中国石油大学（北京）｜杨弦教授以一作在《MIS Quarterly》发表论文，攻破机器学习黑箱模型可解释性壁垒

中国石油大学（北京）经济管理学院杨弦教授以第一作者身份，在国际顶级期刊《MIS Quarterly》（UTD24期刊）上发表题为“Intelligent Approach to Discovering a New Functional Model Quantifying the Long-Tail Distribution of Online Markets”的研究成果，合作者包括清华大学林志杰教授和纽约城市大学Yuanfeng Cai教授。《MIS Quarterly》是信息管理领域排名第一的顶级期刊，属UTD24与FT50期刊之一，被该校列为国际一类顶级期刊。

方法创新

研究提出融合遗传编程与两阶段剪枝的模型智能发现框架（GPTP），是一种白箱模型智能构建方法。它不依赖领域专家对模型结构的预先假设，而是让AI算法在符号空间中自动搜索、进化并筛选出以显式方程表达的数学关系，输出模型结构透明、可解释，有效克服传统机器学习黑箱模型缺乏可解释性的壁垒。

实证发现

团队将该方法应用于长尾规律的模型发现，基于对148个产品类别、203,994个商品项的线上线下真实销售大数据分析发现，传统幂律模型对线上市场销售分布的“长尾”特征拟合效果不佳；而利用本研究方法发现的全新“自然幂律模型”，在线上数据中的覆盖率与精度显著优于传统幂律模型，能更准确刻画头部商品销量较低、尾部商品销量较高的长尾特征。

应用价值

该研究提出的方法具有可解释性强、自动化程度高、普适性广等特点，为信息系统领域从复杂多类别业务数据中挖掘可解释的规律性函数模型提供了方法支撑；同时为零售商利用公开排名数据估算竞争对手销量、评估市场份额以及制定营销策略提供了实用工具。