[论文解读] The Role of Social Networks in Online Shopping: Information Passing, Price of Trust, and Consumer Choice

Stephen Guo, Mengqiu Wang+1 more|arXiv (Cornell University)|Apr 5, 2011

Complex Network Analysis Techniques参考文献 30被引用 42

一句话总结

本研究基于一千万名用户的淘宝数据集，分析其社交电商生态系统，探讨社交网络如何驱动在线购物。研究量化了通过三角闭包传递的信息，通过卖家评分衡量了‘信任价格’，并证明在基于SVM的预测模型中，消息网络是预测消费者选择的最有力特征，其P@1达到0.58，优于交易网络和联系人网络，尤其在使用品类特定模型时表现更优。

ABSTRACT

While social interactions are critical to understanding consumer behavior, the relationship between social and commerce networks has not been explored on a large scale. We analyze Taobao, a Chinese consumer marketplace that is the world's largest e-commerce website. What sets Taobao apart from its competitors is its integrated instant messaging tool, which buyers can use to ask sellers about products or ask other buyers for advice. In our study, we focus on how an individual's commercial transactions are embedded in their social graphs. By studying triads and the directed closure process, we quantify the presence of information passing and gain insights into when different types of links form in the network. Using seller ratings and review information, we then quantify a price of trust. How much will a consumer pay for transaction with a trusted seller? We conclude by modeling this consumer choice problem: if a buyer wishes to purchase a particular product, how does (s)he decide which store to purchase it from? By analyzing the performance of various feature sets in an information retrieval setting, we demonstrate how the social graph factors into understanding consumer behavior.

研究动机与目标

• 理解社交互动，特别是信息传递，如何影响大规模电商平台上的在线购买决策。
• 通过分析消费者为高评分卖家支付的溢价，量化‘信任价格’。
• 通过评估不同网络类型（联系人、消息、交易）的预测能力，建立在线购物中消费者选择的模型。
• 研究定向三角闭包在社交电商网络中的作用，以及买卖角色如何影响链接形成。
• 证明社交图特征在预测消费者交易选择方面显著优于传统元数据。

提出的方法

• 本研究使用淘宝一千万名用户的数据库，将平台建模为包含交易、消息和联系人边的多关系网络。
• 应用三角闭包分析来衡量信息传递，重点关注买家在购买后向其他买家推荐产品的可能性。
• 对定向三角闭包进行建模，以研究消息和交易边如何基于用户角色（买家/卖家）形成，揭示社会影响中的不对称性。
• 利用卖家评分数据和产品价格差异量化‘信任价格’，显示更高评分与价格溢价相关。
• 采用基于SVM排序模型的监督机器学习方法预测消费者选择，比较不同网络特征（消息、交易、联系人）与元数据的性能表现。
• 通过P@1（top 1精确率）评估性能，并在全模型与品类特定模型之间进行比较，以评估预测准确性。

实验结果

研究问题

• RQ1 通过买家之间的沟通传递的信息在多大程度上影响电商平台上的购买行为？
• RQ2 在定向三角闭包的背景下，哪些因素决定社交与商业链接的形成，特别是在社交电商网络中？
• RQ3 消费者为与可信卖家交易支付的溢价有多大，信任在定价中如何体现？
• RQ4 在联系人、消息和交易网络中，哪种网络类型对预测在线购物中的消费者选择具有最强信号？
• RQ5 品类特定模型是否能在消费者选择任务中提升预测准确性，优于单一全局模型？

主要发现

• 信息传递强烈受消息强度影响，与产品价格和购买与推荐之间的时间延迟呈负相关。
• 买家之间的沟通是推动购买活动的主要因素，消息网络边对消费者选择的预测力最强。
• 消息网络在预测消费者选择方面优于交易网络和联系人网络，表明沟通历史反映了信任与熟悉度。
• 交易网络的表现略好于联系人网络，表明实际交易历史比单纯的社交好友关系更具信息量。
• 品类特定的SVM模型达到P@1为0.58，优于单一全模型方法（P@1为0.56），表明品类对预测具有重要影响。
• 社交图，尤其是消息和交易链接，是预测买家将选择哪位卖家的最重要特征集，当在10位卖家中选择时，准确率达42%，比随机选择高四倍。