基于點擊流數(shù)據(jù)的消費者動態(tài)共購網(wǎng)絡研究

摘" 要：文章基于消費者點擊流數(shù)據(jù)和網(wǎng)絡結(jié)構(gòu)，使用時態(tài)指數(shù)隨機圖模型（TERGM）和消費者點擊流數(shù)據(jù)建構(gòu)了消費者動態(tài)共同購買網(wǎng)絡，從產(chǎn)品點擊次數(shù)、相對瀏覽時間、好評數(shù)、差評數(shù)和產(chǎn)品入度等維度測度了影響消費者共同購買行為發(fā)生的關(guān)鍵變量，并與指數(shù)隨機圖模型（ERGM）進行了比較。結(jié)果表明：產(chǎn)品相對瀏覽時間、好評數(shù)和產(chǎn)品入度促進消費者共同購買行為發(fā)生，而產(chǎn)品點擊次數(shù)會降低消費者共同購買可能性；TERGM模型適合于消費者共同購買行為的網(wǎng)絡分析，且擬合效果優(yōu)于ERGM，驗證了TERGM模型對消費者共同購買行為的適用性；文章提出點擊流的隱式反饋中應加入時間網(wǎng)絡結(jié)構(gòu)視角研究對共同購買網(wǎng)絡形成的影響，可為推薦系統(tǒng)優(yōu)化設(shè)計提供有益參考。

關(guān)鍵詞：共同購買；消費者點擊流數(shù)據(jù)；網(wǎng)絡分析；指數(shù)隨機圖模型；時間指數(shù)隨機圖模型

中圖分類號：TP391.4；F713.8 文獻標識碼：A 文章編號：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

隨著當前信息技術(shù)發(fā)展與電子商務的應用普及，電商平臺已成為當前消費者購物的重要場景和渠道[1，2]。近年來，各線上購物平臺與企業(yè)為保證其市場競爭優(yōu)勢并滿足消費者的異質(zhì)性偏好，開始依托平臺積累的消費者購物與行為數(shù)據(jù)開發(fā)推薦算法，向消費者營銷可能滿足其需求與偏好的商品[3，4]，以期進一步提升消費者購物體驗與企業(yè)市場占有份額[5，6]。

在平臺商家精準營銷與捆綁銷售背景下，消費者在選擇其意向購物商品時，往往受到平臺營銷推介的影響，而同時購買其他商品，而這即為消費者的共同購買行為。共同購買作為消費者線上購物場景中的普遍現(xiàn)象，是當前消費者購物行為研究熱點，Sodsee將共同購買商品構(gòu)建成共同購買網(wǎng)絡，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測得出產(chǎn)品評級矩陣，結(jié)合二者預測求出最符合用戶的最佳產(chǎn)品，有利于提升多目標推薦的準確率[7]；Horani在研究共同購買商品時，通過商品中心性指標和用戶歷史推薦產(chǎn)品數(shù)量與點贊產(chǎn)品數(shù)量來識別有影響力的用戶，通過這兩個因素，識別出在社交網(wǎng)絡中具有影響力的用戶，有利于提升購買率[8]；Zhao等人通過用戶共同購買數(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)共同購買數(shù)據(jù)對產(chǎn)品進行排序和嵌入式學習的方法，證實了從產(chǎn)品之間的關(guān)系進行推薦有助于提高推薦的準確性[9]。一般而言，消費者的購物行為會跨越一個或多個時間段，其購物行為也通常被認為是階段性的決策行為，一個完整的消費者購物過程將歷經(jīng)信息獲取階段、考慮階段和選擇階段[10]，在消費者完成整個購物行為的每一個決策階段都能產(chǎn)生大量的點擊流數(shù)據(jù)。而伴隨Web 2.0的發(fā)展，消費者在電商平臺中的交互點擊行為及數(shù)據(jù)已經(jīng)可以被記錄與獲取，通過消費者在頁面級和產(chǎn)品級的點擊流數(shù)據(jù)來刻畫其在電商平臺上的購物行為與偏好需求成為可能[11，12]，而基于點擊流數(shù)據(jù)的消費者購物行為網(wǎng)絡分析及其影響因素解析，也就成了當前學界研究消費者購物行為的重要方向。

此外，考慮到消費者記憶效應的影響，消費者的需求與興趣偏好被認為具有動態(tài)性特征，通常隨著時間推移將產(chǎn)生波動和變化[10，13]。而實質(zhì)上消費者群體與行為的異質(zhì)性特征也正是其需求與偏好在時間動態(tài)性上的表征。然而，正是由于其動態(tài)性與異質(zhì)性的特點，使得當前的消費者購物意愿與可能性的測度仍存在較大的困難，特別是考慮消費者需求動態(tài)性變化情況下的共同購買行為研究仍留有較大的空間。同時，國內(nèi)的電商平臺已經(jīng)高度集中[14]，電商平臺寡頭格局逐漸形成（如天貓、京東等）導致消費者產(chǎn)生網(wǎng)購錨定，消費者總是傾向于在自己熟悉和信賴的大電商平臺中進行購物，而且消費者在完成整個購物過程前通常也會發(fā)生平臺間的比價行為，平臺入駐商家在選擇入駐的電商平臺時也會考慮各平臺要求的入駐費用與營運成本。在消費者—平臺入駐商家、平臺入駐商家—電商平臺、消費者—電商平臺三者之間實際上形成了網(wǎng)絡節(jié)點并產(chǎn)生相互依賴與博弈的復雜網(wǎng)絡化特征，使得消費者的共同購買行為預測及其影響因素測度在運用諸如Logistic回歸等傳統(tǒng)統(tǒng)計方法上出現(xiàn)局限。消費者需求與偏好的時間動態(tài)性、平臺入駐商家—消費者—電商平臺的網(wǎng)絡化特點儼然成為當前消費者線上購物行為研究無法回避的兩個基本情況。

隨機指數(shù)圖模型（Exponential Random Graph Model， ERGM）起初是由Frank等人[15]提出的針對網(wǎng)絡結(jié)構(gòu)建模的統(tǒng)計模型，該模型基于Markov網(wǎng)絡假設(shè)并擅長于處理網(wǎng)絡中關(guān)系與關(guān)系間的依賴性，被認為能夠刻畫網(wǎng)絡形成及其內(nèi)部的因果關(guān)系并適用于網(wǎng)絡分析[16-18]。ERGM能夠把網(wǎng)絡形成機制問題轉(zhuǎn)變因果度量，將網(wǎng)絡結(jié)構(gòu)中的外在結(jié)構(gòu)統(tǒng)計表征為因果關(guān)系的推斷，克服了傳統(tǒng)回歸統(tǒng)計模型中無關(guān)性假設(shè)局限，甚至被認為是進行網(wǎng)絡分析時的標準工具[19，20]。伴隨ERGM的應用開展，模型在學者們的推動下進一步發(fā)展和成熟[21-24]。在此基礎(chǔ)上，Hanneke等[25]開發(fā)了時態(tài)隨機指數(shù)圖模型（Temporal Exponential Random Graph Model， TERGM），它能夠?qū)⒖v向的時間因素考慮進網(wǎng)絡結(jié)構(gòu)的分析中，能夠解決網(wǎng)絡數(shù)據(jù)的時間依賴問題[24，25]，進一步完善了隨機指數(shù)圖模型。近年來，這兩個模型在國內(nèi)外開始被重視并廣泛應用于全球貨物貿(mào)易網(wǎng)絡、協(xié)同創(chuàng)新網(wǎng)絡、科研合作網(wǎng)絡、知識產(chǎn)權(quán)貿(mào)易網(wǎng)絡、國家經(jīng)濟網(wǎng)絡等多個領(lǐng)域的網(wǎng)絡結(jié)構(gòu)與關(guān)系的分析中[26-30]，但應用于消費者行為的網(wǎng)絡分析仍較為鮮見，特別是在消費者共同購買的商務場景中。

本文創(chuàng)新之處在于，突破過往既有研究中關(guān)注指標僅停留在消費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，同時考慮了在共同購買網(wǎng)絡中，不同產(chǎn)品之間形成的結(jié)構(gòu)對消費者購買可能性的影響，將TERGM應用于具有時間動態(tài)變化和節(jié)點網(wǎng)絡化特征的消費者共同購買行為的網(wǎng)絡分析中，分析其影響因素對共同購買網(wǎng)絡的影響，為優(yōu)化推薦系統(tǒng)設(shè)計提供有益參考。

1" 假設(shè)提出

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

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

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

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

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

假設(shè)4：隨著評論數(shù)量的增長，產(chǎn)品差評數(shù)對共同購買關(guān)系影響不大。

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

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

2" 數(shù)據(jù)、變量及模型構(gòu)建

2.1" 數(shù)據(jù)來源及處

本文使用京東商城2018年2月至4月的消費者點擊流數(shù)據(jù)，共產(chǎn)生91 410次購買。刪除數(shù)據(jù)集中重復購買產(chǎn)品（僅購買產(chǎn)品i）的信息，其中共同購買（購買產(chǎn)品i的同時購買產(chǎn)品j）次數(shù)為61 840次，共同購買占據(jù)了交易數(shù)據(jù)集的67.65%。研究動態(tài)購買網(wǎng)絡時，將數(shù)據(jù)集劃分為3個區(qū)間段，構(gòu)造3個不同時間階段下共同購買網(wǎng)絡，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表示共同購買網(wǎng)絡的邊，若節(jié)點產(chǎn)品i與節(jié)點產(chǎn)品j之間存在共同購買關(guān)系，則yij定義為1，否則為0。通過消費者點擊流數(shù)據(jù)構(gòu)造出產(chǎn)品點擊次數(shù)、相對瀏覽時間、好評數(shù)、差評數(shù)和入度作為解釋變量，具體公式定義如下：

1）消費者i：

，" " " " " " " " "（1）

2）產(chǎn)品j：

，" " " " " " " " （2）

3）產(chǎn)品品類m：

，" " " " " " " " （3）

4）會話Si表示消費者i在同一個網(wǎng)站中持續(xù)訪問，若超過20分鐘沒有做出任何新的請求動作，則結(jié)束該段會話；由于每個消費者的行為習慣不同，因此消費者瀏覽的會話數(shù)也不盡相同，文中用式（5）表示消費者i會話數(shù)量：

，（4）

（5）

5）點擊次數(shù)" 表示消費者i在會話Si內(nèi)，對產(chǎn)品品類m中的第j個產(chǎn)品累計點擊統(tǒng)計量。

，，" " " " " " （6）

6）單個產(chǎn)品瀏覽時間" 表示消費者i在會話Si內(nèi)，對產(chǎn)品品類m中的第j個產(chǎn)品瀏覽時間統(tǒng)計量。

（7）

7）產(chǎn)品品類m瀏覽時間" 表示消費者i在會話Si內(nèi)，對產(chǎn)品品類m的瀏覽統(tǒng)計量。

（8）

8）相對瀏覽時間" 表示消費者i在會話Si內(nèi)，對產(chǎn)品品類m中的第j個產(chǎn)品在該段會話中與瀏覽整個產(chǎn)品品類m的時間比值。

（9）

9）好評數(shù)Gj表示消費者i在會話Si內(nèi)對產(chǎn)品j的累計好評數(shù)量，其中：

（10）

10）差評數(shù)Bj表示消費者i在會話Si內(nèi)內(nèi)對產(chǎn)品j的累計差評數(shù)量。

（11）

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

（12）

2.3" 模型構(gòu)建

指數(shù)隨機圖模型（ERGM）研究的是網(wǎng)絡中任意兩個節(jié)點之間鏈接形成的概率，該鏈接通常被當作研究問題的因變量，網(wǎng)絡中節(jié)點鏈接的概率不僅受節(jié)點屬性（即外生變量）的影響，而且也受到網(wǎng)絡自身結(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，為實現(xiàn)動態(tài)網(wǎng)絡分析，引入時間指數(shù)隨機圖模型（TERGM），在ERGM的基礎(chǔ)上，考慮了時間依賴性，反映了上一階段的網(wǎng)絡對當前階段網(wǎng)絡特征的影響。ERGM模型中，Y表示共同購買網(wǎng)絡，式（13）中θ表示模型的系數(shù)列向量，h（Y）表示基于共同購買網(wǎng)絡Y中包含內(nèi)生和外生的統(tǒng)計向量。為使（1）式的概率控制在0到1之間，常數(shù)k（θ）的表達式如式（14）所示[43]：

（13）

（14）

在TERGM模型中，將t時刻共同購買的網(wǎng)絡定義為Y t。根據(jù)離散時間馬爾可夫鏈的原理，定義一個K階馬爾可夫相關(guān)的TERGM模型，即第t期共同購買網(wǎng)絡只與第t期前K期的網(wǎng)絡有關(guān)。式（15）中Y t表示單個共同購買網(wǎng)絡在單個時間點的TERGM。通過選擇適當?shù)腒，將單個共同購買網(wǎng)絡的概率與其他共同購買網(wǎng)絡的概率乘積作為條件，對時間K+1到T之間觀察網(wǎng)絡的聯(lián)合概率進行建模，如式（16）所示[43]，通過表2可更直觀地觀察到變量在模型中的應用。

（15）

（16）

3" 實證分析與結(jié)果

3.1" 共同購買網(wǎng)絡節(jié)點特征

為了更好地展現(xiàn)共同購買網(wǎng)絡Y在不同時段上產(chǎn)品節(jié)點和共同購買關(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個不同時段，產(chǎn)品節(jié)點（）是隨時間變化發(fā)生共同購買關(guān)系的產(chǎn)品，邊（）表示不同時間處的共同購買關(guān)系，通過表3可知不同時間戳上節(jié)點和邊緣估計數(shù)。

使用R語言可視化共同購買網(wǎng)絡，如圖1（a）展現(xiàn)了在2018年2月至4月所有發(fā)生共同購買關(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)生共同購買的次數(shù)低。為更好地從不同時段觀測共同購買網(wǎng)絡的動態(tài)性，圖1（b）至圖（d）分別表示t1時段共同購買產(chǎn)品圖、t2時段共同購買產(chǎn)品圖及t3時段共同購買產(chǎn)品圖，顯示了產(chǎn)品隨著時間變化發(fā)生共同購買的關(guān)系也會隨之變化，即共同購買網(wǎng)絡實質(zhì)上具有動態(tài)性特點。因此，從不同時段基于消費者點擊流數(shù)據(jù)角度研究其對共同購買關(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)估計前，通過表4可知變量的結(jié)構(gòu)，觀察到每個變量的標準差都要大于均值，這也突顯出消費者在發(fā)生共同購買行為時具有異質(zhì)性特點。同時，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變量進行多重共線性診斷，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，因此我們對變量進行了對數(shù)變換。

3.3" 網(wǎng)絡影響因素分析與模型比較

在靜態(tài)網(wǎng)絡中，可觀察的真實共同購買網(wǎng)絡有6 103個產(chǎn)品節(jié)點，最多可發(fā)生共同購買次數(shù)為6 103×（6 103 - 1） = 37 240 506，然而真實網(wǎng)絡中共同購買僅發(fā)生61 840次，該網(wǎng)絡密度估計為61 840/37 240 506×100% = 0.16%，表明了共同購買網(wǎng)絡是稀疏的。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%，與真實網(wǎng)絡發(fā)生的概率相差不大，這也意味著產(chǎn)品之間發(fā)生共同購買關(guān)系不是隨機的，存在因果機制。需要特別指出的是，TERGM模型中穩(wěn)定性指標通常用來衡量共同購買網(wǎng)絡中邊與非邊在t1、t2、t3時段下的穩(wěn)定性。穩(wěn)定性的系數(shù)3.347，驗證了模型動態(tài)演化的穩(wěn)定性，且結(jié)果在5%的顯著性水平上線顯著，表明動態(tài)變量對網(wǎng)絡關(guān)系的形成具有顯著影響，因此基于動態(tài)視角研究更具解釋性。

為驗證TERGM模型的擬合效果，將ERGM與TERGM兩種方法對共同購買網(wǎng)絡數(shù)據(jù)進行了擬合，從表5的擬合結(jié)果得知，ERGM和TERGM方法中對相同屬性變量的估計系數(shù)有顯著差異。產(chǎn)品點擊次數(shù)系數(shù)由-0.150下降為-1.158，且結(jié)果具有顯著性，對共同購買網(wǎng)絡中邊的形成具有消極作用，在動態(tài)購買網(wǎng)絡中，對共同購買鏈接的形成貢獻率降低exp （-1.158） / [1 + exp （-1.158] = 0.24，結(jié)果表明隨著消費者不斷點擊產(chǎn)品屬性信息，獲取更多相關(guān)信息，在深入了解產(chǎn)品后，可能會對產(chǎn)品產(chǎn)生厭惡情緒而引起意愿波動，導致購買發(fā)生可能性的降低，同時，文獻[11]從產(chǎn)品介入度角度衡量產(chǎn)品點擊次數(shù)，也證實了產(chǎn)品點擊次數(shù)越高也會降低購買發(fā)生的可能性，因此，在共同購買動態(tài)網(wǎng)絡中，點擊次數(shù)越高越不可能發(fā)生共同購買關(guān)系，驗證假設(shè)1；消費者對產(chǎn)品瀏覽時長越長，表明消費者對該產(chǎn)品處于高購買意愿狀態(tài)[11]，對于靜態(tài)網(wǎng)絡而言，產(chǎn)品品類瀏覽總瀏覽時長對網(wǎng)絡鏈接形成的貢獻率為exp （0.055） / [1 + exp（0.055）] = 0.51，且結(jié)果顯著，然而在動態(tài)網(wǎng)絡中，隨著時間的變化，該變量對共同購買鏈接形成的影響結(jié)果并不顯著，然而產(chǎn)品相對瀏覽時間在靜態(tài)網(wǎng)絡中的貢獻率為exp （0.075） / 1 + exp （0.075）] = 0.51，而在動態(tài)網(wǎng)絡中對共同購買鏈接的貢獻率exp （0.087） / [1 + exp（0.087）] = 0.52，結(jié)果說明關(guān)注動態(tài)消費行為時，電商平臺并不能依據(jù)消費者對所有產(chǎn)品總瀏覽時間去推測其具體喜好，而某個產(chǎn)品若在整個瀏覽時長中占比（相對瀏覽時間）最高，則該產(chǎn)品更應被推薦，盡管動態(tài)網(wǎng)絡中從此變量維度考慮相較于靜態(tài)網(wǎng)絡對共同購買關(guān)系形成的概率差別不大，但在線上電商平臺市場上，提升0.01%的購買率即可帶來大量銷售額[44]，驗證假設(shè)2。

結(jié)合消費者顯示反饋信息，基于消費者對產(chǎn)品評論角度可知，不論在動態(tài)網(wǎng)絡還是靜態(tài)網(wǎng)絡中研究產(chǎn)品好評數(shù)對共同購買鏈接形成的影響是正向且顯著的，在動態(tài)購買網(wǎng)絡下，對共同購買鏈接的貢獻率exp （0.367） / [1 + exp （0.367）] = 0.60，驗證假設(shè)3；然而為更全面了解產(chǎn)品信息，僅關(guān)注產(chǎn)品好評數(shù)遠遠不夠，因此考慮產(chǎn)品差評數(shù)對共同購買的影響，結(jié)果可知在靜態(tài)網(wǎng)絡下，產(chǎn)品差評數(shù)對共同購買鏈接的貢獻率降低exp （-0.081） / [1 + exp （-0.081）] = 0.48，在動態(tài)網(wǎng)絡下，對共同購買鏈接的貢獻率下降為exp （-0.168） / [1 + exp （-0.168）] = 0.46，且影響結(jié)果并不顯著，這說明研究消費者動態(tài)購買行為時，隨著產(chǎn)品評論信息逐漸增加，該產(chǎn)品差評數(shù)對消費者購買意愿的影響逐漸變得沒那么重要，負面信息稀釋，驗證假設(shè)4；產(chǎn)品入度在動態(tài)網(wǎng)絡下對產(chǎn)品共同購買鏈接形成的貢獻率為exp （0.411） / [1 + exp （0.411）] = 0.60且結(jié)果顯著，說明“富者越富”[40]的現(xiàn)象在線上購物平臺中也同樣適用，越受歡迎的產(chǎn)品越能被消費者所購買，驗證假設(shè)5。綜上，基于消費者點擊流行為數(shù)據(jù)對現(xiàn)實共同購買動態(tài)網(wǎng)絡的形成具有解釋意義。

4" 結(jié)" 論

本文使用了點擊流數(shù)據(jù)對消費者的共同購買行為進行研究。基于消費者介入理論并結(jié)合隱式反饋提出了共同購買行為的影響假設(shè)；考慮到消費者購物行為的決策階段性、意愿動態(tài)性、時序網(wǎng)絡性的特征，使用和對比了隨機指數(shù)圖模型（ERGM）與時態(tài)隨機指數(shù)圖模型（TERGM）在消費者共同購買行為測度的適用性，分析和驗證了影響共同購買行為的因素。研究發(fā)現(xiàn)：

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

2）消費者的共同購買行為存在異質(zhì)性，共同購買的產(chǎn)品市場存在細分市場；從基于點擊流數(shù)據(jù)的樣本數(shù)據(jù)集變量描述性統(tǒng)計中（表4）可知，每個隱式反饋變量的標準差均要遠大于均值，這表明消費者在發(fā)生的91 410次共同購買偏好中存在著很強的異質(zhì)性，這種偏好異質(zhì)性體現(xiàn)在不同共同購買商品的產(chǎn)品點擊次數(shù)、相對瀏覽時間、產(chǎn)品好評數(shù)與產(chǎn)品關(guān)聯(lián)性（產(chǎn)品入度）上，而就消費者感知的視角而言，共同購買產(chǎn)品市場上存在著市場細分與細分市場，這為更深刻的認識共同購買行為的市場結(jié)構(gòu)提供了遵循。

3）本文使用了靜態(tài)的ERGM模型和TERGM模型分別對消費者共同購買行為的預測概率與現(xiàn)實概率進行了比較，發(fā)現(xiàn)動態(tài)模型TERGM相比于靜態(tài)模型ERGM更好，說明共同購買網(wǎng)絡具有動態(tài)性，打破以往將所有連續(xù)時間戳作為整體研究對象的不足，由于消費者在不同的時間段對產(chǎn)品的喜好程度不同，同時隨著時間推移，產(chǎn)品的相關(guān)信息也逐漸增多，消費者可能會改變過去對產(chǎn)品購買欲望，因此從動態(tài)性角度分析能夠使推薦結(jié)果更理想，能夠提高推薦的準確性。

4）本文基于靜態(tài)ERGM模型和TERGM模型對差評數(shù)對共同購買行為的影響進行了網(wǎng)絡分析，由ERGM模型中可知負面評價對消費者共同購買行為的發(fā)生有負面顯著的影響，而將時間尺度納入考慮的TERGM模型中，負面評價對消費者共同購買行為的影響同樣是負面的，但這種影響卻變得不再顯著。根據(jù)消費者的記憶效應，消費者往往對于產(chǎn)品的態(tài)度往往具有時期依賴性，因而隨著時間推移這種負面影響削弱，且這種影響會被相對快速增長的好評數(shù)所稀釋，這啟示商家在制定共同購買的營銷策略時可以擴大好評數(shù)的基本面，這是確定的可以提高銷售量的因素，而負面評價帶來的消極影響會隨著時間推移而被弱化。

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

參考文獻：

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

[2] 呂曉玲，吳喜之.電子商務客戶網(wǎng)絡購物行為挖掘 [J].統(tǒng)計與信息論壇，2007（3）：29-32.

[3] 王樹西. 一種基于內(nèi)容的購物網(wǎng)站推薦算法 [C]//第六屆中國智能計算大會.開封：中國運籌學會，2012：185-188.

[4] 劉枚蓮，劉同存，吳偉平.基于網(wǎng)絡消費者偏好預測的推薦算法研究 [J].圖書情報工作，2012，56（4）：120-125.

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

[6] 羅亞.基于決策過程的個性化推薦系統(tǒng)設(shè)計 [J].計算機工程與應用，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)品動態(tài)競爭市場結(jié)構(gòu)研究 [D].廣州：廣東工業(yè)大學，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.基于點擊流數(shù)據(jù)的電子商務用戶購物行為分析 [D].廣州：廣東工業(yè)大學，2017.

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

[14] 郭振豪.電商平臺 “二選一” 的法律規(guī)制 [J].新余學院學報，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.中國優(yōu)勢產(chǎn)業(yè)組合的動態(tài)演化機制研究——基于TERGM的實證分析 [J].科技進步與對策，2020，37（11）：70-78.

[17] 郭建杰，謝富紀.基于ERGM的協(xié)同創(chuàng)新網(wǎng)絡形成影響因素實證研究 [J].管理學報，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)絡結(jié)構(gòu)效應研究 [J].現(xiàn)代情報，2018，38（8）：83-89.

[19] 段慶鋒，馮珍.基于指數(shù)隨機圖模型的學術(shù)社交網(wǎng)絡形成機制研究 [J].情報科學，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)域知識產(chǎn)權(quán)保護網(wǎng)絡形成機制研究 [J].軟科學，2019，33（11）：131-137.

[24] 楊文龍，杜德斌.“一帶一路”沿線國家投資網(wǎng)絡結(jié)構(gòu)及其影響因素：基于ERGM模型的研究 [J].世界經(jīng)濟研究，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)絡結(jié)構(gòu)動態(tài)變化及其影響機制 [J].財經(jīng)研究，2020，46（7）：138-153.

[28] 劉璇，汪林威，李嘉，等.科研合作網(wǎng)絡形成機理——基于隨機指數(shù)圖模型的分析 [J].系統(tǒng)管理學報，2019，28（3）：520-527.

[29] 林玲.基于ERGM模型的國際知識產(chǎn)權(quán)貿(mào)易網(wǎng)絡及其形成機制研究 [D].上海：上海外國語大學，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)流的實時個性化推薦 [J].計算機學報，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)代圖書情報技術(shù)，2007（6）：52-55.

[36] 高鴻銘，劉洪偉，詹明君，等.在線評論與產(chǎn)品介入對虛擬購物車選擇決策的影響研究——基于消費者介入理論 [J].中國管理科學，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.在線評論對社交網(wǎng)絡中電子口碑采納的影響研究 [J].北京郵電大學學報：社會科學版，2015，17（1）：52-61.

[40] 梁劍平，武亮，容家希.網(wǎng)絡口碑如何促進購買意愿？——基于消費者鼓舞的被調(diào)節(jié)中介模型 [J].商業(yè)經(jīng)濟與管理，2021（2）：56-67.

[41] 王文峰，李磊.網(wǎng)絡口碑再傳播對消費者購買意愿的影響研究——基于消費者寬恕的中介作用 [J].價格理論與實踐，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.

作者簡介：易閩琦（1997—），女，漢族，江西宜春人，碩士研究生，研究方向：消費者行為決策、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)可視化與消費者行為研究。