清华大学电子系数据科学与智能实验室联合斯坦福大学、哈佛商学院、京都大学、香港城市大学等研究者，针对国内数字社交经济发展新形态，系统揭示、建模以社交电商为代表的社会关系与经济行为耦合新范式，系列研究成果发表于该交叉研究涉及的社会计算、人机交互、信息检索等领域顶级国际会议与期刊，包括CHI、CSCW、ICWSM、WWW、WSDM、SIGIR等论文十余篇。
图1 社交电商平台
在线数字社交经济的典型场景是社交电商，通常指利用社交媒体和社交网络进行在线交易活动的电子商务形式。近年来，社交电商这一新型数字社交经济形态在中国迅猛发展，取得了巨大成功。例如，社交电商巨头拼多多在不到三年的时间里就获得了超过2亿的用户。这些社交电商平台通过与以微信为代表的即时通讯业务紧密结合，渗透进入并利用原有的现实世界的密切关系，将中国社会中的“关系”纳入经济交易。和品牌、名人等关键意见领袖（Key Opinion Leader）发挥主导作用的传统电商模式不同，在和微信深入契合的社交电商中，紧密的亲友关系发挥极为重要的驱动作用：用户通过微信将商品分享给亲朋好友、进行推荐以获得价格优惠，而社交电商的社交属性也在用户购物的同时提供了维系亲友关系的机会。由此，不同于传统经济行为与社交行为相对独立的电商平台和社交平台，社交电商提供了一个研究社会关系与经济行为之间相互作用的独特情景。
针对上述情况，研究团队从机制理解建模和算法设计优化两个角度出发，结合计算机科学、人工智能、数据科学、营销学、管理学、社会学等跨学科研究方法，系统探究、揭示、建模数字社交经济场景下社会关系和经济行为深度耦合的新范式，并为未来社交电商及其他结合社会关系与经济行为的社会计算系统设计提供洞见。
图2社交电商平台界面
数字社交经济机制理解建模
在机制理解建模方面，研究团队通过系列工作从多个角度对社会关系和经济行为深度耦合场景下的用户行为进行全面的研究。
研究团队通过千万级用户数据实证测量社交电商平台的网络结构和动态（Cao et al. ICWSM 2020），发现社交电商在去中心化网络结构、邀请级联、购买同质性和用户忠诚度方面与传统场景存在显著差异。借助用户间的口口相传（Word-of-Mouth）机制，社交电商生长速度更快、用户粘性、忠诚度、复购率更高。
图3社交电商邀请级联，相对传统电商具有生长速度快的特点
研究团队结合深度定性研究和大规模数据驱动的定量研究分析数字社交经济场景下用户购买动机与用户体验（Cao et al. CSCW 2021）和购买行为（Xu et al. CSCW 2019）。研究发现社交电商平台中用户的购买转化率是传统电商的3.09∼10.37倍，并且可以通过更好的兴趣匹配、社会影响、社交认同和价格敏感性机制来解释（Xu et al. CSCW 2019）。研究团队发现数字社交经济能够给用户带来更可达、更低成本、更泛在的购物体验，通过引入个体间信任、群体信任认同、同质性、从众性等机制影响决策过程。区别于传统电商，社交电商上用户倾向于尝试亲友推荐较小众、新颖的商品；购物与社交的边界也较以往模糊，在社交同时产生经济行为（Cao et al. CSCW 2021）。研究团队发现数字社交经济成功带动中国欠发达地区在传统电商模式下被边缘化的群体，将该群体熟悉的集市经济转换为线上形式（Chen et al. CHI 2022）。
图4社交电商商品多样性与购买转化率的关系：购买商品更多样、转化率更高
研究团队分析在数字社交经济生态环境中代理人/中介（agent/intermediary，社交电商中介于平台与普通用户中间连接供需两端、帮助销售的角色，如“社区团长”）的角色特征，揭示代理人的转变过程（Xu et al. ICWSM 2021）和代理人在社交电商中发挥的作用（Chen et al. CSCW 2020,Piao et al. CSCW 2021）。研究团队发现数字社交经济中代理人充当着局部趋势发现者和“社交杂货商”的作用，挖掘了成功代理人所采取的策略模式（Chen et al. CSCW 2020），并发现将代理人加入到推荐反馈回路中显著降低了推荐的同质性（Piao et al. CSCW 2021）。研究团队阐释了影响代理人邀请和转化的机制，证实了社交趋同性、社会关系影响、拒绝避免和成本-效益权衡等因素的重要影响作用（Xu et al. ICWSM 2021）。
图5介于社交电商平台与普通用户间的代理人/中介（agent/intermediary）
研究团队进一步证实，利用新型图神经网络对社交电商中复杂的社交互动行为进行有效建模，可以实现准确的用户价值预测(Piao et al. WWW 2021)和社群价值预测(Zhang et al. WWW 2021)，从而有效利用用户社交信息预测经济价值。同时研究团队发现，可以基于因果推断的方法建模社交影响的因果性，避免“伪关联”，实现精准的社交电商用户流失预测（Zhang et al. WSDM 2022）。
数字社交经济平台算法设计优化
基于数字社交经济机制的理解，研究团队提出了一系列创新性的机器学习算法设计，从而构建了更有效、更先进用于数字社交经济平台的推荐系统，为用户提供更加精准的商品推荐。
在关系感知的社会化推荐方面，研究团队利用基于三元组的口口相传结构联合建模用户兴趣和社交影响（Gao et al. TKDE2020a），设计特质化的社交正则方法，建模朋友间的细粒度相似性（Gao et al. TKDE2020b），并构建基于社会关系的注意力图卷积网络，有效建模社交电商异质信息网络中不同种类的关系（Xu et al. CIKM 2019）。
图6社交电商异质信息网络
在跨平台推荐方面，研究团队同时考虑社交关系和跨平台特征，有效利用不同平台的用户-商品交互信息和社交媒体上的社交关系信息，实现精准的跨平台推荐系统(Lin et al. SIGIR 2019)。
图7跨平台推荐算法
在团购推荐方面，研究团队设计用于刻画复杂团购行为的图卷积网络方法(Zhang et al. ICDE 2021)，构建有向异质图及基于多视图嵌入传播的图卷积网络模块，表征用户面向拼团的购买行为及社交关系，提取图上高阶结构信息，并有效利用团购失败记录提升用户偏好学习效果，实现精准拼团推荐。
图8团购推荐算法
开源数据集
为方便相关研究者的进一步分析研究数字社交经济平台，研究团队填补现今没有公开社交电商数据集的空缺，精心收集、整理并开源了两个真实世界大规模数据集：用于精准社会化推荐、跨平台社会化推荐和口口相传推荐的分享-购买行为数据集[链接https://github.com/fenglixu/RecoGCN] 和用于团购推荐的团购数据集[链接 https://github.com/Sweetnow/group-buying-recommendation]。
作者信息及相关工作链接
系列研究由清华大学电子系数据科学与智能实验室李勇老师、金德鹏老师领导，主要作者包括电子系在读研究生陈智隆、朴景华、张国祯、张钧，电子系毕业生曹瀚成（现斯坦福大学博士生）、高宸（现清华大学博士后）、徐丰力（现芝加哥大学博士后）、林子恒（现小米科技）等。相关论文详情参见http://fi.ee.tsinghua.edu.cn/social-e-commerce/。
相关研究工作
[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.
[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.In 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. In IEEE Transactions on Knowledge and Data Engineering (2020).
[8] Tzu-Heng Lin, Chen Gao, and Yong Li. 2019. Cross: Cross-platformRecommendation 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.
