導語

為何社交電商巨頭拼多多在不到三年的時間里就獲得超過2億的用戶？人們為何如此熱衷于社交電商？它們相對傳統電商有哪些特點？研究發現，社交電商讓人們的購物與社交生活緊密結合，使得購物與社交的邊界變得模糊，在社交同時產生經濟行為，在購物同時維系親友關系。

清華大學電子系數據科學與智能實驗室聯合斯坦福大學、哈佛商學院、京都大學、香港城市大學等研究機構，針對國內數字社交經濟發展新形態，系統揭示、建模以社交電商為代表的社會關系與經濟行為耦合新范式。系列研究成果發表于該交叉研究涉及的社會計算、人機交互、信息檢索等領域頂級國際會議與期刊， 包括CHI、CSCW、ICWSM、WWW、WSDM、SIGIR等論文十余篇。

研究領域：社交經濟，網絡結構，機器學習

曹瀚成、陳智隆 | 作者

梁金 | 審校

鄧一雪 | 編輯

圖1 社交電商平臺

社交電商作為數字社交經濟的典型場景，通常指利用社交媒體和社交網絡進行在線交易活動的電子商務形式。近年來，社交電商這一新型數字社交經濟形態在中國迅猛發展，取得了巨大成功。例如，社交電商巨頭拼多多在不到三年的時間里就獲得了超過2億的用戶。這些社交電商平臺通過與以微信為代表的即時通訊業務緊密結合，滲透進入并利用原有的現實世界的密切關系，將中國社會中的“關系”納入經濟交易。和品牌、名人等關鍵意見領袖（Key Opinion Leader）發揮主導作用的傳統電商模式不同，在和微信深入契合的社交電商中，緊密的親友關系發揮極為重要的驅動作用：用戶通過微信將商品分享給親朋好友、進行推薦以獲得價格優惠，而社交電商的社交屬性也在用戶購物的同時提供了維系親友關系的機會。由此，不同于傳統經濟行為與社交行為相對獨立的電商平臺和社交平臺，社交電商提供了一個研究社會關系與經濟行為之間相互作用的獨特情景。

針對上述情況，研究團隊從機制理解建模和算法設計優化兩個角度出發，結合計算機科學、人工智能、數據科學、營銷學、管理學、社會學等跨學科研究方法，系統探究、揭示、建模數字社交經濟場景下社會關系和經濟行為深度耦合的新范式，并為未來社交電商及其他結合社會關系與經濟行為的社會計算系統設計提供洞見。

圖2 社交電商平臺界面

1. 數字社交經濟機制理解建模

在機制理解建模方面，研究團隊通過系列工作從多個角度對社會關系和經濟行為深度耦合場景下的用戶行為進行全面的研究。

研究團隊通過千萬級用戶數據實證測量社交電商平臺的網絡結構和動態（Cao et al. ICWSM 2020），發現社交電商在去中心化網絡結構、邀請級聯、購買同質性和用戶忠誠度方面與傳統場景存在顯著差異。借助用戶間的口口相傳（Word-of-Mouth）機制，社交電商生長速度更快、用戶粘性、忠誠度、復購率更高。

圖3 社交電商邀請級聯，相對傳統電商具有生長速度快的特點

研究團隊結合深度定性研究和大規模數據驅動的定量研究分析數字社交經濟場景下用戶購買動機與用戶體驗（Cao et al. CSCW 2021）和購買行為（Xu et al. CSCW 2019）。研究發現社交電商平臺中用戶的購買轉化率是傳統電商的3.09～10.37倍，并且可以通過更好的興趣匹配、社會影響、社交認同和價格敏感性機制來解釋（Xu et al. CSCW 2019）。

研究團隊發現數字社交經濟能夠給用戶帶來更可達、更低成本、更泛在的購物體驗，通過引入個體間信任、群體信任認同、同質性、從眾性等機制影響決策過程。區別于傳統電商上人們傾向于購買品牌產品，社交電商上用戶更傾向于嘗試親友推薦的較小眾、新穎的商品；購物與社交的邊界也較以往模糊，在社交同時產生經濟行為（Cao et al. CSCW 2021）。

研究團隊發現數字社交經濟成功帶動中國欠發達地區在傳統電商模式下被邊緣化的群體，將該群體熟悉的集市經濟轉換為線上形式（Chen et al. CHI 2022）。

圖4 社交電商商品多樣性與購買轉化率的關系：購買商品更多樣、轉化率更高

研究團隊分析在數字社交經濟生態環境中主體/中介（agent/intermediary，社交電商中介于平臺與普通用戶中間連接供需兩端、幫助銷售的角色，如“社區團長”）的角色特征，揭示主體的轉變過程（Xu et al. ICWSM 2021）和主體在社交電商中發揮的作用（Chen et al. CSCW 2020, Piao et al. CSCW 2021）。研究團隊發現數字社交經濟中主體充當著局部趨勢發現者（洞察好友們需求）和“線上雜貨鋪”的作用，挖掘了成功主體所采取的策略模式（Chen et al. CSCW 2020），并發現將主體加入到推薦反饋回路中顯著降低了推薦的同質性（Piao et al. CSCW 2021）。研究團隊闡釋了影響主體邀請和轉化的機制，證實了社交趨同性、社會關系影響、拒絕避免和成本-效益權衡等因素的重要影響作用（Xu et al. ICWSM 2021）。

圖5 介于社交電商平臺與普通用戶間的主體/中介（agent/intermediary）

研究團隊進一步證實，利用新型圖神經網絡對社交電商中復雜的社交互動行為進行有效建模，可以實現準確的用戶價值預測 (Piao et al. WWW 2021) 和社群價值預測 (Zhang et al. WWW 2021)，從而有效利用用戶社交信息預測經濟價值。同時研究團隊發現，可以基于因果推斷的方法建模社交影響的因果性，避免“偽關聯”，實現精準的社交電商用戶流失預測（Zhang et al. WSDM 2022）。

2. 數字社交經濟平臺算法設計優化

基于數字社交經濟機制的理解，研究團隊提出了一系列創新性的機器學習算法設計，從而構建了更有效、更先進用于數字社交經濟平臺的推薦系統，為用戶提供更加精準的商品推薦。

在關系感知的社會化推薦方面，研究團隊利用基于三元組的口口相傳結構聯合建模用戶興趣和社交影響（Gao et al. TKDE2020a），設計特質化的社交正則方法，建模朋友間的細粒度相似性（Gao et al. TKDE2020b），并構建基于社會關系的注意力圖卷積網絡，有效建模社交電商異質信息網絡中不同種類的關系（Xu et al. CIKM 2019）。

圖6 社交電商異質信息網絡

在跨平臺推薦方面，研究團隊同時考慮社交關系和跨平臺特征，有效利用不同平臺的用戶-商品交互信息和社交媒體上的社交關系信息，實現精準的跨平臺推薦系統 (Lin et al. SIGIR 2019)。

圖7 跨平臺推薦算法

在團購推薦方面，研究團隊設計用于刻畫復雜團購行為的圖卷積網絡方法 (Zhang et al. ICDE 2021)，構建有向異質圖及基于多視圖嵌入傳播的圖卷積網絡模塊，表征用戶面向拼團的購買行為及社交關系，提取圖上高階結構信息，并有效利用團購失敗記錄提升用戶偏好學習效果，實現精準拼團推薦。

圖8 團購推薦算法

開源數據集

為方便相關研究者的進一步分析研究數字社交經濟平臺，研究團隊填補現今沒有公開社交電商數據集的空缺，精心收集、整理并開源了兩個真實世界的大規模數據集：用于精準社會化推薦、跨平臺社會化推薦和口口相傳推薦的分享-購買行為數據集和用于團購推薦的團購數據集。

相關工作鏈接

相關論文詳情參見：

http://fi.ee.tsinghua.edu.cn/social-e-commerce/

作者信息

系列研究由清華大學電子系數據科學與智能實驗室金德鵬老師、李勇老師領導，主要作者包括數據科學與智能實驗室在讀研究生陳智隆、張國楨、樸景華、張鈞，數據科學與智能實驗室畢業生曹瀚成（現斯坦福大學博士生）、高宸（現清華大學博士后）、徐豐力（現芝加哥大學博士后）、林子恒（現小米科技）等。

金德鵬，教授，博士生導師，現為清華大學電子系黨委書記。長期從事網絡數據分析與通信系統方面研究工作。申請發明專利50余項，已授權發明專利32項。2002年獲國家技術發明二等獎。歷年共發表學術論文200余篇，其中SCI收錄論文120余篇。

http://web.ee.tsinghua.edu.cn/jindepeng/zh_CN/index.htm

李勇，清華大學電子系長聘副教授，博士生導師，長江學者，國家重點研發計劃項目負責人。長期從事數據科學與智能方面的科研工作，在KDD、NeurIPS、ICLR、WWW、UbiComp等國際會議與期刊發表學術論文100余篇（CCF A類80篇），6次獲國際會議最佳論文/提名獎，10篇論文入選ESI高被引用論文。先后入選全球“高被引科學家”名單、國家“萬人計劃”青年拔尖人才計劃、中國科協青年人才“托舉工程”計劃，獲IEEE ComSoc亞太區杰出青年學者獎、教育部科技進步一等獎、電子學會自然科學二等獎、吳文俊人工智能優秀青年獎等。

http://fi.ee.tsinghua.edu.cn/~liyong/

陳智隆，數據科學與智能實驗室博士生。

https://achenzhl.github.io/

張國楨，數據科學與智能實驗室博士生。

樸景華，數據科學與智能實驗室碩士生。

曹瀚成，斯坦福計算機系博士生，斯坦福交叉學科獎學金得主，曾獲CHI，CSCW最佳論文提名。

http://hanchengcao.me/

高宸，清華大學數據科學與智能實驗室博士后，曾獲SIGIR最佳短論文提名。

https://sites.google.com/view/chengaothu/

徐豐力， 芝加哥大學城市創新研究所與知識實驗室博士后。

https://fenglixu.github.io/

林子恒，現小米科技。

https://lzhbrian.me/

相關研究工作

[1] Hancheng Cao, Zhilong Chen, Mengjie Cheng, Shuling Zhao, Tao Wang, and Yong Li. 2020. You Recommend, I Buy: How and Why People Engage in Instant Messaging Based Social Commerce. In Proceedings of the ACM on Human-Computer Interaction 5, CSCW1 (2021). 1–25.

[2] Hancheng Cao, Zhilong Chen, Fengli Xu, Tao Wang, Yujian Xu, Lianglun Zhang, and Yong Li. 2020. When Your Friends Become Sellers: An Empirical Study of Social Commerce Site Beidian. In Proceedings of the International AAAI Conference on Web and Social Media, Vol. 14. 83–94.

[3] Zhilong Chen, Hancheng Cao, Xiaochong Lan, Zhicong Lu, and Yong Li. 2022. Beyond Virtual Bazaar: How Social Commerce Promotes Inclusivity for the Traditionally Underserved Community in Chinese Developing Regions. In Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. 1–15.

[4] Zhilong Chen, Hancheng Cao, Fengli Xu, Mengjie Cheng, Tao Wang, and Yong Li. 2020. Understanding the Role of Intermediaries in Online Social E-commerce: An Exploratory Study of Beidian. In Proceedings of the ACM on Human-Computer Interaction 4, CSCW2 (2020). 1–24. link

[5] Jinghua Piao, Guozhen Zhang, Fengli Xu, Zhilong Chen, and Yong Li. 2021. Bringing Friends into the Loop of Recommender Systems: An Exploratory Study. In Proceedings of the ACM on Human-Computer Interaction 5, CSCW2 (2021). 1–26.

[6] Chen Gao, Chao Huang, Donghan Yu, Haohao Fu, Tzu-Heng Lin, Depeng Jin, and Yong Li. 2020. Item Recommendation for Word-of-Mouth Scenario in Social E-Commerce. IEEE Transactions on Knowledge and Data Engineering (2020).

[7] Chen Gao, Nian Li, Tzu-Heng Lin, Dongsheng Lin, Jun Zhang, Yong Li, and Depeng Jin. 2020. Social Recommendation with Characterized Regularization. IEEE Transactions on Knowledge and Data Engineering (2020).

[8] Tzu-Heng Lin, Chen Gao, and Yong Li. 2019. Cross: Cross-platform Recommendation for Social E-commerce. In Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. 515–524.

[9] Jinghua Piao, Guozhen Zhang, Fengli Xu, Zhilong Chen, Yu Zheng, Chen Gao, and Yong Li. 2021. Bringing Friends into the Loop of Recommender Systems: An Exploratory Study. In Proceedings of the Web Conference 2021. 3146–3157.

[10] Fengli Xu, Zhenyu Han, Jinghua Piao, and Yong Li. 2019. "I Think You'll Like It" Modelling the Online Purchase Behavior in Social E-Commerce. In Proceedings of the ACM on Human-Computer Interaction 3, CSCW (2019). 1–23.

[11] Fengli Xu, Jianxun Lian, Zhenyu Han, Yong Li, Yujian Xu, and Xing Xie. 2019. Relation-Aware Graph Convolutional Networks for Agent-Initiated Social E-Commerce Recommendation. In Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 529–538.

[12] Fengli Xu, Guozhen Zhang, Yuan Yuan, Hongjia Huang, Diyi Yang, Depeng Jin, and Yong Li. 2021. Understanding the Invitation Acceptance in Agent-Initiated Social E-Commerce. In Proceedings of the International AAAI Conference on Web and Social Media, Vol. 15. 820–829.

[13] Guozhen Zhang, Yong Li, Yuan Yuan, Fengli Xu, Hancheng Cao, Yujian Xu, and Depeng Jin. 2021. Community Value Prediction in Social E-Commerce. In Proceedings of the Web Conference 2021. 2958–2967.

[14] Guozhen Zhang, Jinwei Zeng, Zhengyue Zhao, Depeng Jin, and Yong Li. 2022. A Counterfactual Modeling Framework for Churn Prediction. In Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining. 1424–1432.

[15] Jun Zhang, Chen Gao, Depeng Jin, and Yong Li. 2021. Group-Buying Recommendation for Social E-Commerce. In 2021 IEEE 37th International Conference on Data Engineering (ICDE). 1536-1547.

（可上下滑動查看）

網絡科學集智課堂第三期報名中

原標題：《大數據揭示社交電商如何成功：購物連通社交關系，平臺優化算法設計》

閱讀原文