彭潔+徐劍暉+陳超

摘要：針對現(xiàn)有電子商務(wù)中農(nóng)產(chǎn)品個性化推薦方案精度較低的問題，提出一種基于潛在類回歸模型（latent-class regression model，簡稱LCRM）和組群偏好的個性化推薦方案。首先，收集農(nóng)產(chǎn)品的評價信息，進(jìn)行預(yù)處理，提取出每個評價者的特征-意見值對。然后，利用LCRM根據(jù)整體與特征評價，將具有相同愛好的評價者進(jìn)行分組，構(gòu)建組群偏好，并計算單個評價者的偏好。最后，通過計算用戶與組群偏好的相似度來定位組群，通過計算用戶與該組群中評價者偏好的相似度來定位農(nóng)產(chǎn)品，最終列出推薦表。結(jié)果表明，該方案能夠準(zhǔn)確為用戶推薦所需的農(nóng)產(chǎn)品，推薦列表中農(nóng)產(chǎn)品的命中率達(dá)到了83%，同時具有較低的計算復(fù)雜度。

關(guān)鍵詞：電子商務(wù)；農(nóng)產(chǎn)品個性化推薦；潛在類回歸模型；組群偏好

中圖分類號： TP391文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2017）12-0274-05

現(xiàn)今，利用網(wǎng)絡(luò)進(jìn)行日常商業(yè)交易的互聯(lián)網(wǎng)用戶越來越多，許多公司利用網(wǎng)絡(luò)來銷售他們的商品和服務(wù)。由于冷藏運輸條件的改善，水果、蔬菜等農(nóng)產(chǎn)品也開始融入到電子商務(wù)中[1]。在電子商務(wù)中，對于一個特定的商品，顧客面臨多個選擇，常處于困惑和迷失狀態(tài)。對于網(wǎng)站管理員而言，評估提供的商品和服務(wù)是否迎合用戶，為用戶提供感興趣的個性化商品推薦單至關(guān)重要[2]。

目前學(xué)者提出了多種電子商務(wù)推薦方案，例如Huang提出了一種基于知識決策支持的推薦方案，將推薦問題轉(zhuǎn)化成約束滿意問題，通過知識庫檢測商品和用戶偏好的匹配度，查找與用戶首選最接近的商品來生成推薦列表[3]。然而，這種方案僅依靠評價特征詞出現(xiàn)的頻率來定位商品，準(zhǔn)確率較低。Krohn-Grimberghe等提出了一種基于評價特征分析的推薦方案，從眾多評價中提取特征，采用多關(guān)系矩陣分解（multi-relational matrix factorization，簡稱MRMF）來搭建用戶對商品和特定特征觀點之間相關(guān)性的模型，從而預(yù)測客戶所需商品的可能性[4]。然而，這種方案的局限性在于并沒有強調(diào)新用戶“不完全偏好”現(xiàn)象。Jain等提出了一種基于線性回歸模型（linear regression model，簡稱LRM）的推薦方案，利用評價者評論形成評價者偏好，根據(jù)用戶和該偏好的相似度來定位商品[5]。然而，該方案僅匹配用戶與單個評價者的偏好，沒有考慮其他用戶評價中的商品潛在信息，一定程度上影響了推薦精度。另外，現(xiàn)有的推薦方案主要是應(yīng)用在電影、圖書、電子產(chǎn)品等商品，對農(nóng)產(chǎn)品的個性化推薦研究較少。鄭云飛等設(shè)計了一種農(nóng)產(chǎn)品協(xié)同過濾推薦系統(tǒng)[6]，但主要側(cè)重于軟件系統(tǒng)的構(gòu)建，對推薦方案的描述較少，且效果不佳。將高效的個性化推薦技術(shù)應(yīng)用到農(nóng)產(chǎn)品推薦中，將會有助于農(nóng)產(chǎn)品電子商務(wù)和農(nóng)業(yè)地區(qū)經(jīng)濟(jì)的發(fā)展，具有重要的意義[7-8]。

偏好模型基于多屬性效用理論（multi-attribute utility theory，簡稱MAUT）[9]，根據(jù)用戶偏好，利用匹配工具將所有商品進(jìn)行排序從而給出推薦。然而，傳統(tǒng)偏好模型盡管可以基于交互式偏好技術(shù)來了解買家的需求，但所得出的偏好不完整且不準(zhǔn)確。另外，現(xiàn)有基于偏好模型的推薦方案中，大多僅考慮根據(jù)單個評價者對商品的評價信息建立偏好，沒有充分挖掘商品評價中其他客戶有價值的評價信息，不能很好地為新用戶進(jìn)行推薦。

為此，本研究針對農(nóng)產(chǎn)品的個性化推薦應(yīng)用，提出一種基于潛在類回歸模型（latent-class regression model，簡稱LCRM）的推薦方案[10]。利用LCRM根據(jù)整體與特征評價，將具有相同愛好的評價者進(jìn)行分組，構(gòu)建組群偏好，并計算單個評價者的偏好。通過計算用戶與組群偏好的相似度來定位組群，通過計算用戶與該組群中評價者偏好的相似度來定位農(nóng)產(chǎn)品，最終給出推薦列表。結(jié)果表明，本研究方案能夠準(zhǔn)確地為客戶推薦所需的農(nóng)產(chǎn)品。

1方案架構(gòu)

根據(jù)現(xiàn)有的偏好啟發(fā)式技術(shù)，可以推導(dǎo)出當(dāng)前新買家對農(nóng)產(chǎn)品特征的偏好，并基于多屬性效用理論進(jìn)行模型化：prefu={（fi，wui）|1≤i≤n}。其中prefu表示用戶偏好；fi表示從所有評價中提取的第i個特征；wui表示特征fi對應(yīng)的偏好權(quán)重，但是，由此推導(dǎo)出的偏好事實上并不完整[11]。因此，為了生成當(dāng)前買家的精確推薦，其核心理念是：區(qū)分買家固有偏好與農(nóng)產(chǎn)品評價者間的相似性。其中，亟待解決的問題有：（1）根據(jù)買家提供的評價信息來恢復(fù)評價者的多特征偏好；（2）建立當(dāng)前買家和評價者間的偏好相關(guān)性；（3）預(yù)測買家的完整偏好，并作出推薦。

純粹地計算評價中特征的發(fā)生頻率并不能真實地體現(xiàn)評價者的偏好權(quán)重，因此，須要引入更先進(jìn)的學(xué)習(xí)方法，用以綜合考慮評價者的整體評價和特征級意見。此外，單個評價者生成的信息是有限的，所以提出方法中須包含多個評價者，生成它們的偏好相似性，并構(gòu)建組群的偏好。

本研究的基本思想是，根據(jù)所有評論信息（包括整體評價和特征觀點評價），首先將評論者分組創(chuàng)建無監(jiān)督集群，目的是建立組群偏好來代表1個組群評論者的共同喜好。同時，使用組群級偏好調(diào)整評論者級偏好。在下一次迭代循環(huán)中，再使用評論者級偏好來改善組群結(jié)果。當(dāng)2種類型的偏好都穩(wěn)定不變的時候，迭代終止。然后通過計算機用戶與組群偏好和評價者級偏好的相似度來定位農(nóng)產(chǎn)品。本研究推薦系統(tǒng)的工作流程主要由三大步驟構(gòu)成，如圖1所示。

步驟1：對評價進(jìn)行預(yù)處理，進(jìn)行特征級意見挖掘，用以確定每個評價者的特征-意見值〈feature，opinion_value〉對。意見（opinion）表示評價者對特征的積極、中性或負(fù)面的評價。

步驟2：利用潛在類回歸模型生成評價者組群的偏好（組群級偏好），然后推斷出評價者的權(quán)重偏好（評價者級偏好）。該模型集成了4個評價元素：評價者對農(nóng)產(chǎn)品的整體評價；評價中每個特征相關(guān)聯(lián)的意見；特征發(fā)生頻率（作為1種先驗知識進(jìn)行建模）；評價者推薦的農(nóng)產(chǎn)品。endprint

步驟3：根據(jù)步驟2輸出的評價者級偏好和組群級偏好，計算用戶偏好和組群偏好的相似度，再計算用戶偏好與組群中評價者偏好的相似度，最終定位相關(guān)農(nóng)產(chǎn)品，并返回排名前N的農(nóng)產(chǎn)品。同時通過評價任務(wù)測試當(dāng)前買家的目標(biāo)選擇（即買家打算購買的農(nóng)產(chǎn)品）是否存在反饋農(nóng)產(chǎn)品列表中。該步驟通過組群偏好機制，來解決僅依靠單個評價者偏好所產(chǎn)生的不穩(wěn)定性。文中相關(guān)符號及說明如表1所示。

2預(yù)處理：提取特征-意見值對

在推導(dǎo)評價者權(quán)重偏好前，須先對原始評價文本進(jìn)行預(yù)處理， 轉(zhuǎn)化生成特征-意見值〈feature，opinion_value〉對。本表1涉及的符號及說明

符號含義REV={rev1，…，revM}表示M個評價者的集合P={p1，…，p|P|}P個農(nóng)產(chǎn)品的集合SREV×P評價者-農(nóng)產(chǎn)品對的集合，其中（revi，pj）∈S表示一個評價者revi對農(nóng)產(chǎn)品pj發(fā)表的評價F={f1，…，fn}表示從所有評價中提取的不相同特征rijrij表示評價者revi給農(nóng)產(chǎn)品pj的評價Rij評價者revi給農(nóng)產(chǎn)品pj的整體評價等級Xij=[xij1，…，xijn]在評價rij中關(guān)于特征F的觀點值Wrevi=[wi1，…，win]評價者revi的權(quán)重偏好，其中wi1是特征fi∈F的權(quán)重，若評價者對該特征沒有評價，則權(quán)重為0c=[c1，…，ck]評價者的k個組群Wck=[wck1，…，wckn]組群ck的偏好，其中wck1是特征fi∈F的組群權(quán)重偏好z=[z1，…，zM]具有M個評價者的組群，zi=k時表示評價者revi屬于組群ck

研究實施2個步驟來生成特征-意見值對：

步驟1：從評價中提取特征并對同義詞特征進(jìn)行分組。本研究中使用Core-NLP包的詞性標(biāo)記（part-of-speech，簡稱POS）來提取常見的名詞和名詞短語，用以識別潛在的候選特征。此外，評價者常常用不同的詞表示相同的農(nóng)產(chǎn)品特征，為此，本研究定義了種子詞集合，利用WordNet工具[12]，通過計算詞匯與種子詞的相似度來對同義特征進(jìn)行分組。這種處理有助于識別可靠的特征表述，并有效地對詞匯進(jìn)行分組。

步驟2：量化意見值。本研究評估每個意見詞的情緒強度（也叫做極性值），為此，研究中對每個意見詞s提供3種極性值：積極性、消極性、客觀性，分別記為Pos（s）、Neg（s）和Obj（s），范圍從0.0到1.0，并滿足Pos（s）+Neg（s）+Obj（s）=1。然后，將3種分值綜合為單一的情感評分：Os=Neg（s）×Rmin+Pos（s）×Rmax+Obj（s）×Rmin+Rmax2。其中，Rmin和Rmax分別表示最小和最大規(guī)模。設(shè)置Rmin=1、Rmax=5；Os范圍為從1到5。

3基于潛在類回歸模型的計算偏好

通常，一些暢銷農(nóng)產(chǎn)品有多個評價，因此，單一評價者提供的信息是非常有限的。在基于傳統(tǒng)回歸模型的方法中，稀疏現(xiàn)象可能會導(dǎo)致過度擬合問題，因為評價者權(quán)重偏好的絕對偏差完全取決于自身評價。此外，根據(jù)傳統(tǒng)回歸模型推導(dǎo)的權(quán)重偏好值的范圍處于多元高斯分布均值μ附近，由于輸出結(jié)果受到均值μ的約束，所以不能充分反映評價者的真實偏好。為此，本研究利用潛在類回歸模型，通過固有偏好與其他評價者之間相似性的比較，來準(zhǔn)確地估計評價者的權(quán)重偏好。

3.1LCRM簡述

LCRM起源于市場營銷領(lǐng)域，用于市場細(xì)分工作，致力于尋找潛在客戶。根據(jù)他們的偏好，劃分為相對較小的同質(zhì)組群。具體來說，LCRM方法假設(shè)整個族群可以通過有限數(shù)量的劃分進(jìn)行定義（每個劃分代表了市場分割中的1個消費者組群），所以LCRM的首要目標(biāo)是按組群級來評估每個劃分的回歸模型[13]。因此，LCRM可以根據(jù)單一實體的回歸值相關(guān)知識（例如：來自單個消費者），利用整個族群結(jié)構(gòu)生成組群。當(dāng)實體具有最高的隸屬概率時，將其分配給唯一的組群。

本研究利用LCRM同時獲得所有評價者的偏好和組群級偏好，不僅要考慮評價者的自身信息，還將其與其他評價者間相似的固有偏好進(jìn)行合并，解決僅依靠單一評價者信息帶來的不準(zhǔn)確性問題。

3.2計算組群級和評價者級偏好

根據(jù)LCRM模型，首先假設(shè)將所有的評價者劃分為k個組群C={c1，c2，…，ck}。整體評級Rij的似然概率函數(shù)定義如下：

Pro（Rij|Xij，F(xiàn)）=∑kk=1πkPro（Rij|Xij，ck）。（1）

其中：F表示所有參數(shù)集；πk表示組群ck的先驗概率；Xij是與評價者revi的F特征相關(guān)聯(lián)的意見值向量。在公式（1）中，Pro（Rij|Xij，ck）給出了整體評價Rij的條件概率，其中revi屬于組群ck：

Pro（Rij|Xij，ck）=Pro（Rij|Xij，Wrevi）·Pro（Wrevi|ck）。（2）

式中：Wrevi表示評價者revi的權(quán)重偏好；Pro（Rij|Xij，Wrevi）給出了Wrevi的似然度和特征意見向量Xij。這里，可以從組群級偏好分布中推導(dǎo)得到評價者級偏好。該偏好可能是一種均值為Wck（組群級偏好）、協(xié)方差為∑k的多元高斯分布：

Pro（Wrevi|ck）=Pro（Wrevi|Wck，∑k）～N（Wrevi|Wck，∑k）。（3）

此外，組群級偏好分布N（Wrevi|Wck，∑k）具有不確定性，基于KL散度模擬如下：

Pro（Wck，∑k）=exp{-ψ·KL[N（Wck，∑k）|N（μ0，I）]}。（4）

其中，μ0表示評價中特征發(fā)生頻率的集合。

由于整體評價Rij已知，因此，可以估計評價者屬于某一組群的概率。

qk（revi）=∏（revi，pj）∈S πjk·Pro（Rij|Xij，ck）∑ch∈Cπjh·Pro（Rij|Xij，ch）。（5）endprint

此外，可以合理假設(shè)，推薦相同農(nóng)產(chǎn)品的評價者中，誰的偏好相關(guān)性更高，因此，推薦農(nóng)產(chǎn)品pj的分布πj={-πj1，…，πjk}可作為模擬的先驗概率，其中revi屬于確定的組群。所有觀察S（收集的評價者-農(nóng)產(chǎn)品對）的完全混合對數(shù)似然度定義如下：

L（Φ|S）=∑（revi，pj）∈Slog （∑kk=1πk·Pro（Rij|Xij，ck））。（6）

進(jìn)一步推導(dǎo)公式（7）、（9），分別用于推導(dǎo)組群級偏好和評價級偏好：

W^ck=（Nk∑k-1+ψ·I）-1（∑k-1∑Mzi=kWrevi+ψ·I·μ0）。（7）

當(dāng)

∑^k=1ψ∑Mzi=k（Wrevi-Wck）（Wrevi-Wck）T+（Nk-ψ2ψ）2I1/2-Nk-ψ2ψIT。（8）

W^revi=1N（revi）∑（revi，pj）∈S（XijXTijσ2+∑k-1）-1（Rij-WTreviXij）σ2+∑k-1Wck。（9）

上式中，N（revi）為評價者revi提出的評價數(shù)。

然后，通過期望-最大化（expectation maximization，簡稱EM）算法估計參數(shù)集：Φ={z1，…，zM，Wc1，…，Wck，∑1，…，∑k，Wrev1，…，WervM}，通過以下2步迭代過程確定最大對數(shù)似然度。

3.2.1期望步驟（E）根據(jù)個體評價者偏好Wrevi，更新評價者組群分配、組群級偏好分布和組群先驗概率。

（1）組群分配zi（如果評價者revi屬于組群revi，則zi=k），公式：

zi=arg maxkqk（revi）。（10）

式中，qk（revi）與公式（5）相關(guān)。只有當(dāng)獲得最高概率時，評價者才分配給組群。

（2）對于每個組群，組群級偏好Wck用公式（7）進(jìn)行更新。

（3）組群的先驗概率（即，πj={-πj1，…，πjk}）可視為多項分布，并通過拉普拉斯平滑更新：

πjk=∑（revi，pj）∈SIzi=k+λN（pj）+K×λ。（11）

式中，N（pj）表示農(nóng)產(chǎn)品pj的評價數(shù)，平滑參數(shù)變化范圍λ∈[0，1]。

3.2.2最大化步驟（M）在該步驟中，旨在通過公式（9）更新評價者偏好Wrev1。

重復(fù)E和M步驟，直到方程（6）收斂。最終，將所有評價者劃分為k個不相交組群，并獲得每個組群生成的組群級偏好Wck和每個評價者的評價級偏好Wrevi。

4基于偏好相似度生成推薦

本研究通過2個步驟來精確生成當(dāng)前買家推薦：（1）計算買家與評價者組群的相似度，將買家分類到最相關(guān)組群；（2）計算買家與該組群中評價者的相似度來定位農(nóng)產(chǎn)品。買家和組群間的偏好相似度計算如下：

sim（Wu，Wck）=11+∑i=1n[wfi（u）-wfi（ck）]2。（12）

式中，Wu表示買家聲明的權(quán)重偏好；Wck表示組群ck的組群級偏好。

為買家選擇具有高相似度值的組群。在該組群中對應(yīng)的評價者級偏好中，尋找與當(dāng)前買家最相似的k個評價者。評價者和當(dāng)前買家間的相似度計算公式：

sim（Wu，Wrevi）=11+∑wfi∈Wu[wfi（u）-wfi（revi）]2。（13）

式中，wfi（u）是基于特征的當(dāng)前買家權(quán)重偏好fi；wfi（revi）是第i個評論者。

然后，由這k個評價者生成得到農(nóng)產(chǎn)品池，計算得到農(nóng)產(chǎn)品pj的預(yù)測評分，其匹配程度表明了買家的潛在興趣：

PredictionScore（u，pj）=∑revi∈ci⌒K^（revi，pj）∈Ssim（Wu，Wrevi）×Rij∑revi∈ci⌒K^（revi，pj）∈Ssim（Wu，Wrevi）。（14）

式中：ci表示最相關(guān)組群；K表示k最相近評價者集合；Rij為評價者對農(nóng)產(chǎn)品的整體評價；sim（Wu，Wrevi）為買家u和評價者revi間的偏好相似度。將具有較高評分的前N個農(nóng)產(chǎn)品生成推薦列表，并推薦給買家。

5試驗與分析

5.1試驗設(shè)置及數(shù)據(jù)集

試驗中從1個電子商務(wù)網(wǎng)站上獲取一些農(nóng)產(chǎn)品（水果、蔬菜等）的網(wǎng)上銷售數(shù)據(jù)集。對于每個文本，對評價者的評價分配等級為1～5星。首先清理數(shù)據(jù)集：（1）移除少于4個特征的評價（包括那些太短或沒有意義的字符）[14]；（2）移除少于10個評價的農(nóng)產(chǎn)品。清理過程確保每個評價都包含相當(dāng)量的信息，每個農(nóng)產(chǎn)品都有充分的評價用于分析[15]。該步驟之后，農(nóng)產(chǎn)品數(shù)據(jù)集有122種農(nóng)產(chǎn)品，一共18 251個評價。其中，每個評價者在農(nóng)產(chǎn)品上只給出1條評價。數(shù)據(jù)集的詳細(xì)信息如表2所示。

5.2性能指標(biāo)

使用命中率和平均倒數(shù)排名（mean reciprocal rank，簡稱MRR）作為試驗指標(biāo)。

命中率（H@N）主要用于檢測所選擇目標(biāo)是否出現(xiàn)在N推薦集中 （試驗中，N設(shè)置為5、10、20）。 它返回用戶選擇命

5.3結(jié)果與分析

將2種現(xiàn)有商品推薦方案應(yīng)用到農(nóng)產(chǎn)品推薦中，并將本研究方案與這2種方案和僅利用評論者級偏好的本研究方案進(jìn)行比較，4種方案分別為：（1）本研究方案（LCRM+評價者級偏好+組群級偏好）；（2）LCRM+評價者級偏好；（3）文獻(xiàn)[4]方案（MRMF）；（4）文獻(xiàn)[5]方案（LRM）。另外，試驗中設(shè)置推薦列表長度N為5、10、20等3種情況。

由圖2可以看出，基于LCRM的方案能夠獲得較優(yōu)的性能，因為基于買家和評論者之間的相似關(guān)系建立特征偏好，同時也表明LCRM在推導(dǎo)單個評論者特征偏好時比傳統(tǒng)回歸模型更加精確。然而，文獻(xiàn)[5]中傳統(tǒng)LRM純粹依靠評論者自身提供的信息進(jìn)行偏好提取，在稀疏評論的情況下，不可避免地存在偏見和過擬合現(xiàn)象，從而影響了推薦精度。endprint

另外，本研究方案比LCRM+評價者級偏好的方案的命中率更高，這是因為本研究方案不僅考慮了評價者級偏好，還考慮了組群級偏好。通過關(guān)聯(lián)志趣相投的評論者，能夠更精確地預(yù)測買家未聲明的偏好。

圖3描述了4種方案在MRR方面的比較結(jié)果?？梢钥闯?，本研究方案獲得了優(yōu)越的性能。這表明，本研究方案不僅能夠提高推薦表中客戶所需農(nóng)產(chǎn)品命中的數(shù)量，還能提高客戶真正所需農(nóng)產(chǎn)品在列表中排名位置，使其能夠更好地呈現(xiàn)在客戶面前。4種方案的平均命中率分別為85.5%、79.20%、74.80%、57.00%，本研究方案比其他3種方案分別提高7.95%、14.30%、50.00%；4種方案的MRR分別為0076、0.068、0.062、0.034。

5.4時間復(fù)雜度分析

對于算法的時間復(fù)雜度，主要是計算偏好中參數(shù)估計所消耗的時間。其中，LCRM的期望-最大化（EM）算法中的E步驟耗費O（max（|S|，n）×k×n2）步操作，M步驟耗費 O（k×n3+|S|n2） 步操作，其中k表示組群數(shù)；n表示農(nóng)產(chǎn)品特征數(shù)。假設(shè)LCRM經(jīng)t次迭代后收斂，則LCRM的計算復(fù)雜度為O（t×max（|S|，n）×k×n2）。

相比之下，傳統(tǒng)回歸模型要計算協(xié)方差矩陣的行列式，花費O（n3）步操作，它的復(fù)雜度為O（t×M×n3），其中M為評價者數(shù)。由于M遠(yuǎn)大于k，所以該復(fù)雜度要高于本研究LCRM方案。

6結(jié)束語

提出了一種基于潛在類回歸模型的農(nóng)產(chǎn)品電子商務(wù)個性化推薦方案。利用LCRM將具有相同愛好的評價者進(jìn)行分組，構(gòu)建組群偏好。通過計算用戶與組群偏好的相似度來定位組群，計算用戶與該組群中評價者偏好的相似度來定位農(nóng)產(chǎn)品，最終給出推薦列表。試驗結(jié)果表明，提出的方案所生成的推薦列表中農(nóng)產(chǎn)品的命中率達(dá)到了83%，且能夠?qū)⒖蛻羲柁r(nóng)產(chǎn)品排到列表前端。同時，相比于傳統(tǒng)回歸模型，本研究方案具有較低的計算復(fù)雜度。

提出的方案中，集群是不相交的，這意味著每個評論者只能隸屬于一個集群。在今后的工作中，將考慮允許存在相交集群，使每個評論者可分配給多個集群，以此進(jìn)一步提高本研究方案的適用范圍。

參考文獻(xiàn)：

[1]劉琦，苑金鳳，王倩，等. 農(nóng)產(chǎn)品網(wǎng)購意愿研究綜述[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：401-403.

[2]王偉，徐平平，王華君，等. 基于概率回歸模型和K-最近鄰的電子商務(wù)個性化推薦方案[J]. 湘潭大學(xué)自然科學(xué)學(xué)報，2016，38（1）：97-100.

[3]Huang S L. Designing utility-based recommender systems for e-commerce：evaluation of preference-elicitation methods[J]. Electronic Commerce Research and Applications，2011，10（4）：398-407.

[4]Krohn-Grimberghe A，Drumond L，F(xiàn)reudenthaler C，et al. Multi-relational matrix factorization using bayesian personalized ranking for social network data [C]. Proceedings of the fifth ACM International Conference on Web Search and Data Mining. Washington：Seattle，2012：173-182.

[5]Jain G，Mishra N，Sharma S. CRLRM：Category based recommendation using linear regression model[C]. Proceedings of the 2013 Third International Conference on Advances in Computing and Communications. India：Cochin，2013：29-31.

[6]鄭云飛，夏帥，譚武坤. 基于用戶的農(nóng)產(chǎn)品協(xié)同過濾推薦系統(tǒng)的設(shè)計與實現(xiàn)[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2014，10（9）：49-53.

[7]李冰潔，丁疆輝. 冀中南地區(qū)農(nóng)村居民電子商務(wù)應(yīng)用及其空間影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（4）：572-577.

[8]王爍. 云環(huán)境下個性化農(nóng)業(yè)產(chǎn)銷信息匹配推薦系統(tǒng)的研究和實現(xiàn)[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2014：18-22.

[9]王崇，李一軍. B2C環(huán)境下基于多屬性效用理論的消費者行為模式[J]. 系統(tǒng)管理學(xué)報，2010，19（1）：62-67.

[10]Moors G. Ranking the ratings：a latent-class regression model to control for overall agreement in opinion research[J]. International Journal of Public Opinion Research，2010，22（1）：93-119.

[11]許棣華，王志堅，林巧民，等. 一種基于偏好的個性化標(biāo)簽推薦系統(tǒng)[J]. 計算機應(yīng)用研究，2011，28（7）：2573-2575.

[12]Gan M. Cousin：a network-based regression model for personalized recommendations[J]. Decision Support Systems，2015，26（8）：361-373.

[13]Thiene M，Galletto L，Scarpa R，et al. Determinants of WTP for prosecco wine：a latent class regression with attitudinal responses[J]. British Food Journal，2013，115（2）：279-299.

[14]Zhang Y. Analysis and comparative of e-commerce personalized recommendation[J]. Journal of Chemical and Pharmaceutical Research，2014，55（2）：6762-6765.

[15]Kuang G，Li Y. Using fuzzy association rules to design e-commerce personalized recommendation system[J]. Telkomnika Indonesian Journal of Electrical Engineering，2014，12（2）：321-332.李晨曦，吳克寧，劉霈珈，等. 土地利用變化及社會經(jīng)濟(jì)驅(qū)動因素——以京津冀地區(qū)為例[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（12）：279-283.endprint