摘 要：智能推薦可能誘使用戶陷入“信息繭房”“過濾氣泡”和“回音室”等過度特化困境?？紤]到心理特質(zhì)及其產(chǎn)生的心理圖式是用戶外在偏好行為的內(nèi)在表征，探索和驗(yàn)證心理圖式在緩解用戶過度特化傾向中的潛在作用，對完善以用戶為中心的推薦方法及其評價(jià)體系具有理論和實(shí)踐意義。文章基于用戶心理圖式理論，利用大規(guī)模用戶偏好行為數(shù)據(jù)、自然語言處理和機(jī)器學(xué)習(xí)實(shí)驗(yàn)方法，探索和驗(yàn)證用戶心理圖式對其推薦多樣性需求水平（即“特化”傾向）的影響。進(jìn)而整合心理圖式構(gòu)建用戶偏好模型，進(jìn)行推薦算法實(shí)驗(yàn)加以驗(yàn)證。結(jié)果發(fā)現(xiàn)：心理圖式能較好地解釋和預(yù)測用戶對推薦多樣性的需求水平；心理圖式能在保證推薦準(zhǔn)確性的同時(shí)緩解過度特化問題；相對于人格特質(zhì)，價(jià)值觀在解釋和應(yīng)對用戶過度特化問題上具有相對優(yōu)勢。

關(guān)鍵詞：過度特化；信息繭房；用戶偏好；心理圖式；推薦系統(tǒng)

中圖分類號：TP391.7 文獻(xiàn)標(biāo)識碼：Ａ DOI：10.11968/tsyqb.1003-6938.2024051

The Role of Psychographics in Addressing Over-Specialization Problem in Recommendation Systems： An Empirical Study Based on Machine Learning

Abstract Intelligent recommender system may trap users in phenomena such as "information cocoons，" "filter bubbles，" and "echo chambers，" leading to over-specialization. Individual psychological traits are internal representations of external behavior. Exploring and validating the potential role of online users' psychographics in mitigating their over-specialization tendencies，holds theoretical and practical significance for improving and evaluating of user-centered recommender system. Using natural language processing and machine learning experimental methods， based on psychographic segmentation theory， this study investigates the relationship between users' demand for recommendation diversity （i.e.， "specialization" tendency） and their psychological traits through opinion mining and psychological computation methods. It then integrates psychographics into user preference models and validates them through large-scale preference behavior data and recommendation algorithm experiments. The study finds that： psychographics can effectively explain and predict users' demand for recommendation diversity. By integrating user preference models， psychographics can mitigate over-specialization while ensuring recommendation accuracy. Compared to personality traits， values have a relative advantage in explaining and mitigating users' over-specialization tendencies.

Key words over-specialization; information cocoons; user preferences; psychographics; recommendation systems

字節(jié)跳動、抖音、視頻號等由智能算法驅(qū)動的網(wǎng)絡(luò)平臺，在當(dāng)今社會已經(jīng)肩負(fù)起信息生產(chǎn)、分發(fā)及策展的重任［1］。它們所構(gòu)建的個(gè)性化信息推薦系統(tǒng)，在浩瀚的數(shù)字空間中為用戶精準(zhǔn)獲取信息提供了不可或缺的助力。為了提升個(gè)性化信息推薦服務(wù)的精準(zhǔn)度，信息服務(wù)平臺致力于使推薦項(xiàng)目與用戶行為偏好相一致。然而，網(wǎng)絡(luò)信息服務(wù)平臺在追求最大化用戶注意力和顯式行為的過程中，其服務(wù)機(jī)制和算法設(shè)計(jì)可能與用戶真實(shí)需求存在偏差［2］；受限于算法的局限性，推薦系統(tǒng)還可能加劇數(shù)據(jù)中固有的偏見和錯(cuò)誤觀念［3］。近年來，因局限于推送與用戶歷史偏好相似的內(nèi)容，個(gè)性化信息推薦系統(tǒng)導(dǎo)致的過度特化（Over-Specialization）問題日益凸顯，引起了社會各界的廣泛關(guān)注［4］。從用戶層面來看，過度特化導(dǎo)致用戶所接收的信息日趨“同質(zhì)化”，陷入“過濾氣泡”和“信息繭房”的困境，剝奪了用戶的信息自主權(quán)［5］；同時(shí)，也加劇了公眾意見的分歧，使公眾陷入極化觀點(diǎn)的“回音墻”中［6］。

現(xiàn)有針對過度特化問題的解決思路普遍聚焦準(zhǔn)確性與非準(zhǔn)確性推薦評價(jià)指標(biāo)的權(quán)衡優(yōu)化方法，忽略了不同用戶對非準(zhǔn)確性推薦指標(biāo)的偏好［4］，特別是由用戶內(nèi)在心理特質(zhì)所產(chǎn)生的在推薦多樣性的需求水平上的個(gè)體差異［7］。通俗來說，向具有廣泛、多樣喜好的用戶提供一個(gè)多樣化的推薦列表是可取的；但是對于一個(gè)偏好項(xiàng)目范圍狹窄的用戶來說，推送多樣性的推薦列表卻是較為激進(jìn)的。針對心理特質(zhì)及個(gè)體差異相關(guān)研究表明，人格等心理圖式變量顯著影響用戶對信息多樣性的需求水平（即“特化”水平）［8-9］。因此，整合心理圖式構(gòu)建用戶偏好模型，進(jìn)而在滿足用戶特定的多樣性需求水平的前提下提升推薦的準(zhǔn)確性，能潛在緩解推薦系統(tǒng)中準(zhǔn)確性和非準(zhǔn)確性推薦指標(biāo)的相互矛盾、難以兼顧的問題。

本研究針對推薦系統(tǒng)中的用戶過度特化問題，從個(gè)體心理特質(zhì)視角引入網(wǎng)絡(luò)用戶心理圖式理論，結(jié)合自然語言處理和機(jī)器學(xué)習(xí)方法，提出用戶多樣性需求水平的系列指標(biāo)，探索并驗(yàn)證其與用戶心理圖式之間的關(guān)系；進(jìn)而整合心理圖式構(gòu)建用戶偏好模型，并通過網(wǎng)絡(luò)用戶偏好數(shù)據(jù)和協(xié)同過濾推薦系統(tǒng)進(jìn)行實(shí)證研究，揭示和驗(yàn)證心理圖式在緩解用戶偏好行為的過度特化問題上的作用，為構(gòu)建應(yīng)對推薦系統(tǒng)過度特化問題的用戶偏好模型及其評價(jià)指標(biāo)體系提供理論和方法參考。

1 相關(guān)研究

1.1 個(gè)性化推薦環(huán)境下用戶的過度特化問題

為了提升推薦系統(tǒng)的性能，相關(guān)研究和應(yīng)用集中在推薦準(zhǔn)確性的優(yōu)化上，即通過預(yù)測項(xiàng)目的評分或排名，計(jì)算其與目標(biāo)用戶真實(shí)偏好之間的量化距離，進(jìn)而評估推薦的準(zhǔn)確度［1］。相關(guān)學(xué)者據(jù)此認(rèn)為：過度特化問題是個(gè)性化推薦系統(tǒng)只能針對用戶的畫像中評分高的項(xiàng)目，推送與已評分項(xiàng)目相似的項(xiàng)目［4，10］，所引起的用戶選擇過載問題。近年來，數(shù)字圖書館及在線消費(fèi)等領(lǐng)域研究也發(fā)現(xiàn)，選擇過載現(xiàn)象在現(xiàn)有推薦機(jī)制下仍較為突出，因?yàn)橥扑]系統(tǒng)最為核心的目標(biāo)就是向用戶提供具有較高吸引力的項(xiàng)目［11］。就用戶而言，這一現(xiàn)象引導(dǎo)用戶采用常見和頻繁的行為模式，以形成與用戶歷史偏好越來越相似的推薦。然而，較高的預(yù)測準(zhǔn)確性并不總是與較高的用戶感知推薦效用相對應(yīng)［12］；反而可能使用戶陷入“過濾氣泡”和“信息繭房”的陷阱。具體而言，過濾氣泡是“個(gè)性化過濾器為每個(gè)人所創(chuàng)建的獨(dú)特的無形而又難以掙脫的信息世界”［13］。而“信息繭房”則是在平臺信息分發(fā)和用戶信息接收過程中，個(gè)體對自身信息需求的感知并不完整，只注意已被選擇的、使自己愉悅的信息，長此以往使得自身桎梏于如蠶繭一般的“繭房”之中的現(xiàn)象［14］。

一般認(rèn)為，推薦系統(tǒng)是一種有效地解決信息過載問題的方法，因?yàn)槠湎蛴脩籼峁┝硕鄻踊覞M足需求的信息。但用戶在接觸信息時(shí)傾向于表現(xiàn)出特定的信息多樣性偏好，即選擇性暴露行為，促使用戶選擇和收集與自己歷史經(jīng)驗(yàn)一致的信息［15］，并潛在引發(fā)了個(gè)體偏見［16］。

1.2 心理圖式及其對網(wǎng)絡(luò)用戶偏好的多樣性的影響

心理圖式（Psychographic）已廣泛應(yīng)用于消費(fèi)心理與行為分析中，被認(rèn)為是細(xì)分用戶群體進(jìn)而理解用戶行為的基本工具［17］。Wedel和Kamakura將細(xì)分定義為“用于將潛在客戶分配給同質(zhì)群體的一組變量或特征”［18］。因此，心理圖式即用于將潛在用戶分配給同質(zhì)群體的一組穩(wěn)定的心理變量。早期的心理圖式主要來源于人格特質(zhì)，如愛德華個(gè)人偏好量表、MBTI量表和五因素人格量表（Five Factor Model，F(xiàn)FM）。生活方式建構(gòu)在個(gè)體動機(jī)和價(jià)值觀的基礎(chǔ)之上，是反映個(gè)體心理原因和社會后果的一組行為［18-19］?；顒印⑴d趣和觀點(diǎn)量表是使用最廣泛的生活方式量表之一［20］。個(gè)體的價(jià)值觀是其內(nèi)在世界觀的一部分，通常被定義為理想的、抽象的生活遠(yuǎn)期目標(biāo)，其重要性各不相同并作為個(gè)體生活中的指導(dǎo)原則［18］。被廣泛使用的價(jià)值觀量表包括價(jià)值、態(tài)度和生活方式評分量表，個(gè)人價(jià)值觀量表，羅克奇價(jià)值觀量表等［21］。另一種被廣泛接受和使用的測量工具是施瓦茨價(jià)值觀量表（Schwartz Value Survey，SVS）。其由10個(gè)主要的子維度環(huán)繞成圓傘狀［22］，包含10種動機(jī)類型相似的、連續(xù)的價(jià)值觀維度：權(quán)力，成就、享樂主義、刺激、自我定向、普世主義、仁慈、傳統(tǒng)、遵從和安全。

個(gè)體的心理圖式?jīng)Q定了其獨(dú)特的思維、情感和行為模式［23］，并與其對多樣化的網(wǎng)絡(luò)信息的偏好密切相關(guān)。Bessi等的研究發(fā)現(xiàn)，個(gè)體的特定人格特質(zhì)與其在Facebook上傾向于固定信息源的偏好行為有關(guān)［24］。Wu等的研究也表明，人格特質(zhì)影響用戶對推薦列表的多樣性的偏好［9］。Matz的研究聚焦開放性的人格特質(zhì)，結(jié)果表明開放性有助于用戶避免在Facebook上陷入信息繭房［25］。針對文化價(jià)值觀的研究發(fā)現(xiàn)，集體主義者更可能尋找與其現(xiàn)有觀點(diǎn)相沖突的信息，而個(gè)人主義者則傾向于確認(rèn)自己的觀點(diǎn)，以避免沖突和矛盾［26］。此外，Sindermann等研究發(fā)現(xiàn)，人口統(tǒng)計(jì)變量、意識形態(tài)在用戶信息回音室和過濾氣泡的形成中具有顯著作用［27］。

1.3 基于心理圖式的多樣性推薦研究

一直以來推薦系統(tǒng)研究主要關(guān)注推薦準(zhǔn)確性，旨在通過預(yù)測縮減用戶評分與推薦評分之間的差異。然而，研究表明準(zhǔn)確性不能完全捕捉用戶的偏好［28］。多樣性作為主要的非準(zhǔn)確性指標(biāo)，衡量了推薦列表中項(xiàng)目的整體差異性，被認(rèn)為與準(zhǔn)確性同等重要［29］，有助于提升用戶滿意度［30］。因此，相關(guān)研究進(jìn)一步聚焦權(quán)衡準(zhǔn)確性和非準(zhǔn)確性指標(biāo)的推薦方法研究，旨在提升推薦多樣性的同時(shí)，盡量減少對準(zhǔn)確性的影響。重排序法方法通過重新排列與用戶偏好最相關(guān)的項(xiàng)目提升推薦多樣性［31］。如Wu等提出了一種廣義的、基于動態(tài)個(gè)性的貪婪重新排序方法來生成推薦列表，顯著提升多樣性水平［9］。Sá等采用重新排列方法，證明了多樣化策略能有效提高用戶參與度和品牌多樣性［32］。針對用戶偏好建模，Wu等考慮了候選新聞之間的相關(guān)性，生成相似候選新聞的不同嵌入式表示，并以端到端的方式生成多樣推薦列表［33］。He提出通過將用戶在線社交關(guān)系融入推薦模型，有效兼顧推薦多樣性［34］。Chakraborty等提出了一種包含時(shí)效性、流行度和多樣性的未來影響力指標(biāo)，以預(yù)測推薦項(xiàng)目對用戶的影響力［35］。Zuo等基于標(biāo)簽信息和圖協(xié)同過濾，提出了一個(gè)多樣性感知推薦模型［36］。

近年來，心理特質(zhì)已被用于用戶畫像建模，以提升推薦系統(tǒng)性能［37］。研究結(jié)果表明，基于人格的推薦系統(tǒng)更準(zhǔn)確地預(yù)測的用戶行為［38］。除了推薦的準(zhǔn)確性之外，近來相關(guān)研究嘗試將人格作為衡量用戶對推薦多樣性的需求水平的核心心理特質(zhì)。如Chatzicharalampous等將人格特質(zhì)融入用戶最近鄰選擇算法中，增強(qiáng)了推薦覆蓋率和多樣性［39］。Chen等探討了人格特質(zhì)與用戶對電影特征的多樣性偏好之間的關(guān)系［40］，提出了一種基于用戶人格特質(zhì)的推薦多樣性調(diào)整策略［30］。進(jìn)一步，Tintarev等的研究表明人格特質(zhì)影響用戶選擇推薦項(xiàng)目的動機(jī)和態(tài)度，如開放性更強(qiáng)的用戶偏愛多樣性的推薦［8］。Wu等認(rèn)為用戶偏好行為涵蓋了由用戶人格特質(zhì)所產(chǎn)生的多樣性偏好，據(jù)此提出基于隱式偏好的人格特質(zhì)識別方法［41］；進(jìn)一步，將人格特質(zhì)納入網(wǎng)絡(luò)興趣社區(qū)的推薦流程中，證明其能夠滿足用戶多樣性偏好并產(chǎn)生準(zhǔn)確的推薦項(xiàng)目［9］。

1.4 研究問題的提出

過度特化問題根源于個(gè)體應(yīng)對信息過載的選擇性暴露行為，即用戶對多樣化的信息的偏好行為?，F(xiàn)有研究聚焦提出多樣性評價(jià)指標(biāo)并開發(fā)權(quán)衡優(yōu)化推薦方法。然而，不同用戶對推薦項(xiàng)目多樣性的固有需求各不相同，相關(guān)研究普遍忽視了對用戶特定的推薦多樣性需求水平的精準(zhǔn)滿足。用戶心理圖式包括用戶的人格特征、生活方式、價(jià)值觀、興趣、態(tài)度和行為模式等。心理圖式及網(wǎng)絡(luò)用戶偏好相關(guān)研究表明，人格特質(zhì)能刻畫用戶對信息的多樣性需求。但目前尚未有研究整合不同類型的心理圖式變量，考察其在推薦系統(tǒng)環(huán)境下用戶對推薦項(xiàng)目多樣性需求的作用。據(jù)此提出研究問題Q1：心理圖式能否顯著解釋和預(yù)測網(wǎng)絡(luò)用戶對推薦項(xiàng)目的多樣性需求水平？

現(xiàn)有研究普遍將人格特質(zhì)整合到用戶偏好模型及推薦方法中，證明了其在提升推薦多樣性上的作用。但尚未有研究廣泛探討潛在表征用戶推薦多樣性需求水平的心理圖式，在緩解用戶過度特化問題上的整體性作用。據(jù)此提出研究問題Q2：心理圖式能否緩解個(gè)性化推薦中用戶偏好行為的過度特化傾向？

一方面，人格特質(zhì)已被證明可促進(jìn)對網(wǎng)絡(luò)用戶偏好的理解。另一方面，心理學(xué)研究指出與人格相比，價(jià)值觀更直接地與個(gè)體動機(jī)和行為相關(guān)［42］。然而目前尚未有研究深入比較不同心理圖式變量（如人格和價(jià)值觀）在表征用戶對推薦列表的多樣性需求，并進(jìn)一步緩解個(gè)性化推薦中用戶偏好行為的過度特化傾向上的相對差異。據(jù)此提出研究問題Q3：價(jià)值觀和人格特質(zhì)在應(yīng)對個(gè)性化推薦中用戶偏好行為的過度特化傾向中的作用的有何相對差異？

2 數(shù)據(jù)、方法及實(shí)驗(yàn)過程

2.1 數(shù)據(jù)集描述

亞馬遜是世界上最大的電子商務(wù)平臺之一，其積累了海量的用戶購買行為數(shù)據(jù)。McAuley等發(fā)布的亞馬遜評論數(shù)據(jù)集包含來自Amazon.com的1.428億條在線商品評論和元數(shù)據(jù)［43］。本研究依據(jù)“K-core”值為“10”，選擇5個(gè)商品類別中滿足要求的評論數(shù)據(jù)集內(nèi)容，以保證其中每個(gè)用戶或項(xiàng)目至少有10個(gè)評論。根據(jù)Arnoux等的工作［44］，本研究認(rèn)為與其所使用的25條推文相比，10篇評論（平均評論長度為189字）在詞匯規(guī)模上能夠進(jìn)行網(wǎng)絡(luò)用戶心理圖式特征的推斷（詳細(xì)數(shù)據(jù)集細(xì)節(jié)見表1）。

2.2 網(wǎng)絡(luò)用戶心理圖式的自動獲取方法

本研究在心理語言學(xué)研究的基礎(chǔ)上，獲取了與用戶SVS和FFM特質(zhì)顯著相關(guān)的種子詞，應(yīng)用WordNet中包含的語義知識來擴(kuò)展這些種子詞，進(jìn)一步在大規(guī)模網(wǎng)絡(luò)用戶評論語料庫中迭代擴(kuò)展種子詞，構(gòu)建完備的心理圖式詞典。最后，根據(jù)詞典工具和網(wǎng)絡(luò)用戶在線評論數(shù)據(jù)推斷了用戶的心理圖式特征。

首先，構(gòu)建了基于心理語言學(xué)的心理圖式種子詞。Boyd等研究提出了與Schwartz價(jià)值觀量表（SVS）不同維度呈正相關(guān)或負(fù)相關(guān)的文本主題及其代表詞［45］。本研究據(jù)此構(gòu)建了正相關(guān)和負(fù)相關(guān)的SVS英文種子詞集。Yarkoni的工作為構(gòu)建FFM種子詞集奠定了基礎(chǔ)［46］?；赪ordNet和這些詞集將種子詞及其同義詞歸類到相應(yīng)的SVS或FFM維度候選詞集，形成由種子詞及同義詞組成的心理圖式候選詞庫。其次，利用亞馬遜語料庫擴(kuò)展心理圖式候選詞庫?；谛睦韴D式候選詞庫，使用Word2Vec構(gòu)建詞向量模型，通過詞匯相似度挖掘互聯(lián)網(wǎng)語料庫中的新詞。利用Gensim軟件中的Word2Vec模型和基于余弦相似度的Top10詞匯獲取方法，設(shè)定相似度閾值為0.45，遍歷由亞馬遜用戶評論語料庫訓(xùn)練出的詞向量模型，篩選出與心理圖式（SVS和FFM）候選詞最相似的前10個(gè)詞匯，并加入候選詞集。迭代此過程，直到幾乎沒有新詞被發(fā)現(xiàn)，得到最終的擴(kuò)展詞庫。考慮到網(wǎng)絡(luò)用語的模糊性及心理圖式的連續(xù)性，本研究計(jì)算了每個(gè)候選詞的多個(gè)心理圖式維度值。通過以下公式計(jì)算擴(kuò)展詞和心理圖式種子詞集所有詞匯之間的最大相似度，獲得擴(kuò)展詞匯在各個(gè)SVS或FFM維度上的得分：

Lu'∈= （1）

= （2）

2.3 基于觀點(diǎn)挖掘的用戶多樣性需求水平指標(biāo)構(gòu)建

假設(shè)用戶對推薦列表的多樣性偏好反映在其偏好行為的多樣性上，進(jìn)而利用用戶的在線評論文本數(shù)據(jù)，通過細(xì)粒度觀點(diǎn)挖掘方法，從評論關(guān)鍵詞-主題-觀點(diǎn)態(tài)度三個(gè)方面構(gòu)建了用戶推薦多樣性需求水平的量化評價(jià)指標(biāo)體系。

（1）在線評論中的主題挖掘。以一個(gè)用戶的所有評論為單位，本研究利用在線評論觀點(diǎn)挖掘程序“Bitext”中的主題模型及其自然語言處理模塊［47］，獲取所有評論文本對應(yīng)的主題。其中所有的主題詞均進(jìn)行了詞干化處理，以歸并含義相同但形式不同的英文詞匯。

（2）在線評論中的情感極性挖掘。以每個(gè)用戶的所有評論為一個(gè)單位，使用“Bitext”程序中的細(xì)粒度觀點(diǎn)挖掘模塊，確定評論文本中的特定主題，評估用戶對主題所表達(dá)的情感傾向，以獲取一個(gè)主題-情感傾向二元組。

（3）在線評論中的關(guān)鍵詞提取。利用TF-IDF關(guān)鍵詞提取算法，獲取每條評論相應(yīng)的權(quán)重最高的前10個(gè)關(guān)鍵詞，進(jìn)而匯總為所有用戶的關(guān)鍵詞庫。同樣，所有關(guān)鍵詞均進(jìn)行詞干化處理。

本研究使用用戶相關(guān)的推薦多樣性需求水平特征（話題、情感極性或關(guān)鍵詞）的相應(yīng)比例來全面表征用戶相應(yīng)的多樣性需求水平的偏好：

P（c|u）= （3）

其中，Nu是指用戶u具有的話題、情感或關(guān)鍵詞的總數(shù)，而Nu，c是指屬于u的特征c的數(shù)量。

在此基礎(chǔ)上，將用戶推薦多樣性需求水平定義為用戶所具有的所有話題、情感或關(guān)鍵詞的分布。具體而言，采用香農(nóng)熵衡量用戶對推薦多樣性的需求水平：

（4）

其中，P（c|u）表示用戶u所有話題、情感或關(guān)鍵詞之中c類的相對頻率，C表示用戶所有話題、情感或關(guān)鍵詞的集合。較高的Div（u）熵值表明，用戶更喜歡具有話題、關(guān)鍵詞和情感傾向多樣化的項(xiàng)目，即用戶具有較高的推薦多樣性需求水平。

2.4 應(yīng)對過度特化問題的個(gè)性化推薦系統(tǒng)的評價(jià)指標(biāo)

本研究采用平均絕對誤差、平均精度均值、傳統(tǒng)多樣性指標(biāo)分別評估推薦的準(zhǔn)確率、多樣性。進(jìn)一步構(gòu)建準(zhǔn)確率與用戶多樣性需求水平的滿足程度的差值這一推薦綜合性能評價(jià)指標(biāo)，綜合評估用戶過度特化傾向和推薦準(zhǔn)確性。

（1）推薦排序評價(jià)指標(biāo)。個(gè)性化推薦系統(tǒng)中，用戶通常被推送一個(gè)根據(jù)偏好被預(yù)測出的包含Top-k項(xiàng)目的順序列表。個(gè)性化推薦系統(tǒng)可通過排序評價(jià)指標(biāo)來評估其性能效果。MAP@K（Mean Average Precision@k）中的Precision@k被定義為排序結(jié)果中第k個(gè)位置上的準(zhǔn)確率（前k個(gè)推薦項(xiàng)目中相關(guān)項(xiàng)目的比率）。如下所示，其中Average Precision@k （AP@k）則根據(jù)Precision@i，？坌i∈[1，k]的均值計(jì)算而得。

（5）

其中，rel（i）是一個(gè)如果在次序?yàn)閗的推薦項(xiàng)目為用戶偏好項(xiàng)目的情況下值為1，否則值為零的指示函數(shù)。所有用戶的AP@k的均值為MAP@k。

（2）傳統(tǒng)的多樣性評價(jià)指標(biāo)。傳統(tǒng)的推薦的多樣性評價(jià)指標(biāo)通常通過計(jì)算預(yù)期的列表內(nèi)項(xiàng)目之間的距離（Expected Intra-List Distance，EILD）來計(jì)算。其中，推薦給特定用戶的任何項(xiàng)目列表L（s）的列表內(nèi)距離（Intra-List Distance，ILD）由以下公式給出：

（6）

因此，EILD可通過對所有用戶ILD的均值計(jì)算出來，即

（7）

其中，兩個(gè)項(xiàng)目i和j之間的距離d（i，j）一般由項(xiàng)目的所屬類別、流派或者項(xiàng)目嵌入式表示等元數(shù)據(jù)計(jì)算而得。在本研究中，該元數(shù)據(jù)由TF-IDF算法從推薦項(xiàng)目列表內(nèi)所有項(xiàng)目相關(guān)的用戶評論中提取的前十個(gè)關(guān)鍵詞（可為長度為2的短語）的獨(dú)熱表征構(gòu)成。在EILD基礎(chǔ)上，本研究將所有EILD距離規(guī)范化到[0，1]之間，并將1-Scale（EILD）作為列表項(xiàng)目之間的相似性度量（“Similar_by_EILD”）。Similar_by_EILD值越大表示列表項(xiàng)目之間的相似性越大，推薦多樣性越小。

（3）應(yīng)對過度特化問題的推薦整體性能評價(jià)指標(biāo)。首先，為了衡量推薦列表是否精準(zhǔn)滿足了用戶多樣性需求水平，本研究提出使用推薦列表內(nèi)所有項(xiàng)目的推薦多樣性需求水平均值和用戶多樣性需求水平之間的均方誤差這一評價(jià)指標(biāo)。具體定義如下：

（8）

進(jìn)一步，為了綜合衡量推薦系統(tǒng)在過度特化傾向問題上的整體表現(xiàn)，即其在滿足用戶推薦多樣性需求水平和推薦準(zhǔn)確性上的綜合性能，提出了準(zhǔn)確率與多樣性需求水平滿足程度的差值（）這一推薦評價(jià)指標(biāo)。該評價(jià)指標(biāo)計(jì)算了推薦準(zhǔn)確率與上述用戶多樣性需求水平滿足程度的絕對值的差值。

（9）

其中，指標(biāo)的值越大代表推薦列表的準(zhǔn)確率越高、與用戶多樣性需求水平差異更小，進(jìn)而推薦系統(tǒng)的整體效果越好。

2.5 研究思路

首先，針對研究問題Q1，本研究將用戶價(jià)值觀和人格的不同組合作為預(yù)測模型的輸入特征集，將主題、觀點(diǎn)態(tài)度和關(guān)鍵詞三方面的多樣性需求水平評價(jià)指標(biāo)作為預(yù)測目標(biāo)，使用均方誤差（MSE）和決定系數(shù)（R2）作為模型評價(jià)指標(biāo)。具體而言，本研究采用心理圖式自動推斷方法，識別用戶的心理圖式特征（SVS和FFM得分），并通過用戶推薦多樣性需求水平評價(jià)指標(biāo)及其方法，識別每個(gè)用戶的在觀點(diǎn)態(tài)度和主題多樣性上的需求水平。進(jìn)而采用了多種回歸分析方法來探討用戶心理圖式與推薦系統(tǒng)多樣性需求之間的關(guān)系。具體使用的算法包括線性回歸（LR）、套索回歸（Lasso）和支持向量回歸（SVR）。這些算法不僅涵蓋從線性到非線性的多種數(shù)據(jù)關(guān)系，而且通過引入正則化和特征選擇技術(shù)，有效處理高維數(shù)據(jù)，提高模型的解釋能力和預(yù)測準(zhǔn)確性。同時(shí)，利用結(jié)合交叉驗(yàn)證的網(wǎng)格搜索（Grid Search CV）技術(shù)優(yōu)化算法參數(shù)。

其次，針對研究問題Q2和Q3，本研究利用用戶評分、SVS和FFM得分及其組合等數(shù)據(jù)，構(gòu)建了基于用戶偏好模型的協(xié)同過濾推薦系統(tǒng)，并應(yīng)用五折交叉驗(yàn)證預(yù)測用戶項(xiàng)目評分，生成候選推薦列表。最后，根據(jù)用戶推薦多樣性需求水平，通過重排序方法優(yōu)化推薦列表（整體方法過程見圖1）。在用戶評分預(yù)測模型構(gòu)建中，本研究根據(jù)課題組前期的研究結(jié)果［38］，采用深度神經(jīng)網(wǎng)絡(luò)模型（Deep Neural Network，DNN），通過設(shè)定模型的網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)、激活函數(shù)等參數(shù)，并利用前向傳播、損失計(jì)算及反向傳播優(yōu)化模型，提升模型在復(fù)雜的非線性關(guān)系中的評分預(yù)測能力。

3 結(jié)果分析

3.1 基于心理圖式的用戶推薦多樣性需求水平研究

3.1.1 心理圖式細(xì)分維度與推薦多樣性需求水平之間的相關(guān)分析

為了探索用戶心理圖式與推薦多樣性需求水平之間的關(guān)系，本研究分析了SVS價(jià)值觀和FFM人格的內(nèi)在維度與用戶多樣性需求水平的相關(guān)性關(guān)系（見表2）。結(jié)果顯示，在施瓦茨價(jià)值觀理論的四個(gè)維度上，自我提升（權(quán)力和成就）與觀點(diǎn)態(tài)度和主題多樣性呈負(fù)相關(guān)，自我超越（普遍主義和仁愛）則呈正相關(guān)。保守主義（安全和順從）與多樣性呈負(fù)相關(guān)，而傳統(tǒng)無顯著相關(guān)性。開放性（自我引導(dǎo)和享樂）與多樣性呈正相關(guān)，而刺激相對負(fù)相關(guān)。在大五人格維度中，神經(jīng)質(zhì)較低的用戶對多樣性需求較低，外向性較高的用戶對多樣性需求較高。開放性較高的用戶對多樣性需求較高，而開放性較低的用戶則較低。宜人性較低的用戶對多樣性需求較低，而盡責(zé)性較低的用戶對多樣性需求較高。

3.1.2 心理圖式與用戶推薦多樣性需求水平關(guān)系的回歸分析

本研究通過回歸分析探索了心理圖式對用戶推薦多樣性需求水平的影響，包括整體心理圖式、不同心理圖式變量及其細(xì)分維度。在回歸模型中，將用戶價(jià)值觀和人格的不同組合作為預(yù)測模型的輸入特征集，將主題、觀點(diǎn)態(tài)度和關(guān)鍵詞三方面的多樣性需求水平評價(jià)指標(biāo)作為預(yù)測目標(biāo)，使用均方誤差（MSE）和決定系數(shù)（R2）作為評價(jià)指標(biāo)（具體結(jié)果見表3）。其中使用了三種回歸預(yù)測模型：線性回歸（LR）、套索回歸（LASSO）和帶徑向基函數(shù)核的支持向量回歸（SVR_rbf）。心理圖式變量包括SVS價(jià)值觀（SVS）、FFM人格（FFM）及兩者組合（SVS_FFM）。推薦多樣性需求水平變量包括關(guān)鍵詞多樣性（Y_keyword_variance）、情感多樣性（Y_sentiment_diversity）、主題多樣性（Y_topic_diversity）。

從表3中可以看出，首先，帶徑向基函數(shù)核的支持向量回歸方法對其他回歸算法具有優(yōu)勢。如使用“SVR_rbf”方法，和結(jié)合Schwartz價(jià)值觀與大五人格的回歸模型方法對主題多樣性進(jìn)行預(yù)測時(shí)，R2值達(dá)到最高水平0.938，表明模型解釋能力較高；同樣，使用該模型對情感多樣性進(jìn)行預(yù)測時(shí)，均方誤差達(dá)到最低水平0.012，表明該算法預(yù)測的誤差較小。其次，相對于大五人格（R2：0.595），單獨(dú)使用Schwartz價(jià)值觀對主題多樣性進(jìn)行預(yù)測的預(yù)測效果更佳（R2：0.806）。再次，相對于單獨(dú)使用心理圖式變量，結(jié)合Schwartz價(jià)值觀與大五人格兩種心理圖式變量進(jìn)行預(yù)測，獲得了最低的預(yù)測誤差和最高的模型解釋力。

此外，針對不同類型的多樣性指標(biāo)，實(shí)驗(yàn)結(jié)果表明，關(guān)鍵詞多樣性的誤差最大（MSE：4.073），預(yù)測效果不佳；而情感多樣性（MSE：0.012）和主題多樣性（MSE：2.907，R2：0.938）均取得相對較好的預(yù)測效果。為了檢驗(yàn)該結(jié)果，利用線性回歸方法，本研究進(jìn)一步探討了該結(jié)果的統(tǒng)計(jì)顯著性（見表4）。結(jié)果發(fā)現(xiàn)，心理圖式對情感多樣性（R2：0.534）和主題多樣性（R2：0.540）水平具有較好的解釋力，在關(guān)鍵詞多樣性（R2：0.033）上則表現(xiàn)不佳?？偟膩碚f，這些發(fā)現(xiàn)回應(yīng)了研究問題Q1，即心理圖式能較好地刻畫不同用戶的推薦多樣性需求水平。

3.2 整合心離圖式的偏好模型對推薦性能的影響分析

本研究根據(jù)用戶偏好要素組合和重排序方法，形成了7*2種推薦模型，并獲取了相應(yīng)的RMSE、MAP@k、多樣性以及準(zhǔn)確性與推薦多樣性需求水平差異等推薦性能評價(jià)指標(biāo)，以探索重排序方法、心理圖式變量、推薦多樣性需求水平及其組合對協(xié)同過濾推薦系統(tǒng)性能的影響（不同推薦模型的性能評價(jià)指標(biāo)結(jié)果見表5）。

具體而言，在推薦整體性能（）上，基于用戶人格特質(zhì)、價(jià)值觀和評分?jǐn)?shù)據(jù)的偏好模型（“Rating&SVS&FFM”）的重排序協(xié)同過濾方法（“re_rank”）在整體性能上表現(xiàn)最佳?；谟脩粼u分和價(jià)值觀的偏好模型（“Rating&SVS”）的重排序協(xié)同過濾方法在RMSE上取得了最小的評分預(yù)測誤差?；鶞?zhǔn)偏好模型（“Rating”）的表現(xiàn)較差。

其次，在推薦準(zhǔn)確率上，基于評分與心理圖式（價(jià)值觀與人格特質(zhì)）的偏好模型（Rating&SVS&FFM”）的重排序協(xié)同過濾方法在MAP@3和MAP@4上取得了最高的性能，而僅基于評分的偏好模型在MAP@1和MAP@2上表現(xiàn)最好。包含價(jià)值觀（“SVS”）和人格特質(zhì)（“SVS&FFM”）的協(xié)同過濾方法在列表內(nèi)部相似性上表現(xiàn)優(yōu)異，優(yōu)于基準(zhǔn)模型（“Rating”），這表明心理圖式能夠緩解用戶偏好行為的過度特化傾向，同時(shí)保證一定的推薦準(zhǔn)確性。

最后，就不同心理圖式變量在推薦性能上的相對差異而言，包含評分的偏好模型普遍優(yōu)于僅包含隱式反饋的模型。盡管用戶評分具有優(yōu)越性，但基于相關(guān)心理圖式變量的重排序協(xié)同過濾方法能獲得最佳性能。價(jià)值觀（SVS）和人格特質(zhì)（FFM）在提升推薦列表多樣性方面均表現(xiàn)良好，有效減少列表內(nèi)相似性。在準(zhǔn)確性方面，SVS相對于FFM表現(xiàn)更佳。SVS在保持推薦準(zhǔn)確性的同時(shí)，更能緩解個(gè)性化推薦中用戶偏好行為的過度特化傾向。從而回答了研究問題Q3，即相對于人格特質(zhì)，價(jià)值觀在緩解用戶過度特化問題具有相對優(yōu)越性。

4 討論

本研究針對個(gè)性化推薦中過度特化問題，提出了一種基于自然語言處理的用戶心理圖式計(jì)算方法，并開發(fā)了一系列評價(jià)指標(biāo)，探討其與用戶心理圖式的關(guān)系。通過將心理圖式納入偏好建模，實(shí)驗(yàn)驗(yàn)證了其在兼顧推薦準(zhǔn)確性的同時(shí)，緩解過度特化問題的效果。

首先，針對研究問題Q1，研究結(jié)果表明，心理圖式能夠解釋用戶對推薦項(xiàng)目的情感傾向和主題多樣性。先前研究表明，心理圖式作為一種認(rèn)知結(jié)構(gòu)，能夠有效地影響個(gè)體在信息處理和內(nèi)容選擇上的表現(xiàn)［48］。如Markus發(fā)現(xiàn)，心理圖式可以加速個(gè)體對與自我相關(guān)信息的處理，并增強(qiáng)對該類信息的記憶［49］。此外，相關(guān)研究進(jìn)一步表明，心理圖式不僅促進(jìn)了相關(guān)信息的記憶，還可能抑制對無關(guān)信息的感知編碼，從而增強(qiáng)了選擇性注意力［50］。然而，心理圖式在關(guān)鍵詞多樣性上的預(yù)測力較差。其原因可能在于關(guān)鍵詞多樣性可能更多地受到文本特征或語言使用模式的影響，而非直接由心理圖式?jīng)Q定。文本的語言豐富度、專業(yè)背景等因素可能顯著影響關(guān)鍵詞多樣性，而這些因素并非心理圖式的直接產(chǎn)物。這說明心理圖式雖然在情感相關(guān)信息處理和主題選擇上具有較強(qiáng)的影響力，但在不同的任務(wù)類型和情境下，其影響可能受到其他因素的調(diào)節(jié)和限制。因此，考慮到心理圖式影響用戶如何評價(jià)和選擇多樣化的推薦項(xiàng)目，進(jìn)而決定用戶在推薦系統(tǒng)中的行為模式，系統(tǒng)設(shè)計(jì)者可構(gòu)建用戶的心理圖式畫像，進(jìn)而準(zhǔn)確地識別和滿足用戶對新奇性和多樣性的需求，促進(jìn)推薦的個(gè)性化和用戶滿意度。此外，心理圖式畫像的作用在冷啟動問題下表現(xiàn)尤為顯著，能夠有效應(yīng)對用戶行為數(shù)據(jù)不足的問題［9］。

其次，針對研究問題Q2，研究發(fā)現(xiàn)，利用針對推薦多樣性需求的重排序方法，在用戶偏好模型中整合心理圖式變量，不僅提升了推薦準(zhǔn)確性，還滿足了用戶對推薦列表多樣性的需求，從而緩解了過度特化問題。因此，推薦系統(tǒng)可以采用基于心理圖式的動態(tài)重排序方法，將用戶的心理圖式變量融入推薦算法中，增強(qiáng)系統(tǒng)的個(gè)性化能力，使得推薦內(nèi)容更具吸引力。研究還發(fā)現(xiàn)，相對于單獨(dú)使用特定變量，整合不同類型心理圖式變量能取得更好的推薦結(jié)果。該結(jié)論與Ishanka和Yukawa的研究一致，即結(jié)合多種心理特征特征，如情感和人格，可以更準(zhǔn)確地預(yù)測用戶的偏好，并在推薦過程中提供更符合用戶預(yù)期的多樣化內(nèi)容［51］。

再次，針對研究問題Q3，研究發(fā)現(xiàn)，相較于人格特質(zhì)，價(jià)值觀在提升推薦準(zhǔn)確性和多樣性需求的滿足水平方面表現(xiàn)更為突出。這一結(jié)果原因可能在于外向性和開放性人格對多樣性需求有較大影響，但其他人格特質(zhì)如神經(jīng)質(zhì)、宜人性和盡責(zé)性的影響較為有限。具體而言，持自我超越和開放性價(jià)值觀的用戶在多樣性需求上表現(xiàn)較高，而持自我提升和保守主義價(jià)值觀的用戶則較低。外向性和開放性人格對多樣性需求影響顯著，而神經(jīng)質(zhì)、宜人性和盡責(zé)性人格的影響相對較弱。這一結(jié)論與前人研究相符［25］：即開放性高的個(gè)體傾向于尋求更高水平的多樣性。

此外，本研究在用戶偏好模型構(gòu)建和推薦評價(jià)體系優(yōu)化方面做出了積極探索。首先，提出了基于用戶評論行為的用戶心理圖式的計(jì)算方法，幫助平臺分析和理解用戶的內(nèi)在需求和心理狀態(tài)。其次，基于觀點(diǎn)挖掘方法，提出了用戶多樣性需求水平的評估指標(biāo)及其計(jì)算方法，能幫助平臺量化用戶對于內(nèi)容多樣性的需求，避免用戶長時(shí)間接觸相似的內(nèi)容而感到厭倦或者遺漏其他可能興趣領(lǐng)域。最后，提出了一個(gè)針對過度特化問題的推薦整體性能的評估指標(biāo)，幫助平臺和研究者量化推薦系統(tǒng)在防止過度特化方面的表現(xiàn)，從而進(jìn)行針對性的調(diào)整和優(yōu)化。上述指標(biāo)將有助于構(gòu)建整合信息多樣性需求水平的推薦方法，如基于后處理的算法（Post-processing algorithms）可通過簡單的調(diào)整來推薦列表的多樣性以適合用戶需求；基于模型的算法通過在模型訓(xùn)練中內(nèi)置多樣性需求水平的約束，實(shí)現(xiàn)了更加個(gè)性化的推薦多樣性；而多目標(biāo)優(yōu)化算法則通過權(quán)衡優(yōu)化方法，實(shí)現(xiàn)推薦的準(zhǔn)確性與多樣性平衡，以適用于用戶群體需求多樣且系統(tǒng)復(fù)雜的場景。

5 結(jié)論與未來研究

本研究探索和驗(yàn)證了用戶心理圖式在精確滿足用戶多樣化需求和緩解系統(tǒng)過度特化問題中的重要性，為理解網(wǎng)絡(luò)用戶過度特化問題的內(nèi)在心理機(jī)制，進(jìn)而理解和預(yù)測用戶多樣化的偏好行為提供了新的理論視角。通過適應(yīng)不同用戶對內(nèi)容多樣性的偏好，推薦系統(tǒng)能夠設(shè)計(jì)具有個(gè)性化的推薦策略，以針對性地增加擴(kuò)大用戶的視野，從而有效緩解過度特化現(xiàn)象，提升用戶滿意度與忠誠度，并合理加強(qiáng)平臺上內(nèi)容的整體吸引力。這種策略更加注重用戶心理特質(zhì)在外在信息需求上的個(gè)體差異，有助于打破信息推薦的同質(zhì)化束縛，促進(jìn)信息生態(tài)的多元化和平臺的長遠(yuǎn)發(fā)展。此外，在推薦系統(tǒng)評價(jià)領(lǐng)域，本研究提出了用戶感知推薦多樣性需求水平評價(jià)指標(biāo)的定義及其計(jì)算方法，豐富和完善了以用戶為中心的推薦評價(jià)體系，為推薦評價(jià)和優(yōu)化算法設(shè)計(jì)提供了新的方向。

然而，以下局限仍然存在。首先，一方面，數(shù)據(jù)驅(qū)動的心理圖式計(jì)算需要收集一定的用戶評論行為數(shù)據(jù)（至少10條評論）。另一方面，雖然用戶的心理圖式具有穩(wěn)定性，但仍可能隨著時(shí)間、環(huán)境和經(jīng)歷而變化，進(jìn)而可能使得用戶偏好無法及時(shí)調(diào)整，導(dǎo)致推薦系統(tǒng)無法準(zhǔn)確反映用戶的當(dāng)前需求。未來研究可開發(fā)心理圖式的動態(tài)計(jì)算方法，并結(jié)合問卷法以提升心理圖式計(jì)算的準(zhǔn)確性和適應(yīng)性。其次，本研究通過用戶偏好行為定義并量化評估了用戶對信息內(nèi)容的多樣性需求水平，雖然該指標(biāo)具有良好的可操作性和實(shí)踐指導(dǎo)性，但更為全面的、以及融合理論視角的評估指標(biāo)仍是必要的。因此，未來可從多元化的用戶偏好行為數(shù)據(jù)，如瀏覽記錄、點(diǎn)擊率、搜索關(guān)鍵詞、收藏與分享行為、用戶評論與反饋等完善本文的評估指標(biāo)。第三，用戶對多樣性信息的處理過程涉及到其認(rèn)知風(fēng)格、動機(jī)、控制感、社會規(guī)范等心理特質(zhì)和過程，未來可整合相關(guān)理論構(gòu)建更為深入的評價(jià)體系，并據(jù)此提出針對過度特化問題的心理和行為干預(yù)機(jī)制，提升用戶形成應(yīng)對過度特化問題的內(nèi)在素養(yǎng)和外在能力。第四，未來的研究可以進(jìn)一步探討心理圖式在不同情境和任務(wù)類型下的作用機(jī)制，特別是在處理文本特征和語言使用模式的多樣性，如語義多樣性（Semantic Diversity）和意圖多樣性（Intent Diversity）。此外，本研究雖然在主流的協(xié)同過濾算法環(huán)境下發(fā)現(xiàn)了心理圖式模型的顯著作用，但仍需要在基于內(nèi)容、基于知識、以及混合推薦等其他算法環(huán)境下推廣和驗(yàn)證這一發(fā)現(xiàn)。

總的來說，本研究針對推薦系統(tǒng)過度特化問題，建立了評估用戶推薦多樣性需求的指標(biāo)，分析了偏好行為如何影響用戶的心理圖式；進(jìn)而提出了一個(gè)整合心理圖式的用戶偏好模型，并通過協(xié)同過濾推薦算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。研究證明了推薦多樣性需求水平以及心理圖式在緩解推薦系統(tǒng)中用戶行為過度特化的問題上的積極效果，為進(jìn)一步推動以用戶為中心的推薦系統(tǒng)開發(fā)、設(shè)計(jì)和評價(jià)提供了理論與方法參考。

參考文獻(xiàn)：

［1］ GUNAWARDANA A，SHANI G，YOGEV S.Evaluating Recommender Systems［M］.Recommender Systems Handbook.New York，NY：Springer US，2012：547-601.

［2］ SEAVER N.Captivating algorithms：Recommender systems as traps［J］.Journal of Material Culture，2019，24（4）：421-436.

［3］ VERMA S.Weapons of Math Destruction：How Big Data Increases Inequality and Threatens Democracy［J］.Vikalpa：The Journal for Decision Makers，2019，44（2）：97-98.

［4］ 黃英輝，王偉軍，劉輝，等.個(gè)性化信息推薦中的過度特化問題研究進(jìn)展［J］.情報(bào)科學(xué)，2022，40（8）：185-192.

［5］ 姜婷婷，許艷閏.窄化的信息世界：國外信息繭房、選擇性接觸與回音室研究進(jìn)展［J］.圖書情報(bào)知識，2021，38（5）：134-144.

［6］ 社交媒體平臺群體極化的形成機(jī)理與引導(dǎo)策略研究［EB/OL］.［2024-05-10］.https：//kns.cnki.net/kcms2/article/abstract？v=m2RMPZxbF1J8ZYVbB8aNt73WfuANAwfH1PdSmTp1nrV6BHbaU2cKcvRmiHElDpwwo1LUH-YquJvGzjH8r5yHchjldmQUHKbtS2j6D2PgElgYmEA_p9sHyFtxm4XrqMY5fgA9wcL1k6YLKMITw5eteQ==&uniplatform=NZKPT&language=CHS.

［7］ Oliveira G，dos Santos Braz R，de Freitas Guilhermino Trindade D，et al.Model for analysis of personality traits in support of team recommendation［A］.Adaptive Instructional Systems：First International Conference，AIS 2019，Held as Part of the 21st HCI International Conference，HCII 2019，Orlando，F(xiàn)L，USA，July 26-31，2019，Proceedings 21［C］.Springer International Publishing，2019：405-419.

［8］ Tintarev N，Dennis M，Masthoff J.Adapting recommendation diversity to openness to experience：a study of human behaviour［AVDulMLm4ygc5SIx5NQ+Agw==］.International Conference on User Modeling，Adaptation，and Personalization［C］.Berlin，Heidelberg：Springer Berlin Heidelberg.2013：190-202.

［9］ WU W，CHEN L，ZHAO Y.Personalizing recommendation diversity based on user personality［J］.User Modeling and User-Adapted Interaction，2018，28（3）：237-276.

［10］ BOURGAIS M，ZANNI-MERK C，F(xiàn)ATALI R，et al.Avoiding the Overspecialization of Recommender Systems in Tourism with Semantic Trajectories，Initial Thoughts［J］.Procedia Computer Science，2022，207：1933-1942.

［11］ BEIERLE F，AIZAWA A，BEEL J.Exploring Choice Overload in Related-Article Recommendations in Digital Libraries［M］.arXiv，Preprint arxiv：1704.00393，2017.

［12］ Cremonesi P，Garzotto F，Negro S，et al.Looking for“good”recommendations：A comparative evaluation of recommender systems［A］.Human-Computer Interaction-INTERACT 2011：13th IFIP TC 13 International Conference，Lisbon，Portugal，September 5-9，2011，Proceedings，Part III 13［C］.Springer Berlin Heidelberg，2011：152-168.

［13］ 國外過濾氣泡研究：基礎(chǔ)、脈絡(luò)與展望［EB/OL］.［2024-05-10］.https：//kns.cnki.net/kcms2/article/abstract？v=m2RMPZxbF1InLbxkvEi0XvC1QsrySdF-vMvU2u4yr9vSI878840XVlqRiaazos5kwPBRI-WPtmBeRvhSrhk5aAPvGRXEzcWm3BJ3

y9rSTR4OwrW_4Fs-v-o7IvbsHX239RixPTtR5pzpcYj20Wk1cA==&uniplatform=NZKPT&language=CHS.

［14］ 王益成，王萍，王美月，等.信息運(yùn)動視角下內(nèi)容智能分發(fā)平臺突破“信息繭房”策略研究［J］.情報(bào)理論與實(shí)踐，2018，41（5）：114-119.

［15］ FLAXMAN S，GOEL S，RAO J M.Filter Bubbles，Echo Chambers，and Online News Consumption［J］.Public Opinion Quarterly，2016，80（S1）：298-320.

［16］ CELIKTUTAN B，CADARIO R，MOREWEDGE C K.People see more of their biases in algorithms［J］.Proceedings of the National Academy of Sciences，2024，121（16）：e2317602121.

［17］ SHUKLA P，BABIN B J.Effects of consumer psychographics and store characteristics in influencing shopping value and store switching［J］.Journal of Consumer Behaviour，2013，12（3）：194-203.

［18］ Wedel M.Market segmentation：Conceptual and methodological foundations［M］.The Hague：Kluwer Academic Publisher，2000.

［19］ VYNCKE P.Lifestyle Segmentation［J］.European Journal of Communication，2002，17（4）：445-463.

［20］ GUNTER B，F(xiàn)URNHAM A.Consumer profiles（RLE Consumer Behaviour）：An introduction to psychographics［M］.Routledge，2014.

［21］ WALTERS G D.Lifestyle theory：Past，present，and future［M］.Nova Publishers，2006.

［22］ SCHWARTZ S H.An Overview of the Schwartz Theory of Basic Values［J］.Online Readings in Psychology and Culture，2012，2（1）：11.

［23］ VECCHIONE M.The five factors of personality and personal values：An update with the refined theory［J］.Personality and ndividual Differences，2023，203：112033.

［24］ BESSI A.Personality traits and echo chambers on facebook［J］.Computers in Human Behavior，2016，65：319-324.

［25］ MATZ S C.Personal echo chambers：Openness-to-experience is linked to higher levels of psychological interest diversity in large-scale behavioral data［J］.Journal of Personality and Social Psychology，2021，121（6）：1284-1300.

［26］ Individualism and Collectivism：Reconciling the Values of Freedom & Equality | Cadmus Journal［EB/OL］.［2024-06-16］.https：//cadmusjournal.org/node/913.

［27］ Personality associations with Facebook use and tendencies towards Facebook Use Disorder-ScienceDirect［EB/OL］.［2024-06-16］. https：//www.sciencedirect.com/science/article/pii/S2352853219302081.

［28］ KAMINSKAS M，BRIDGE D.Diversity，Serendipity，Novelty，and Coverage［J］.ACM Transactions on Interactive Intelligent Systems，2017，7（1）：1-42.

［29］ ADOMAVICIUS G，KWON Y.Toward more diverse recommendations：Item re-ranking methods for recommender systems［A］.Workshop on Information Technologies and Systems［C］.2009：79-84.

［30］ CHEN L，YANG Y，WANG N，et al.How Serendipity Improves User Satisfaction with Recommendations？A Large-Scale User Evaluation［A］.The World Wide Web Conference［C］.2019：240-250.

［31］ SCHWARTZ H A，EICHSTAEDT J C，KERN M L，et al.Personality，Gender，and Age in the Language of Social Media：The Open-Vocabulary Approach［J］.PLoS ONE，2013，8（9）：e73791.

［32］ S？魣J，QUEIROZ MARINHO V，MAGALH？魨ES A R，et al.Diversity Vs Relevance：A Practical Multi-objective Study in Luxury Fashion Recommendations［A］.Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.2022：2405-2409.

［33］ WU C，WU F，QI T，et al.End-to-end Learnable Diversity-aware News Recommendation［M］.arXiv Preprint arXiv：2204.00

539，2022.

［34］ HE X.Does Utilizing Online Social Relations Improve the Diversity of Personalized Recommendations？［J］.International Journal of Strategic Decision Sciences，2022，13（1）：1-15.

［35］ CHAKRABORTY A，GHOSH S，GANGULY N，et al.Optimizing the recency-relevance-diversity trade-offs in non-personalized news recommendations［J］.Information Retrieval Journal，2019，22（5）：447-475.

［36］ ZUO Y，LIU S，ZHOU Y.DTGCF：Diversified Tag-Aware Recommendation with Graph Collaborative Filtering［J］.Applied Sciences，2023，13（5）：2945.

［37］ TKALＣIM，QUERCIA D，GRAF S.Preface to the special issue on personality in personalized systems［J］.User Modeling and User-Adapted Interaction，2016，26（2-3）：103-107.

［38］ LIU H，HUANG Y，WANG Z，et al.Personality or Value：A Comparative Study of Psychographic Segmentation Based on an Online Review Enhanced Recommender System［J］.Applied Sciences，2019，9（10）：1992.

［39］ CHATZICHARALAMPOUS E，CHRISTOS Z，VAKALI A.Exploriometer［A］.Proceedings of the 24th International Conference on World Wide Web［C］.ACM，2015：1463-1468.

［40］ CHEN L，WU W，HE L.How personality influences users’ needs for recommendation diversity？［M］.CHI’13 Extended Abstracts on Human Factors in Computing Systems，2013：829-834.

［41］ WU W.Implicit Acquisition of User Personality for Augmenting Recommender Systems［A］.Companion Proceedings of the 22nd International Conference on Intelligent User Interfaces［C］.2017：201-204.

［42］ PARKS L，GUAY R P.Can Personal Values Predict Performance？Evidence in an Academic Setting［J］.Applied Psychology，2012，61（1）：149-173.

［43］ MCAULEY J，TARGETT C，SHI Q，et al.Image-Based Recommendations on Styles and Substitutes［A］.Proceedings of the 38th International ACM SIGIR Conference on Research and Development in Information Retrieval［C］.2015：43-52.

［44］ ARNOUX P H，XU A，BOYETTE N，et al.25 tweets to know you：A new model to predict personality with social media［A］.Proceedings of the international AAAI conference on web and social media［C］.2017：472-475.

［45］ BOYD R，WILSON S，PENNEBAKER J，et al.Values in words：Using language to evaluate and understand personal values［A］.Proceedings of the International AAAI Conference on Web and Social Media［C］.2015：31-40.

［46］ YARKONI T.Personality in 100，000 Words：A large-scale analysis of personality and word use among bloggers［J］.Journal of Research in Personality，2010，44（3）：363-373.

［47］ Introduction-API Reference［EB/OL］.［2024-05-22］.https：//docs.api.bitext.com/.

［48］ GILBOA A，MARLATTE H.Neurobiology of Schemas and Schema-Mediated Memory［J］.Trends in Cognitive Sciences，2017，21（8）：618-631.

［49］ MARKUS H.Self-schemata and processing information about the self［J］.Journal of Personality and Social Psychology，1977，35（2）：63-78.

［50］ VON HIPPEL W，JONIDES J，HILTON J L，et al.Inhibitory effect of schematic processing on perceptual encoding［J］.Journal of Personality and Social Psychology，1993，64（6）：921-935.

［51］ ISHANKA U A P，YUKAWA T.User emotion and personality in context-aware travel destination recommendation［A］.2018 5th International Conference on Advanced Informatics：Concept Theory and Applications（ICAICTA）［C］.IEEE，2018：13-18.

［52］ KUNAVER M，PO？譕RL T.Diversity in recommender systems-A survey［J］.Knowledge-Based Systems，2017，123：154-162.

作者簡介：黃英輝，武漢理工大學(xué)管理學(xué)院副教授，研究方向：網(wǎng)絡(luò)用戶心理與個(gè)性化服務(wù)；劉輝，華中師范大學(xué)心理學(xué)院博士研究生，研究方向：網(wǎng)絡(luò)用戶心理與行為；王偉軍，武漢工商學(xué)院特聘教授，華中師范大學(xué)青少年網(wǎng)絡(luò)心理與行為教育部重點(diǎn)實(shí)驗(yàn)室教授，博士生導(dǎo)師，研究方向：網(wǎng)絡(luò)用戶心理與行為；何珂，武漢理工大學(xué)管理學(xué)院碩士研究生，研究方向：網(wǎng)絡(luò)用戶行為分析；李偉卿，湖北工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院講師，研究方向：網(wǎng)絡(luò)用戶行為與個(gè)性化推薦。