張登（蘭州財經(jīng)大學，甘肅 蘭州 730020）

?

基于改進最近鄰算法的農(nóng)產(chǎn)品B2B平臺企業(yè)動態(tài)聯(lián)盟合作伙伴選擇研究

張登
（蘭州財經(jīng)大學，甘肅 蘭州 730020）

摘 要：本文針對農(nóng)產(chǎn)品B2B平臺企業(yè)動態(tài)聯(lián)盟伙伴選擇問題，提出了一種改進的最近鄰算法，對原有的最近鄰算法加入推薦系統(tǒng)的思想，并對算法的結果和評價矩陣做出改進.實驗表明，所提出的改進的最近鄰算法是可行的，而且有較高的準確率和運算速度.對企業(yè)動態(tài)聯(lián)盟的伙伴選擇在理論上有一定的指導意義.

關鍵詞：動態(tài)聯(lián)盟；最近鄰算法；推薦思想

1 農(nóng)產(chǎn)品B2B平臺企業(yè)動態(tài)聯(lián)盟相關理論

1.1 農(nóng)產(chǎn)品B2B平臺

農(nóng)業(yè)的不斷發(fā)展,使各類農(nóng)產(chǎn)品的市場也在不斷擴大.規(guī)模的擴大，產(chǎn)量的增加以及相對穩(wěn)定的在一定區(qū)域內(nèi)農(nóng)產(chǎn)品的需求量使得農(nóng)產(chǎn)品的銷售和管理遇到了前所未有的挑戰(zhàn).傳統(tǒng)的以批發(fā)為主的銷售方式和企業(yè)之間各自為政的管理方式已經(jīng)不在農(nóng)產(chǎn)品的銷售方面占據(jù)優(yōu)勢了.隨著“互聯(lián)網(wǎng)+”的快速發(fā)展，電子商務已經(jīng)是未來企業(yè)發(fā)展的趨勢和方向.農(nóng)業(yè)也不例外.所以，建立B2B平臺是解決農(nóng)產(chǎn)品銷售和管理問題的主要對策.

我國的農(nóng)業(yè)經(jīng)濟正在朝著一個健康蓬勃的方向發(fā)展,還需對農(nóng)產(chǎn)品電子商務的探索,不斷改善適合我國農(nóng)業(yè)的B2B電子商務模式.

1.2 企業(yè)動態(tài)聯(lián)盟

企業(yè)動態(tài)聯(lián)盟系統(tǒng)是一個協(xié)同商務系統(tǒng).是一個虛擬的平臺.建立了資源虛擬化管理模型.虛擬企業(yè)是當代提出的一種新型企業(yè)聯(lián)盟方式，采用靈活多變的動態(tài)組織結構，一旦發(fā)現(xiàn)機遇，將以最快的速度加入到企業(yè)聯(lián)盟的陣營中.

企業(yè)聯(lián)盟系統(tǒng)中盟主對盟員的選擇就是因為盟主所擁有的資源和能力是有限的.為了抓住市場機遇，盟主就要利用企業(yè)外部資源即其他企業(yè)資源來提高擴充自身資源.

利用外部資源就是要聯(lián)合其他企業(yè)，盟主提供核心資源（或核心業(yè)務）的服務，把非核心的資源（或非核心的業(yè)務）進行外包，外包給盟員企業(yè).選擇的盟員企業(yè)，被外包的資源（或業(yè)務）一定要是其核心資源.從而盟主企業(yè)和盟員企業(yè)優(yōu)勢互補，強強聯(lián)合.達到盟主和盟員企業(yè)將企業(yè)內(nèi)部資源和外部資源整合.

2 企業(yè)動態(tài)聯(lián)盟研究現(xiàn)狀

企業(yè)動態(tài)聯(lián)盟從根本上解決了市場變化對企業(yè)快速響應的難題，但這樣一種新的供應鏈模式亦會衍生出更加復雜的問題.企業(yè)動態(tài)聯(lián)盟的合作伙伴選擇是管理學研究的重點問題之一，引起國內(nèi)學者的普遍關注，新的思想，方法不斷的涌現(xiàn).目前，有不少學者對企業(yè)動態(tài)聯(lián)盟的合作伙伴選擇方法進行了研究.文獻［1］［2］［3］［4］分別用層次法對選擇伙伴選擇所用的指標進行兩兩比較，確定各個指標相對其他指標所具有的重要程度.從而確定其權重.其中文獻［1］［2］［4］在選擇指標的時候分別用到了模糊綜合的方法對評價指標進行篩選和分析.從而選出重要的評價指標.文獻［5］對不同方法選擇出來的指標進行整合，加入排序模型，使其在選擇盟員伙伴時只考慮重要的重要的指標快速的選擇出來合作伙伴.文獻［6］通過引入蟻群算法并加入雜交因子來改進了蟻群算法來解決滿足產(chǎn)品交貨期和最小化成本為目標的虛擬企業(yè)合作伙伴的選擇.文獻［7］加入可拓學的思想評選出具有競爭力和相容的合作伙伴，先根據(jù)可拓學方法構建虛擬企業(yè)合作伙伴的物元模型，并用優(yōu)度評選發(fā)對物元模型進行求解，從而得出優(yōu)度，根據(jù)優(yōu)度評選.

基于以上幾點不足，基于最近鄰的企業(yè)動態(tài)聯(lián)盟伙伴選擇盟員推薦的合作伙伴問題上相對有以下幾個優(yōu)點：（1）算法易于實現(xiàn).（2）不用指標的建立，盟員的選擇標準是通過客觀數(shù)據(jù)，而不是量化完的指標.

本文研究基于最近鄰思想的虛擬企業(yè)動態(tài)聯(lián)盟伙伴選擇的方法，伙伴的選擇是該研究的核心問題.其中伙伴的選擇分為兩個步驟.第一步為盟主企業(yè)的選擇，第二步是盟員企業(yè)的選擇.從而建立企業(yè)動態(tài)聯(lián)盟.

3 基于最近鄰的企業(yè)動態(tài)聯(lián)盟伙伴選擇盟員

3.1 最近鄰算法基本原理

鄰近算法（K最近鄰算法），是分類算法中最常用的一種.其中K-最近鄰，所指就是和樣本最近的K個鄰居.鄰近算法的核心思想是：如果該樣本在特征空間中的K個最近鄰中的大多數(shù)屬于同一個類別，則該樣本也屬于這個類別.該算法的基本流程：

數(shù)據(jù)的準備過程，對數(shù)據(jù)的預處理.

選用合適的數(shù)據(jù)結構存儲訓練數(shù)據(jù)和測試集.設定一個初始的參數(shù)（K）.

定義一個大小為K按距離由大到小的隊列，隊列中元素在訓練數(shù)據(jù)中選取K個用來存儲最近鄰訓練集.

遍歷訓練集，計算訓練集中元素和該元素之間的距離.

將得到距離與隊列中最大距離比較，若大于最大距離就舍棄該訓練元組，若小于最大距離則保留該元組.

遍歷完成，就要計算該訓練集中的元素所屬類別.進而判斷該樣本的類別.

繼續(xù)設定不用的K值進行不同的計算，最后取得誤差率最小的K值所謂最終確定的K值.

鄰近算法中距離的計算方法有多種.本文選用歐氏距離的計算方法.歐氏距離的方法是用空間中兩個向量之間的距離，兩個向量之間差異的大小.

3.2 改進的最近鄰算法

改進的最近鄰算法主要是加入推薦的思想.協(xié)同過濾是目前最為流行的一類推薦算法.這類算法的核心思想是認為如果某些企業(yè)的行為或則特征類似，那么他們的興趣也具有一定的相似性，它們利用企業(yè)與企業(yè)或者項目與項目的協(xié)同關系來過濾出企業(yè)的興趣［8］.

基于企業(yè)的協(xié)同過濾推薦算法：企業(yè)A和企業(yè)B 都喜歡商品1,2,3.認為企業(yè)A和企業(yè)B相似，則企業(yè)A和企業(yè)B就有相同的喜好.把企業(yè)B喜歡且企業(yè)A還未表現(xiàn)出喜愛關系的商品推薦給企業(yè)A，企業(yè)A喜歡且企業(yè)B還未表現(xiàn)出喜愛關系的商品推薦給企業(yè)B.結果就是給企業(yè)A推薦商品5，給企業(yè)B推薦商品4.

以上問題的實質都會被歸結為找最近鄰問題.基于企業(yè)的協(xié)同過濾是找企業(yè)的最近鄰.基于企業(yè)的協(xié)同過濾找出最近鄰的方法目前最常用的就是企業(yè)-商品評分矩陣.

目前最最常用的過濾技術就是使用企業(yè)對商品的評分數(shù)據(jù)，這個評分數(shù)據(jù)作為推薦系統(tǒng)的輸入數(shù)據(jù).首先，根據(jù)歷史數(shù)據(jù)整理出企業(yè)-商品評分矩陣.其次，根據(jù)企業(yè)-商品評分矩陣的關系矩陣中找出當前企業(yè)的最近鄰.最后，根據(jù)找出最近鄰的評分向量，根據(jù)具體要求推薦評分較高的商品.大量的實驗表明，基于企業(yè)的推薦很好的利用了人們的從眾心理和社會屬性，能夠產(chǎn)生比較符合企業(yè)興趣的推薦，通過這樣的推薦，還可以發(fā)現(xiàn)企業(yè)的潛在興趣，擴大了推薦的實在意義.

針對企業(yè)動態(tài)聯(lián)盟的伙伴選擇.對最近鄰算法做出改進.基于企業(yè)的協(xié)同過濾算法的推薦結果是給企業(yè)推薦商品，而農(nóng)產(chǎn)品B2B平臺用推薦算法主要用于推薦盟主和盟員.所以推薦的結果需要改進.再者，基于企業(yè)的協(xié)同過濾算法計算企業(yè)之間的相似度主要依賴企業(yè)-商品評分矩陣，企業(yè)-商品評分矩陣中的數(shù)據(jù)是企業(yè)對商品的評價，企業(yè)之間的相似度不能用企業(yè)對商品的評價而是要對企業(yè)能力的綜合評價.兩個擁有同樣商品的企業(yè)綜合能力相當就稱企業(yè)相似.所以，對最近鄰算法的改進主要是：

最近鄰算法得出的K個鄰居根據(jù)企業(yè)的需求推薦給企業(yè).

用于計算企業(yè)之間相似度的企業(yè)-商品評分矩陣中的數(shù)據(jù)改進為企業(yè)的綜合評價.

在企業(yè)動態(tài)聯(lián)盟盟員的推薦過程中對企業(yè)的綜合評價用的是歷史數(shù)據(jù)，所有企業(yè)存放在數(shù)據(jù)庫中的數(shù)據(jù).針對聯(lián)盟系統(tǒng)，對企業(yè)的綜合評價所用歷史數(shù)據(jù)為：企業(yè)擁有商品信息，庫存信息，訂單信息，支付信息四類信息.具體數(shù)據(jù)存放于數(shù)據(jù)庫中.與企業(yè)相關信息都要作為企業(yè)綜合評價的數(shù)據(jù).可以全面評價一個企業(yè).建立新的企業(yè)評分矩陣.

要用建立的新的企業(yè)評分矩陣計算企業(yè)之間的相似度，采用歐氏距離法.它是在m維空間中兩個點之間的真實距離.在二維和三維空間中的歐氏距離就是兩點之間的距離，在m維中則表示兩個向量之間的距離.計算公式為：

其中，Xi1表示第一個點的第i維坐標,Xi2表示第二個點的第i維坐標.n維歐氏空間是一個點集,它的每個點可以表示為（x（1）,x（2）,...x（n）,其中x（i）（i=1,2...n）是實數(shù),稱為x的第i個坐標,兩個點x和y=（y（1）,y（2）...y（n）之間的距離d（x,y）定義為上面的公式.為了便于計算，我們所用向量中的數(shù)值全部用數(shù)字來代替（如商品可用商品ID來代替，商品種類可用類別ID來表示）.

將歐氏距離公式用在新的企業(yè)評分矩陣，通過計算得出企業(yè)與其他企業(yè)之間的相似度.把計算出的相似度向量按照降序存儲，根據(jù)訂單需求量來決定推薦企業(yè)的個數(shù).

聯(lián)盟平臺接到單個企業(yè)的資源無法滿足商品需求量時，改進的最近鄰算法具體步驟：

把訂單添加到企業(yè)評分矩陣表中，企業(yè)和商品數(shù)據(jù)保留，其他缺失數(shù)據(jù)全填補為允許的最大值.

用歐氏距離找出與“訂單”企業(yè)最為相似的企業(yè)作為盟主企業(yè).

確定盟主之后，就要根據(jù)現(xiàn)在訂單的需求量（“訂單”企業(yè)的需求量-盟主企業(yè)的供給量），把新的“訂單”企業(yè)加入到企業(yè)評分矩陣表，企業(yè)和商品數(shù)據(jù)保留，其他缺失數(shù)據(jù)全填補為允許的最大值.再用歐氏距離找出與新的“訂單”企業(yè)最為相似的企業(yè)作為盟員企業(yè).

重復過程（3），直至最后一個“訂單”企業(yè)的商品需求量為0.結束推薦，由推薦出的盟主和盟員組成企業(yè)聯(lián)盟共同提供訂單需求.

4 實驗結果及分析

本文選用2015年阿里巴巴大數(shù)據(jù)競賽—天池大賽的部分數(shù)據(jù)做仿真模型.

取該數(shù)據(jù)的前三列，即企業(yè)，商品，行為.行為表示企業(yè)對商品的行為（1表示瀏覽，2表示關注，3表示加購物車，4表示購買）.企業(yè)對商品的行為來計算企業(yè)之間的相似度，即歐氏距離是二維的.不同企業(yè)對相同商品做同樣行為，則歐氏距離計算量越小，說明兩個向量距離越小，兩條記錄越相似，企業(yè)也就越相似.以這樣的方式來計算企業(yè)之間的相似度.

為了更好的表現(xiàn)出企業(yè)之間的相似度，我們對數(shù)據(jù)做處理，讓企業(yè)對同樣的商品只做一次行為.用天池大賽的數(shù)據(jù)形式在MATLAB中做仿真實驗.

最近鄰中的記錄是通過歐氏距離計算的最近鄰點，只輸出距離當前點最近的點.

實驗結果表明，把歐氏距離用在企業(yè)評分矩陣來計算企業(yè)之間的相似度的方法是可行而且準確率較高的.這樣把歐氏距離用在企業(yè)動態(tài)聯(lián)盟的企業(yè)評分矩陣來計算企業(yè)之間的相似度只需要把歐氏距離的維數(shù)調高，同樣的可以計算出兩個企業(yè)之間的相似度.本次實驗推薦的企業(yè)是最為相似的企業(yè)，推薦個數(shù)只是一個.在實際情況中推薦的企業(yè)個數(shù)要根據(jù)訂單的需求量來決定.

5 總結

本文探討了企業(yè)動態(tài)聯(lián)盟系統(tǒng)條件下，改進的最近鄰算法用于企業(yè)動態(tài)聯(lián)盟伙伴的選擇過程.針對企業(yè)動態(tài)聯(lián)盟，提出了最近鄰算法改進方案.通過實驗結果可以看出，本文所提出的改進算法具有算法易于實現(xiàn)，準確率和運算速度高等優(yōu)點.

參考文獻：

〔1〕周軍宜.虛擬企業(yè)合作伙伴選擇的模糊層次分析法［J］.安徽工業(yè)大學學報（社會科學版），2005 （9）.

〔2〕盧紀華，李艷.基于DEA/AHP的虛擬企業(yè)合作伙伴選擇研究［J］.東北大學學報（自然科學版），2008（11）.

〔3〕侯艷軍，袁文卓.基于模糊層次綜合評價法的虛擬企業(yè)合作伙伴選擇 ［J］.機械工程與自動化，2009（8）.

〔4〕汪忠，吳琳，等.基于模糊綜合評價法的社會企業(yè)合作伙伴選擇［J］.財經(jīng)理論與實踐（雙月刊），2013（7）.

中圖分類號：F406

文獻標識碼：A

文章編號：1673-260X（2016）06-0127-03

收稿日期：2016-01-22

基金項目：甘肅省科技支撐項目（1204GKA010）基于SOA的高原夏菜協(xié)同電子商務平臺的研究與開發(fā)