本書結合機器學習和運營管理的理論、方法等基本知識，以新零售背景下

的產品推薦和運營決策為研究對象，運用文本挖掘、神經網絡、博弈理論、優(yōu)

化理論、消費者行為理論，構建了結合機器學習和運籌優(yōu)化的數據驅動模型，

基于群體及個人層面的行為變化，以解決新零售環(huán)境下考慮運營策略的線上產

品推薦、線下產品組合優(yōu)化、產品定價等問題。本書運用超圖理論，整合不同

渠道的消費者行為特征，構建了全渠道融合的消費者需求預測模型；針對線上

渠道和線下渠道的相互影響機制，基于消費者效用理論，解決全渠道協調的在

線零售商和實體零售商的產品展示推薦問題；基于博弈論，預測消費者因為退

貨行為而影響的購買意愿，考慮網絡零售商和實體零售商相互協同的產品組合

優(yōu)化和產品定價聯合優(yōu)化問題；考慮消費者偏好的跨平臺異質特征，運用文本

挖掘，從微觀用戶角度研究不同平臺在產品和服務上的替代性和互補性。旨在

為新零售企業(yè)實施數字化智能推薦業(yè)務提供理論基礎和實踐指導。

個性化推薦是電子商務企業(yè)提升用戶體驗、緩解信息過載問題、滿足

消費者個性化需求的核心工具。現有推薦方法主要關注不同購物階段消費

者行為信息的識別與挖掘，忽略了對消費者購買全過程行為之間關聯性的

刻畫。為了充分利用消費者在購物過程中留下的全過程行為數據，全面了

解消費者的興趣變化，從而更好地預測消費者未來的購買意愿，同時為零

售企業(yè)運營決策提供支持，本書針對消費者購前行為（在線搜索）、購買行

為（購買渠道轉換行為和購買產品信息）和購后行為（發(fā)布產品評論和退貨

行為）之間的交互影響展開了相關研究，并在推薦系統和零售商運營決策過

程中考慮消費者行為的影響。

第一部分針對現有推薦技術方法中存在的不足，即側重從用戶商品矩陣

或購買后的在線評論中學習用戶偏好，忽略了用戶在購買前通過搜索查詢、了

解產品信息過程中的交互特征，并有針對性地開發(fā)了一套主題增強的超圖神經

網絡框架，通過將消費者在線查詢中嵌入的潛在主題與點擊、購買和在線評論

行為聯系起來，從而預測用戶的購買意愿，旨在挖掘用戶在線查詢交互圖中存

在的連接信息。同時，為了通過融合主題信息降低文本噪聲詞的影響，該部分

將主題分布與卷積嵌入相結合，用以更好地表示每個用戶和項目融合后的表征

向量可以彌補傳統卷積神經網絡中主題信息的不足。通過對現實世界數據集的

廣泛實驗與評估，所提出的超圖神經網絡框架提高了推薦物品的新穎性和準確

性。從管理角度來看，向消費者推薦多樣化、新穎的商品，可以提高用戶的滿

意度，降低消費者的搜索成本，有利于電子商務企業(yè)的可持續(xù)發(fā)展。

第二部分研究了全渠道環(huán)境下零售商在考慮消費者存在退貨行為時的產品

定價和組合決策。該部分考慮了競爭性市場的結構因素，包括兩家零售商通

過線上和線下渠道銷售4種產品。零售商充當產品組合策略和定價策略的決策

者。消費者對每種產品的橫向適應度是異質的，在面對欺騙性產品時，其退貨

概率是共同的。消費者決定是通過實體店還是網店購買，還是從零售商處購

買，不僅取決于競爭零售商的產品組合策略，還取決于消費者在產品退貨時面

臨的退貨成本。研究結果表明，在線產品退貨成本在設計零售商的最優(yōu)定價策

略和產品組合策略中發(fā)揮著重要作用。具體而言，通過網絡渠道銷售的產品最

優(yōu)價格會隨著退貨成本的升高而先升后降；通過線下銷售的產品的最優(yōu)價格總

是隨著在線產品退貨成本的升高而升高。同時，無論賣家選擇什么樣的投放策

略，雙方的最優(yōu)利潤都隨著在線產品的退貨成本升高而先遞減、后遞增。本書

還通過考慮賣家的退貨成本和消費者的錯配成本描繪二維市場的結構，從而研

究跨渠道購物平臺下的最優(yōu)銷售策略。

本書承蒙國家自然科學基金項目消費者行為數據驅動的新零售企業(yè)線上

線下融合的推薦機制研究（項目號：72101031）資助，在此深表感謝。同時，

由衷地感謝科學技術文獻出版社在本書編輯和出版過程中所做的各項工作。由

于作者水平有限，本書還存在諸多的不足之處，懇請廣大讀者批評指正。

數據驅動的個性化推薦與運營決策聯合優(yōu)化研究