長江商學(xué)院營銷學(xué)副教授、MBA項(xiàng)目副院長李洋的合作研究《基于互鎖超圖神經(jīng)網(wǎng)絡(luò)的消費(fèi)者分類收藏行為建模》(Modeling Categorized Consumer Collections with Interlocked Hypergraph Neural Networks) 日前在市場營銷國際頂級期刊 Journal of Marketing Research 上發(fā)表。

該論文由李洋教授與康奈爾大學(xué)助理教授 Khaled Boughanmi、哥倫比亞大學(xué) William T. Dillard 講席教授 Asim Ansari 合作撰寫。研究突破了傳統(tǒng)“集合推薦 (Set Recommendation)”模型的瓶頸，開創(chuàng)性地提出一種全新的互鎖超圖神經(jīng)網(wǎng)絡(luò)模型 (Interlocked Hypergraph Neural Networks)。

從在線音樂歌單到食譜搭配，再到電商購物車，該研究為業(yè)界與學(xué)術(shù)界提供了一個(gè)強(qiáng)大的建�？蚣�，能夠更精確地捕捉互聯(lián)網(wǎng)用戶在龐雜的“收藏與分類”行為背后所反映的深層偏好與消費(fèi)情境，從而幫助內(nèi)容平臺實(shí)現(xiàn)更精確、更個(gè)性化的在線推薦，為用戶深度留存與營收增長開辟新的空間。

該研究亦屬全球首例將前沿的超圖計(jì)算 (Hypergraph Computation) 引入營銷研究領(lǐng)域的開創(chuàng)性工作。

Journal of Marketing Research（JMR）是由 American Marketing Association（美國市場營銷協(xié)會）出版的國際權(quán)威期刊，自1964年創(chuàng)刊以來一直是營銷研究領(lǐng)域全球?qū)W術(shù)的風(fēng)向標(biāo)，長期位居全球商學(xué)院公認(rèn)的UTD 24頂級期刊和金融時(shí)報(bào) FT50 頂刊之列。

JMR 以其對學(xué)術(shù)嚴(yán)謹(jǐn)性和理論創(chuàng)新的極高要求而聞名，代表了營銷科學(xué)研究的國際先進(jìn)水平。

李洋教授此項(xiàng)成果的發(fā)表，不僅體現(xiàn)了中國學(xué)者在解析復(fù)雜大數(shù)據(jù)、推動營銷算法創(chuàng)新方面的卓越實(shí)力，也進(jìn)一步強(qiáng)化了長江商學(xué)院在“科技驅(qū)動商業(yè)”領(lǐng)域的學(xué)術(shù)領(lǐng)先地位。

在數(shù)字化消費(fèi)深度滲透的今天，消費(fèi)者的行為正從碎片化的“單次購買”轉(zhuǎn)向系統(tǒng)性的“內(nèi)容策展”。無論是在音樂平臺上自建歌單，還是在淘寶上收藏寶貝，抑或是在小紅書上整理靈感。

隨著收藏?cái)?shù)量的增加，人們通常會為了方便查找或分享，把這些物品進(jìn)行分類和組合。以音樂APP上的收藏與歌單為例，一位音樂愛好者可能會把收藏的歌曲按流派、歌手、時(shí)間或者主題整理成不同的歌單。簡單來說：收藏體現(xiàn)了個(gè)人偏好，而分類則反映了使用場景或目的。

這些“收藏夾”背后隱藏著極其微妙的偏好邏輯。雖然互聯(lián)網(wǎng)平臺擁有大量收藏和分類數(shù)據(jù)，但在營銷研究中，這種“非歐幾里得”數(shù)據(jù)結(jié)構(gòu)非常復(fù)雜，其間關(guān)系無法用標(biāo)準(zhǔn)向量空間中的固定距離度量來描述。因此，如何量化消費(fèi)者的收藏分類仍是一個(gè)建模難題。

研究創(chuàng)新

李洋教授合作論文提出了一種“生成式”深度學(xué)習(xí)框架，利用超圖模型來描述消費(fèi)者收藏和分類行為的復(fù)雜結(jié)構(gòu)。

超圖作為圖結(jié)構(gòu)的廣義形式，允許一條邊（稱為超邊）連接任意數(shù)量的頂點(diǎn)，從而能夠刻畫多對象之間的高階復(fù)雜關(guān)系。論文的核心思想是使用“互鎖超圖（interlocked hypergraphs）”來表示三類關(guān)系：

● 用戶–產(chǎn)品超圖：每個(gè)消費(fèi)者是一條超邊，連接他/她收藏的所有產(chǎn)品

● 類別–產(chǎn)品超圖：每個(gè)類別（如歌單）是一條超邊，連接其中的產(chǎn)品

● 用戶–類別超圖：描述消費(fèi)者如何組織和理解這些類別

這三張超圖通過共享的實(shí)體（用戶、產(chǎn)品和類別）相互連接，形成一個(gè)完整的網(wǎng)絡(luò)結(jié)構(gòu)。在這個(gè)空間里，彼此接近的實(shí)體更可能通過“超邊”相連，意味著它們反映類似的偏好或使用體驗(yàn)。以下圖為例，網(wǎng)絡(luò)中包含兩個(gè)用戶（u1、u2）、四個(gè)收藏類別（p1–p4）和六個(gè)產(chǎn)品（s1–s6）。因此，前面提到的三個(gè)超圖通過互鎖的方式便可以簡潔而完備地為這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)建模。

以下是該互鎖超圖神經(jīng)網(wǎng)絡(luò)的整體框架：

總的來說，這個(gè)模型能夠全面理解收藏、分類和組合的復(fù)雜結(jié)構(gòu)，從而更精準(zhǔn)地捕捉消費(fèi)者的偏好和使用情境，突破了傳統(tǒng)推薦算法的“天花板”。

論文以數(shù)字音樂為例展示了模型的實(shí)際應(yīng)用。

在音樂平臺上，歌單已成為核心營銷工具，不僅用于推薦歌曲，還能提升用戶留存和實(shí)現(xiàn)變現(xiàn)——例如 Spotify 上的歌單數(shù)量已超過 40 億。研究使用了 Last.fm 和 Spotify 數(shù)據(jù)，歌曲特征既包括用戶生成的文本標(biāo)簽（反映風(fēng)格和使用情境），也涵蓋聲學(xué)特征（如音調(diào)、節(jié)拍和響度）。

模型計(jì)算實(shí)證結(jié)果表明，研究所提出的互鎖超圖模型在預(yù)測歌曲與歌單的關(guān)聯(lián)以及用戶偏好方面，明顯優(yōu)于多種先進(jìn)基準(zhǔn)模型（例如協(xié)同神經(jīng)過濾、神經(jīng)矩陣分解、變分自編碼器、圖卷積神經(jīng)網(wǎng)絡(luò)等）。

這主要得益于超圖模型能夠高效整合來自不同來源的信息，并捕捉用戶、歌曲和類別之間的復(fù)雜高階關(guān)系，從而比傳統(tǒng)方法更精準(zhǔn)地理解和預(yù)測用戶行為。

研究價(jià)值

●從實(shí)際應(yīng)用角度看，研究的主要貢獻(xiàn)在于，它讓平臺不僅能夠“推薦”內(nèi)容，還能真正參與內(nèi)容的設(shè)計(jì)與生成。

以音樂平臺為例，這個(gè)模型能夠從零開始生成全新的歌單。平臺只需提供一個(gè)“歌單雛形”或標(biāo)題，模型就能自動從龐大的歌曲庫中挑選出風(fēng)格統(tǒng)一、主題清晰的歌曲，生成完整的歌單。生成的歌單并非簡單拼湊，而是能夠自然呈現(xiàn)搖滾、電子、放松、爵士等不同風(fēng)格，仿佛由真人策劃。

更重要的是，這一過程可以高度個(gè)性化。模型會根據(jù)每位用戶的音樂偏好生成專屬歌單：喜歡舞曲和流行音樂的用戶，會得到節(jié)奏感強(qiáng)的歌單；偏好電子或氛圍音樂的用戶，則得到安靜、沉浸式的歌單。

不僅如此，模型還能擴(kuò)展用戶已有的收藏：它可以推薦用戶可能喜歡的新歌曲、匹配符合興趣的現(xiàn)有歌單，或?yàn)橐延懈鑶窝a(bǔ)充更多內(nèi)容。即便原歌單中的歌曲標(biāo)簽缺失，模型也能通過已有歌曲信息生成合適的推薦；當(dāng)歌單內(nèi)容更新時(shí)，它還能動態(tài)調(diào)整推薦，使歌單持續(xù)優(yōu)化和個(gè)性化。

總的來說，這種方法讓用戶收藏不再只是“已有內(nèi)容的再分發(fā)”，而是能夠自動設(shè)計(jì)、動態(tài)更新和個(gè)性化擴(kuò)展。這不僅提升推薦的精準(zhǔn)度，也為用戶提供發(fā)現(xiàn)新風(fēng)格和新場景的機(jī)會，從而增強(qiáng)用戶黏性和長期參與度，同時(shí)為平臺帶來更大的運(yùn)營靈活性和商業(yè)價(jià)值。

●更重要的是，這個(gè)框架的適用范圍遠(yuǎn)不止音樂平臺。它適合任何可以通過分類結(jié)構(gòu)推斷用戶偏好，并且能夠同時(shí)推薦單個(gè)產(chǎn)品和組合內(nèi)容的場景。

例如，電商購物車就是一個(gè)很有潛力的應(yīng)用：模型可以刻畫用戶、商品和類別之間的復(fù)雜關(guān)系，生成潛在偏好，從而更精準(zhǔn)地推薦商品并優(yōu)化購物車組合。類似地，它也可以應(yīng)用于視頻、圖文或社交平臺的內(nèi)容收藏板塊，幫助平臺提供個(gè)性化內(nèi)容組合推薦，并能動態(tài)更新和擴(kuò)展已有收藏。

對企業(yè)而言，這一模型提供了切實(shí)可行的工具：它能精準(zhǔn)捕捉用戶偏好，動態(tài)生成或擴(kuò)展內(nèi)容和產(chǎn)品組合，從而提升推薦的相關(guān)性和個(gè)性化體驗(yàn)。平臺可以借助它增加用戶參與度和黏性，提高留存率，并創(chuàng)造更多收入機(jī)會。對于擁有多樣化用戶群體的企業(yè)，這種方法還具有可擴(kuò)展性和數(shù)據(jù)驅(qū)動優(yōu)勢，使企業(yè)能夠更高效地理解消費(fèi)者需求，優(yōu)化營銷策略和產(chǎn)品開發(fā)，從而在激烈競爭中保持領(lǐng)先。

李洋教授簡介

李洋教授現(xiàn)為長江商學(xué)院營銷學(xué)副教授、MBA項(xiàng)目副院長、高層管理教育項(xiàng)目學(xué)術(shù)主任。他本科畢業(yè)于北京大學(xué)電子學(xué)系，之后取得哥倫比亞大學(xué)生物醫(yī)學(xué)工程碩士與哥倫比亞大學(xué)商學(xué)院博士學(xué)位。

學(xué)術(shù)研究方面，李洋教授專注于營銷大數(shù)據(jù)的建模研究，主要領(lǐng)域包括：統(tǒng)計(jì)機(jī)器學(xué)（Statistical Machine Learning）、貝葉斯非參數(shù)方法（Bayesian Nonparametrics）、可擴(kuò)展優(yōu)化（Scalable Optimization）、文本挖掘（Text Mining）、在線個(gè)性化與推薦系統(tǒng)（Online Personalization and Recommendation）等。其成果已發(fā)表于 Management Science、Marketing Science、Journal of Marketing Research、Journal of Consumer Research 等國際頂尖學(xué)術(shù)期刊上，且是 Marketing Science 期刊的編委成員。在數(shù)據(jù)建模領(lǐng)域，李洋教授還擁有醫(yī)學(xué)圖像數(shù)據(jù)處理的美國專利。

在教學(xué)方面，李洋教授主講長江商學(xué)院 EMBA、DBA、MBA、EE 的營銷必修課程。他是A股和港股數(shù)家上市公司的獨(dú)立董事，亦曾擔(dān)任貴州大數(shù)據(jù)產(chǎn)業(yè)聯(lián)盟學(xué)術(shù)委員會委員、天貓榮譽(yù)學(xué)術(shù)顧問、長沙新消費(fèi)研究院首批智庫專家，并為多個(gè)國內(nèi)知名品牌提供過營銷策略咨詢。

自創(chuàng)校起，長江商學(xué)院憑借“學(xué)術(shù)研究立�！薄敖淌谥螌W(xué)”等一系列機(jī)制創(chuàng)新，吸引匯聚了一批在世界管理學(xué)術(shù)界享有盛譽(yù)的學(xué)者全職加入長江。學(xué)院為教授提供了較為成熟的、具有一定全球競爭力的學(xué)術(shù)研究平臺及生態(tài)體系，使得教授能在加入長江后仍然能持續(xù)開展前沿性、引領(lǐng)性的研究，不斷產(chǎn)生世界級的研究成果，獲得全球?qū)W術(shù)界的廣泛認(rèn)可。

2024年，長江商學(xué)院教授在UTD24商學(xué)院頂級期刊上的人均發(fā)表量位列中國大陸院校第一，充分彰顯了學(xué)院的學(xué)術(shù)實(shí)力和國際影響力。

長江學(xué)術(shù)

文中圖片來自圖蟲創(chuàng)意，轉(zhuǎn)載需獲授權(quán)。

點(diǎn)擊下方卡片，關(guān)注長江商學(xué)院