的电商平台上进行，收集消费者的实际行为数据，这将有助于实验效果的提升以及推广当前的研究结果。
二是研究内容上，本研究只考虑了基于内容的推荐和协同过滤的推荐两种个性化推荐类型，没有对混合推荐等其他推荐类型进行研究。此外，除了本研究中选择的消费者知识这一特征之外，其他消费者特征也可能对推荐有影响。所以，未来的研究可以对其他更多的个性化推荐类型和不同消费者特征因素进行研究，可以采用本研究提出的模型和步骤来检验其他消费者特征，如从众性的影响，把这些变量整合进来，进一步丰富概念模型，可能能更好地揭示个性化推荐在消费者购买决策过程中的作用，进而推进个性化推荐领域的研究。