图 多阶段动态贝叶斯网络方法框架

　　在国家自然科学基金项目（批准号：72172070、72302153）等资助下，清华大学卫强教授团队与上海外国语大学慕遥助理教授合作，在识别心理动态的智能推荐方法研究方面取得新进展。相关成果以“考虑消费者多阶段购物过程的动态贝叶斯网络产品推荐：营销漏斗视角（Dynamic Bayesian Network-Based Product Recommendation Considering Consumers’ Multistage Shopping Journeys: A Marketing Funnel Perspective）”为题，于2023年10月3日在线发表于《信息系统研究》（Information Systems Research）。论文链接：https://pubsonline.informs.org/doi/10.1287/isre.2020.0277。

　　各大电子商务平台上，在线商家广泛应用智能推荐系统来呈现吸引消费者的产品，以期通过精准推荐促进产品销售并提升消费者购物体验。尽管考虑兴趣随时间变化的动态推荐已被验证能够取得更好的效果，但现有方法仍然面临三方面挑战：一是消费者行为天然多样化，从中提取具有普遍性的规律十分困难；二是消费者的兴趣转换模式非常多变，需要足够灵活的建模方式才能准确刻画；三是消费者内在的心理动态很难被显式识别，无法支持针对性地营销决策。

　　该研究提出一种多阶段动态贝叶斯网络方法（图），从营销漏斗视角建模消费者购物过程中的心理阶段转移、兴趣分布转换和行为生成，进而在识别消费者隐式的心理动态的基础上提供精准的个性化推荐。该方法在营销漏斗理论启发下，通过提取心理动态层面频繁、潜在的规律来克服消费者行为多样化问题；创新性地协同建模两个隐层，以刻画消费者“心理阶段—兴趣分布—行为”的驱动关系及其动态演变，并灵活适应兴趣转换的多变性；在方法中设计嵌入隐层识别策略，在优化模型学习效率的同时，显式探测消费者所处的心理阶段和兴趣。基于大规模真实数据集的实验结果表明，该方法在产品推荐准确性和排序效果上的表现均显著优于基线方法，能有效识别并区分消费者潜在的心理阶段和兴趣分布，在不同数据场景下具有良好的适用性和可扩展性。该研究成果能生成更精准且即时的产品推荐，也能提供关于消费者购物过程的有价值洞见，从而支持针对性营销等重要的现实管理决策。