摘" 要：文章基于消費(fèi)者點(diǎn)擊流數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)，使用時(shí)態(tài)指數(shù)隨機(jī)圖模型（TERGM）和消費(fèi)者點(diǎn)擊流數(shù)據(jù)建構(gòu)了消費(fèi)者動(dòng)態(tài)共同購(gòu)買網(wǎng)絡(luò)，從產(chǎn)品點(diǎn)擊次數(shù)、相對(duì)瀏覽時(shí)間、好評(píng)數(shù)、差評(píng)數(shù)和產(chǎn)品入度等維度測(cè)度了影響消費(fèi)者共同購(gòu)買行為發(fā)生的關(guān)鍵變量，并與指數(shù)隨機(jī)圖模型（ERGM）進(jìn)行了比較。結(jié)果表明：產(chǎn)品相對(duì)瀏覽時(shí)間、好評(píng)數(shù)和產(chǎn)品入度促進(jìn)消費(fèi)者共同購(gòu)買行為發(fā)生，而產(chǎn)品點(diǎn)擊次數(shù)會(huì)降低消費(fèi)者共同購(gòu)買可能性；TERGM模型適合于消費(fèi)者共同購(gòu)買行為的網(wǎng)絡(luò)分析，且擬合效果優(yōu)于ERGM，驗(yàn)證了TERGM模型對(duì)消費(fèi)者共同購(gòu)買行為的適用性；文章提出點(diǎn)擊流的隱式反饋中應(yīng)加入時(shí)間網(wǎng)絡(luò)結(jié)構(gòu)視角研究對(duì)共同購(gòu)買網(wǎng)絡(luò)形成的影響，可為推薦系統(tǒng)優(yōu)化設(shè)計(jì)提供有益參考。

關(guān)鍵詞：共同購(gòu)買；消費(fèi)者點(diǎn)擊流數(shù)據(jù)；網(wǎng)絡(luò)分析；指數(shù)隨機(jī)圖模型；時(shí)間指數(shù)隨機(jī)圖模型

中圖分類號(hào)：TP391.4；F713.8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）12-0138-08

Research on Consumers' Dynamic Co-purchase Network Based on Clickstream Data

YI Minqi1， WEN Zhanming2

（1.Guangdong Peizheng College， Guangzhou" 510830， China; 2.Guangdong University of Technology， Guangzhou" 510520， China）

Abstract： Based on consumer clickstream data and network structure， this paper uses Temporal Exponential Random Graph Model （TERGM） and consumer clickstream data to construct a consumer dynamic co-purchase network， identifies the key variables of consumer co-purchase behavior from the dimensions of product click times， relative browsing time， positive comments， negative comments and product penetration， and compares it with Exponential Random Graph Model （ERGM）. The results show that product relative browsing time， praise number and product penetration promote the occurrence of consumers' co-purchase behavior， while the number of product clicks will reduce the possibility of consumers' co-purchase. TERGM model is suitable for the network analysis of consumers' co-purchase behavior， and the fitting effect is better than ERGM， which verifies the applicability of the TERGM model to consumer co-purchase behavior. This paper suggests that the network structure perspective should be added in the implicit feedback of clickstream to study the impact on the formation of co-purchase network， which provides a useful reference for the optimal design of recommendation system.

Keywords： co-purchase; consumer clickstream data; network analysis; exponential random graph model; time exponential random graph model

0" 引" 言

隨著當(dāng)前信息技術(shù)發(fā)展與電子商務(wù)的應(yīng)用普及，電商平臺(tái)已成為當(dāng)前消費(fèi)者購(gòu)物的重要場(chǎng)景和渠道[1，2]。近年來(lái)，各線上購(gòu)物平臺(tái)與企業(yè)為保證其市場(chǎng)競(jìng)爭(zhēng)優(yōu)勢(shì)并滿足消費(fèi)者的異質(zhì)性偏好，開(kāi)始依托平臺(tái)積累的消費(fèi)者購(gòu)物與行為數(shù)據(jù)開(kāi)發(fā)推薦算法，向消費(fèi)者營(yíng)銷可能滿足其需求與偏好的商品[3，4]，以期進(jìn)一步提升消費(fèi)者購(gòu)物體驗(yàn)與企業(yè)市場(chǎng)占有份額[5，6]。

在平臺(tái)商家精準(zhǔn)營(yíng)銷與捆綁銷售背景下，消費(fèi)者在選擇其意向購(gòu)物商品時(shí)，往往受到平臺(tái)營(yíng)銷推介的影響，而同時(shí)購(gòu)買其他商品，而這即為消費(fèi)者的共同購(gòu)買行為。共同購(gòu)買作為消費(fèi)者線上購(gòu)物場(chǎng)景中的普遍現(xiàn)象，是當(dāng)前消費(fèi)者購(gòu)物行為研究熱點(diǎn)，Sodsee將共同購(gòu)買商品構(gòu)建成共同購(gòu)買網(wǎng)絡(luò)，產(chǎn)品中心度作為產(chǎn)品排名，根據(jù)歷史用戶偏好記錄預(yù)測(cè)得出產(chǎn)品評(píng)級(jí)矩陣，結(jié)合二者預(yù)測(cè)求出最符合用戶的最佳產(chǎn)品，有利于提升多目標(biāo)推薦的準(zhǔn)確率[7]；Horani在研究共同購(gòu)買商品時(shí)，通過(guò)商品中心性指標(biāo)和用戶歷史推薦產(chǎn)品數(shù)量與點(diǎn)贊產(chǎn)品數(shù)量來(lái)識(shí)別有影響力的用戶，通過(guò)這兩個(gè)因素，識(shí)別出在社交網(wǎng)絡(luò)中具有影響力的用戶，有利于提升購(gòu)買率[8]；Zhao等人通過(guò)用戶共同購(gòu)買數(shù)據(jù)構(gòu)建出產(chǎn)品之間的關(guān)系，從研究產(chǎn)品關(guān)系的角度出發(fā)，根據(jù)共同購(gòu)買數(shù)據(jù)對(duì)產(chǎn)品進(jìn)行排序和嵌入式學(xué)習(xí)的方法，證實(shí)了從產(chǎn)品之間的關(guān)系進(jìn)行推薦有助于提高推薦的準(zhǔn)確性[9]。一般而言，消費(fèi)者的購(gòu)物行為會(huì)跨越一個(gè)或多個(gè)時(shí)間段，其購(gòu)物行為也通常被認(rèn)為是階段性的決策行為，一個(gè)完整的消費(fèi)者購(gòu)物過(guò)程將歷經(jīng)信息獲取階段、考慮階段和選擇階段[10]，在消費(fèi)者完成整個(gè)購(gòu)物行為的每一個(gè)決策階段都能產(chǎn)生大量的點(diǎn)擊流數(shù)據(jù)。而伴隨Web 2.0的發(fā)展，消費(fèi)者在電商平臺(tái)中的交互點(diǎn)擊行為及數(shù)據(jù)已經(jīng)可以被記錄與獲取，通過(guò)消費(fèi)者在頁(yè)面級(jí)和產(chǎn)品級(jí)的點(diǎn)擊流數(shù)據(jù)來(lái)刻畫其在電商平臺(tái)上的購(gòu)物行為與偏好需求成為可能[11，12]，而基于點(diǎn)擊流數(shù)據(jù)的消費(fèi)者購(gòu)物行為網(wǎng)絡(luò)分析及其影響因素解析，也就成了當(dāng)前學(xué)界研究消費(fèi)者購(gòu)物行為的重要方向。

此外，考慮到消費(fèi)者記憶效應(yīng)的影響，消費(fèi)者的需求與興趣偏好被認(rèn)為具有動(dòng)態(tài)性特征，通常隨著時(shí)間推移將產(chǎn)生波動(dòng)和變化[10，13]。而實(shí)質(zhì)上消費(fèi)者群體與行為的異質(zhì)性特征也正是其需求與偏好在時(shí)間動(dòng)態(tài)性上的表征。然而，正是由于其動(dòng)態(tài)性與異質(zhì)性的特點(diǎn)，使得當(dāng)前的消費(fèi)者購(gòu)物意愿與可能性的測(cè)度仍存在較大的困難，特別是考慮消費(fèi)者需求動(dòng)態(tài)性變化情況下的共同購(gòu)買行為研究仍留有較大的空間。同時(shí)，國(guó)內(nèi)的電商平臺(tái)已經(jīng)高度集中[14]，電商平臺(tái)寡頭格局逐漸形成（如天貓、京東等）導(dǎo)致消費(fèi)者產(chǎn)生網(wǎng)購(gòu)錨定，消費(fèi)者總是傾向于在自己熟悉和信賴的大電商平臺(tái)中進(jìn)行購(gòu)物，而且消費(fèi)者在完成整個(gè)購(gòu)物過(guò)程前通常也會(huì)發(fā)生平臺(tái)間的比價(jià)行為，平臺(tái)入駐商家在選擇入駐的電商平臺(tái)時(shí)也會(huì)考慮各平臺(tái)要求的入駐費(fèi)用與營(yíng)運(yùn)成本。在消費(fèi)者—平臺(tái)入駐商家、平臺(tái)入駐商家—電商平臺(tái)、消費(fèi)者—電商平臺(tái)三者之間實(shí)際上形成了網(wǎng)絡(luò)節(jié)點(diǎn)并產(chǎn)生相互依賴與博弈的復(fù)雜網(wǎng)絡(luò)化特征，使得消費(fèi)者的共同購(gòu)買行為預(yù)測(cè)及其影響因素測(cè)度在運(yùn)用諸如Logistic回歸等傳統(tǒng)統(tǒng)計(jì)方法上出現(xiàn)局限。消費(fèi)者需求與偏好的時(shí)間動(dòng)態(tài)性、平臺(tái)入駐商家—消費(fèi)者—電商平臺(tái)的網(wǎng)絡(luò)化特點(diǎn)儼然成為當(dāng)前消費(fèi)者線上購(gòu)物行為研究無(wú)法回避的兩個(gè)基本情況。

隨機(jī)指數(shù)圖模型（Exponential Random Graph Model， ERGM）起初是由Frank等人[15]提出的針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)建模的統(tǒng)計(jì)模型，該模型基于Markov網(wǎng)絡(luò)假設(shè)并擅長(zhǎng)于處理網(wǎng)絡(luò)中關(guān)系與關(guān)系間的依賴性，被認(rèn)為能夠刻畫網(wǎng)絡(luò)形成及其內(nèi)部的因果關(guān)系并適用于網(wǎng)絡(luò)分析[16-18]。ERGM能夠把網(wǎng)絡(luò)形成機(jī)制問(wèn)題轉(zhuǎn)變因果度量，將網(wǎng)絡(luò)結(jié)構(gòu)中的外在結(jié)構(gòu)統(tǒng)計(jì)表征為因果關(guān)系的推斷，克服了傳統(tǒng)回歸統(tǒng)計(jì)模型中無(wú)關(guān)性假設(shè)局限，甚至被認(rèn)為是進(jìn)行網(wǎng)絡(luò)分析時(shí)的標(biāo)準(zhǔn)工具[19，20]。伴隨ERGM的應(yīng)用開(kāi)展，模型在學(xué)者們的推動(dòng)下進(jìn)一步發(fā)展和成熟[21-24]。在此基礎(chǔ)上，Hanneke等[25]開(kāi)發(fā)了時(shí)態(tài)隨機(jī)指數(shù)圖模型（Temporal Exponential Random Graph Model， TERGM），它能夠?qū)⒖v向的時(shí)間因素考慮進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的分析中，能夠解決網(wǎng)絡(luò)數(shù)據(jù)的時(shí)間依賴問(wèn)題[24，25]，進(jìn)一步完善了隨機(jī)指數(shù)圖模型。近年來(lái)，這兩個(gè)模型在國(guó)內(nèi)外開(kāi)始被重視并廣泛應(yīng)用于全球貨物貿(mào)易網(wǎng)絡(luò)、協(xié)同創(chuàng)新網(wǎng)絡(luò)、科研合作網(wǎng)絡(luò)、知識(shí)產(chǎn)權(quán)貿(mào)易網(wǎng)絡(luò)、國(guó)家經(jīng)濟(jì)網(wǎng)絡(luò)等多個(gè)領(lǐng)域的網(wǎng)絡(luò)結(jié)構(gòu)與關(guān)系的分析中[26-30]，但應(yīng)用于消費(fèi)者行為的網(wǎng)絡(luò)分析仍較為鮮見(jiàn)，特別是在消費(fèi)者共同購(gòu)買的商務(wù)場(chǎng)景中。

本文創(chuàng)新之處在于，突破過(guò)往既有研究中關(guān)注指標(biāo)僅停留在消費(fèi)者隱式反饋或顯示式反饋的局限性。本文不僅關(guān)注隱式反饋和顯示反饋信息，同時(shí)考慮了在共同購(gòu)買網(wǎng)絡(luò)中，不同產(chǎn)品之間形成的結(jié)構(gòu)對(duì)消費(fèi)者購(gòu)買可能性的影響，將TERGM應(yīng)用于具有時(shí)間動(dòng)態(tài)變化和節(jié)點(diǎn)網(wǎng)絡(luò)化特征的消費(fèi)者共同購(gòu)買行為的網(wǎng)絡(luò)分析中，分析其影響因素對(duì)共同購(gòu)買網(wǎng)絡(luò)的影響，為優(yōu)化推薦系統(tǒng)設(shè)計(jì)提供有益參考。

1" 假設(shè)提出

隨著線上電商平臺(tái)的飛速發(fā)展與點(diǎn)擊流數(shù)據(jù)的易用性提高，平臺(tái)不僅能夠依靠顯式反饋對(duì)消費(fèi)者進(jìn)行推薦，還可以從消費(fèi)者的瀏覽行為和點(diǎn)擊行為切入的隱式反饋，提高了個(gè)性化推薦的準(zhǔn)確性和穩(wěn)定性。例如，王智圣[31]通過(guò)隱式反饋推薦模型對(duì)隱式反饋數(shù)據(jù)進(jìn)行建模分析，結(jié)果表明于基于在線瀏覽和點(diǎn)擊行為對(duì)消費(fèi)者進(jìn)行實(shí)時(shí)推薦，能夠強(qiáng)化推薦的時(shí)效性；Moe [32]將消費(fèi)者查看頁(yè)面劃分為瀏覽和搜索部分，對(duì)消費(fèi)者瀏覽和搜索行為進(jìn)行了動(dòng)態(tài)模型和靜態(tài)模型對(duì)比分析，結(jié)果表明動(dòng)態(tài)視角下更能促進(jìn)消費(fèi)者的購(gòu)買意愿；Jenkins使用遞歸神經(jīng)網(wǎng)絡(luò)卻證明了歷史點(diǎn)擊數(shù)據(jù)不僅能預(yù)測(cè)用戶未來(lái)的點(diǎn)擊情況，也能夠提高線下購(gòu)買轉(zhuǎn)換率[33]。而阿里算法團(tuán)隊(duì)研究用戶動(dòng)態(tài)興趣過(guò)程中，也認(rèn)為從點(diǎn)擊視角研究對(duì)用戶的興趣偏好是有意義的[34]；可見(jiàn)，通過(guò)消費(fèi)者點(diǎn)擊流的隱式反饋是當(dāng)前研究消費(fèi)者行為的重要路徑。然而事實(shí)上，以上研究都局限在單品層級(jí)的購(gòu)物行為，而基于消費(fèi)者點(diǎn)擊流數(shù)據(jù)對(duì)共同購(gòu)買行為的影響卻少有涉及。此外，在產(chǎn)品點(diǎn)擊次數(shù)與產(chǎn)品瀏覽時(shí)間上對(duì)消費(fèi)者購(gòu)物行為的因果推論與解析上同樣仍存有爭(zhēng)議，例如張玉連等[35]放棄傳統(tǒng)從用戶顯式反饋行為研究視角，僅通過(guò)量化用戶的瀏覽行為和點(diǎn)擊行為對(duì)消費(fèi)者建立興趣模型，認(rèn)為瀏覽時(shí)間越長(zhǎng)越能夠提升用戶對(duì)產(chǎn)品的興趣，有助于提高個(gè)性化推薦效率。高鴻銘等[36]從消費(fèi)者介入度理論角度分析消費(fèi)者隱式反饋行為，對(duì)動(dòng)態(tài)消費(fèi)者虛擬購(gòu)物車選擇行為建模，認(rèn)為隨著消費(fèi)者對(duì)某一產(chǎn)品瀏覽的時(shí)間越久，做出加入購(gòu)物車和購(gòu)買的可能性相應(yīng)越高。相反且有趣的是，高鴻銘學(xué)者卻認(rèn)為點(diǎn)擊次數(shù)越高對(duì)產(chǎn)品的購(gòu)買意愿反而降低，提出當(dāng)消費(fèi)者想要更全面了解商品屬性時(shí)，就會(huì)在頁(yè)面上做出點(diǎn)擊動(dòng)作，在了解商品屬性后，用戶的興趣也會(huì)隨著對(duì)商品屬性的深入了解隨之改變；Ding和Han [37，38]等同樣認(rèn)為點(diǎn)擊次數(shù)和高參與度不是消費(fèi)者完成交易行為的必要條件，在購(gòu)物過(guò)程中所遭遇的不確定因素或事件會(huì)引起消費(fèi)者興趣的波動(dòng)，從而影響消費(fèi)者的購(gòu)物意愿與行為發(fā)生。需要特別指出，以上研究表明在產(chǎn)品點(diǎn)擊次數(shù)與產(chǎn)品瀏覽時(shí)間上對(duì)消費(fèi)者購(gòu)物行為的因果推論與解析上存有爭(zhēng)議之外，同樣只聚焦于單品層級(jí)的購(gòu)物行為上，對(duì)于共同購(gòu)買行為場(chǎng)景下的點(diǎn)擊流于行為發(fā)生的因果推斷上同樣存有空白。對(duì)此，本文在共同購(gòu)買網(wǎng)絡(luò)中提出以下假設(shè)：

假設(shè)1：產(chǎn)品點(diǎn)擊次數(shù)越高越可能不發(fā)生共同購(gòu)買關(guān)系。

假設(shè)2：產(chǎn)品相對(duì)瀏覽時(shí)間越高越可能發(fā)生共同購(gòu)買關(guān)系。

消費(fèi)者在瀏覽不熟悉的產(chǎn)品時(shí)，在線評(píng)論會(huì)影響消費(fèi)者的購(gòu)買欲望，消費(fèi)者更容易根據(jù)已購(gòu)買的評(píng)論信息預(yù)估對(duì)產(chǎn)品的期望值，評(píng)論數(shù)越多的產(chǎn)品越能吸引購(gòu)買者的注意，這在一定程度上代表了產(chǎn)品的可靠性。有參考價(jià)值的商品評(píng)論內(nèi)容通常包含了正面評(píng)論和負(fù)面評(píng)論[39]，因此，在研究影響消費(fèi)者的購(gòu)買因素時(shí)，一般結(jié)合正面和負(fù)面評(píng)論綜合分析，正面評(píng)論往往凸顯出產(chǎn)品的優(yōu)勢(shì)，認(rèn)為這能很好地說(shuō)服消費(fèi)者進(jìn)行購(gòu)買。梁劍平等研究網(wǎng)絡(luò)口碑對(duì)消費(fèi)者購(gòu)買意愿的影響時(shí)，發(fā)現(xiàn)口碑評(píng)論越正面，越能夠鼓舞消費(fèi)者進(jìn)行購(gòu)買[40]。然而，研究者發(fā)現(xiàn)相比正面評(píng)論數(shù)，負(fù)面評(píng)論對(duì)產(chǎn)品銷量的影響更具參考性[41]，負(fù)面評(píng)論一般指出產(chǎn)品的問(wèn)題與不足，提醒消費(fèi)者要仔細(xì)考慮后再對(duì)產(chǎn)品做出購(gòu)買動(dòng)作。然而，這些研究聚焦于購(gòu)買單個(gè)產(chǎn)品，對(duì)共同購(gòu)買的研究很少，特別是在好評(píng)數(shù)與差評(píng)數(shù)對(duì)于消費(fèi)者購(gòu)物行為發(fā)生的影響機(jī)理存在差異觀點(diǎn)的情況下。因此，在共同動(dòng)態(tài)購(gòu)買網(wǎng)絡(luò)中提出假設(shè)：

假設(shè)3：產(chǎn)品好評(píng)數(shù)越多越可能發(fā)生共同購(gòu)買關(guān)系。

假設(shè)4：隨著評(píng)論數(shù)量的增長(zhǎng)，產(chǎn)品差評(píng)數(shù)對(duì)共同購(gòu)買關(guān)系影響不大。

除了產(chǎn)品（節(jié)點(diǎn)）屬性影響著共同購(gòu)買關(guān)系的形成，同時(shí)，網(wǎng)絡(luò)自身的結(jié)構(gòu)也對(duì)其有影響，當(dāng)某一產(chǎn)品被不同消費(fèi)者多次購(gòu)買后，電商平臺(tái)往往將此類產(chǎn)品定義為受歡迎產(chǎn)品，在共同購(gòu)買網(wǎng)絡(luò)中該產(chǎn)品表現(xiàn)為高入度產(chǎn)品。因此，當(dāng)推薦系統(tǒng)識(shí)別到有和該品類類似的屬性時(shí)，則更容易將該產(chǎn)品推薦給消費(fèi)者，Xu等[42]在構(gòu)建產(chǎn)品品牌網(wǎng)絡(luò)時(shí)，發(fā)現(xiàn)當(dāng)產(chǎn)品品牌入度越高時(shí)越受歡迎，在社交網(wǎng)絡(luò)中此類現(xiàn)象也稱為“富者越富”，隨著產(chǎn)品入度越高，消費(fèi)者在其他產(chǎn)品信息界面上可能會(huì)出現(xiàn)高入度產(chǎn)品頁(yè)面信息的跳轉(zhuǎn)鏈接，促使消費(fèi)者更容易關(guān)注到高入度產(chǎn)品。因此，在共同動(dòng)態(tài)購(gòu)買網(wǎng)絡(luò)中提出假設(shè)：

假設(shè)5：產(chǎn)品入度越高越可能發(fā)生共同購(gòu)買關(guān)系

2" 數(shù)據(jù)、變量及模型構(gòu)建

2.1" 數(shù)據(jù)來(lái)源及處

本文使用京東商城2018年2月至4月的消費(fèi)者點(diǎn)擊流數(shù)據(jù)，共產(chǎn)生91 410次購(gòu)買。刪除數(shù)據(jù)集中重復(fù)購(gòu)買產(chǎn)品（僅購(gòu)買產(chǎn)品i）的信息，其中共同購(gòu)買（購(gòu)買產(chǎn)品i的同時(shí)購(gòu)買產(chǎn)品j）次數(shù)為61 840次，共同購(gòu)買占據(jù)了交易數(shù)據(jù)集的67.65%。研究動(dòng)態(tài)購(gòu)買網(wǎng)絡(luò)時(shí)，將數(shù)據(jù)集劃分為3個(gè)區(qū)間段，構(gòu)造3個(gè)不同時(shí)間階段下共同購(gòu)買網(wǎng)絡(luò)，數(shù)據(jù)結(jié)構(gòu)如表1所示。

2.2" 被解釋變量與解釋變量

被解釋變量yij表示共同購(gòu)買網(wǎng)絡(luò)的邊，若節(jié)點(diǎn)產(chǎn)品i與節(jié)點(diǎn)產(chǎn)品j之間存在共同購(gòu)買關(guān)系，則yij定義為1，否則為0。通過(guò)消費(fèi)者點(diǎn)擊流數(shù)據(jù)構(gòu)造出產(chǎn)品點(diǎn)擊次數(shù)、相對(duì)瀏覽時(shí)間、好評(píng)數(shù)、差評(píng)數(shù)和入度作為解釋變量，具體公式定義如下：

1）消費(fèi)者i：

，" " " " " " " " "（1）

2）產(chǎn)品j：

，" " " " " " " " （2）

3）產(chǎn)品品類m：

，" " " " " " " " （3）

4）會(huì)話Si表示消費(fèi)者i在同一個(gè)網(wǎng)站中持續(xù)訪問(wèn)，若超過(guò)20分鐘沒(méi)有做出任何新的請(qǐng)求動(dòng)作，則結(jié)束該段會(huì)話；由于每個(gè)消費(fèi)者的行為習(xí)慣不同，因此消費(fèi)者瀏覽的會(huì)話數(shù)也不盡相同，文中用式（5）表示消費(fèi)者i會(huì)話數(shù)量：

，（4）

（5）

5）點(diǎn)擊次數(shù)" 表示消費(fèi)者i在會(huì)話Si內(nèi)，對(duì)產(chǎn)品品類m中的第j個(gè)產(chǎn)品累計(jì)點(diǎn)擊統(tǒng)計(jì)量。

，，" " " " " " （6）

6）單個(gè)產(chǎn)品瀏覽時(shí)間" 表示消費(fèi)者i在會(huì)話Si內(nèi)，對(duì)產(chǎn)品品類m中的第j個(gè)產(chǎn)品瀏覽時(shí)間統(tǒng)計(jì)量。

（7）

7）產(chǎn)品品類m瀏覽時(shí)間" 表示消費(fèi)者i在會(huì)話Si內(nèi)，對(duì)產(chǎn)品品類m的瀏覽統(tǒng)計(jì)量。

（8）

8）相對(duì)瀏覽時(shí)間" 表示消費(fèi)者i在會(huì)話Si內(nèi)，對(duì)產(chǎn)品品類m中的第j個(gè)產(chǎn)品在該段會(huì)話中與瀏覽整個(gè)產(chǎn)品品類m的時(shí)間比值。

（9）

9）好評(píng)數(shù)Gj表示消費(fèi)者i在會(huì)話Si內(nèi)對(duì)產(chǎn)品j的累計(jì)好評(píng)數(shù)量，其中：

（10）

10）差評(píng)數(shù)Bj表示消費(fèi)者i在會(huì)話Si內(nèi)內(nèi)對(duì)產(chǎn)品j的累計(jì)差評(píng)數(shù)量。

（11）

11）入度Ij表示網(wǎng)絡(luò)中任意一產(chǎn)品i對(duì)產(chǎn)品j指向性（i → j）的累積量，由式（12）得出，其中e表示網(wǎng)絡(luò)中邊，E表示邊集合。

（12）

2.3" 模型構(gòu)建

指數(shù)隨機(jī)圖模型（ERGM）研究的是網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)之間鏈接形成的概率，該鏈接通常被當(dāng)作研究問(wèn)題的因變量，網(wǎng)絡(luò)中節(jié)點(diǎn)鏈接的概率不僅受節(jié)點(diǎn)屬性（即外生變量）的影響，而且也受到網(wǎng)絡(luò)自身結(jié)構(gòu)（即內(nèi)生變量）的影響。然而，ERGM通常用作分析靜態(tài)網(wǎng)絡(luò)，為實(shí)現(xiàn)動(dòng)態(tài)網(wǎng)絡(luò)分析，引入時(shí)間指數(shù)隨機(jī)圖模型（TERGM），在ERGM的基礎(chǔ)上，考慮了時(shí)間依賴性，反映了上一階段的網(wǎng)絡(luò)對(duì)當(dāng)前階段網(wǎng)絡(luò)特征的影響。ERGM模型中，Y表示共同購(gòu)買網(wǎng)絡(luò)，式（13）中θ表示模型的系數(shù)列向量，h（Y）表示基于共同購(gòu)買網(wǎng)絡(luò)Y中包含內(nèi)生和外生的統(tǒng)計(jì)向量。為使（1）式的概率控制在0到1之間，常數(shù)k（θ）的表達(dá)式如式（14）所示[43]：

（13）

（14）

在TERGM模型中，將t時(shí)刻共同購(gòu)買的網(wǎng)絡(luò)定義為Y t。根據(jù)離散時(shí)間馬爾可夫鏈的原理，定義一個(gè)K階馬爾可夫相關(guān)的TERGM模型，即第t期共同購(gòu)買網(wǎng)絡(luò)只與第t期前K期的網(wǎng)絡(luò)有關(guān)。式（15）中Y t表示單個(gè)共同購(gòu)買網(wǎng)絡(luò)在單個(gè)時(shí)間點(diǎn)的TERGM。通過(guò)選擇適當(dāng)?shù)腒，將單個(gè)共同購(gòu)買網(wǎng)絡(luò)的概率與其他共同購(gòu)買網(wǎng)絡(luò)的概率乘積作為條件，對(duì)時(shí)間K+1到T之間觀察網(wǎng)絡(luò)的聯(lián)合概率進(jìn)行建模，如式（16）所示[43]，通過(guò)表2可更直觀地觀察到變量在模型中的應(yīng)用。

（15）

（16）

3" 實(shí)證分析與結(jié)果

3.1" 共同購(gòu)買網(wǎng)絡(luò)節(jié)點(diǎn)特征

為了更好地展現(xiàn)共同購(gòu)買網(wǎng)絡(luò)Y在不同時(shí)段上產(chǎn)品節(jié)點(diǎn)和共同購(gòu)買關(guān)系（邊）的更新情況，Y也可表示為一組有向圖 ，。其中，本文選取3個(gè)不同時(shí)段，產(chǎn)品節(jié)點(diǎn)（）是隨時(shí)間變化發(fā)生共同購(gòu)買關(guān)系的產(chǎn)品，邊（）表示不同時(shí)間處的共同購(gòu)買關(guān)系，通過(guò)表3可知不同時(shí)間戳上節(jié)點(diǎn)和邊緣估計(jì)數(shù)。

使用R語(yǔ)言可視化共同購(gòu)買網(wǎng)絡(luò)，如圖1（a）展現(xiàn)了在2018年2月至4月所有發(fā)生共同購(gòu)買關(guān)系的產(chǎn)品圖，外環(huán)通量中產(chǎn)品的聯(lián)通性較低，結(jié)構(gòu)相對(duì)于內(nèi)環(huán)通量更稀疏，表現(xiàn)了這些產(chǎn)品發(fā)生共同購(gòu)買的次數(shù)低。為更好地從不同時(shí)段觀測(cè)共同購(gòu)買網(wǎng)絡(luò)的動(dòng)態(tài)性，圖1（b）至圖（d）分別表示t1時(shí)段共同購(gòu)買產(chǎn)品圖、t2時(shí)段共同購(gòu)買產(chǎn)品圖及t3時(shí)段共同購(gòu)買產(chǎn)品圖，顯示了產(chǎn)品隨著時(shí)間變化發(fā)生共同購(gòu)買的關(guān)系也會(huì)隨之變化，即共同購(gòu)買網(wǎng)絡(luò)實(shí)質(zhì)上具有動(dòng)態(tài)性特點(diǎn)。因此，從不同時(shí)段基于消費(fèi)者點(diǎn)擊流數(shù)據(jù)角度研究其對(duì)共同購(gòu)買關(guān)系的影響是必要且有意義的。

3.2" 解釋變量的結(jié)構(gòu)特征

在模型參數(shù)估計(jì)前，通過(guò)表4可知變量的結(jié)構(gòu)，觀察到每個(gè)變量的標(biāo)準(zhǔn)差都要大于均值，這也突顯出消費(fèi)者在發(fā)生共同購(gòu)買行為時(shí)具有異質(zhì)性特點(diǎn)。同時(shí)，為排除變量之間存在多重共線性的可能，使用方差膨脹因子對(duì)變量進(jìn)行多重共線性診斷，VIF值均小于10，表明變量之間并不存在多重共線性。此外，由于變量都是連續(xù)型數(shù)據(jù)且量綱差異較大，因此我們對(duì)變量進(jìn)行了對(duì)數(shù)變換。

3.3" 網(wǎng)絡(luò)影響因素分析與模型比較

在靜態(tài)網(wǎng)絡(luò)中，可觀察的真實(shí)共同購(gòu)買網(wǎng)絡(luò)有6 103個(gè)產(chǎn)品節(jié)點(diǎn)，最多可發(fā)生共同購(gòu)買次數(shù)為6 103×（6 103 - 1） = 37 240 506，然而真實(shí)網(wǎng)絡(luò)中共同購(gòu)買僅發(fā)生61 840次，該網(wǎng)絡(luò)密度估計(jì)為61 840/37 240 506×100% = 0.16%，表明了共同購(gòu)買網(wǎng)絡(luò)是稀疏的。由ERGM模型結(jié)果顯示可知，若不考慮其他影響因素之前，觀察到的共同購(gòu)買關(guān)系（邊緣）發(fā)生系數(shù)為-8.076，概率為exp （-6.577） / [1 + exp （-6.577）] = 0.14%，與真實(shí)網(wǎng)絡(luò)發(fā)生的概率相差不大，這也意味著產(chǎn)品之間發(fā)生共同購(gòu)買關(guān)系不是隨機(jī)的，存在因果機(jī)制。需要特別指出的是，TERGM模型中穩(wěn)定性指標(biāo)通常用來(lái)衡量共同購(gòu)買網(wǎng)絡(luò)中邊與非邊在t1、t2、t3時(shí)段下的穩(wěn)定性。穩(wěn)定性的系數(shù)3.347，驗(yàn)證了模型動(dòng)態(tài)演化的穩(wěn)定性，且結(jié)果在5%的顯著性水平上線顯著，表明動(dòng)態(tài)變量對(duì)網(wǎng)絡(luò)關(guān)系的形成具有顯著影響，因此基于動(dòng)態(tài)視角研究更具解釋性。

為驗(yàn)證TERGM模型的擬合效果，將ERGM與TERGM兩種方法對(duì)共同購(gòu)買網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行了擬合，從表5的擬合結(jié)果得知，ERGM和TERGM方法中對(duì)相同屬性變量的估計(jì)系數(shù)有顯著差異。產(chǎn)品點(diǎn)擊次數(shù)系數(shù)由-0.150下降為-1.158，且結(jié)果具有顯著性，對(duì)共同購(gòu)買網(wǎng)絡(luò)中邊的形成具有消極作用，在動(dòng)態(tài)購(gòu)買網(wǎng)絡(luò)中，對(duì)共同購(gòu)買鏈接的形成貢獻(xiàn)率降低exp （-1.158） / [1 + exp （-1.158] = 0.24，結(jié)果表明隨著消費(fèi)者不斷點(diǎn)擊產(chǎn)品屬性信息，獲取更多相關(guān)信息，在深入了解產(chǎn)品后，可能會(huì)對(duì)產(chǎn)品產(chǎn)生厭惡情緒而引起意愿波動(dòng)，導(dǎo)致購(gòu)買發(fā)生可能性的降低，同時(shí)，文獻(xiàn)[11]從產(chǎn)品介入度角度衡量產(chǎn)品點(diǎn)擊次數(shù)，也證實(shí)了產(chǎn)品點(diǎn)擊次數(shù)越高也會(huì)降低購(gòu)買發(fā)生的可能性，因此，在共同購(gòu)買動(dòng)態(tài)網(wǎng)絡(luò)中，點(diǎn)擊次數(shù)越高越不可能發(fā)生共同購(gòu)買關(guān)系，驗(yàn)證假設(shè)1；消費(fèi)者對(duì)產(chǎn)品瀏覽時(shí)長(zhǎng)越長(zhǎng)，表明消費(fèi)者對(duì)該產(chǎn)品處于高購(gòu)買意愿狀態(tài)[11]，對(duì)于靜態(tài)網(wǎng)絡(luò)而言，產(chǎn)品品類瀏覽總瀏覽時(shí)長(zhǎng)對(duì)網(wǎng)絡(luò)鏈接形成的貢獻(xiàn)率為exp （0.055） / [1 + exp（0.055）] = 0.51，且結(jié)果顯著，然而在動(dòng)態(tài)網(wǎng)絡(luò)中，隨著時(shí)間的變化，該變量對(duì)共同購(gòu)買鏈接形成的影響結(jié)果并不顯著，然而產(chǎn)品相對(duì)瀏覽時(shí)間在靜態(tài)網(wǎng)絡(luò)中的貢獻(xiàn)率為exp （0.075） / 1 + exp （0.075）] = 0.51，而在動(dòng)態(tài)網(wǎng)絡(luò)中對(duì)共同購(gòu)買鏈接的貢獻(xiàn)率exp （0.087） / [1 + exp（0.087）] = 0.52，結(jié)果說(shuō)明關(guān)注動(dòng)態(tài)消費(fèi)行為時(shí)，電商平臺(tái)并不能依據(jù)消費(fèi)者對(duì)所有產(chǎn)品總瀏覽時(shí)間去推測(cè)其具體喜好，而某個(gè)產(chǎn)品若在整個(gè)瀏覽時(shí)長(zhǎng)中占比（相對(duì)瀏覽時(shí)間）最高，則該產(chǎn)品更應(yīng)被推薦，盡管動(dòng)態(tài)網(wǎng)絡(luò)中從此變量維度考慮相較于靜態(tài)網(wǎng)絡(luò)對(duì)共同購(gòu)買關(guān)系形成的概率差別不大，但在線上電商平臺(tái)市場(chǎng)上，提升0.01%的購(gòu)買率即可帶來(lái)大量銷售額[44]，驗(yàn)證假設(shè)2。

結(jié)合消費(fèi)者顯示反饋信息，基于消費(fèi)者對(duì)產(chǎn)品評(píng)論角度可知，不論在動(dòng)態(tài)網(wǎng)絡(luò)還是靜態(tài)網(wǎng)絡(luò)中研究產(chǎn)品好評(píng)數(shù)對(duì)共同購(gòu)買鏈接形成的影響是正向且顯著的，在動(dòng)態(tài)購(gòu)買網(wǎng)絡(luò)下，對(duì)共同購(gòu)買鏈接的貢獻(xiàn)率exp （0.367） / [1 + exp （0.367）] = 0.60，驗(yàn)證假設(shè)3；然而為更全面了解產(chǎn)品信息，僅關(guān)注產(chǎn)品好評(píng)數(shù)遠(yuǎn)遠(yuǎn)不夠，因此考慮產(chǎn)品差評(píng)數(shù)對(duì)共同購(gòu)買的影響，結(jié)果可知在靜態(tài)網(wǎng)絡(luò)下，產(chǎn)品差評(píng)數(shù)對(duì)共同購(gòu)買鏈接的貢獻(xiàn)率降低exp （-0.081） / [1 + exp （-0.081）] = 0.48，在動(dòng)態(tài)網(wǎng)絡(luò)下，對(duì)共同購(gòu)買鏈接的貢獻(xiàn)率下降為exp （-0.168） / [1 + exp （-0.168）] = 0.46，且影響結(jié)果并不顯著，這說(shuō)明研究消費(fèi)者動(dòng)態(tài)購(gòu)買行為時(shí)，隨著產(chǎn)品評(píng)論信息逐漸增加，該產(chǎn)品差評(píng)數(shù)對(duì)消費(fèi)者購(gòu)買意愿的影響逐漸變得沒(méi)那么重要，負(fù)面信息稀釋，驗(yàn)證假設(shè)4；產(chǎn)品入度在動(dòng)態(tài)網(wǎng)絡(luò)下對(duì)產(chǎn)品共同購(gòu)買鏈接形成的貢獻(xiàn)率為exp （0.411） / [1 + exp （0.411）] = 0.60且結(jié)果顯著，說(shuō)明“富者越富”[40]的現(xiàn)象在線上購(gòu)物平臺(tái)中也同樣適用，越受歡迎的產(chǎn)品越能被消費(fèi)者所購(gòu)買，驗(yàn)證假設(shè)5。綜上，基于消費(fèi)者點(diǎn)擊流行為數(shù)據(jù)對(duì)現(xiàn)實(shí)共同購(gòu)買動(dòng)態(tài)網(wǎng)絡(luò)的形成具有解釋意義。

4" 結(jié)" 論

本文使用了點(diǎn)擊流數(shù)據(jù)對(duì)消費(fèi)者的共同購(gòu)買行為進(jìn)行研究。基于消費(fèi)者介入理論并結(jié)合隱式反饋提出了共同購(gòu)買行為的影響假設(shè)；考慮到消費(fèi)者購(gòu)物行為的決策階段性、意愿動(dòng)態(tài)性、時(shí)序網(wǎng)絡(luò)性的特征，使用和對(duì)比了隨機(jī)指數(shù)圖模型（ERGM）與時(shí)態(tài)隨機(jī)指數(shù)圖模型（TERGM）在消費(fèi)者共同購(gòu)買行為測(cè)度的適用性，分析和驗(yàn)證了影響共同購(gòu)買行為的因素。研究發(fā)現(xiàn)：

1）消費(fèi)者共同購(gòu)買行為與意愿具有時(shí)間流變性特征，而點(diǎn)擊流數(shù)據(jù)為消費(fèi)者共同購(gòu)買行為的精準(zhǔn)動(dòng)態(tài)刻畫提供可能；由基于點(diǎn)擊流數(shù)據(jù)的網(wǎng)絡(luò)分析結(jié)果（圖1）可知，消費(fèi)者的共同購(gòu)買行為在分段的時(shí)間尺度流變中表現(xiàn)出了節(jié)點(diǎn)關(guān)系流變與稀疏性變更，表明消費(fèi)者的共同購(gòu)買行為及其對(duì)產(chǎn)品意愿變化確實(shí)具有時(shí)間動(dòng)態(tài)性，而這種隱含時(shí)間要素的點(diǎn)擊流數(shù)據(jù)使得共同購(gòu)買行為的動(dòng)態(tài)刻畫成為可能；產(chǎn)品點(diǎn)擊次數(shù)會(huì)顯著負(fù)面影響消費(fèi)者行為，隨著時(shí)序推進(jìn)和點(diǎn)擊量累加，消費(fèi)者共同購(gòu)買的意愿會(huì)下降；而產(chǎn)品相對(duì)瀏覽時(shí)間則正向顯著地影響著消費(fèi)者共同購(gòu)買行為的形成，當(dāng)消費(fèi)者瀏覽某一產(chǎn)品的時(shí)間占比在類別的總瀏覽時(shí)間很大時(shí)，消費(fèi)者發(fā)生購(gòu)買行為的可能性會(huì)越大；組合的產(chǎn)品關(guān)聯(lián)度（產(chǎn)品入度）會(huì)顯著正向影響消費(fèi)者的共同購(gòu)買行為。因此，通過(guò)分析消費(fèi)者歷史購(gòu)買記錄和瀏覽記錄可以推測(cè)出消費(fèi)者未來(lái)的購(gòu)買趨勢(shì)，啟示商家在進(jìn)行組合薦購(gòu)時(shí)，要依據(jù)預(yù)測(cè)后續(xù)購(gòu)買的可能性來(lái)為消費(fèi)者進(jìn)行推薦，推薦高關(guān)聯(lián)商品，以提升購(gòu)買率。

2）消費(fèi)者的共同購(gòu)買行為存在異質(zhì)性，共同購(gòu)買的產(chǎn)品市場(chǎng)存在細(xì)分市場(chǎng)；從基于點(diǎn)擊流數(shù)據(jù)的樣本數(shù)據(jù)集變量描述性統(tǒng)計(jì)中（表4）可知，每個(gè)隱式反饋?zhàn)兞康臉?biāo)準(zhǔn)差均要遠(yuǎn)大于均值，這表明消費(fèi)者在發(fā)生的91 410次共同購(gòu)買偏好中存在著很強(qiáng)的異質(zhì)性，這種偏好異質(zhì)性體現(xiàn)在不同共同購(gòu)買商品的產(chǎn)品點(diǎn)擊次數(shù)、相對(duì)瀏覽時(shí)間、產(chǎn)品好評(píng)數(shù)與產(chǎn)品關(guān)聯(lián)性（產(chǎn)品入度）上，而就消費(fèi)者感知的視角而言，共同購(gòu)買產(chǎn)品市場(chǎng)上存在著市場(chǎng)細(xì)分與細(xì)分市場(chǎng)，這為更深刻的認(rèn)識(shí)共同購(gòu)買行為的市場(chǎng)結(jié)構(gòu)提供了遵循。

3）本文使用了靜態(tài)的ERGM模型和TERGM模型分別對(duì)消費(fèi)者共同購(gòu)買行為的預(yù)測(cè)概率與現(xiàn)實(shí)概率進(jìn)行了比較，發(fā)現(xiàn)動(dòng)態(tài)模型TERGM相比于靜態(tài)模型ERGM更好，說(shuō)明共同購(gòu)買網(wǎng)絡(luò)具有動(dòng)態(tài)性，打破以往將所有連續(xù)時(shí)間戳作為整體研究對(duì)象的不足，由于消費(fèi)者在不同的時(shí)間段對(duì)產(chǎn)品的喜好程度不同，同時(shí)隨著時(shí)間推移，產(chǎn)品的相關(guān)信息也逐漸增多，消費(fèi)者可能會(huì)改變過(guò)去對(duì)產(chǎn)品購(gòu)買欲望，因此從動(dòng)態(tài)性角度分析能夠使推薦結(jié)果更理想，能夠提高推薦的準(zhǔn)確性。

4）本文基于靜態(tài)ERGM模型和TERGM模型對(duì)差評(píng)數(shù)對(duì)共同購(gòu)買行為的影響進(jìn)行了網(wǎng)絡(luò)分析，由ERGM模型中可知負(fù)面評(píng)價(jià)對(duì)消費(fèi)者共同購(gòu)買行為的發(fā)生有負(fù)面顯著的影響，而將時(shí)間尺度納入考慮的TERGM模型中，負(fù)面評(píng)價(jià)對(duì)消費(fèi)者共同購(gòu)買行為的影響同樣是負(fù)面的，但這種影響卻變得不再顯著。根據(jù)消費(fèi)者的記憶效應(yīng)，消費(fèi)者往往對(duì)于產(chǎn)品的態(tài)度往往具有時(shí)期依賴性，因而隨著時(shí)間推移這種負(fù)面影響削弱，且這種影響會(huì)被相對(duì)快速增長(zhǎng)的好評(píng)數(shù)所稀釋，這啟示商家在制定共同購(gòu)買的營(yíng)銷策略時(shí)可以擴(kuò)大好評(píng)數(shù)的基本面，這是確定的可以提高銷售量的因素，而負(fù)面評(píng)價(jià)帶來(lái)的消極影響會(huì)隨著時(shí)間推移而被弱化。

然而，本文雖然結(jié)合消費(fèi)者意愿的動(dòng)態(tài)性并考慮時(shí)序?qū)餐?gòu)買行為的影響，但在時(shí)序跨度（尺度）的選擇上仍具有一定的局限性，沒(méi)有對(duì)不同時(shí)間跨度下的TERGM模型進(jìn)行橫向?qū)Ρ?；?duì)于產(chǎn)品差評(píng)數(shù)在考慮時(shí)序的情況下影響效度變化的臨界條件與機(jī)理未能得出相應(yīng)深刻的管理啟示；由于數(shù)據(jù)的限制，未能結(jié)合消費(fèi)者人口特征數(shù)據(jù)對(duì)消費(fèi)者進(jìn)行群體特征刻畫，這也是后續(xù)研究的可能方向。

參考文獻(xiàn)：

[1] 李國(guó)鑫，李一軍，李兵，等.我國(guó)電子商務(wù)用戶網(wǎng)上購(gòu)物行為的影響因素及其演變：基于2006年與2009年數(shù)據(jù)的實(shí)證研究 [J].管理評(píng)論，2012，24（7）：56-62.

[2] 呂曉玲，吳喜之.電子商務(wù)客戶網(wǎng)絡(luò)購(gòu)物行為挖掘 [J].統(tǒng)計(jì)與信息論壇，2007（3）：29-32.

[3] 王樹(shù)西. 一種基于內(nèi)容的購(gòu)物網(wǎng)站推薦算法 [C]//第六屆中國(guó)智能計(jì)算大會(huì).開(kāi)封：中國(guó)運(yùn)籌學(xué)會(huì)，2012：185-188.

[4] 劉枚蓮，劉同存，吳偉平.基于網(wǎng)絡(luò)消費(fèi)者偏好預(yù)測(cè)的推薦算法研究 [J].圖書情報(bào)工作，2012，56（4）：120-125.

[5] 姚凱，涂平，陳宇新，等.基于多源大數(shù)據(jù)的個(gè)性化推薦系統(tǒng)效果研究 [J].管理科學(xué)，2018，31（5）：3-15.

[6] 羅亞.基于決策過(guò)程的個(gè)性化推薦系統(tǒng)設(shè)計(jì) [J].計(jì)算機(jī)工程與應(yīng)用，2017，53（14）：105-110.

[7] SODSEE S，KOMKHAO M. Item Recommending by Item Co-Purchasing Network and User Preference [C]//2017 Twelfth International Conference on Digital Information Management（ICDIM）.Fukuoka：IEEE，2017：216-221.

[8] HORANI M，ALSMADI A，AL-AYYOUB M，et al. Measuring User Influence in a Co-Reviewer Network [C]//2018 9th International Conference on Information and Communication Systems（ICICS）. Irbid：IEEE，2018：227-232.

[9] ZHAO T，MCAULEY J，LI M，et al. Improving Recommendation Accuracy Using Networks of Substitutable and Complementary Products [C]//2017 International Joint Conference on Neural Networks（IJCNN）.Anchorage：IEEE，2017：3649-3655.

[10] 詹明君.行為流視角下的產(chǎn)品動(dòng)態(tài)競(jìng)爭(zhēng)市場(chǎng)結(jié)構(gòu)研究 [D].廣州：廣東工業(yè)大學(xué)，2020.

[11] MONTGOMERY A L，LI S，SRINIVASAN K，et al. Modeling Online Browsing and Path Analysis Using Clickstream Data [J].Marketing Science，2004，23（4）：579-595.

[12] 詹明君.基于點(diǎn)擊流數(shù)據(jù)的電子商務(wù)用戶購(gòu)物行為分析 [D].廣州：廣東工業(yè)大學(xué)，2017.

[13] 劉洪偉，高鴻銘，陳麗，等.基于用戶瀏覽行為的興趣識(shí)別管理模型 [J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2018，2（2）：74-85.

[14] 郭振豪.電商平臺(tái) “二選一” 的法律規(guī)制 [J].新余學(xué)院學(xué)報(bào)，2020，25（3）：60-65.

[15] FRANK O，STRAUSS D. Markov Graphs [J].Journal of the American Statistical Association，1986，81（395）：832-842.

[16] 劉林青，陳紫若.中國(guó)優(yōu)勢(shì)產(chǎn)業(yè)組合的動(dòng)態(tài)演化機(jī)制研究——基于TERGM的實(shí)證分析 [J].科技進(jìn)步與對(duì)策，2020，37（11）：70-78.

[17] 郭建杰，謝富紀(jì).基于ERGM的協(xié)同創(chuàng)新網(wǎng)絡(luò)形成影響因素實(shí)證研究 [J].管理學(xué)報(bào)，2021，18（1）：91-98.

[18] 段慶鋒，蔣保建.基于ERGM模型的技術(shù)合作網(wǎng)絡(luò)結(jié)構(gòu)效應(yīng)研究 [J].現(xiàn)代情報(bào)，2018，38（8）：83-89.

[19] 段慶鋒，馮珍.基于指數(shù)隨機(jī)圖模型的學(xué)術(shù)社交網(wǎng)絡(luò)形成機(jī)制研究 [J].情報(bào)科學(xué)，2019，37（7）：84-89+145.

[20] GHOSH A，RANGANATHAN R，ROSENKOPF L. The Impact of Context and Model Choice on the Determinants of Strategic Alliance Formation： Evidence from a Staged Replication Study [J].Strategic Management Journal，2016，37（11）：2204-2221.

[21] CIMENLER O，REEVES K A，SKVORETZ J. An Evaluation of Collaborative Research in a College of Engineering [J].Journal of Informetrics，2015，9（3）：577-590.

[22] ROBINS G，SNIJDERS T，WANG P，et al. Recent Developments in Exponential Random Graph （P*） Models for Social Networks [J].Social Networks，2007，29（2）：192-215.

[23] 曹薇，董瑤，苗建軍.基于ERGM的區(qū)域知識(shí)產(chǎn)權(quán)保護(hù)網(wǎng)絡(luò)形成機(jī)制研究 [J].軟科學(xué)，2019，33（11）：131-137.

[24] 楊文龍，杜德斌.“一帶一路”沿線國(guó)家投資網(wǎng)絡(luò)結(jié)構(gòu)及其影響因素：基于ERGM模型的研究 [J].世界經(jīng)濟(jì)研究，2018（5）：80-94+137.

[25] HANNEKE S，F(xiàn)U W，XING E P. Discrete Temporal Models Of Social Networks [J].Electronic Journal of Statistics，2010，4：585-605.

[26] GUTIéRREZ-MOYA E，LOZANO S，ADENSO-DíAZ B. Analysing the Structure of the Global Wheat Trade Network： An ERGM Approach [J].Agronomy，2020，10（12）：1967.

[27] 唐曉彬，崔茂生.“一帶一路”貨物貿(mào)易網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)變化及其影響機(jī)制 [J].財(cái)經(jīng)研究，2020，46（7）：138-153.

[28] 劉璇，汪林威，李嘉，等.科研合作網(wǎng)絡(luò)形成機(jī)理——基于隨機(jī)指數(shù)圖模型的分析 [J].系統(tǒng)管理學(xué)報(bào)，2019，28（3）：520-527.

[29] 林玲.基于ERGM模型的國(guó)際知識(shí)產(chǎn)權(quán)貿(mào)易網(wǎng)絡(luò)及其形成機(jī)制研究 [D].上海：上海外國(guó)語(yǔ)大學(xué)，2021.

[30] GOSZTONYI M. Japanese Network Economy-ERGM Analysis of the “Big Six” [J/OL].Advances in Politics and Economics，2021，4（2）：[2023-09-26].https：//doi.org/10.22158/ape.v4n2p44.

[31] 王智圣，李琪，汪靜，等.基于隱式用戶反饋數(shù)據(jù)流的實(shí)時(shí)個(gè)性化推薦 [J].計(jì)算機(jī)學(xué)報(bào)，2016，39（1）：52-64.

[32] 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.

[33] JENKINS P. ClickGraph： Web Page Embedding Using Clickstream Data for Multitask Learning [C]//Companion Proceedings of The 2019 World Wide Web Conference.New York：ACM：2019：37-41.

[34] ZHOU G，ZHU X，SONG C，et al. Deep Interest Network for Click-Through Rate Prediction [C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining.New York：ACM，2018：1059-1068.

[35] 張玉連，王權(quán).基于瀏覽行為和瀏覽內(nèi)容的用戶興趣建模 [J].現(xiàn)代圖書情報(bào)技術(shù)，2007（6）：52-55.

[36] 高鴻銘，劉洪偉，詹明君，等.在線評(píng)論與產(chǎn)品介入對(duì)虛擬購(gòu)物車選擇決策的影響研究——基于消費(fèi)者介入理論 [J].中國(guó)管理科學(xué)，2021，29（6）：211-222.

[37] DING A W，LI S，CHATTERJEE P. Learning User Real-Time Intent for Optimal Dynamic Web Page Transformation [J].Information Systems Research，2015，26（2）：339-359.

[38] HAN X P，ZHOU T，WANG B H. Modeling Human Dynamics with Adaptive Interest [J/OL].New Journal of Physics，2008，10（7）：073010（2023-09-26）.https：//iopscience.iop.org/article/10.1088/1367-2630/10/7/073010/pdf.

[39] 武鵬飛，閆強(qiáng).在線評(píng)論對(duì)社交網(wǎng)絡(luò)中電子口碑采納的影響研究 [J].北京郵電大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2015，17（1）：52-61.

[40] 梁劍平，武亮，容家希.網(wǎng)絡(luò)口碑如何促進(jìn)購(gòu)買意愿？——基于消費(fèi)者鼓舞的被調(diào)節(jié)中介模型 [J].商業(yè)經(jīng)濟(jì)與管理，2021（2）：56-67.

[41] 王文峰，李磊.網(wǎng)絡(luò)口碑再傳播對(duì)消費(fèi)者購(gòu)買意愿的影響研究——基于消費(fèi)者寬恕的中介作用 [J].價(jià)格理論與實(shí)踐，2020（11）：124-127.

[42] XU M，BHATTACHARYYA S. Inferring Brand Knowledge from Online Consumer Associative Brand Networks [C]//Workshops at the Thirty-Second AAAI Conference on Artificial Intelligence.AAAI，2018：114-120.

[43] LEIFELD P，CRANMER S J，DESMARAIS B A. Temporal Exponential Random Graph Models with Btergm： Estimation and Bootstrap Confidence Intervals [J].Journal of Statistical Software，2018，83（6）：1-36.

[44] LUO X，LU X，LI J. When and How to Leverage E-Commerce Cart Targeting： the Relative and Moderated Effects of Scarcity and Price Incentives with a Two-Stage Field Experiment and Causal Forest Optimization [J].Information Systems Research，2019，30（4）：1203-1227.

作者簡(jiǎn)介：易閩琦（1997—），女，漢族，江西宜春人，碩士研究生，研究方向：消費(fèi)者行為決策、大數(shù)據(jù)與智能數(shù)據(jù)分析；溫展明（1992—），男，漢族，廣東梅州人，講師，博士研究生，研究方向：數(shù)據(jù)可視化與消費(fèi)者行為研究。