利用人工智能在线寻找贸易伙伴：一种用于预测海量网页商业价值的联合学习方法

《Journal of Business Research》：Harvesting trade partners online with AI: A joint learning method for predicting the business role of massive web pages

　　•利用深度学习方法进行在线商业伙伴选择。•MDJL模型联合学习搜索引擎和网页数据以预测企业角色。•多层注意力机制在标签不平衡的情况下提高分类准确性。

引言
在中小企业的营销活动中，为了销售（或购买）产品，通常需要通过经济手段找到合适的贸易伙伴，即零售商或生产商。在当前的数字时代，许多公司通过网页或网站建立在线存在（Jordan-de Urries等人，2025年）。这种在线存在，也称为网站内的网页，可以显著提升公司的声誉，增加潜在客户对公司产品的信心（Gustafson等人，2021年）。因此，互联网已成为寻求潜在伙伴的企业的重要资源，因为它允许他们进行有效和直接的搜索（Brynjolfsson等人，2019年）。
一般来说，无论是在线还是离线的伙伴选择过程，都涉及两个主要任务（Lei和Zhang，2021年）：检索候选对象和评估它们。前者旨在从特定业务领域获取高质量的潜在伙伴池（Findikoglu等人，2021年），而后者则根据定义的标准从该池中选择最合适的伙伴。在传统的商业环境中，业务领域通常由特定的地理范围隐式定义（Cheng和Tang，2019年；Lan等人，2020年）。因此，大多数先前的研究都集中在设计更有效的评估方法上（Mindruta等人，2016年）。相比之下，在基于互联网的商业环境中，潜在伙伴分散在大量的在线数据中，这也使得有效检索候选池变得尤为重要。对于中小企业而言，这一挑战尤为突出，因为他们面临着以下战略困境。一方面，中小企业通常资源有限（Adomako和Ahson，2022年），这促使他们尽量减少在线伙伴检索的成本。为了解决这一问题，她们可能会采取缩小搜索范围或利用通用AI工具来降低成本（Schwaeke等人，2025年）的策略。然而，许多中小企业所拥有的行业知识的相对同质性，加上常见AI系统中嵌入的算法的相似性，往往导致搜索领域和结果趋同——从而加剧了竞争压力。另一方面，同样的资源限制也迫使中小企业避免同质的在线竞争。一个可行的替代方案是利用其独特的产品能力和差异化的运营经验来培养更广泛和更多样化的潜在伙伴池。然而，这种策略本质上需要扩大搜索范围，进而增加检索成本。总之，以高效且经济的方式生成伙伴候选池，同时保持竞争优势，对于中小企业在在线伙伴选择过程中是一个重要的技术障碍。
本研究的目的是设计一个智能架构，以提高中小企业的在线伙伴搜索效率。为此，研究将首先分析在线搜索任务的工作流程。在线检索商业伙伴的过程可以分为三个步骤的人机交互（见图1）。第一步是启动在线伙伴搜索（用户任务I）。在这一步中，用户生成伙伴搜索意图（例如生产商、零售商或其他伙伴）以及一组相关的搜索词。第二步涉及信息检索（搜索引擎任务）。在此步骤中，搜索引擎根据用户提供的查询词从数据库中检索相关数据并返回给用户。搜索引擎为查询任务返回的所有数据称为“搜索引擎数据”（用?????表示）。第三步是用户确认（用户任务II）。用户评估集合?????中的每个数据项SD与查询意图的相关性。如果相关，用户可以导航到相应的网页WD（来自完整的集合?????，即“网页数据”）以查看详细信息。否则，该SD项将被忽略。
如图1所示，检索过程可能会遇到两个可能影响信息处理效率的问题。首先，SD的信息内容本质上是有限的，通常只包含标题、URL和目标网页WD的简短描述。因此，仅依赖SD来评估公司的业务角色是否符合用户的伙伴检索意图存在双重风险：可能会导致误放入不相关的SD，浪费时间阅读相应的WD；或者相反，错误地排除相关的SD，从而丢失有价值的信息和潜在伙伴。其次，处理WD中包含的非结构化信息本身非常复杂。尽管这对识别公司角色有准确性上的好处，但鉴于许多网页的非结构化性质和语义模糊性，这一步仍然具有挑战性。总体而言，由于用户查询往往与搜索引擎返回的大量数据不符，用户面临着过滤大量不相关?????内容的繁琐任务——这一过程消耗了大量时间和精力，从而影响他们有效处理信息的能力。在之前的基于机器学习的解决方案中，研究人员通常将阅读和理解WD内容的耗时且劳动密集型任务转化为网页分类问题（Hashemi，2020年）。然而，在模型训练阶段，这些方法面临着适当确定网页数据特征的挑战：仅基于?????数据构建特征空间提供的信息不足，而结合?????数据来建立特征空间可能会导致模型在实际应用中失败，因为????∈?????数据的缺失（Belmouhcine和Benkhalifa，2015年）或改变（Xu等人，2025年）。因此，需要一个更合理的模型结构来提高信息检索效率，同时不增加用户的操作负担。尽管SD的信息简洁，但它在在线检索任务中起着关键作用，因为它为用户提供了预测WD内容的线索。这一观察表明，在预测与WD相关企业的潜在业务角色时，SD和WD之间的相关性比它们各自的具体内容更为重要。基于此，提出了以下研究问题：
•如何学习????∈?????和????∈?????之间的关系，并利用它来准确预测与?????数据相关联的公司的业务角色？

为了解决这一挑战，本文提出了一种称为多源联合学习（MDJL）的AI模块。该模型专门设计用于自动化网页内容的手动阅读（用户任务II），从而提高信息处理的效率。MDJL模型的初始步骤是将预测与网页相关联的公司的业务角色的任务转化为多标签分类问题。随后，训练深度神经网络来捕捉不同数据集中元素之间的隐含的高阶交互和复杂关系。最后，MDJL构建了一个高效的分类器，以识别与大量网页相关联的潜在企业角色。

本文的贡献如下：
•我们提出了一种新颖的多源联合学习（MDJL）方法，通过捕获来自不同来源的本质上相互关联的数据集中的共享信息来训练预测模型。MDJL在广泛的应用场景中表现出强大的适应性——包括某些来源的数据可能不完整或不可用的实际情况。
•我们提出了一种两阶段方法，用于优化涉及具有复杂内部结构的多个数据集的联合学习任务中的数据表示。第一阶段优化每个单独来源内的多模态数据的局部表示。然后第二阶段优化来自不同来源的相关数据元素的联合学习，产生统一的全局表示。这种方法使得最终分类任务的局部多模态表示和全局多源表示能够同时进行优化。
•此外，我们在MDJL的分类模块中设计了一种“多层注意力”机制，以减轻训练数据中标签分布不平衡导致的分类偏差。基于这种机制，我们提出了一个由AI驱动的架构，使中小企业能够从大量的网页数据中检索潜在伙伴。

本文的结构如下：第2节概述了相关文献，第3节介绍了MDJL模型的基本原理，第4节评估了所提出方法的性能，第5节讨论了MDJL方法的见解和局限性，第6节总结了本研究。

在线商业伙伴选择
伙伴选择被定义为在特定标准、原则和目标指导下，从潜在伙伴池中识别最合适的候选者的过程（Liu等人，2025年）。因此，该过程包括两个连续的阶段（Doherty，2009年；Wei等人，2020年；Lei和Zhang，2021年；Liu等人，2025年）。第一阶段涉及确定伙伴选择的范围以定义候选池（Lan等人，2020年；Findikoglu等人，2021年）。

问题陈述和联合学习架构
考虑一个从搜索引擎获得的数据集?????={??????}????=1，它包含N个片段，以及一个网页数据集?????={??????}????=1，其中??????.????????=??????.????????。与?????中的片段相关联的公司的角色为??={????}????=1，其中????={′p?r?o?d?u?c?e?r′,′r?e?t?a?i?l?e?r′,′o?t?h?e?r′}。本研究的目的是帮助用户准确预测与SDi相关联的公司的业务角色????∈??。解决此类问题对真实的在线业务非常重要。

数据集
本研究的训练数据来自一家运营中的跨境电子商务中小企业。该公司专注于各种高质量产品。由于其产品不具有唯一性，该公司故意避免在主流电子商务平台上建立合作伙伴关系，在那里它可能会遇到同质竞争、不可靠的合作伙伴以及激烈的价格竞争。因此，这家中小企业采用了在线策略来寻找潜在伙伴。

对管理的启示
企业的数字档案——包括其网站、社交媒体存在甚至在线广告——正日益成为寻求潜在伙伴的企业（如解决方案提供商）的重要信息来源（Gustafson等人，2021年）。这对于资源有限的小型企业尤为重要。虽然文献广泛讨论了如何通过互联网促进组织间的合作，但它提供的内容有限。

结论
在B2B营销管理中，高效地搜索与产品相关的各种商业伙伴是一个重要的问题。用户直接在线搜索商业伙伴的行为往往会对人力资源或营销成本造成压力，特别是当处理搜索引擎返回的大量数据时，使得这种方法效率更加低下。本研究提出了一种MDJL模型，以提高用户检索和...

CRediT作者贡献声明
Hua Yuan：方法论、调查、资金获取。
Jie Zheng：监督、软件、资源、项目管理。
Qiongwei Ye：写作——初稿、可视化、验证。
Mengxi Yang：形式分析、数据整理、概念化。
Yu Qian：写作——审阅与编辑、写作——初稿、可视化。

资助
本工作得到了中国国家自然科学基金（91846105、71671027、61662084-80059900535、72572158和72192843）、四川省自然科学基金项目（2024NSFSC0273）、教育部人文社会科学规划基金（编号24XJA630010）、昆明电子商务和互联网金融研发中心（KEIRDC [2020]）、杰出教育者计划（云南[2018]11）和云南省电子商务企业家创新互动空间的支持。

利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢
作者感谢编辑和所有审稿人提供的建设性评论，这些评论极大地帮助改进了我们的论文。
Hua Yuan获得了中国北京清华大学的管理科学与工程博士学位。他目前是中国电子科技大学经济与管理学院的信息系统管理教授。他的研究兴趣包括机器学习与商业智能、信息系统管理、数字化市场与工业（社会）计算。

Hua Yuan | Jie Zheng | Qiongwei Ye | Mengxi Yang | Yu Qian