随着互联网和移动设备的普及，消费者的购物行为呈现出多渠道、动态演变和个性化的特点[1]。餐厅经营者和电子商务平台越来越依赖对消费者行为的准确预测，以便及时调整营销策略、优化渠道整合并提升客户体验[2]、[3]。特别是在当今促销信息（例如优惠券）和消费者评价（例如在线评论）高度透明的环境中，预测消费者在下一个时间段会访问哪些类型的商店以及购买哪些产品，不仅有助于企业提高营销效率，还能有效降低营销成本，并提升消费者满意度和忠诚度[4]。
尽管已有大量研究通过平均评分[5]、评论量[6]和情感分析[7]等指标来研究消费者评论的影响，但这些研究主要集中在对集体决策的静态影响上。它们往往忽略了评论者发布评论后购买意图的动态变化，也没有考虑评论者个人特征与其后续行为之间的内在关系[8]。基于此，本文提出了第一个核心研究问题（RQ1）：我们如何动态跟踪和量化消费者发布评论后购买意图的变化？为了解决RQ1，我们提出了三维心理账户分析框架（TDMAAF）。该框架基于心理账户理论，利用大型语言模型分析评论文本，并将消费者反馈分类为效率、质量和情感账户。通过将这些维度投影到潜在空间中，该框架能够动态捕捉消费者表达的体验如何影响其后续购买意图，实现实时、多维度的分析。
同样，现有的关于优惠券的研究也受到静态假设的限制，即认为优惠券的价值是固定的，未能模拟实时促销调整如何影响消费者的购买路径[9]、[10]、[11]。此外，缺乏关于优惠券使用后用户行为的详细数据阻碍了我们对商店-产品层面优惠变化如何影响消费者选择的深入理解[12]。这引出了第二个核心研究问题（RQ2）：我们如何模拟商店-产品层面优惠券价值的动态变化及其对消费者购买路径选择的影响？为了解决这一限制，我们在超图中引入了基于三角关系的节点特征更新（TRBNFU）方法。通过构建消费者-商店-优惠券和消费者-产品-优惠券子图，并采用异构图注意力机制，TRBNFU动态聚合了折扣和交易信息。这一过程将不断变化的价格激励和用户反馈的影响编码到节点嵌入中，准确反映了动态的商店-产品层面促销如何驱动消费者的路径选择。
更广泛的挑战在于当前研究的碎片化性质，这些研究通常孤立地研究促销工具、在线评论和历史行为[13]、[14]，缺乏分析它们共同效应的统一框架。即使是先进的深度学习模型也没有整合这三个关键维度[4]。基于此，本文提出了第三个核心研究问题（RQ3）：我们如何构建一个综合预测框架，整合优惠券促销的动态性、消费后体验的可解释性和历史行为的连续性？为了解决RQ3并填补这一空白，我们提出了时间跨实体节点融合（TCENF）模块。TCENF在TDMAAF和TRBNFU的基础上，利用多头注意力和门控单元动态融合折扣敏感性和消费体验的特征，从而更新购买惯性的表示。通过将这些整合的特征输入到时间图神经网络中，TCENF提供了消费者决策的统一模型，显著提高了预测准确性和个体购买路径的可解释性。
为了实证验证所提出的模型，我们使用了来自中国餐饮行业的两个大规模真实世界数据集进行了全面实验评估，这两个数据集代表了不同的商业模式：一家全服务餐厅连锁店和一家高频饮料店。所提出的BEHGN模型与几种最先进的基线模型在商店、产品和路径选择等逐步具有挑战性的任务上进行了严格比较。实证结果表明，BEHGN在所有基线模型中始终表现出显著的优势。特别是在最复杂的路径选择任务中，BEHGN在第一个数据集上的AUC为0.984，F1分数为0.811；在第二个数据集上的AUC为0.923。该模型还展示了出色的鲁棒性和泛化能力，获得了最高的适应性得分0.940[59]。在模拟的个性化优惠券推荐任务[13]中，BEHGN策略带来了卓越的业务回报，总收入为2,243,131.94元，购买转化率为12.1%。最后，消融研究证实了每个模型组件的必要性，显示完整模型在商店选择任务上的预测损失减少了最多，系数为−0.1696，从而验证了我们的集成设计。
本研究基于设计科学范式，提出了一种新颖的多维数据融合模型，用于预测消费者购买路径。它通过整合异构的商店层面优惠和消费者体验反馈提供了新的理论视角，而其动态的异构图神经网络方法解决了以往工作中预测准确性的局限性[4]。实际上，这项研究为企业提供了强大的决策工具，使它们能够通过揭示商店层面差异如何影响消费者选择来优化营销策略并提升客户忠诚度。
