基于點擊流數據的消費者動態共購網絡研究

摘" 要：文章基于消費者點擊流數據和網絡結構，使用時態指數隨機圖模型（TERGM）和消費者點擊流數據建構了消費者動態共同購買網絡，從產品點擊次數、相對瀏覽時間、好評數、差評數和產品入度等維度測度了影響消費者共同購買行為發生的關鍵變量，并與指數隨機圖模型（ERGM）進行了比較。結果表明：產品相對瀏覽時間、好評數和產品入度促進消費者共同購買行為發生，而產品點擊次數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絡分析，且擬合效果優于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絡結構視角研究對共同購買網絡形成的影響，可為推薦系統優化設計提供有益參考。

關鍵詞：共同購買；消費者點擊流數據；網絡分析；指數隨機圖模型；時間指數隨機圖模型

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

隨著當前信息技術發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為保證其市場競爭優勢并滿足消費者的異質性偏好，開始依托平臺積累的消費者購物與行為數據開發推薦算法，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象，是當前消費者購物行為研究熱點，Sodsee將共同購買商品構建成共同購買網絡，產品中心度作為產品排名，根據歷史用戶偏好記錄預測得出產品評級矩陣，結合二者預測求出最符合用戶的最佳產品，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品數量與點贊產品數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據構建出產品之間的關系，從研究產品關系的角度出發，根據共同購買數據對產品進行排序和嵌入式學習的方法，證實了從產品之間的關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生大量的點擊流數據。而伴隨Web 2.0的發展，消費者在電商平臺中的交互點擊行為及數據已經可以被記錄與獲取，通過消費者在頁面級和產品級的點擊流數據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]，而基于點擊流數據的消費者購物行為網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性特征，通常隨著時間推移將產生波動和變化[10，13]。而實質上消費者群體與行為的異質性特征也正是其需求與偏好在時間動態性上的表征。然而，正是由于其動態性與異質性的特點，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，國內的電商平臺已經高度集中[14]，電商平臺寡頭格局逐漸形成（如天貓、京東等）導致消費者產生網購錨定，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絡節點并產生相互依賴與博弈的復雜網絡化特征，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回歸等傳統統計方法上出現局限。消費者需求與偏好的時間動態性、平臺入駐商家—消費者—電商平臺的網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。

隨機指數圖模型（Exponential Random Graph Model， ERGM）起初是由Frank等人[15]提出的針對網絡結構建模的統計模型，該模型基于Markov網絡假設并擅長于處理網絡中關系與關系間的依賴性，被認為能夠刻畫網絡形成及其內部的因果關系并適用于網絡分析[16-18]。ERGM能夠把網絡形成機制問題轉變因果度量，將網絡結構中的外在結構統計表征為因果關系的推斷，克服了傳統回歸統計模型中無關性假設局限，甚至被認為是進行網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展和成熟[21-24]。在此基礎上，Hanneke等[25]開發了時態隨機指數圖模型（Temporal Exponential Random Graph Model， TERGM），它能夠將縱向的時間因素考慮進網絡結構的分析中，能夠解決網絡數據的時間依賴問題[24，25]，進一步完善了隨機指數圖模型。近年來，這兩個模型在國內外開始被重視并廣泛應用于全球貨物貿易網絡、協同創新網絡、科研合作網絡、知識產權貿易網絡、國家經濟網絡等多個領域的網絡結構與關系的分析中[26-30]，但應用于消費者行為的網絡分析仍較為鮮見，特別是在消費者共同購買的商務場景中。

本文創新之處在于，突破過往既有研究中關注指標僅停留在消費者隱式反饋或顯示式反饋的局限性。本文不僅關注隱式反饋和顯示反饋信息，同時考慮了在共同購買網絡中，不同產品之間形成的結構對消費者購買可能性的影響，將TERGM應用于具有時間動態變化和節點網絡化特征的消費者共同購買行為的網絡分析中，分析其影響因素對共同購買網絡的影響，為優化推薦系統設計提供有益參考。

1" 假設提出

隨著線上電商平臺的飛速發展與點擊流數據的易用性提高，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定性。例如，王智圣[31]通過隱式反饋推薦模型對隱式反饋數據進行建模分析，結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模型和靜態模型對比分析，結果表明動態視角下更能促進消費者的購買意愿；Jenkins使用遞歸神經網絡卻證明了歷史點擊數據不僅能預測用戶未來的點擊情況，也能夠提高線下購買轉換率[33]。而阿里算法團隊研究用戶動態興趣過程中，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據對共同購買行為的影響卻少有涉及。此外，在產品點擊次數與產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越高對產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生。需要特別指出，以上研究表明在產品點擊次數與產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生的因果推斷上同樣存有空白。對此，本文在共同購買網絡中提出以下假設：

假設1：產品點擊次數越高越可能不發生共同購買關系。

假設2：產品相對瀏覽時間越高越可能發生共同購買關系。

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

假設3：產品好評數越多越可能發生共同購買關系。

假設4：隨著評論數量的增長，產品差評數對共同購買關系影響不大。

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

假設5：產品入度越高越可能發生共同購買關系

2" 數據、變量及模型構建

2.1" 數據來源及處

本文使用京東商城2018年2月至4月的消費者點擊流數據，共產生91 410次購買。刪除數據集中重復購買產品（僅購買產品i）的信息，其中共同購買（購買產品i的同時購買產品j）次數為61 840次，共同購買占據了交易數據集的67.65%。研究動態購買網絡時，將數據集劃分為3個區間段，構造3個不同時間階段下共同購買網絡，數據結構如表1所示。

2.2" 被解釋變量與解釋變量

被解釋變量yij表示共同購買網絡的邊，若節點產品i與節點產品j之間存在共同購買關系，則yij定義為1，否則為0。通過消費者點擊流數據構造出產品點擊次數、相對瀏覽時間、好評數、差評數和入度作為解釋變量，具體公式定義如下：

1）消費者i：

，" " " " " " " " "（1）

2）產品j：

，" " " " " " " " （2）

3）產品品類m：

，" " " " " " " " （3）

4）會話Si表示消費者i在同一個網站中持續訪問，若超過20分鐘沒有做出任何新的請求動作，則結束該段會話；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也不盡相同，文中用式（5）表示消費者i會話數量：

，（4）

（5）

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

，，" " " " " " （6）

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

（7）

7）產品品類m瀏覽時間" 表示消費者i在會話Si內，對產品品類m的瀏覽統計量。

（8）

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

（9）

9）好評數Gj表示消費者i在會話Si內對產品j的累計好評數量，其中：

（10）

10）差評數Bj表示消費者i在會話Si內內對產品j的累計差評數量。

（11）

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

（12）

2.3" 模型構建

指數隨機圖模型（ERGM）研究的是網絡中任意兩個節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，網絡中節點鏈接的概率不僅受節點屬性（即外生變量）的影響，而且也受到網絡自身結構（即內生變量）的影響。然而，ERGM通常用作分析靜態網絡，為實現動態網絡分析，引入時間指數隨機圖模型（TERGM），在ERGM的基礎上，考慮了時間依賴性，反映了上一階段的網絡對當前階段網絡特征的影響。ERGM模型中，Y表示共同購買網絡，式（13）中θ表示模型的系數列向量，h（Y）表示基于共同購買網絡Y中包含內生和外生的統計向量。為使（1）式的概率控制在0到1之間，常數k（θ）的表達式如式（14）所示[43]：

（13）

（14）

在TERGM模型中，將t時刻共同購買的網絡定義為Y t。根據離散時間馬爾可夫鏈的原理，定義一個K階馬爾可夫相關的TERGM模型，即第t期共同購買網絡只與第t期前K期的網絡有關。式（15）中Y t表示單個共同購買網絡在單個時間點的TERGM。通過選擇適當的K，將單個共同購買網絡的概率與其他共同購買網絡的概率乘積作為條件，對時間K+1到T之間觀察網絡的聯合概率進行建模，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" 實證分析與結果

3.1" 共同購買網絡節點特征

為了更好地展現共同購買網絡Y在不同時段上產品節點和共同購買關系（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，產品節點（）是隨時間變化發生共同購買關系的產品，邊（）表示不同時間處的共同購買關系，通過表3可知不同時間戳上節點和邊緣估計數。

使用R語言可視化共同購買網絡，如圖1（a）展現了在2018年2月至4月所有發生共同購買關系的產品圖，外環通量中產品的聯通性較低，結構相對于內環通量更稀疏，表現了這些產品發生共同購買的次數低。為更好地從不同時段觀測共同購買網絡的動態性，圖1（b）至圖（d）分別表示t1時段共同購買產品圖、t2時段共同購買產品圖及t3時段共同購買產品圖，顯示了產品隨著時間變化發生共同購買的關系也會隨之變化，即共同購買網絡實質上具有動態性特點。因此，從不同時段基于消費者點擊流數據角度研究其對共同購買關系的影響是必要且有意義的。

3.2" 解釋變量的結構特征

在模型參數估計前，通過表4可知變量的結構，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生共同購買行為時具有異質性特點。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，由于變量都是連續型數據且量綱差異較大，因此我們對變量進行了對數變換。

3.3" 網絡影響因素分析與模型比較

在靜態網絡中，可觀察的真實共同購買網絡有6 103個產品節點，最多可發生共同購買次數為6 103×（6 103 - 1） = 37 240 506，然而真實網絡中共同購買僅發生61 840次，該網絡密度估計為61 840/37 240 506×100% = 0.16%，表明了共同購買網絡是稀疏的。由ERGM模型結果顯示可知，若不考慮其他影響因素之前，觀察到的共同購買關系（邊緣）發生系數為-8.076，概率為exp （-6.577） / [1 + exp （-6.577）] = 0.14%，與真實網絡發生的概率相差不大，這也意味著產品之間發生共同購買關系不是隨機的，存在因果機制。需要特別指出的是，TERGM模型中穩定性指標通常用來衡量共同購買網絡中邊與非邊在t1、t2、t3時段下的穩定性。穩定性的系數3.347，驗證了模型動態演化的穩定性，且結果在5%的顯著性水平上線顯著，表明動態變量對網絡關系的形成具有顯著影響，因此基于動態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絡數據進行了擬合，從表5的擬合結果得知，ERGM和TERGM方法中對相同屬性變量的估計系數有顯著差異。產品點擊次數系數由-0.150下降為-1.158，且結果具有顯著性，對共同購買網絡中邊的形成具有消極作用，在動態購買網絡中，對共同購買鏈接的形成貢獻率降低exp （-1.158） / [1 + exp （-1.158] = 0.24，結果表明隨著消費者不斷點擊產品屬性信息，獲取更多相關信息，在深入了解產品后，可能會對產品產生厭惡情緒而引起意愿波動，導致購買發生可能性的降低，同時，文獻[11]從產品介入度角度衡量產品點擊次數，也證實了產品點擊次數越高也會降低購買發生的可能性，因此，在共同購買動態網絡中，點擊次數越高越不可能發生共同購買關系，驗證假設1；消費者對產品瀏覽時長越長，表明消費者對該產品處于高購買意愿狀態[11]，對于靜態網絡而言，產品品類瀏覽總瀏覽時長對網絡鏈接形成的貢獻率為exp （0.055） / [1 + exp（0.055）] = 0.51，且結果顯著，然而在動態網絡中，隨著時間的變化，該變量對共同購買鏈接形成的影響結果并不顯著，然而產品相對瀏覽時間在靜態網絡中的貢獻率為exp （0.075） / 1 + exp （0.075）] = 0.51，而在動態網絡中對共同購買鏈接的貢獻率exp （0.087） / [1 + exp（0.087）] = 0.52，結果說明關注動態消費行為時，電商平臺并不能依據消費者對所有產品總瀏覽時間去推測其具體喜好，而某個產品若在整個瀏覽時長中占比（相對瀏覽時間）最高，則該產品更應被推薦，盡管動態網絡中從此變量維度考慮相較于靜態網絡對共同購買關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2。

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

4" 結" 論

本文使用了點擊流數據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合隱式反饋提出了共同購買行為的影響假設；考慮到消費者購物行為的決策階段性、意愿動態性、時序網絡性的特征，使用和對比了隨機指數圖模型（ERGM）與時態隨機指數圖模型（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。研究發現：

1）消費者共同購買行為與意愿具有時間流變性特征，而點擊流數據為消費者共同購買行為的精準動態刻畫提供可能；由基于點擊流數據的網絡分析結果（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出了節點關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品意愿變化確實具有時間動態性，而這種隱含時間要素的點擊流數據使得共同購買行為的動態刻畫成為可能；產品點擊次數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品的時間占比在類別的總瀏覽時間很大時，消費者發生購買行為的可能性會越大；組合的產品關聯度（產品入度）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，要依據預測后續購買的可能性來為消費者進行推薦，推薦高關聯商品，以提升購買率。

2）消費者的共同購買行為存在異質性，共同購買的產品市場存在細分市場；從基于點擊流數據的樣本數據集變量描述性統計中（表4）可知，每個隱式反饋變量的標準差均要遠大于均值，這表明消費者在發生的91 410次共同購買偏好中存在著很強的異質性，這種偏好異質性體現在不同共同購買商品的產品點擊次數、相對瀏覽時間、產品好評數與產品關聯性（產品入度）上，而就消費者感知的視角而言，共同購買產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構提供了遵循。

3）本文使用了靜態的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實概率進行了比較，發現動態模型TERGM相比于靜態模型ERGM更好，說明共同購買網絡具有動態性，打破以往將所有連續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品的喜好程度不同，同時隨著時間推移，產品的相關信息也逐漸增多，消費者可能會改變過去對產品購買欲望，因此從動態性角度分析能夠使推薦結果更理想，能夠提高推薦的準確性。

4）本文基于靜態ERGM模型和TERGM模型對差評數對共同購買行為的影響進行了網絡分析，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。根據消費者的記憶效應，消費者往往對于產品的態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，本文雖然結合消費者意愿的動態性并考慮時序對共同購買行為的影響，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模型進行橫向對比；對于產品差評數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；由于數據的限制，未能結合消費者人口特征數據對消費者進行群體特征刻畫，這也是后續研究的可能方向。

參考文獻：

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

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

[3] 王樹西. 一種基于內容的購物網站推薦算法 [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.基于多源大數據的個性化推薦系統效果研究 [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設計 [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.行為流視角下的產品動態競爭市場結構研究 [D].廣州：廣東工業大學，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.基于點擊流數據的電子商務用戶購物行為分析 [D].廣州：廣東工業大學，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].數據分析與知識發現，2018，2（2）：74-85.

[14] 郭振豪.電商平臺 “二選一” 的法律規制 [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.中國優勢產業組合的動態演化機制研究——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的協同創新網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模型的技術合作網絡結構效應研究 [J].現代情報，2018，38（8）：83-89.

[19] 段慶鋒，馮珍.基于指數隨機圖模型的學術社交網絡形成機制研究 [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的區域知識產權保護網絡形成機制研究 [J].軟科學，2019，33（11）：131-137.

[24] 楊文龍，杜德斌.“一帶一路”沿線國家投資網絡結構及其影響因素：基于ERGM模型的研究 [J].世界經濟研究，2018（5）：80-94+137.

[25] HANNEKE S，FU 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”貨物貿易網絡結構動態變化及其影響機制 [J].財經研究，2020，46（7）：138-153.

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

[29] 林玲.基于ERGM模型的國際知識產權貿易網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據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.基于瀏覽行為和瀏覽內容的用戶興趣建模 [J].現代圖書情報技術，2007（6）：52-55.

[36] 高鴻銘，劉洪偉，詹明君，等.在線評論與產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.網絡口碑如何促進購買意愿？——基于消費者鼓舞的被調節中介模型 [J].商業經濟與管理，2021（2）：56-67.

[41] 王文峰，李磊.網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、大數據與智能數據分析；溫展明（1992—），男，漢族，廣東梅州人，講師，博士研究生，研究方向：數據可視化與消費者行為研究。