趙志超

（河北中信聯(lián)信息技術(shù)有限公司河北 石家莊 050091）

蔬菜銷(xiāo)售電子商務(wù)平臺(tái)的推薦系統(tǒng)研究

趙志超

（河北中信聯(lián)信息技術(shù)有限公司河北 石家莊 050091）

應(yīng)用中的區(qū)域蔬菜電子商務(wù)系統(tǒng)大多具備網(wǎng)上購(gòu)銷(xiāo)的主要功能，但在提高銷(xiāo)售量和消費(fèi)者應(yīng)用體驗(yàn)方面有重要作用的推薦系統(tǒng)則建設(shè)不多，或不夠完善。從用戶管理和交易行為特點(diǎn)數(shù)據(jù)中提取用戶特征和購(gòu)銷(xiāo)行為模型，生成k—均值聚類簇和簇中心，計(jì)算新用戶相應(yīng)信息與聚類簇中的最近鄰居集數(shù)據(jù)的最大相似度，生成銷(xiāo)售推薦信息，可構(gòu)建出適合區(qū)域蔬菜電子商務(wù)網(wǎng)站用戶規(guī)模和應(yīng)用的推薦系統(tǒng)。

蔬菜銷(xiāo)售電子商務(wù)聚類簇協(xié)同過(guò)濾算法推薦系統(tǒng)

1 引言

區(qū)域性蔬菜產(chǎn)銷(xiāo)電子商務(wù)系統(tǒng)可實(shí)現(xiàn)定域內(nèi)蔬菜產(chǎn)業(yè)重點(diǎn)縣的專業(yè)合作社與超市、消費(fèi)者的直接對(duì)接，為蔬菜合作社、蔬菜生產(chǎn)企業(yè)（單位）、農(nóng)資供應(yīng)單位、物流配送企業(yè)、超市和蔬菜消費(fèi)者提供信息發(fā)布、瀏覽和交易等功能。用戶通過(guò)蔬菜和農(nóng)資產(chǎn)品展示、信息發(fā)布、撮合洽談及物流配送等功能，實(shí)現(xiàn)供需雙方“鍵對(duì)鍵”的網(wǎng)上交易，包括蔬菜、農(nóng)資的網(wǎng)上銷(xiāo)售、電子支付、物流配送管理以及客戶關(guān)系管理等功能[1,2]。

這些建設(shè)中的蔬菜電子商務(wù)系統(tǒng)雖然具備了網(wǎng)上購(gòu)銷(xiāo)的主要功能，但仍有借鑒學(xué)習(xí)大規(guī)模電子商務(wù)網(wǎng)站先進(jìn)營(yíng)銷(xiāo)技術(shù)和豐富完善自有特點(diǎn)功能的發(fā)展空間。蔬菜和農(nóng)產(chǎn)品銷(xiāo)售時(shí)間因素很重要，利用信息技術(shù)提高交易效率是解決此類問(wèn)題的有效手段。

結(jié)合農(nóng)產(chǎn)品銷(xiāo)售和消費(fèi)者的活動(dòng)特點(diǎn)，綜合用戶信息和購(gòu)銷(xiāo)行為數(shù)據(jù)，經(jīng)過(guò)聚類分析和協(xié)同過(guò)濾等算法，為網(wǎng)上銷(xiāo)售對(duì)時(shí)令節(jié)氣依賴很強(qiáng)的蔬菜和農(nóng)產(chǎn)品創(chuàng)新設(shè)計(jì)推薦系統(tǒng)，有助于縮短銷(xiāo)售供需周期，提高銷(xiāo)售量，降低購(gòu)銷(xiāo)成本，優(yōu)化銷(xiāo)售體驗(yàn)。

2 區(qū)域性蔬菜電子商務(wù)平臺(tái)與用戶數(shù)據(jù)

區(qū)域性蔬菜產(chǎn)銷(xiāo)電子商務(wù)系統(tǒng)通的基本系統(tǒng)功能結(jié)構(gòu)如

圖1所示，主要由系統(tǒng)管理、合作社管理、會(huì)員管理、后臺(tái)運(yùn)營(yíng)管理、推薦系統(tǒng)、第三方支付管理、交易管理和商品管理等多個(gè)功能相對(duì)集中，數(shù)據(jù)相互共享的子系統(tǒng)組成[3]。

推薦系統(tǒng)在傳統(tǒng)農(nóng)產(chǎn)品銷(xiāo)售的電子商務(wù)網(wǎng)站上應(yīng)用較少，但對(duì)時(shí)令節(jié)氣依賴很強(qiáng)的蔬菜和農(nóng)產(chǎn)品上網(wǎng)銷(xiāo)售來(lái)說(shuō)，個(gè)性化推薦系統(tǒng)能大大提高網(wǎng)站銷(xiāo)售額，有效縮短供需銷(xiāo)售周期，優(yōu)化銷(xiāo)售體驗(yàn)，值得投資建設(shè)。

協(xié)同過(guò)濾算法推薦系統(tǒng)的基本思想是興趣和需求相近的消費(fèi)者可能對(duì)同樣的商品感興趣，并可能產(chǎn)生相同的采購(gòu)行為。因此，推薦系統(tǒng)的運(yùn)行離不開(kāi)積累用戶的歷史交易數(shù)據(jù)。為了結(jié)合行業(yè)和地域特點(diǎn)，并有效地管理和應(yīng)用用戶數(shù)據(jù)，蔬菜電子商務(wù)網(wǎng)站以會(huì)員機(jī)制運(yùn)作。蔬菜合作社、蔬菜生產(chǎn)企業(yè)、農(nóng)資供應(yīng)企業(yè)、蔬菜加工企業(yè)、蔬菜銷(xiāo)售企業(yè)（超市、批發(fā)市場(chǎng)）、普通消費(fèi)者或其他組織和個(gè)人等，經(jīng)網(wǎng)上注冊(cè)和審核后，均可成為交易級(jí)會(huì)員。

可供蔬菜電子商務(wù)交易推薦系統(tǒng)利用的用戶信息和行為數(shù)據(jù)主要有以下3類。

①用戶檔案：用戶會(huì)員的基本信息，如會(huì)員級(jí)別和會(huì)員分類；注冊(cè)的基本信息，如組織的名稱、法人、單位屬性、經(jīng)營(yíng)范圍、注冊(cè)資金和地域、經(jīng)營(yíng)規(guī)模和財(cái)務(wù)狀況等，個(gè)人的姓名、性別、年齡、職業(yè)、地域、收入及教育背景等資料；

②用戶交易記錄：用戶在電子商務(wù)網(wǎng)站上購(gòu)買(mǎi)商品的信息，會(huì)員積分信息等；

③用戶行為特征：用戶對(duì)商品的評(píng)分信息、瀏覽行為、需求信息和反饋信息等。

這些數(shù)據(jù)只有部分是用戶會(huì)員登錄注冊(cè)提供的，大部分是用戶在網(wǎng)上瀏覽、交易過(guò)程中，依靠電子商務(wù)網(wǎng)站收集整理的。

3 用戶交易行為數(shù)據(jù)記錄

目前許多協(xié)同過(guò)濾推薦算法使用用戶對(duì)商品的評(píng)分?jǐn)?shù)據(jù)作為推薦基礎(chǔ)，用戶評(píng)分?jǐn)?shù)據(jù)分為顯式評(píng)分和隱式評(píng)分2類。蔬菜電子商務(wù)系統(tǒng)采用顯式評(píng)分和隱式評(píng)分相結(jié)合的方式，對(duì)于只能通過(guò)顯式記錄才能獲得有效的記分或便于顯式記分的記錄項(xiàng)采用顯式評(píng)分，其他則應(yīng)用隱式評(píng)分，以便提高用戶購(gòu)買(mǎi)體驗(yàn)。

協(xié)同過(guò)濾推薦系統(tǒng)通過(guò)對(duì)系統(tǒng)可以捕獲的操作進(jìn)行分析以獲取隱式評(píng)分，這些操作稱為隱含興趣指示操作。隱含興趣指示操作主要有：

①標(biāo)記網(wǎng)頁(yè)操作：包括將網(wǎng)頁(yè)添加到收藏夾、從收藏夾刪除網(wǎng)頁(yè)、將網(wǎng)頁(yè)另存為本地文件、打印網(wǎng)頁(yè)、以及將網(wǎng)頁(yè)以電子郵件方式發(fā)送給好友等；

②編輯網(wǎng)頁(yè)操作：包括剪切、復(fù)制和粘貼等編輯操作，還包括在新窗口中打開(kāi)鏈接，在網(wǎng)頁(yè)中搜索文本和下拉滾動(dòng)條等操作；

③重復(fù)行為：如果用戶在某個(gè)網(wǎng)頁(yè)上重復(fù)某些操作行為，可能暗示用戶對(duì)該網(wǎng)頁(yè)有更多興趣。如某網(wǎng)頁(yè)的打開(kāi)時(shí)間比較長(zhǎng)，反復(fù)上下左右拉動(dòng)滾動(dòng)條，重復(fù)訪問(wèn)某一網(wǎng)頁(yè)等行為。

4 推薦數(shù)據(jù)算法分析

為了避免用戶數(shù)據(jù)庫(kù)體積龐大影響算法效率，系統(tǒng)設(shè)計(jì)首先對(duì)歷史數(shù)據(jù)進(jìn)行k—均值聚類，預(yù)先分成k個(gè)不同的簇，而且每個(gè)簇的中心采用簇中所含記錄的均值計(jì)算而成，通過(guò)機(jī)器學(xué)習(xí)算法聚成用戶興趣特征類簇，然后再用類中心與新用戶的行為數(shù)據(jù)進(jìn)行相似分析，快速歸類后，再與類中的元素進(jìn)行最大相似分析，做出推薦建議。

有了用戶行為數(shù)據(jù)，就可以進(jìn)行推薦分析。為此，可以建立下面的數(shù)學(xué)模型。

設(shè)有具有n個(gè)用戶的p個(gè)商務(wù)行為的觀測(cè)樣本數(shù)據(jù)xi= (xi1，xi2，…，xip)T，i=1,2,…,n

這樣，每個(gè)行為可視為p元空間的一個(gè)點(diǎn)，n個(gè)行為序列組成p元空間的n個(gè)行為向量。任意2個(gè)向量xi，xj的歐氏距離定義為

圖1 蔬菜銷(xiāo)售電子商務(wù)平臺(tái)總體結(jié)構(gòu)設(shè)計(jì)

根據(jù)觀測(cè)樣本數(shù)據(jù)空間的規(guī)模，選擇適當(dāng)?shù)腄=dij將所有用戶聚類分成k個(gè)興趣特征用戶數(shù)目不等的，互不相交的類簇集N={N 1，N 2…Nk}，其中心可表示為yi=(yi1，yi2，…，yip) T，i=1,2,…,k，k

5 推薦產(chǎn)生

通過(guò)上面的相似性度量方法可以得到目標(biāo)用戶的最近鄰居（聚類集），衡量用戶u與最鄰近用戶行為簇Nu中所有用戶行為向量之間的相似性程度，常用向量的相關(guān)系數(shù)和夾角余弦來(lái)描述。任意兩向量xi，xj的夾角余弦cos(xi，xj)為：

cos(xi，xj)的絕對(duì)值越接近于1，說(shuō)明向量xi和xj之間的夾角越小，相互關(guān)聯(lián)性越大。

用戶u對(duì)某商品項(xiàng)i的預(yù)測(cè)評(píng)分Pu,i可以通過(guò)用戶u從最近鄰居行為數(shù)據(jù)簇集合Nu={U 1,U 2,…,Us}中鄰居對(duì)該項(xiàng)的評(píng)分獲到：

式中，cos(u,uh)表示用戶u與其最近鄰居簇中用戶uh之間的相似性，uhi表示用戶uh對(duì)項(xiàng)目i的評(píng)分。和分別表示用戶u和用戶uh對(duì)行為項(xiàng)的平均記分。

上述方法可以預(yù)測(cè)用戶對(duì)所有未評(píng)分項(xiàng)的評(píng)分，然后選擇預(yù)測(cè)評(píng)分最高的前若干個(gè)項(xiàng)作為推薦結(jié)果反饋給當(dāng)前用戶u。當(dāng)使用交易數(shù)據(jù)作為算法輸入時(shí)，則可以采用如下2種方式產(chǎn)生top—N推薦：

①最頻項(xiàng)推薦：掃描當(dāng)前用戶每一個(gè)最近鄰居的購(gòu)買(mǎi)記錄，對(duì)其購(gòu)買(mǎi)的商品進(jìn)行計(jì)數(shù)，選擇出現(xiàn)頻率最高且當(dāng)前用戶沒(méi)有購(gòu)買(mǎi)過(guò)的前N件商品作為推薦結(jié)果；

②關(guān)聯(lián)推薦：將當(dāng)前用戶最近鄰居的交易數(shù)據(jù)作為一個(gè)虛擬的交易數(shù)據(jù)庫(kù)，進(jìn)行關(guān)聯(lián)重合挖掘。如果在關(guān)聯(lián)用戶重合部的商品已出現(xiàn)在當(dāng)前用戶的購(gòu)買(mǎi)商品集合中，就向當(dāng)前用戶推薦在預(yù)測(cè)關(guān)聯(lián)部分中用戶尚未購(gòu)買(mǎi)的商品[5]。

6 推薦系統(tǒng)主體結(jié)構(gòu)設(shè)計(jì)

根據(jù)上述思想設(shè)計(jì)的電子商務(wù)推薦系統(tǒng)由3個(gè)主要部分構(gòu)成，如下圖2所示。

圖2 推薦系統(tǒng)主體結(jié)構(gòu)示意圖

①用戶行為記錄：收集和記錄用戶行為和反饋數(shù)據(jù)；

②推薦引擎：分析用戶行為數(shù)據(jù)，按照模型生成推薦結(jié)果并展示在用戶界面上；

③頁(yè)面展現(xiàn)：展示推薦結(jié)果，收集用戶對(duì)推薦結(jié)果的反饋。

用戶行為記錄系統(tǒng)是推薦系統(tǒng)的基礎(chǔ)，首先需要實(shí)時(shí)更新用戶的行為數(shù)據(jù)，同時(shí)還需要能夠?qū)Υ髷?shù)據(jù)量的快速存儲(chǔ)和處理。沒(méi)有大量翔實(shí)的數(shù)據(jù)記錄，推薦引擎的工作成果就會(huì)大打折扣。推薦引擎的設(shè)計(jì)與推薦算法策略，則決定著整個(gè)系統(tǒng)的效率。推薦系統(tǒng)的人機(jī)交互界面設(shè)計(jì)有非常重要的作用，好的交互界面設(shè)計(jì)不僅能良好地展現(xiàn)推薦商品的信息，更能夠收集到更多，更準(zhǔn)確的用戶反饋，對(duì)提高推薦引擎的推薦的準(zhǔn)確性和系統(tǒng)的性能改善都有重要作用[6]。

7 結(jié)束語(yǔ)

因?yàn)殇N(xiāo)售行為是持續(xù)的過(guò)程，推薦系統(tǒng)必然也是一個(gè)持續(xù)收集用戶行為，更新用戶興趣模型，調(diào)整用戶推薦算法和策略的閉環(huán)信息交互系統(tǒng)，尤其是評(píng)價(jià)推薦轉(zhuǎn)化成銷(xiāo)售的效果更重要。消費(fèi)者的行為不是一成不變的，推薦系統(tǒng)能夠隨之調(diào)整推薦模型和策略，提高推薦準(zhǔn)確有效率，是需要持續(xù)深入研究的課題，但隨著用戶行為數(shù)據(jù)積累的不斷增多和方法的改進(jìn)，系統(tǒng)的推薦結(jié)果將會(huì)越來(lái)越準(zhǔn)確越有效。

雖然討論的是區(qū)域蔬菜電子商務(wù)平臺(tái)上推薦系統(tǒng)的設(shè)計(jì)應(yīng)用，由于互聯(lián)網(wǎng)的覆蓋特性，可以方便地?cái)U(kuò)展到全國(guó)乃至更廣的區(qū)域，但是，系統(tǒng)的組織，流程和數(shù)據(jù)管理，乃至推薦算法將需要根據(jù)用戶群和地域特性進(jìn)行相應(yīng)的調(diào)整。

[1]鄧愛(ài)林．電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D]．上海：復(fù)旦大

學(xué),2003．

[2]青海．電子商務(wù)推薦系統(tǒng)核心技術(shù)研究[D]．北京：工業(yè)大學(xué),2009．

[3]PETER H．機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M]．李銳,李鵬,譯．北京：人民郵電出版社,2013．

[4]范金城,等．?dāng)?shù)據(jù)分析[M]．北京：科學(xué)出版社,2002．

[5]MARMAN ISH,BABENKO D．智能web算法[M]．阿穩(wěn),陳鋼,譯．北京：電子工業(yè)出版社,2011．

[6]秦壽康,等．綜合評(píng)價(jià)原理與應(yīng)用[M]．北京：電子工業(yè)出版社, 2003．

Research on Recomm endation System Based on Vegetable Sales E-comm erce Platform

ZHAO Zhi-chao
(HebeiUniW in Information Technology Co.,Ltd.,Shijiazhuang Hebei050091,China)

The local vegetable E-commerce systemsmostly have themain function of Internetmarketing,but the construction of recommendation systemswhich plays the important rolesin the aspectsof improvementof salesand consumer application experiencesare notmany or inadequate.This paper extracts the user characteristics and buying/selling behaviormodel from the usermanagement and trading behavior characteristic data to build the k-means cluster and cluster center,and calculates themaximum sim ilarity of the nearest neighbor setdata in the relevant information ofnew usersand clustersto generate the salesrecommendation information,in order to build the recommendation systemswhich are suitable for localvegetable E-commercewebsite user scale and application.

vegetablessales;E-commerce;cluster;collaborative filtering algorithm;recommendation system

TP393

A

1008-1739（2014）13-62-4

定稿日期：2014-06-12