日前，北京大学汇丰商学院助理教授吕辰独作论文《推荐平台上的社会性学习信息设计》（“Information design for social learning on a recommendation platform”）在《经济学理论期刊》（Journal of Economic Theory）发表。文章基于信息设计（information design）框架，研究了推荐平台应如何设计其动态推荐策略，以实现更有效率的社会性学习，进而提升总体推荐质量。

《经济学理论期刊》（Journal of Economic Theory，JET）创刊于1969年，是理论经济学领域最受关注的国际期刊，也是国际经济学界公认的核心期刊之一，其刊登论文主题包括机制设计、决策理论、宏观经济学、货币经济学等。根据Clarivate Analytics（科睿唯安）发布的2024年度Journal Citation Reports（JCR）数据，该刊影响因子为1.2

各类推荐平台（如今日头条、腾讯视频、淘宝等）通常依赖社会性学习来提升其推荐质量。具体来讲，一个新产品（或作品）推出后，平台可以收集早期用户的反馈（如点赞和评论），并据此决定是否为后续用户推荐该产品。然而，在这一过程中，由于个体用户并不在意自己为他人带来的信息价值，他们往往缺乏尝试新产品的动力，而这将阻碍信息的产生，进而降低社会性学习和推荐的效率。面对这一难题，文章在信息设计的框架下，研究了平台应如何设计其动态推荐策略以引导更多用户尝试新产品，从而提高平台用户的整体福利。

文章发现，在最优设计下，平台关于一个产品的推荐标准应在其整个生命周期中呈现U型变化趋势。特别地，在产品推出后的早期阶段，推荐标准应随时间的推移而逐步降低。其原因在于，在产品刚推出时，用户知道平台此时只掌握少量的信息，因此倾向于对推荐持“怀疑”态度。这便要求平台采用一个较为严格的推荐标准。随着时间推移，用户们将预期平台获得更充分的信息，因而变得更容易遵从平台的推荐。于是平台可以逐渐降低标准，以促使更多用户尝试，从而更快地积累信息。该结果的一个推论是，在负面的用户反馈出现后，平台可能会暂停产品的推荐，但在一段时间后（即标准下降后）又重启推荐。

进一步比较静态分析发现，当用户试用产生的信息更加准确，或产品有更大的潜在消费群体时，平台应在整个产品生命周期中采用更低的推荐标准。此外，文章采用了拉格朗日对偶方法来处理动态信息设计问题中的激励相容条件，并强调了该方法在此类问题中的重要价值，这在相关文献中尚属首次。

吕辰，北京大学汇丰商学院助理教授，美国威斯康辛大学（麦迪逊）经济学博士，主要研究领域为微观经济理论、信息设计、数字经济、金融市场设计，研究成果发表于《经济学理论期刊》（Journal of Economic Theory）。