电商用户需求状态的聚类分析*——以淘宝网女装为例
张文君, 王军, 徐山川
北京大学信息管理系 北京 100871
王军, ORCID: 0000-0003-0593-1034, E-mail: wangjun.pku@gmail.com

作者简介:张文君: 进行实验, 起草论文;王军: 提出研究思路, 设计研究方案, 论文审阅及最终版本修订;徐山川: 数据采集和清洗。

摘要
目的通过浏览器日志挖掘探测消费者在电商平台下网购的需求状态, 以实现有效的购物引导。方法获取淘宝网女装购物会话, 对会话中的页面类型进行标记, 对标记后的会话数据基于访问的页面特征(包括页面类型和页面复杂度)进行聚类分析, 从而揭示电商用户的需求状态。结果基于页面类型聚类得出4种典型的电商用户需求状态类型, 包括后台管理型、持续搜索型、商品浏览型以及信息搜寻型。再基于所访问页面的复杂度, 进一步将这4种状态细分为9种。【局限】仅分析电商用户需求状态, 进一步的研究应基于9种状态构建电商导购机制。结论对购物会话进行基于页面类型和页面复杂度的聚类, 得到区分度明显、易于解释的会话类型。这表明通过页面类型来判定网购用户动态变化的需求状态是行之有效的方法。
关键词: 需求状态; 电子商务; 购物行为; K-means聚类
中图分类号:TP393
The Probing of E-commerce User Need States by Page Cluster Analysis ——An Empirical Study on Women’s Clothes from Taobao.com
Zhang Wenjun, Wang Jun, Xu Shanchuan
Department of Information Management, Peking University, Beijing 100871, China
Abstract

[Objective] It’s vital to detect the consumers’ shopping needs in the e-commerce environment by mining clickstream logs so as to achieve effective shopping guidance. [Methods] This paper first marks page types that users visit in Taobao.com, then uses K-means cluster to analyse the visit session data. Two clustering indexes are used, that are page-type and page-complexity. [Results] Based on page types, the visit sessions are clustered to four user need states, including direct management, continuous searching, product browsing and information seeking. The four types are then categorized into nine detailed ones based on page complexity. [Limitations] The effectiveness of the user need state analysis needs to be further validated in real-world environment. [Conclusions] It is an effecitve and operable method to detect and denote the e-shopper’s need states by clustering analysis of the visiting sessions.

Keyword: User need state; E-commerce; E-shopping behavior; K-means clustering
1 引言

中国互联网络信息中心的数据表明[1], 2013年中国的网上消费者数量达到3.02亿, 且在未来三到五年, 网上零售额的年增长率将保持在20%至30%。在此形势下, 网购用户的消费行为与消费需求成为重要的研究课题。

在实体购物环境中, 有经验的品牌导购员可以随时观察顾客行为并与他们沟通, 消费者的需求容易被发现, 但在电商环境中不存在导购人员。目前大多数电商网站都是通过广告、推送等营销手段进行导购。随着网购消费者渐趋理性, 单一的营销手段已难再奏效。探究电商用户的需求状态以实现有效的导购, 是一个有现实意义的研究课题。

2 研究背景

研究电商用户的需求有两个层面, 即需求偏好和需求状态。需求偏好是用户在长期的社会生活和网购经验中养成的购物偏好, 而需求状态反映了用户每次登录电商网站时的具体状态。例如, 一个办公室女白领日常购衣会倾向于职业女装风格, 这是她的需求偏好; 某天她想为去海边旅行而购买休闲款的衣服, 这是她一次的需求状态。现有的相关研究大多属于用户需求偏好的挖掘, 而对动态变化的用户需求状态的研究不足。

现有的用户购物需求研究可分为三类: 定性分析、调查统计和数据挖掘, 分别从营销理论、样本数据、算法优化等角度对网络消费者的行为方式进行了探索。早期的用户细分研究使用定性分析的方法, 例如Rohm等[2]基于购物动机将在线购物者划分为便捷导向购物者、多样化导向购物者、平衡购物者和实体店导向购物者4类; 还有一些学者通过问卷调查和用户访谈等方法进行用户分析, 比如Pahnila等[3]通过在线问卷调查探讨习惯因素和动机因素对用户在线购物行为的影响。近年来, 基于Web日志挖掘的用户建模研究渐成主流: Prasad等[4]利用K-means和期望最大化两种聚类方法分析电商用户的注册数据和购物历史数据, 为在线零售商店建立用户细分模型。王义等[5]从用户浏览网站的日志中挖掘出能体现用户兴趣偏好的频繁访问路径序列, 建立用户行为模型, 进而利用FCC路径聚类方法进行聚类, 将大规模用户集合转变为具有近似爱好的用户簇。王微微等[6]针对现有的用户模型不能根据用户自身兴趣实现推荐的问题, 提出采用将服务器日志和客户端数据相结合的方法, 用于挖掘包含用户兴趣的信息; 通过Web日志挖掘获取用户浏览过和购买过的商品记录, 从而得到用户感兴趣的商品类别; 通过挖掘客户端数据分析用户进入网站的浏览行为记录, 从而得到用户对浏览过和购买过的商品的兴趣度。

分析上述购物日志挖掘的相关研究, 可以看出绝大多数研究的数据集都是日志中记录的用户浏览和购物历史, 这样挖掘出的结果属于对用户购物结果, 即需求偏好的揭示。而对日志中保存的用户行为数据的挖掘却很少。较具代表性的研究是Moe[7]根据用户的潜在目标将用户对电子商务网站的访问模式与购物策略划分为5类: 知识构建者(Knowledge Building)、享乐主义浏览者(Hedonic Browsing)、直接购买者(Directed Buying)、搜索者(Search/Deliberation)和浅尝辄止者(Shallow)。他利用一家B2C网上商店的用户点击流数据, 将用户划分到以上5类中。国内电商平台环境和用户的消费习惯与国外差异很大, 其结论不具备普适性。本文通过分析Web日志中所记录的用户行为数据, 来探测中国电商用户的需求状态。

服装是网上购买人数和购买金额最多的商品类别[8]。本文选取淘宝网的女装类目— — 国内最大的电商平台上规模最大的商品类目作为研究对象。女装网购用户的购买目的多样且购买频度较高, 相对于家电、数码等刚性需求类产品, 女装是研究用户需求状态的理想商品类型。在需求状态探测的基础上, 可以设计针对用户的不同需求状态的购物引导手段, 从而推动电商平台向更加专业化、个性化的方向发展。

3 研究方法与步骤
3.1 研究方法

经济学和情报学对需求状态给出了统一的解释。在经济学中, 一个完整的购物决策过程包括5个步骤[9]: 认知(Recognition)、信息搜寻(Information Seeking)、评估(Evaluation)、选择(Selection)和购后行为(Post- purchase), 在这一过程中用户的需求不断明确, 决策过程的不同阶段对应着不同的需求状态[10]。在情报学中, Dervin[11]的“ 意义构建理论(Sense-making Model)” 和Belkin[12]的“ 知识异常状态(Anomalous State of Knowledge, ASK)” 都强调了信息需求处于一种运动状态, 用户不同的信息需求状态决定了用户的不同行为类型。而Wilson[13]的经典信息寻求行为模型揭示了从需求转化为查找行为的过程。基于此, 可以得出用户的信息搜寻行为、消费者的购物决策行为反映了购物需求状态。因此, 通过对用户行为的分析来探究其需求状态是可行的。

在电商平台下, 用户行为可以通过捕获用户在浏览器端与电商网站的交互行为(包括浏览和搜索)而得到, 或者在服务器端收集来自用户的客户端的数据请求序列而得到。这些数据常被称为点击流数据(Clickstream)或者Web日志。其中, Web日志中用户行为数据记录的基本单位为用户会话(Session): 会话是一个客户与服务器之间的不中断的请求响应序列。用户的一次会话代表了用户的一次网购过程, 将点击流数据分割成会话, 便于探测每次会话中用户的不同需求状态。在本文研究中, 对于同一个用户, 若两次访问请求的时间间隔超过15分钟, 则认为它们分属两次不同的网购过程。据此可将点击流数据序列分割成一段一段代表不同网购过程的会话。

通过用户会话(Session)描述用户的需求状态, 关键是要了解用户访问的页面。因此, 本文通过用户Session中记录的 “ 访问页面类型” 和“ 访问页面复杂度” 两个特征的聚类分析来表征不同的行为模式, 从而揭示用户的需求状态类型。其中, 访问页面复杂度包括访问的“ 类目复杂度” (一次会话中访问的商品类目数)和“ 卖家复杂度” (一次会话中访问的卖家数)。例如, 在某个用户的一次购物会话中, 在“ 访问页面类型” 维度上, 搜索页所占的比重很大, 用户不停搜索; 在“ 访问页面复杂度” 维度上, 用户访问的类目数很低, 而卖家数很高。以此可以判断用户的需求状态: 用户有大概的购买目标, 但是难以确定具体的购物对象。

3.2 研究步骤

获取淘宝网女装购买的Session数据, 基于访问会话中页面特征(包括页面类型和页面复杂度)进行聚类分析, 从而探讨电商用户的需求状态。本文的数据分析过程如图1所示:

图1 本文研究步骤

(1) 获取淘宝网女装购买Session数据。

(2) 对获取的Session数据中访问的页面类型进行标记。这是因为捕获的会话数据由用户访问的URL序列构成, 为了便于对用户的行为进行记录, 需要对URL代表的页面类型进行标记。而淘宝网的URL是复杂多样的, 有必要先进行手工分类标记。这里主要分为两步:

①为了确定有哪些页面类型, 先选取一部分数据样本, 手工分类标记;

②根据手工标记的结果, 自动标记获取的Session数据。

(3) 对标记的结果基于“ 页面类型” 进行聚类分析, 以此描述用户的需求状态类型。

(4) 对第一次聚类的结果基于“ 页面复杂度” 进行深度聚类, 进一步细化需求状态的类型。

4 数据分析过程
4.1 数据获取与预处理

研究数据来自某互联网市场调查机构, 共计17 609个用户, 360万条淘宝网访问日志记录。忽略访问页面数少于3的用户Session, 共获得68 671条会话。遍历会话中访问的商品详情页所属类目, 对一级类目属于“ 女装” 的会话进行提取, 共获得25 369条Session作为最终数据集合。获得的Session数据记录为: Session编号(Session ID)、访问的URL序列(URL)、访问的商品类目(Category)以及访问的商品所属的卖家(Seller)。

4.2 页面类型标记

选取一部分样本, 对URL代表的页面类型进行手工分类标引; 利用标引的结果对获取的所有数据集的页面类型进行自动标记, 得到访问URL代表的页面类型(URLtype)。随机抽取某一天的用户会话, 按照URL被访问的频率进行排序, 抽取排名前100的URL进行观察; 同时, 模拟常见的女装购买路径, 抓取路径中典型的页面URL。如表1所示, 最终选取淘宝网女装购买过程中涉及的34种典型URL Pattern, 根据URL Pattern代表的页面内容分成4种页面类型: 管理页面(ADMIPG)、商品页面(PRODPG)、搜索页面(SEARCH)和信息页面(INFORPG)。其中, 管理页面指不包含商品购买信息的页面, 比如查看物流、查看已买到的宝贝等页面; 信息页面指单纯的广告、促销和导购等营销信息页面。根据划分出的页面类型, 对全部数据集合进行标记。

4.3 聚类分析

(1) 聚类指标

对数据集的页面类型的聚类分析可以表征不同的行为模式, 从而揭示用户的需求状态类型。根据预处理阶段得到的会话中用户访问模式相关的数据, 本研究确定了“ 访问页面类型占比” 和“ 访问页面复杂度” 两大类变量。根据对用户会话的抽样观察, 发现这两类变量并没有直接的关联。因此, 对Session聚类将分成两步进行: 先根据变量1“ 访问页面类型占比” 进行聚类; 对聚类出的需求状态类型根据变量2“ 访问页面复杂度” 再聚类, 以得到细分的用户需求状态。

表2对两类变量进行具体描述: “ 访问页面类型占比” 指在一条用户会话里, 各种类型的页面占总页面的比例; “ 访问页面复杂度” 指一次用户会话中, 用户访问过的商品所属的二级类目数和商家数。比如, 在一次用户Session里, 一个用户访问了三次“ 连衣裙” 页面, 有两条连衣裙属于同一个卖家, 还有一条属于另一个卖家, 这里“ 类目复杂度” 记为1, “ 卖家复杂度” 记为2。

本研究将计算出定义的指标值, 采用IBM SPSS Statistics 对数据进行K-means自动聚类。由于无法预知会有多少种用户需求状态类型, 从两个聚类中心开始, 直到获得比较明显的类为止。

表1 淘宝女装购物的典型页面类型
表2 聚类指标描述

(2) 基于“ 访问页面类型” 聚类分析

根据各类型页面的占比对用户会话进行聚类, 如表3所示, 最终得到4个效果比较显著的类: 聚类1的会话中, 用户频繁访问“ 管理页” , 对于“ 商品页” 的访问频度也比较高, 但是却很少使用搜索功能, 将这一类会话代表的需求状态定义成“ 后台管理型” ; 聚类2的用户管理和浏览信息页的动作很少, 但是频繁使用搜索功能, 这一类Session代表了“ 持续搜索型” 需求状态; 用户在聚类3中很少访问“ 管理页” 、“ 信息页” , 搜索的使用率也很低, 一直处于大量商品详情页的浏览中, 体现了“ 商品浏览型” 需求状态; 最后一类Session中, 用户具有很高频次的“ 信息页” 访问记录, 基本不使用搜索功能, 被称为“ 信息搜寻型” 需求状态。

表3 基于“ 访问页面类型占比” 的聚类结果

图2给出了各类型的需求状态的占比。可以看出, “ 商品浏览型” 的需求状态最多, 接近一半; “ 持续搜索型” 需求状态的占比也比较高, 达到了26%, 这两类加在一起达到70%, 说明有强烈购物需求的用户是网购用户的主体。“ 后台管理型” 和“ 信息搜寻型” 的需求状态各占18%和12%, 这部分数据说明了有30%的用户可能只是抱着随便逛逛和浏览的心态。

图2 各需求状态类型占比

(3) 基于“ 访问页面复杂度” 聚类分析

基于访问页面类型的K-means聚类已经对需求状态有了一个粗略的划分, 但是还不足够细化。因此, 本研究还根据用户访问页面的复杂度, 从“ 类目复杂度” 和“ 卖家复杂度” 两个角度对4类需求状态进行再分析。同时, 抽取每类需求状态中典型的会话路径进行观察, 以便更好地探究每种需求状态对应的行为模式。

①后台管理型需求状态细分

表4显示“ 后台管理型” 需求状态可以再分成两类, 类1用户访问的类目复杂度低, 但是卖家复杂度比较高, 根据对典型会话的路径分析, 这类用户通常进行管理动作后, 便会进行大量无目的浏览; 类2的聚类结果显示, 这类用户访问的类目很少, 浏览的卖家也很少, 处于这种需求状态类型的用户基本上动作都停留在管理上, 只是简单浏览购买的商品。

表4 后台管理型需求状态细分结果

②持续搜索型需求状态细分

对“ 持续搜索型” 需求状态的会话进行聚类, 结果发现区分度不显著, 效果不理想。这是由于该类型的访问的类目复杂度和商家复杂度都很相似。经过计算, 类目复杂度均值为1.59, 卖家复杂度均值为3.35。这样的结果很好解释: 处于“ 持续搜索型” 状态的用户购物需求都比较明确, 因此类目复杂度很低; 而这类用户在搜索之后需要大量的寻找和比较以发现满意的商品, 所以卖家复杂度会比较高。对典型用户会话进行抽样观察, 发现该类型用户并不是一开始就进行搜索, 可以进一步细分成三种模式: 一类用户是典型的进行关键词搜索并浏览商品; 一类用户先查看一些信息页, 需求被刺激出来之后再进行搜索; 还有一类用户通过类目浏览查找目标商品, 发现该方式无法协助自己发现后使用搜索。

③商品浏览型需求状态细分

“ 商品浏览型” 用户占近50%, 对这类状态的用户进行再分类的结果如表5所示, 分别对这4类进行抽样观察后, 发现类1和类4的用户行为模式非常相似, 而类2和类3用户也很接近。因此, 对这两类用户分别进行合并, 最后得到两大类细化的需求状态。一大类需求状态中, 用户的类目复杂度低, 这一类用户有比较明确的商品需求, 他们可能是通过搜索后发现商品, 也有可能是从自己的收藏夹/购物车里查找商品; 而另一大类中, 用户的类目复杂度很高, 这一类用户没有明确的目标, 很少搜索或浏览信息页, 而是直接浏览大量的商品详情页。这是因为这类用户通常会直接进入自己的收藏夹, 查看关注的或购买过的卖家的商品。这类用户的品牌忠诚度通常都比较高。

表5 商品浏览型需求状态细分结果

④信息搜寻型需求状态细分

以类目复杂度和卖家复杂度为指标再聚类, “ 信息搜寻型” 需求状态不能再细分。处于这一类型状态的用户访问的类目数都比较低(均值为1.5), 但是卖家数却很高(均值为2.7)。信息页的类型包括价格影响型信息页(如聚划算、天天特价), 社交影响型信息页(如淘女郎、逛), 还有专题型信息页(如淘宝特色等)。用户浏览信息页大多是由于自身的偏好所决定的, 浏览信息页一般是闲逛, 深入到详情页进行浏览的页面比例会比较低, 或者用户已经发现自己所需求商品, 因此会出现访问类目数低、卖家数偏高的现象。

5 结果可视化与讨论

根据基于访问页面类型占比的聚类分析, 共得到4种用户需求状态类型。再基于访问复杂度分类和路径观察, 可以细化成9种需求状态。表6描述了每一种需求状态的类型。为了直观地呈现聚类得到的需求状态类型, 也是为了验证典型路径分析的可靠性, 本研究对每一类需求状态的路径进行可视化。具体做法是: 对不同的页面类型使用不同的颜色标记: 管理页面(橙色)、搜索页面(紫色)、商品页面(蓝色)、信息页面(绿色), 然后对属于各需求状态的会话进行颜色标记并呈现, 如图3所示。

表6 淘宝女装购物用户需求状态描述

图3 各需求状态的路径可视化

图3可以观察得出, 各需求状态的路径可视化图与前文的分析是一致的。

(1) 后台管理型状态1先进行管理动作然后浏览其他各种页面, 路径显示为: 管理页→ 其他各种页面; 状态2的用户动作比较简单, 管理操作之后浏览了一些商品页, 路径显示为: 管理页→ 商品页。

(2) 持续搜索型需求状态共有三种细化状态, 状态3用户进行了大量搜索后对商品进行浏览和选择, 路径显示为: 大量搜索页→ 少量商品页; 状态4、状态5的用户路径基本相似, 一些信息页浏览或者商品浏览后, 用户进行搜索并浏览商品, 路径显示为: 信息页/商品页→ 搜索页→ 商品页。

(3) 处于商品浏览型状态的用户虽然占比较多, 但是行为都比较简单。状态6显示了一类用户进行少量搜索后进行大量商品的访问, 路径显示为: 少量搜索页→ 大量商品页; 处于状态7的用户一直进行大量商品的浏览, 很少访问其他页面类型; 状态8的用户同样是访问了很多商品详情页, 有时会发生少量管理页面的跳转。

(4) 信息搜寻型状态的用户比较简单, 由于其聚类无明显结果, 用户基本上是进行大量信息页的浏览之后跳转到感兴趣的商品页上, 路径显示为: 大量信息页→ 商品页。

上述分析结果, 证明本文通过用户行为来描述用户的需求状态的方法是可行的。本研究可以作为电商平台构建合理有效的购物引导机制的基础。监测用户在购物网站上的行为, 如访问页面类型、访问复杂度、访问路径特点等, 预测其可能的需求状态, 进而根据其动态的需求状态进行实时购物帮助和引导, 使得用户能够快速地购买到满意的商品, 也使得电商服务更加个性化。

例如, 一个用户登录到电商平台, 监测到其访问商品页面的频度非常高, 可以判断该用户为“ 商品浏览型” 需求状态, 这时可以在其浏览的商品页旁边做出相似商品、搭配套餐的推荐; 然后又发现该用户浏览的商品很杂, 但基本上都是购买过店铺的商品, 可以判断该用户处于需求状态8, 该用户品牌忠诚度很高, 而且此时并没有明确的购物目的, 这时可以为其推荐同品牌/店铺的商品、店铺活动以及购买过商品的搭配等。

6 结语

探索用户在电商平台下的需求状态, 有助于打破现有单一的电商营销模式, 进一步探测消费心理与消费动机, 基于用户动态的需求状态实时进行购物引导, 帮助用户更快速地找到个性化的商品。当然, 本文的研究只是初探, 还存在很多局限:

(1) 仅以“ 淘宝女装购买” 为例, 如何扩展到其他的类目以及不同的电商平台仍需要进一步探究。

(2) 以“ 用户的访问模式” 为指标对用户聚类只是众多用户分类的一种, 忽略了用户停留时间、访问时间、点击行为等诸多因素的作用。此外, K-means分类方法也存在其局限性, 未来有必要采用多种分类和分析方法。

(3) 用户需求有很多层次, 本文只考虑了需求状态, 在未来研究中可以综合考量多个层次需求的组合, 以更好地描述电商平台的用户需求。

本文的目标是探测用户的需求状态, 最终得到女装购物的9种需求状态。女装是电商平台上销售量和增长量最大的商品类型, 随季节和年代变化很快。因此, 电商平台下女装购物者的需求状态挖掘本身便具有独立的研究意义。下一步的研究有两个方向: 在广度上扩展, 即将类似的研究方法扩展到其他类型的商品中。例如数码电器类、家居类, 不同类型的商品消费者行为会有很大不同。因此, 本文在女装类商品上挖掘出的需求类型是否对于其他类型的商品同样有效, 需要进一步验证。在应用层面扩展, 即基于挖掘出的需求状态来匹配相应的导购机制, 这是未来研究的一个重点。

参考文献
[1] 中国互联网信息中心. 第33次中国互联网络发展状况统计报告[R/OL]. [2014-03-05]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201403/t20140305_46240.htm.(ChinaInternetNetworkInformationCenter.StatisticalReportofthe33rdChineseInternetDevelopment[R/OL]. [2014-03-05]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201403/t20140305_46240.htm [本文引用:1]
[2] Rohm A J, Swaminathan V. A Typology of Online Shoppers Based on Shopping Motivations[J]. Journal of Business Research, 2004, 57(7): 748-757. [本文引用:1]
[3] Pahnila S, Warsta J. Online Shopping Viewed from a Habit and Value Perspective[J]. Behaviour & Information Technology, 2010, 29(6): 621-632. [本文引用:1]
[4] Prasad P, Malik L G. Generating Customer Profiles for Retail Stores Using Clustering Techniques[J]. International Journal on Computer Science and Engineering, 2011, 3(6): 2506-2510. [本文引用:1]
[5] 王义, 马尚才. 基于用户行为的个性化推荐系统的设计与应用[J]. 计算机系统应用, 2010, 19(8): 29-33.
(Wang Yi, Ma Shangcai. Design and Application of Personalized Recommendation System Based on Users Behavior[J]. Computer Systems & Applications, 2010, 19(8): 29-33. ) [本文引用:1]
[6] 王微微, 夏秀峰, 李晓明. 一种基于用户行为的兴趣度模型[J]. 计算机工程与应用, 2012, 48(8): 148-151.
(Wang Weiwei, Xia Xiufeng, Li Xiaoming. Personal Interest Degree Model Based on Consumer Behavior[J]. Computer Engineering and Applications, 2012, 48(8): 148-151. ) [本文引用:1] [CJCR: 0.457]
[7] Moe W W. Buying, Searching, or Browsing: Differentiating Between Online Shoppers Using In-Store Navigational Clickstream[J]. Journal of Consumer Psychology, 2003, 13(1-2): 29-39. [本文引用:1]
[8] 正望咨询公司. 2012年网上消费者调查报告[R/OL]. [2012- 05-02]. http: //tech. sina. com. cn/z/zhengwang2012/. (ChinaIntelliConsultingCorp. TheReportof2012OnlineConsu-
mers [R/OL]. [2012-05-02]. http://tech.sina.com.cn/z/zhengwang2012/ [本文引用:1]
[9] Engel J F, Kollat D T, Blackwell R D. Consumer Behavior[M]. New York: Holt, Rinehart & Winston, 1968: 10-25. [本文引用:1]
[10] 姚秀丽. 消费者行为及网络购物[M]. 北京: 科学出版社, 201031. (Yao Xiuli. Consumer Behavior and Online Shopping [M]. Beijing: Science Press, 2010: 31. ) [本文引用:1]
[11] Dervin B. From the Mind’s Eye of the User: The Sense- making Qualitative-quantitative Methodology[M]. Englewood, CA, USA: Libraries Unlimited, 1992: 327-338. [本文引用:1]
[12] Belkin N J. Anomalous States of Knowledge as Basis for Information Retrieval[J]. The Canadian Journal of Information Science, 1980(5): 133-143. [本文引用:1]
[13] Wilson T D. Models in Information Behaviour Research[J]. Journal of Documentation, 1999(3): 249-270. [本文引用:1]