从点击行为到购物意图：一个用于诊断消费者购物目标并个性化零售策略的异构图框架

时间：2026年2月16日

来源：Electronic Commerce Research and Applications

编辑推荐：

电商推荐系统需突破“语境盲”局限，精准识别用户购买动机（品牌忠诚度或类别探索需求）。本文提出HGCAR框架，构建包含用户、商品、品牌、类别的多关系异构图，通过分层注意力机制动态量化品牌与类别的影响权重（β），生成可解释的诊断指标。实验表明，该模型在亚马逊数据集上显著优于SOTA基线，且通过用户分群策略可提升营销ROI。研究填补了预测精度与商业决策可操作性之间的鸿沟，为个性化营销提供技术支撑。

严永杰|谢慧

福建商学院信息工程学院，中国福州350012

摘要

在现代电子商务中，推荐系统对于个性化至关重要。然而，许多系统存在“上下文盲视”问题，无法区分用户的基本动机，如对品牌的忠诚度和探索性类别搜索。这种限制导致了推荐效果不佳和收入机会的丧失。为了解决这一问题，我们提出了异构图上下文感知推荐器（HGCAR）。该框架构建了一个包含用户、商品、品牌和类别的多关系图，并采用分层注意力机制来预测用户选择，同时通过量化每种上下文（例如品牌与类别）对每个用户的影响来诊断潜在的驱动因素。由此产生的用户特定注意力权重（

β

）可作为管理上可解释的诊断工具。这使得从业者可以根据用户的主要购买动机（例如“品牌忠诚者”与“类别探索者”）对用户进行细分，从而实施高度针对性的营销活动。我们在大规模的亚马逊数据集上评估了该框架，结果表明HGCAR在推荐准确性方面显著优于现有的最佳模型。此外，一项模拟研究表明，使用我们的诊断权重对用户进行细分有可能大幅提高营销活动的投资回报率（ROI）。这项工作弥合了预测准确性与管理可行性之间的差距，将推荐系统从黑箱预测器转变为个性化营销和库存优化的战略决策工具。

引言

电子商务的快速和无限制扩张从根本上改变了全球零售格局，创造了激烈的竞争环境和几乎无限的消费者选择（Ricci等人，2011年）。在这个饱和市场中，提供与消费者复杂动机相呼应的高度个性化体验已成为零售商成功的关键因素（Scholdra等人，2023年；Bolton，2019年）。推荐系统已成为实现大规模个性化的核心技术，已有大量文献致力于其开发和改进（Su和Khoshgoftaar，2009年；Ricci等人，2015年；Batmaz等人，2019年）。

然而，大多数传统甚至许多最先进的推荐系统都基于一个简化的假设：根据用户的历史交互行为预测其下一次交互。虽然这种方法在某种程度上有效，但往往忽略了购买背后的关键“原因”——即影响消费者决策的多方面上下文（Adomavicius等人，2022年；Verbert等人，2012年）。这种“上下文盲视”不仅是一个技术限制，也是一个重大的商业风险。未能区分由品牌忠诚度驱动的购买行为和由探索性类别驱动的购买行为会导致无效甚至适得其反的营销策略。例如，为最近购买的高端电子设备推荐不兼容的配件不仅浪费了相关的交叉销售机会，更重要的是，它表明了对消费者需求的深刻误解，直接侵蚀了客户的信任。行业分析一致指出，这种上下文不恰当的推荐会增加用户跳出率，并带来可测量的商业风险（Nordin和Ravald，2023年）。

财务利益非常巨大。主要的咨询报告长期以来一直估计有效的个性化可以带来显著的收入增长（Charm等人，2020年）。最近的学术和行业研究表明，动态适应的个性化策略可以显著提高客户生命周期价值（CLV）。然而，一个持续的挑战是企业的营销行动与其客户潜在的、往往未明确表达的目标之间的战略不一致。这一差距突显了需要能够实时预测和诊断用户意图的系统。

图神经网络（GNN）的出现标志着推荐领域的范式转变，使模型能够捕捉用户-商品交互数据中的复杂高阶关系（Wang等人，2021年；Wu等人，2022b年）。像神经图协同过滤（NGCF）（Wang等人，2019b年）和LightGCN（He等人，2020年）这样的开创性工作通过用户-商品二分图传播信息，展示了卓越的性能。然而，这些强大的模型主要在 homogeneous 图上运行，因此无法洞察到品牌、类别和属性等丰富异构网络对消费者决策的根本影响。这一限制意味着它们无法明确区分品牌偏好和类别偏好的不同影响，而这对于战略零售管理至关重要。

为了弥合技术能力与战略需求之间的这一关键差距，我们提出了异构图上下文感知推荐器（HGCAR），该框架不仅旨在预测购买行为，还旨在诊断和应对消费者意图的潜在驱动因素。HGCAR的核心创新在于其构建的多关系异构图及其分层注意力机制。该机制能够学习为每个用户单独权衡基于品牌和类别的信号的重要性，从而判断消费者是“品牌忠诚者”、“类别探索者”还是“机会主义”购物者（Song等人，2019年）。

本研究由四个相互关联的主要研究问题（RQs）指导，从技术建模逐步发展到战略应用：

•
RQ1（建模）：如何在一个统一的图框架内有效地建模零售环境的复杂多关系上下文（即用户、商品、品牌和类别之间的关系），以捕捉超出传统协同过滤的信号？
•
RQ2（性能）：与现有的最佳GNN相比，明确建模品牌和类别上下文是否能够显著提高推荐准确性，更重要的是，在估计收入和客户生命周期价值等商业相关指标上有所改进？
•
RQ3（可解释性）：模型的内部机制，特别是其注意力权重，是否可以设计为可解释的诊断工具，用于识别和量化个别消费者行为的主要驱动因素（即购物目标）？
•
RQ4（应用）：如何将这些来自HGCAR的诊断洞察整合到企业的营销技术栈中，创建一个闭环系统，以实现自适应的实时个性化、战略决策和可测量的投资回报率（ROI）？

我们的贡献有四个方面，旨在解决这些关键的管理和技术挑战：

1.
技术贡献（架构，解决RQ1）：我们提出了HGCAR，这是一个新颖的异构图神经网络框架，将用户、商品、品牌和类别实体作为一级公民进行全面建模。该架构通过明确表示多方面的零售关系，克服了上下文盲视的个性化限制。
2.
技术贡献（机制，解决RQ1和RQ3）：我们设计了一种分层注意力机制，其学习输出（ $β$ 权重）是用户特定的和动态的。这种机制对于区分消费者行为中的混合信号至关重要，是模型卓越性能的关键驱动因素，与仅具有全局注意力权重的模型形成鲜明对比。
3.
应用贡献（诊断，解决RQ3）：我们证明了模型的 $β$ 权重可作为透明且可管理的诊断指标。这一创新使能够根据消费者的核心行为动机（品牌偏好与类别偏好）进行动态细分，将重点从“他们购买了什么”转移到“他们为什么购买”。这提供了一种与事后解释方法根本不同的可解释性形式，提供了用户意图的战略诊断，而不仅仅是单一预测的合理性。
4.
应用贡献（策略，解决RQ2和RQ4）：我们提供了一个实用的数据驱动决策框架，将模型的诊断信号与高ROI的上下文营销策略联系起来，弥合了预测准确性与管理可行性之间的差距。

本文的其余部分结构如下：第2节对相关文献进行了全面回顾，为我们的工作在消费者行为、推荐系统和GNN方面的理论基础进行了阐述。第3节详细介绍了我们提出的HGCAR框架的架构。第4节介绍了实验设置、严格的结果分析和模拟的投资回报率（ROI）研究。第5节讨论了我们发现的深刻理论和管理意义。最后，第6节总结了本文并概述了未来研究的方向。