A User Purchase Motivation-Aware Product Recommender System

融合用户购买动机感知的产品推荐系统：理论框架、模型构建与管理启示

A User Purchase Motivation-Aware Product Recommender System 论文全景学术述评

【文献发表元数据与学术归属】

论文标题：A User Purchase Motivation-Aware Product Recommender System

论文作者：Jiarong Xu, Jiaan Wang, Hongzhe Zhang, Tian Lu（注：作者名按学术规范严格保留英文原名，不予翻译）

作者机构：复旦大学管理学院（School of Management, Fudan University，中国上海）；香港中文大学（深圳）经管学院与深圳高等金融研究院（Shenzhen Finance Institute and School of Management and Economics, The Chinese University of Hong Kong, Shenzhen，中国深圳）；亚利桑那州立大学凯瑞商学院（W. P. Carey School of Business, Arizona State University，美国亚利桑那州坦佩）

发表期刊：Information Systems Research（UT Dallas 24 种顶级商学期刊、FT50 顶级管理学期刊之一，INFORMS 出版社）

卷期页码：Vol. 37, No. 3, September 2026, pp. 1740–1759. DOI: https://doi.org/10.1287/isre.2024.1028

关键词：Recommendation（推荐系统）；User Purchase Motivation（用户购买动机）；Graph Neural Network（图神经网络）；Deep Learning（深度学习）

一、论文 JEL 分类号及其学术定位解析

JEL分类系统（Journal of Economic Literature Classification System）是国际经济学与管理学界公认的标准学科分类体系。本篇发表于国际顶级信息系统期刊《Information Systems Research》的开创性论文，在学科交叉层面涵盖了计算科学、微观消费者行为学、数字零售运营以及精准营销策略，其核心 JEL 分类号梳理如下：

JEL 分类代码	经济学 / 管理学官方学科领域	在本文研究体系中的深度映射与体现
C45	Neural Networks and Other Data-Constructed Algorithms （神经网络与其他数据构建算法）	涵盖图神经网络（GNN）、深度图信息极大化（DGI）互信息神经估计、投影梯度下降（PGD）图对抗扰动攻击、长短期记忆网络（LSTM）及双教师-学生知识蒸馏优化算法。
D12	Consumer Economics: Empirical Analysis （消费者经济学：实证分析）	深入微观消费者决策心理，刻画内在兴趣驱动的“稳定偏好（Stable Preference）”与“探索性意图（Exploratory Intent）”，并有效解耦外部价格折扣等“工具性激励（Instrumental Incentives）”。
L81	Retail and Wholesale Trade; e-Commerce （零售与批发贸易；电子商务）	立足真实电子商务平台的会话推荐（Session-Based Recommendation），对跨会话商品关联图（In and Cross-Session Item Graph）进行系统性网络建模。
M31	Marketing （市场营销）	围绕消费者生命周期与决策链路，攻克信息过载环境下的个性化推荐精度与品类发现难题，指导零售商制定兼顾长期留存与即时转化的营销战略。
M37	Advertising and Marketing Communications （广告与精准营销）	基于消费者即时情境与心理心智的精准时机匹配（Timing-Aware），设计跨品类捆绑营销（Bundling）与探索性新品定向触达方案。

二、全文总结与核心理论贡献

在信息爆炸与数字零售繁荣的时代，商品推荐系统是缓解消费者信息超载、引导消费决策的核心中枢。然而，现有推荐系统普遍依赖表层交互数据的共现黑盒挖掘，未能触及驱动消费选择的深层心理动因。本文直面传统推荐算法在捕捉动态消费需求时的不足，提出了首个基于行为代理的动机感知推荐模型 UPSTAR。

1. 现实困境与既有方法的两难瓶颈

既有动机感知推荐研究主要分化为两大流派，但均存在显著缺陷：

流派缺陷一：隐式动机建模（Implicit Motivation Modeling）：通过潜在狄利克雷分布（LDA）主题模型或多向量嵌入（Multi-Interest Vectors）将动机建模为连续隐变量。尽管其无需人工标签（高数据效率），但隐变量缺乏清晰的现实语义映射，无法向管理人员提供可解释、可落地的商业洞察。
流派缺陷二：显式动机建模（Explicit Motivation Modeling）：基于领域先验预设动机类别（如休闲、社交、比价）。然而，其准确度高度依赖昂贵的辅助数据（如问卷调研、专家规则、人工标注），导致数据效率极低，难以在动态复杂的电商场景中规模化落地。

2. 文章的三大核心贡献

本文提出了一种兼具“高数据效率”与“高可解释性”的创新范式——**基于代理的动机建模（Proxy-Based Motivation Modeling）**，其主要贡献凝练为三大维度：

理论框架贡献（Theoretical Contribution）：构建了两级层级化产品购买动机分类框架（见图1理论逻辑）。第一层级依据‘内在兴趣’是否存在，区分纯外部利益刺激的‘工具性激励购买’与消费者内生偏好购买；第二层级在内在兴趣下，依据‘初始认知程度’进一步解耦为‘稳定偏好（Stable Preference）’与‘探索性意图（Exploratory Intent）’。同时确立了基于工具性激励依赖度、时间依赖度、搭配购买依赖度与商品内在属性四大维度的行为代理识别准则。
方法论贡献（Methodological Contribution）：研发了全新的用户购买动机感知推荐系统 UPSTAR（User PurchaSe moTivation-Aware Recommendation）。仅依赖易获取的历史交易流水和商品基础属性，无需任何人工标注：① 提出了量化购买动机的鲁棒性度量指标 STB（Stability Measure），通过带属性商品-时间图对抗扰动检验商品对时间和搭配的敏感度；② 从理论上证明了定理1（Theorem 1），将不可直接观测的动机识别问题严谨转化为互信息（Mutual Information）上界的极小化求解；③ 提出了跨会话有向图 Item GNN、三流 LSTM（S/E/O 模型）及正交性去冗余损失；④ 设计了双教师-学生（Dual Teacher-Student）动态互助蒸馏架构，解决异质动机样本的不平衡学习难题。
实证与商业贡献（Empirical & Practical Contribution）：在三大真实世界大型电商数据集（Tafeng、IJCAI-15、Cetailer）上展开了极其严谨的实证检验，在 Precision@k、NDCG@k、MRR@k 等全指标上均显著击败 12 个代表性顶尖基准模型（包括前沿的图神经网络模型与多兴趣模型）。更重要的是，三位独立标注员与专家的评测表明模型无监督识别动机的准确率高达 82.00%，且在业内长期公认极难预测的‘探索性新品/长尾推荐’上取得了突破性进展，为电商企业提供了兼具高精度与高解释性的数智化决策工具。

三、核心概念、理论定义与数学符号系统

为了建立坚实的微观行为学基础，论文对涉及的消费概念与数学模型进行了高度系统化、形式化的定义。

1. 核心概念与理论内涵

论文界定的核心消费动机范畴具有清晰的行为学边界：

工具性激励驱动购买（Instrumental Incentives）：指消费者购买完全出于外部物质诱因（如限时折扣、特价优惠券、满赠礼品等）。消费决策取决于优惠让利感知而非商品本身特质。当促销撤销后，消费者往往缺乏持续复购倾向。模型在前置处理阶段识别并剥离此类非兴趣交易，以排除干扰。
稳定偏好（Stable Preference）：反映了消费者对特定商品、品牌或品类拥有长期、稳定、持续的深层信任与偏好（如持续复购某特定烘焙风味的咖啡豆或特定护肤品牌）。此类决策表现为显著的‘时间低依赖’（不依附于特定节日或突发时段）与‘搭配低依赖’（表现为独立的深思熟虑选择，不依附于其他刺激性商品同购）。
探索性意图（Exploratory Intent）：指消费者内心具有潜在但尚未被完全激活的兴趣。在特定情境（如长假闲逛、促销氛围）或关联商品（互补品陈列）的外部线索刺激下，其好奇心或尝鲜驱动（Novelty/Variety-Seeking）被激活，促成偶发购买。此类决策表现为显著的‘时间高依赖’（集中于周末、节假日）与‘搭配高依赖’（伴随主题化或互补性商品出现）。
常规性购买（Routine Purchases）：消费者以高度固定周期重复购买的消耗品（如牙膏、卫生纸）。因其强周期性，简单的定时推送或订阅补货即可满足，无需复杂推荐算法，故遵循管理学经典文献（Wheat and Morrison 1990）予以识别排除。
未分类商品（Uncategorized Items）：在稳定偏好阈值（前 ρ%）与探索性意图阈值（后 β%）之间的模糊过渡地带（占比 1-ρ%-β%）。它反映了现实中消费动机的多元连续性（如偏好推理小说的读者偶尔涉猎心理惊悚类），模型保留该部分并交由全局 O-model 学习，确保信息完整。

2. 完整模型数学符号系统对照表

下表系统梳理了 UPSTAR 框架中各模块的数学符号、取值空间及其在经济与算法层面的确切含义：

数学符号	维度 / 空间	物理、统计与经济学含义解释
$I, T$	$ℕ^{+}$	候选商品总数量（Items）与用户历史交易时间点总数（Time Points）。
$e_{t}$	$ℝ^{I}$	用户在时间点 t 的多商品选择向量；若购买第 n 个商品，则其第 n 个分量 e_tn = 1，否则为 0。
$E$	$ℝ^{I \times T}$	用户的商品-时间行为矩阵（Item-Time Matrix），其第 t 列即为行为向量 e_t。
$S = (A, X)$	二部图元组	带属性商品-时间二部图（Attributed Item-Time Graph），由商品节点与时间节点构成。
$A$	$ℝ^{(T + I) \times (T + I)}$	商品-时间二部图的邻接矩阵，由分块矩阵 [0, E; E^⊤, 0] 构造而成。
$X$	$ℝ^{(T + I) \times D}$	图节点特征矩阵，由商品表征矩阵 X_item ∈ ℝᴵˣᴰ 与时间节点零填充矩阵拼接而成。
$B_{t}$	图集合	在时间区间 t 内，对原始图 S_t 施加有界拓扑与特征对抗扰动生成的所有可能图集合。
${S'}_{t}$	图元组	扰动集合 B_t 中最容易颠覆分类器判断的‘最坏情况对抗扰动图’（Worst-Case Perturbation）。
$e (\cdot), h (\cdot)$	神经网络映射	基于图神经网络的图编码器 e: S → Z 与动机分类预测器 h: Z → Y。
${S T B}_{n, t}$	标量 [0, 1]	商品 i_n 在时间区间 t 内的稳定性度量指标（Stability Measure），量化其属于稳定偏好的鲁棒程度。
$ρ %, β %$	超参数 [0, 1]	动机划分阈值：STB 处于前 ρ% 划分为稳定偏好，后 β% 划分为探索性意图，满足 ρ% + β% < 1。
$I (S; e (S))$	$ℝ^{+}$	原始输入图 S 与其编码表征 e(S) 之间的互信息（Mutual Information）。
$D_{Φ} (Z, Z_{G})$	打分函数 [0, 1]	互信息神经估计中判别器打分函数，参数为可学习矩阵 Φ，衡量局部表征与全局图表征的一致性。
$ε_{x}, ε_{A \sim}$	$ℝ^{+}$	投影梯度下降（PGD）过程中分别施加在商品特征和邻接矩阵凸包空间上的扰动预算上限。
$h_{g, n}^{(k)}$	$ℝ^{D}$	跨会话商品图中，商品节点 i_n 经由 Item GNN 第 k 层入度与出度邻域聚合后生成的新结构表征。
$z_{n}^{(k)}$	标量 [0, 1]	Item GNN 门控路由权重，自适应平衡节点自身原有特征与跨会话邻域拓扑特征的融合比例。
$z_{s t a b}, z_{e x p l}, z_{o t h e r}$	$ℝ^{h}$	分别由 S-model、E-model、O-model 三个序列 LSTM 编码器生成的最终隐藏状态表征。
$\hat{y_{s t a b}}, \hat{y_{e x p l}}, \hat{y_{o t h e r}}$	$ℝ^{I}$	由三个子模型分别预测的用户在下一个时间点购买商品的候选概率分布。
$f_{s}$	$ℝ^{h \times 3}$	全局门控融合网络针对三个子模型表征学习到的自适应权重分配门控。
$z_{g l o b a l}, \hat{y_{g l o b a l}}$	向量	三流加权融合后的全局隐藏状态向量与最终全库下一商品推荐概率分布。
$L_{o r t h}$	标量损失	正交性损失（Orthogonality Loss），强制 z_other 与 z_stab、z_expl 趋于正交以剔除冗余动机。
$L_{S \to E}, L_{E \to S}$	标量损失	双教师-学生优化损失，利用 KL 散度将高置信度模型的软预测概率传递给对应学生模型。
$s_{n e x t}, e_{n e x t}$	${0, 1}$	下一真实购买商品是否属于稳定偏好（s_next=1）或探索性意图（e_next=1）的二值标签。

四、核心定理与推论的通俗化与商业案例解读

论文中最核心的理论突破在于：**如何在没有任何用户心理主观问卷和人工标注真实标签（Ground-Truth Labels）的前提下，严谨识别购买动机？** 作者通过引入信息论与对抗鲁棒性理论，构建了 Theorem 1 及其优化推论。根据学术汇报要求，本节不展开复杂的代数推导过程，而是聚焦于定理与推论的本质内涵，并通过真实生动的电商与日常生活案例进行通俗化阐释。

1. 定理 1（Theorem 1: 稳定性误差上界与互信息关系）与理论推论

论文在 Section 3.1.3 中给出了关于图分类器误差概率界限的关键理论：

首先，商品 i_n 的稳定性度量 STB 在数学上被严格定义为最坏对抗扰动下、分类器判定其‘非稳定偏好’的最小误差下界：

${S T B}_{n, t} = inf_{S' t \in B t} (1 - Pr [h ({[e ({S'}_{t})]}_{n}) \neq S t a b l e P r e f e r e n c e])$ (公式 1：STB 指标定义)

基于此，作者引入定理 1 构建了理论上界：设 S 为图输入空间，Z 为表征空间，Y 为分类器 h 的类别标签集合。假定标签在标签空间上服从均匀分布。则对任意图编码器 e: S → Z，满足：

$1 - Pr [h (e (S)) \neq S t a b l e P r e f e r e n c e] \leq \frac{I (S; e (S)) + l o g 2}{l o g | Y |}$ (公式 2：定理 1 理论上界)

由此推导出**模型求解的核心理论推论（Optimization Upper-Bound Relaxation）**：虽然真实动机标签不可得，但要估算和优化最坏情况下的稳定度，可以通过数学松弛，将其等价转化为**最小化最坏扰动图与其表征之间的互信息上界**：

$min_{S' n \in B n} \frac{I ({S'}_{n}; e ({S'}_{n})) + l o g 2}{l o g | Y |} \Rightarrow min_{S' n \in B n} I ({S'}_{n}; e ({S'}_{n}))$ (公式 3：互信息上界松弛推论)

2. 生动通俗的电商与生活消费案例深度解读

为了透彻理解定理1与推论背后的经济学直觉，我们构建两个最具代表性的现实消费案例：

【案例一：稳定偏好型消费】老张日常复购特定品牌深烘咖啡豆

【真实情景】资深咖啡客老张每个月都会在电商平台上定期购买某特定品牌的‘曼特宁深烘咖啡豆’。老张下单的时间非常随机，有时是周二清晨，有时是周五深夜；其购物车中有时仅有这一包咖啡豆，有时偶尔顺带买了一盒抽纸或一瓶洗洁精。

【算法在图上的对抗扰动测试】在由商品和时间构建的二部图上，算法试图充当‘捣乱者’（Adversarial Perturbation），故意去破坏和迷惑分类器。比如算法在扰动预算范围内，强行把老张的下单时间‘伪造’为双十一大促凌晨，或者在老张的购物车里强行注入‘露营帐篷、户外折叠椅、遮阳帽’等热门搭售商品。

【为什么定理1能精准捕捉其为稳定偏好？】尽管算法施加了最恶意的环境干扰，GNN编码器提取的咖啡豆节点表征依然表现出极高的‘环境无关性’——因为老张在历史上多次独立购买该咖啡豆，其内在属性和多期行为展现了极强的独立锚定特征。此时，分类器将其误判为非稳定偏好的概率极低，即其 1 - Pr[...] 极大。反映在最坏情况下的 STB 得分上，该数值极其接近 1（进入全库前 50%）。

【互信息极小化的物理直觉】这表明该商品的购买意愿与外部复杂环境（特定时间与搭配上下文）之间的‘互信息极低’——外界环境再怎么翻天覆地，老张喝这款咖啡的偏好岿然不动！

【案例二：探索性意图消费】小李国庆前夕冲动尝鲜复古胶片相机

【真实情景】年轻白领小李平时从不浏览任何摄影器材。然而在国庆长假前最后一个周末的夜晚，小李在社交媒体被‘胶片复古旅行风’种草，随后登录电商平台，在 1 小时内连续下单了一台‘复古半格胶片相机’、两卷‘彩色负片胶卷’、一条‘手工编织相机背带’和一个‘复古相机皮套’。

【算法在图上的对抗扰动测试】在二部图上，小李购买相机的节点高度集中在‘长假前夕’这一单一时间节点，且其两跳邻居紧密环绕着相机背带、胶卷等配套商品。当算法开始施加对抗扰动（比如将购买情境移到普通工作日，或者移除了周边的复古皮套与胶卷）：

【为什么定理1能判定其为探索性意图？】由于该相机的购买行为高度依附于‘特定假日节点’和‘特定主题搭配道具’，一旦外部上下文被扰动打破，分类器原先基于聚集模式建立的判定依据立刻瓦解。其稳定偏好度 1 - Pr[...] 迅速坍塌至 0。因此，在最坏情况扰动下计算出的 STB 分值极小（排在全库底部的 40%），被精准解耦为‘探索性意图’。

【互信息极小化的物理直觉】该购买决策与特定的外部时间、特定搭配上下文具有极高的共变依赖性，其行为完全是由偶发性、情境性的探索欲望所点燃。

3. 定理推论的技术本质：无监督破译消费心智的数学桥梁

从管理与计算视角看，定理 1 与推论为电商工业界攻克了一个‘看似不可能的任务’：

在实际商业运营中，平台不可能弹窗向消费者询问：‘请问您刚刚购买这款相机，是因为长期信仰还是因为长假冲动？’。而定理 1 建立了一条严密的数学桥梁——**将主观且不可观测的心理学动机，转化为客观可计算的‘图拓扑扰动鲁棒性’与‘互信息上界’**。如果一个购买行为在各种模拟环境扰动下均能保持极低的错误率，它在统计学与信息论意义上就具备了‘稳定偏好’的全部充要特征！

五、UPSTAR 模型架构与关键技术机制详解

基于动机解耦理念，UPSTAR 构建了端到端的推荐流水线，其整体架构涵盖四大核心技术模块（详见图3整体框架逻辑）。

1. 跨会话商品图表征学习（In and Cross-Session Item GNN）

传统的会话推荐模型仅在单个用户的孤立会话内学习共现，导致跨会话商品关联丢失，且面临长行为级联带来的噪声干扰。UPSTAR 创新性地构建了全局有向无权商品转移图，并设计了专用的 Item GNN：

$h_{g, n}^{(k)} \leftarrow R e L U (W_{i n}^{(k)} \cdot {S U M}_{v p \in N i n (i n)} h_{p}^{(k - 1)} + W_{o u t}^{(k)} \cdot {S U M}_{i q \in N o u t (i n)} h_{q}^{(k - 1)})$ (公式 4：Item GNN 入度与出度聚合)

$z_{n}^{(k)} = σ (L i n e a r (h_{g, n}^{(k)}, h_{n}^{(k - 1)})), h_{n}^{(k)} \leftarrow (1 - z_{n}^{(k)}) ⊙ h_{n}^{(k - 1)} + z_{n}^{(k)} ⊙ h_{g, n}^{(k)}$ (公式 5：门控路由特征融合更新)

该机制通过分层的局域聚合过滤了长级联转移的虚假关联，并自适应保留了商品固有属性与跨用户协同转移信号。

2. 三流时序预测网络与自适应门控融合

基于 STB 度量，用户的行为序列被解耦为三股数据流：稳定偏好子序列 (h_1^stab, h_2^stab, ...)、探索性意图子序列 (h_1^expl, h_2^expl, ...) 以及包含未分类商品的完整历史序列 (h_1, h_2, ...)。三条数据流分别由独立的 LSTM 编码器处理（S-model、E-model、O-model）：

$z_{s t a b} = {L S T M}_{s t a b} (h_{s t a b}), z_{e x p l} = {L S T M}_{e x p l} (h_{e x p l}), z_{o t h e r} = {L S T M}_{o t h e r} (h)$ (公式 6：三流序列编码隐状态)

最终预测采用门控网络 f_s 对三路隐状态进行自适应通道融合，获得最终推荐概率向量 y^_global：

$z_{g l o b a l} = f_{s} [:, 1] ⊙ z_{s t a b} + f_{s} [:, 2] ⊙ z_{e x p l} + f_{s} [:, 3] ⊙ z_{o t h e r}$ (公式 7：全局动态门控表征融合)

3. 正交性去冗余损失（Orthogonality Loss）

由于全序列自然包含了稳定偏好和探索意图子序列，如果不加约束，z_other 会严重包含与 z_stab 和 z_expl 重叠的冗余特征，削弱模型的辨识力。为此，作者创新性地设计了正交性损失 L_orth，强制将 z_other 投影到与 z_stab、z_expl 正交的子空间，专门用于捕捉超越两者的复合长尾动机：

$L_{o r t h} = τ_{s} {z_{o t h e r}}^{⊤} z_{s t a b} + τ_{e} {z_{o t h e r}}^{⊤} z_{e x p l}$ (公式 8：正交性去冗余损失)

4. 独特的双教师-学生知识蒸馏（Dual Teacher-Student Optimization）

在模型训练中，由于异质动机样本的分布不平衡，单个子模型容易出现学习偏颇：当下一真实商品为稳定偏好时，E-model 难以预测；反之当下一商品为探索性尝试时，S-model 极易失效。UPSTAR 提出了开创性的双教师-学生互助机制：

S-model 执教 E-model：当下一真实商品为稳定偏好（s_next=1）时，固定 S-model 参数作为教师，以其输出概率分布 y^_stab 作为软标签（Soft Labels），通过最小化 KL 散度 L_{S→E} 指导学生 E-model。
E-model 执教 S-model：当下一真实商品为探索性意图（e_next=1）时，固定 E-model 参数作为教师，以其输出概率 y^_expl 作为软标签，通过最小化 KL 散度 L_{E→S} 指导学生 S-model。

$L_{S \to E} = s_{n e x t} D_{K L} (\hat{y_{s t a b}} ∥ \hat{y_{e x p l}}), L_{E \to S} = e_{n e x t} D_{K L} (\hat{y_{e x p l}} ∥ \hat{y_{s t a b}})$ (公式 9：双向教师-学生动态蒸馏损失)

最终全局多任务联合优化损失函数定义为：

$min_{W S, W E, W O, W g l o b a l} λ L_{g l o b a l} + (1 - λ) (L_{S & E & O} + L_{o r t h} + L_{S \to E} + L_{E \to S})$ (公式 10：全局多任务联合优化目标)

六、实证检验、模型对比与消融实验深度分析

作者在三大真实电商平台数据集上进行了大规模离线评估，涵盖日用品、美妆、服饰、家电等多样品类：

1. 主实验基准对比（以代表性 Tafeng 数据集为例）

模型大类	代表性推荐算法	P@5 (%)	P@20 (%)	NDCG@5 (%)	MRR@5 (%)
协同过滤模型	CSRM (SIGIR'19)	9.23	15.48	6.87	6.09
序列推荐模型	LSTM (Hochreiter'97)	8.23	16.48	5.75	4.92
序列推荐模型	GRU4Rec (CIKM'18)	10.64	15.77	8.45	7.72
注意力序列模型	NARM (CIKM'17)	11.04	19.06	8.14	7.18
注意力序列模型	STAMP (KDD'18)	12.12	20.05	9.34	8.42
图神经网络模型	SRGNN (AAAI'19)	14.60	23.45	11.24	10.12
图神经网络模型	TAGNN (SIGIR'20)	13.90	23.74	10.75	9.70
图神经网络模型	RetaGNN (WebConf'21)	13.16	22.79	10.35	9.41
图神经网络模型	HGNN (ICME'22)	13.98	24.23	10.83	9.78
动机/多兴趣模型	LMM (Working Paper'14)	10.42	17.25	7.97	7.15
动机/多兴趣模型	ComiRec-SA (KDD'20)	13.21	23.09	10.43	9.50
动机/多兴趣模型	ComiRec-DR (KDD'20)	13.21	23.13	10.43	9.51
本文提出模型	UPSTAR（全模型）	16.24	25.98	12.31	11.00

实验分析表明，UPSTAR 在各项指标上均以统计学显著优势（p < 0.05）领先所有基线。相较于传统序列模型（NARM/STAMP），UPSTAR 依靠图结构捕获了跨会话转移；相较于通用图模型（SRGNN/HGNN），UPSTAR 证明了明确解耦稳定偏好与探索性意图的巨大增益；相较于隐式多兴趣模型（ComiRec），UPSTAR 彰显了基于行为代理显式建模的高效性与卓越性。在 Cetailer 与 IJCAI-15 数据集上，结论呈现出高度一致的显著优越性。

2. 架构消融实验分析（Ablation Studies）

为了厘清 UPSTAR 内部各个创新组件的独立贡献，作者在 Tafeng 数据集上设计了 8 种变体并进行了严谨的消融对比（详见下表）：

模型变体名称	所剔除的核心组件说明	P@5 (%)	性能降幅 (Δ)	NDCG@5 (%)	MRR@5 (%)
UPSTAR (Full)	完整模型（保留所有机制）	16.24	-	12.31	11.00
UPSTAR-S-E	剔除动机识别模块（不区分S与E，仅保留O模型）	13.89	↓ 16.9%	10.57	9.46
UPSTAR-O	剔除全序列 O-model 及正交性损失	15.38	↓ 5.6%	11.75	10.54
UPSTAR-uncategorized	从 O-model 输入中强行删除未分类中间商品	15.67	↓ 3.6%	11.87	10.61
UPSTAR-Orth	仅剔除正交性损失 L_orth	15.53	↓ 4.6%	11.76	10.50
UPSTAR-SU	剔除子模型直接监督损失 L_{S&E&O}	15.72	↓ 3.3%	11.96	10.72
UPSTAR-P	剔除双教师-学生知识蒸馏模块	15.90	↓ 2.1%	11.92	10.60
UPSTAR-SUP	同时剔除监督损失与双教师-学生模块	15.65	↓ 3.8%	11.80	10.52
UPSTAR-CSG	剔除跨会话图，仅在单用户单会话内构图	15.33	↓ 5.9%	11.73	10.53

消融结果揭示出三条关键规律：

规律一：动机解耦的决定性价值。UPSTAR-S-E 的性能发生断崖式暴跌（P@5 下降 16.9%，NDCG@5 下降 16.5%），直接印证了‘区分稳定偏好与探索意图’是整个模型获得超额精度的核心动力引擎。
规律二：正交去冗余机制的精巧性。UPSTAR-Orth 与 UPSTAR-O 均显著落后于完整模型，证明全序列蕴含的全局长尾信号不可或缺，而正交性约束成功去除了与 S/E 重叠的冗余，赋予了残差特征强大的辨识力。
规律三：跨会话图表征学习的必要性。UPSTAR-CSG 相比单会话构图提升了 5.9% 的 P@5，证实跨用户跨会话的商品有向共现图能有效学习到全局商品特征，极大缓解了冷启动与数据稀疏问题。

七、经济学与管理学启示

本研究不仅在信息系统工程与深度学习算法层面实现了重要跨越，更为数字经济、平台运营管理与零售企业战略提供了深远的经济学与管理学启示：

1. 降低消费者搜寻成本与防范‘选择超载’（Search Costs & Choice Overload）

微观福利视角：在行为经济学中，当商品选择过于繁多时，消费者的决策疲劳会导致‘选择超载效应’（Iyengar and Lepper 2000），进而引发购物车放弃或平台流失。UPSTAR 通过精准锚定稳定偏好，在日常场景下向消费者精准推介其高信任度、高契合度的熟悉商品，最大程度压缩了无谓的搜寻摩擦（Search Frictions），提升了单次交互的交易确定性。
心理效用视角：传统算法在捕捉偶发兴趣时往往‘用力过猛’，将消费者偶然点击的商品进行狂轰滥炸式推送，造成严重的决策烦扰。UPSTAR 通过将探索意图作为低频辅助信号进行差异化呈现，实现了有节制的适度新颖性（Serendipity），达成了消费者剩余（Consumer Surplus）的最大化。

2. 破除电商‘信息茧房’与激活平台长尾经济（Filter Bubble & Long-Tail Economics）

平台生态视角：传统协同过滤与高频热点推荐极易诱发严重的‘马太效应’，即畅销品愈发垄断流量，长尾新品沉寂无光，导致消费者陷入信息窄化的‘过滤器气泡（Filter Bubble）’。长此以往，消费者的探索欲被抑制，平台的整体商品生态多样性受损。
供给侧变现视角：UPSTAR 显式将探索性意图解耦为独立预测流（E-model）。实证表明，该模型在推荐长尾、冷门和高新颖性商品上的命中率大幅超越现有算法，成功将消费者潜在的尝鲜动机转化为实际购买力。这为平台提供了盘活海量中长尾 SKU、培育新品孵化土壤的强大基础设施，显著拓宽了平台的总成交额（GMV）与品类渗透率。

3. 动态时机匹配与差异化精准营销策略（Timing-Aware Strategic Retailing）

基于本文提炼的行为代理特征，零售商可对不同动机资产实施精细化的‘动静分离’运营：

策略 A：稳定偏好资产——注重长期锁定与心智防御。对于高 STB 得分的稳定偏好品类，消费者的价格敏感度相对较低，而对履约可靠性、品质一致性要求极高。零售商应重点布局‘会员忠诚权益’、‘一键周期性自动补货订阅（Subscription Services）’以及‘同品类高端升级款（Upgrades）’，避免盲目开展价格战削减利润率。
策略 B：探索意图资产——注重时机捕捉与跨品类协同。对于低 STB 得分的探索意图品类，消费者的购买欲望极度依赖特定时机与特定场景。零售商应精准把握‘长假出行前夕’、‘周末晚间休闲时段’或‘主题节庆节点’；在推荐位陈列上，严禁单品孤立曝光，而应采用‘情境化主题陈列’、‘跨品类搭配捆绑（Bundle Merchandising）’（如户外帐篷与便携咖啡壶组合）、‘小包装体验装/试用装引流’，顺应消费者的好奇心心理，实现极高的交叉销售转化率。

4. 数据经济效率与隐私合规竞争优势（Data Efficiency & Privacy Preservation）

数据要素与合规：在国际数据保护合规（如欧盟 GDPR、中国《个人信息保护法》）日趋严苛的宏观环境下，传统依赖跨平台第三方追踪、侵入式用户调研或私密社交图谱的显式推荐模型，正面临日益高昂的合规成本与法律风险。
数智化竞争力：UPSTAR 开辟了全新的技术范式：**仅凭平台内生、不可篡改的第一方交易流水和基础物理属性，无需任何人工标注或外部数据买卖，即可推断出深层认知心理动机**。这种极高的数据效率（High Data Efficiency）不仅大幅降低了企业自建智能系统的边际算力与标注成本，更为数字企业在强监管时代构筑了兼顾算法性能与用户隐私红线的商业壁垒。