为进一步拓宽师生科研视野，提升高水平学术论文解析与自主写作能力，6月3日下午，基于社交媒体平台数据的论文解析与自主写作工作坊在32号楼315举办专题学术报告。本次活动由管理科学与工程系副教授王静主持，特邀北京航空航天大学经管学院院长吴俊杰教授担任主讲，以“Personalized   Bundle Design: A Hypergraph-based Approach”为主题，围绕智能电商推荐、产品组合优化、前沿算法应用以及顶级期刊论文写作经验等内容展开分享，吸引学院师生积极参与交流讨论。

报告中，吴俊杰教授立足电商数字化转型背景，系统阐述了个性化产品组合推荐的重要研究价值。他指出，随着个性化推荐逐渐成为电商平台提升用户转化效率的重要路径，传统单品推荐模式已难以满足用户多样化、场景化的消费需求，产品组合设计正成为管理科学与人工智能交叉领域的重要研究方向。

围绕当前研究现状，吴俊杰教授总结了个性化产品组合研究面临的三项核心挑战：一是有效产品组合样本相对稀缺且交易数据噪声较高；二是用户偏好具有动态变化特征，跨场景适配难度较大；三是组合空间规模巨大，组合爆炸问题显著制约传统优化算法性能。针对上述难题，研究团队提出了一种基于超图学习的个性化产品组合设计模型。该方法通过超图结构对产品与产品组合之间复杂的嵌套关系进行建模，将高复杂度组合优化问题转化为产品适配性判断问题，在提升计算效率的同时增强推荐效果。此外，模型进一步结合用户历史消费序列构建个性化特征表示，兼顾用户偏好的动态性与个体差异，有效降低同质化推荐现象；同时引入心理距离理论构建产品效用函数，实现用户场景偏好的精准刻画，进一步提升推荐准确性。研究还融合生成对抗网络（GAN）与大语言模型（LLM）能力，实现数据生成、语义理解与推荐决策的协同优化，推动智能推荐系统向更加智能化、场景化方向发展。

结合研究实践经验，吴俊杰教授进一步分享了高水平期刊论文发表的思路与方法。他强调，开展数据驱动研究不仅需要扎实的模型构建能力，更需注重理论抽象与研究问题凝练，通过理论创新与方法创新相结合提升论文学术贡献。同时，应根据研究问题与成果特征精准匹配投稿方向，提高成果转化效率。在交流讨论环节，王静和学生围绕数据驱动研究中理论支撑不足这一共性问题与主讲人展开深入探讨。吴俊杰教授指出，技术与数据类研究同样需要依托成熟社会科学理论构建分析框架，通过理论解释与实证验证相结合，增强研究的理论深度与应用价值。

本次工作坊聚焦智能电商与人工智能交叉前沿领域，通过典型论文解析与科研方法分享，展示了超图学习、生成对抗网络与大语言模型赋能产品组合设计的最新研究成果。活动进一步拓展了师生学术视野，为学院开展跨学科研究、提升高水平论文写作能力与科研创新能力提供了有益参考。