长江商学院营销学副教授、MBA项目副院长李洋的合作研究《基于互锁超图神经网络的消费者分类收藏行为建模》(Modeling Categorized Consumer Collections with Interlocked Hypergraph Neural Networks) 日前在市场营销国际顶级期刊 Journal of Marketing Research 上发表。
该论文由李洋教授与康奈尔大学助理教授 Khaled Boughanmi、哥伦比亚大学 William T. Dillard 讲席教授 Asim Ansari 合作撰写。研究突破了传统“集合推荐 (Set Recommendation)”模型的瓶颈，开创性地提出一种全新的互锁超图神经网络模型 (Interlocked Hypergraph Neural Networks)。
从在线音乐歌单到食谱搭配，再到电商购物车，该研究为业界与学术界提供了一个强大的建模框架，能够更精确地捕捉互联网用户在庞杂的“收藏与分类”行为背后所反映的深层偏好与消费情境，从而帮助内容平台实现更精确、更个性化的在线推荐，为用户深度留存与营收增长开辟新的空间。
该研究亦属全球首例将前沿的超图计算 (Hypergraph Computation) 引入营销研究领域的开创性工作。
Journal of Marketing Research（JMR）是由 American Marketing Association（美国市场营销协会）出版的国际权威期刊，自1964年创刊以来一直是营销研究领域全球学术的风向标，长期位居全球商学院公认的UTD 24顶级期刊和金融时报 FT50 顶刊之列。
JMR 以其对学术严谨性和理论创新的极高要求而闻名，代表了营销科学研究的国际先进水平。
李洋教授此项成果的发表，不仅体现了中国学者在解析复杂大数据、推动营销算法创新方面的卓越实力，也进一步强化了长江商学院在“科技驱动商业”领域的学术领先地位。
在数字化消费深度渗透的今天，消费者的行为正从碎片化的“单次购买”转向系统性的“内容策展”。无论是在音乐平台上自建歌单，还是在淘宝上收藏宝贝，抑或是在小红书上整理灵感。
随着收藏数量的增加，人们通常会为了方便查找或分享，把这些物品进行分类和组合。以音乐APP上的收藏与歌单为例，一位音乐爱好者可能会把收藏的歌曲按流派、歌手、时间或者主题整理成不同的歌单。简单来说：收藏体现了个人偏好，而分类则反映了使用场景或目的。
这些“收藏夹”背后隐藏着极其微妙的偏好逻辑。虽然互联网平台拥有大量收藏和分类数据，但在营销研究中，这种“非欧几里得”数据结构非常复杂，其间关系无法用标准向量空间中的固定距离度量来描述。因此，如何量化消费者的收藏分类仍是一个建模难题。
李洋教授合作论文提出了一种“生成式”深度学习框架，利用超图模型来描述消费者收藏和分类行为的复杂结构。
超图作为图结构的广义形式，允许一条边（称为超边）连接任意数量的顶点，从而能够刻画多对象之间的高阶复杂关系。论文的核心思想是使用“互锁超图（interlocked hypergraphs）”来表示三类关系：
● 用户–产品超图：每个消费者是一条超边，连接他/她收藏的所有产品
● 类别–产品超图：每个类别（如歌单）是一条超边，连接其中的产品
● 用户–类别超图：描述消费者如何组织和理解这些类别
这三张超图通过共享的实体（用户、产品和类别）相互连接，形成一个完整的网络结构。在这个空间里，彼此接近的实体更可能通过“超边”相连，意味着它们反映类似的偏好或使用体验。以下图为例，网络中包含两个用户（u1、u2）、四个收藏类别（p1–p4）和六个产品（s1–s6）。因此，前面提到的三个超图通过互锁的方式便可以简洁而完备地为这个网络结构建模。
以下是该互锁超图神经网络的整体框架：
总的来说，这个模型能够全面理解收藏、分类和组合的复杂结构，从而更精准地捕捉消费者的偏好和使用情境，突破了传统推荐算法的“天花板”。
论文以数字音乐为例展示了模型的实际应用。
在音乐平台上，歌单已成为核心营销工具，不仅用于推荐歌曲，还能提升用户留存和实现变现——例如 Spotify 上的歌单数量已超过 40 亿。研究使用了 Last.fm 和 Spotify 数据，歌曲特征既包括用户生成的文本标签（反映风格和使用情境），也涵盖声学特征（如音调、节拍和响度）。
模型计算实证结果表明，研究所提出的互锁超图模型在预测歌曲与歌单的关联以及用户偏好方面，明显优于多种先进基准模型（例如协同神经过滤、神经矩阵分解、变分自编码器、图卷积神经网络等）。
这主要得益于超图模型能够高效整合来自不同来源的信息，并捕捉用户、歌曲和类别之间的复杂高阶关系，从而比传统方法更精准地理解和预测用户行为。
● 从实际应用角度看，研究的主要贡献在于，它让平台不仅能够“推荐”内容，还能真正参与内容的设计与生成。
以音乐平台为例，这个模型能够从零开始生成全新的歌单。平台只需提供一个“歌单雏形”或标题，模型就能自动从庞大的歌曲库中挑选出风格统一、主题清晰的歌曲，生成完整的歌单。生成的歌单并非简单拼凑，而是能够自然呈现摇滚、电子、放松、爵士等不同风格，仿佛由真人策划。
更重要的是，这一过程可以高度个性化。模型会根据每位用户的音乐偏好生成专属歌单：喜欢舞曲和流行音乐的用户，会得到节奏感强的歌单；偏好电子或氛围音乐的用户，则得到安静、沉浸式的歌单。
不仅如此，模型还能扩展用户已有的收藏：它可以推荐用户可能喜欢的新歌曲、匹配符合兴趣的现有歌单，或为已有歌单补充更多内容。即便原歌单中的歌曲标签缺失，模型也能通过已有歌曲信息生成合适的推荐；当歌单内容更新时，它还能动态调整推荐，使歌单持续优化和个性化。
总的来说，这种方法让用户收藏不再只是“已有内容的再分发”，而是能够自动设计、动态更新和个性化扩展。这不仅提升推荐的精准度，也为用户提供发现新风格和新场景的机会，从而增强用户黏性和长期参与度，同时为平台带来更大的运营灵活性和商业价值。
● 更重要的是，这个框架的适用范围远不止音乐平台。它适合任何可以通过分类结构推断用户偏好，并且能够同时推荐单个产品和组合内容的场景。
例如，电商购物车就是一个很有潜力的应用：模型可以刻画用户、商品和类别之间的复杂关系，生成潜在偏好，从而更精准地推荐商品并优化购物车组合。类似地，它也可以应用于视频、图文或社交平台的内容收藏板块，帮助平台提供个性化内容组合推荐，并能动态更新和扩展已有收藏。
对企业而言，这一模型提供了切实可行的工具：它能精准捕捉用户偏好，动态生成或扩展内容和产品组合，从而提升推荐的相关性和个性化体验。平台可以借助它增加用户参与度和黏性，提高留存率，并创造更多收入机会。对于拥有多样化用户群体的企业，这种方法还具有可扩展性和数据驱动优势，使企业能够更高效地理解消费者需求，优化营销策略和产品开发，从而在激烈竞争中保持领先。
李洋教授简介
李洋教授现为长江商学院营销学副教授、MBA项目副院长、高层管理教育项目学术主任。他本科毕业于北京大学电子学系，之后取得哥伦比亚大学生物医学工程硕士与哥伦比亚大学商学院博士学位。
学术研究方面，李洋教授专注于营销大数据的建模研究，主要领域包括：统计机器学（Statistical Machine Learning）、贝叶斯非参数方法（Bayesian Nonparametrics）、可扩展优化（Scalable Optimization）、文本挖掘（Text Mining）、在线个性化与推荐系统（Online Personalization and Recommendation）等。其成果已发表于 Management Science、Marketing Science、Journal of Marketing Research、Journal of Consumer Research 等国际顶尖学术期刊上，且是 Marketing Science 期刊的编委成员。在数据建模领域，李洋教授还拥有医学图像数据处理的美国专利。
在教学方面，李洋教授主讲长江商学院 EMBA、DBA、MBA、EE 的营销必修课程。他是A股和港股数家上市公司的独立董事，亦曾担任贵州大数据产业联盟学术委员会委员、天猫荣誉学术顾问、长沙新消费研究院首批智库专家，并为多个国内知名品牌提供过营销策略咨询。
自创校起，长江商学院凭借“学术研究立校”“教授治学”等一系列机制创新，吸引汇聚了一批在世界管理学术界享有盛誉的学者全职加入长江。学院为教授提供了较为成熟的、具有一定全球竞争力的学术研究平台及生态体系，使得教授能在加入长江后仍然能持续开展前沿性、引领性的研究，不断产生世界级的研究成果，获得全球学术界的广泛认可。
2024年，长江商学院教授在UTD24商学院顶级期刊上的人均发表量位列中国大陆院校第一，充分彰显了学院的学术实力和国际影响力。
