李洋教授合作論文登營銷學頂刊 JMR：全球首度將“超圖計算”引入營銷研究 | 長江學術

長江商學院營銷學副教授、MBA項目副院長李洋的合作研究《基于互鎖超圖神經網絡的消費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 上發表。

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

從在線音樂歌單到食譜搭配，再到電商購物車，該研究為業界與學術界提供了一個強大的建?？蚣埽?/strong>能夠更精確地捕捉互聯網用戶在龐雜的“收藏與分類”行為背后所反映的深層偏好與消費情境，從而幫助內容平臺實現更精確、更個性化的在線推薦，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算 (Hypergraph Computation) 引入營銷研究領域的開創性工作。

Journal of Marketing Research（JMR）是由 American Marketing Association（美國市場營銷協會）出版的國際權威期刊，自1964年創刊以來一直是營銷研究領域全球學術的風向標，長期位居全球商學院公認的UTD 24頂級期刊和金融時報 FT50 頂刊之列。

JMR 以其對學術嚴謹性和理論創新的極高要求而聞名，代表了營銷科學研究的國際先進水平。

李洋教授此項成果的發表，不僅體現了中國學者在解析復雜大數據、推動營銷算法創新方面的卓越實力，也進一步強化了長江商學院在“科技驅動商業”領域的學術領先地位。

在數字化消費深度滲透的今天，消費者的行為正從碎片化的“單次購買”轉向系統性的“內容策展”。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。

隨著收藏數量的增加，人們通常會為了方便查找或分享，把這些物品進行分類和組合。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、時間或者主題整理成不同的歌單。簡單來說：收藏體現了個人偏好，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。雖然互聯網平臺擁有大量收藏和分類數據，但在營銷研究中，這種“非歐幾里得”數據結構非常復雜，其間關系無法用標準向量空間中的固定距離度量來描述。因此，如何量化消費者的收藏分類仍是一個建模難題。

研究創新

李洋教授合作論文提出了一種“生成式”深度學習框架，利用超圖模型來描述消費者收藏和分類行為的復雜結構。

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

● 用戶–產品超圖：每個消費者是一條超邊，連接他/她收藏的所有產品

● 類別–產品超圖：每個類別（如歌單）是一條超邊，連接其中的產品

● 用戶–類別超圖：描述消費者如何組織和理解這些類別

這三張超圖通過共享的實體（用戶、產品和類別）相互連接，形成一個完整的網絡結構。在這個空間里，彼此接近的實體更可能通過“超邊”相連，意味著它們反映類似的偏好或使用體驗。以下圖為例，網絡中包含兩個用戶（u1、u2）、四個收藏類別（p1–p4）和六個產品（s1–s6）。因此，前面提到的三個超圖通過互鎖的方式便可以簡潔而完備地為這個網絡結構建模。

以下是該互鎖超圖神經網絡的整體框架：

總的來說，這個模型能夠全面理解收藏、分類和組合的復雜結構，從而更精準地捕捉消費者的偏好和使用情境，突破了傳統推薦算法的“天花板”。

論文以數字音樂為例展示了模型的實際應用。

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現變現——例如 Spotify 上的歌單數量已超過 40 億。研究使用了 Last.fm 和 Spotify 數據，歌曲特征既包括用戶生成的文本標簽（反映風格和使用情境），也涵蓋聲學特征（如音調、節拍和響度）。

模型計算實證結果表明，研究所提出的互鎖超圖模型在預測歌曲與歌單的關聯以及用戶偏好方面，明顯優于多種先進基準模型（例如協同神經過濾、神經矩陣分解、變分自編碼器、圖卷積神經網絡等）。

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雜高階關系，從而比傳統方法更精準地理解和預測用戶行為。

研究價值

●從實際應用角度看，研究的主要貢獻在于，它讓平臺不僅能夠“推薦”內容，還能真正參與內容的設計與生成。

以音樂平臺為例，這個模型能夠從零開始生成全新的歌單。平臺只需提供一個“歌單雛形”或標題，模型就能自動從龐大的歌曲庫中挑選出風格統一、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，而是能夠自然呈現搖滾、電子、放松、爵士等不同風格，仿佛由真人策劃。

更重要的是，這一過程可以高度個性化。模型會根據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，會得到節奏感強的歌單；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、匹配符合興趣的現有歌單，或為已有歌單補充更多內容。即便原歌單中的歌曲標簽缺失，模型也能通過已有歌曲信息生成合適的推薦；當歌單內容更新時，它還能動態調整推薦，使歌單持續優化和個性化。

總的來說，這種方法讓用戶收藏不再只是“已有內容的再分發”，而是能夠自動設計、動態更新和個性化擴展。這不僅提升推薦的精準度，也為用戶提供發現新風格和新場景的機會，從而增強用戶黏性和長期參與度，同時為平臺帶來更大的運營靈活性和商業價值。

●更重要的是，這個框架的適用范圍遠不止音樂平臺。它適合任何可以通過分類結構推斷用戶偏好，并且能夠同時推薦單個產品和組合內容的場景。

例如，電商購物車就是一個很有潛力的應用：模型可以刻畫用戶、商品和類別之間的復雜關系，生成潛在偏好，從而更精準地推薦商品并優化購物車組合。類似地，它也可以應用于視頻、圖文或社交平臺的內容收藏板塊，幫助平臺提供個性化內容組合推薦，并能動態更新和擴展已有收藏。

對企業而言，這一模型提供了切實可行的工具：它能精準捕捉用戶偏好，動態生成或擴展內容和產品組合，從而提升推薦的相關性和個性化體驗。平臺可以借助它增加用戶參與度和黏性，提高留存率，并創造更多收入機會。對于擁有多樣化用戶群體的企業，這種方法還具有可擴展性和數據驅動優勢，使企業能夠更高效地理解消費者需求，優化營銷策略和產品開發，從而在激烈競爭中保持領先。

李洋教授簡介

李洋教授現為長江商學院營銷學副教授、MBA項目副院長、高層管理教育項目學術主任。他本科畢業于北京大學電子學系，之后取得哥倫比亞大學生物醫學工程碩士與哥倫比亞大學商學院博士學位。

學術研究方面，李洋教授專注于營銷大數據的建模研究，主要領域包括：統計機器學（Statistical Machine Learning）、貝葉斯非參數方法（Bayesian Nonparametrics）、可擴展優化（Scalable Optimization）、文本挖掘（Text Mining）、在線個性化與推薦系統（Online Personalization and Recommendation）等。其成果已發表于 Management Science、Marketing Science、Journal of Marketing Research、Journal of Consumer Research 等國際頂尖學術期刊上，且是 Marketing Science 期刊的編委成員。在數據建模領域，李洋教授還擁有醫學圖像數據處理的美國專利。

在教學方面，李洋教授主講長江商學院 EMBA、DBA、MBA、EE 的營銷必修課程。他是A股和港股數家上市公司的獨立董事，亦曾擔任貴州大數據產業聯盟學術委員會委員、天貓榮譽學術顧問、長沙新消費研究院首批智庫專家，并為多個國內知名品牌提供過營銷策略咨詢。

自創校起，長江商學院憑借“學術研究立校”“教授治學”等一系列機制創新，吸引匯聚了一批在世界管理學術界享有盛譽的學者全職加入長江。學院為教授提供了較為成熟的、具有一定全球競爭力的學術研究平臺及生態體系，使得教授能在加入長江后仍然能持續開展前沿性、引領性的研究，不斷產生世界級的研究成果，獲得全球學術界的廣泛認可。

2024年，長江商學院教授在UTD24商學院頂級期刊上的人均發表量位列中國大陸院校第一，充分彰顯了學院的學術實力和國際影響力。

長江學術

文中圖片來自圖蟲創意，轉載需獲授權。

點擊下方卡片，關注長江商學院