周朝進 ，王玉珍

(1．蘭州財經大學 信息工程學院,甘肅 蘭州,730020；2.蘭州財經大學 甘肅商務發(fā)展研究中心,甘肅 蘭州,730020)

基于改進協(xié)同過濾算法的農產品個性化推薦研究

周朝進1，王玉珍2

(1．蘭州財經大學 信息工程學院,甘肅 蘭州,730020；2.蘭州財經大學 甘肅商務發(fā)展研究中心,甘肅 蘭州,730020)

隨著農村電子商務的發(fā)展，農產品電商也慢慢進入人們的生活，在國家“互聯(lián)網+”戰(zhàn)略的推動下，農產品電子商務得到了快速發(fā)展，與此同時用戶的個性化需求也漸漸地成為一種趨勢。為了滿足消費者的個性化的需求，提出針對農產品的改進協(xié)同過濾算法，其方法結合k-means算法，從而對聚類后的每個簇中的用戶進行個性化推薦，此算法不僅可滿足用戶的個性化需求，而且在推薦產品的準確度和時間上有了較大的改善，進而幫助商家進行精準營銷，提高農民收入。

k-means聚類；協(xié)同過濾；農產品；改進協(xié)同過濾

農產品電子商務在我國起步比較晚，但用戶對產品的個性化需求緊跟時代的步伐，為了滿足其對農產品個性化的需求，各個平臺都在嘗試推出不同產品的推薦來滿足用戶的需要，從而促進產品的銷售。所以研究人員在如何提高推薦的精確度和時間的有效性方面做了很大的努力，并且已經形成一定的研究成果，如：鄭云飛等人，探討了當前應用最為廣泛的協(xié)同過濾推薦技術，針對農產品的特點，設計并實現(xiàn)了一個基于用戶的農產品電子商務協(xié)同過濾推薦系統(tǒng)[1]；陳龍飛、趙雪對個性化推薦系統(tǒng)的優(yōu)缺點[2]進行了詳細描述分析，但由于缺乏數(shù)據，無法進行實例驗證；許瑞瑞以茶產品為電子商務個性化推薦研究對象，考慮商品評分的同時融合了商品的標簽，實現(xiàn)了對茶產品的個性化推薦，并從積極和消極兩個維度來計算用戶相似性，解決數(shù)據的稀疏性問題，最后通過實驗數(shù)據驗證，提高了茶產品的推薦精準性[3]；范順忠,陳浩對基于用戶的協(xié)同過濾算法進行改進，設計一種融合專家選擇和在線推薦的菜品推薦系統(tǒng),通過在候選菜品選擇時引入時間敏感因子和協(xié)同過濾中引入時間遺忘因子，改進興趣感知算法和菜品偏好預測效果,使得在推薦的準確性和效率方面有明顯改進[4]；丁卯結合時間權重的懲罰系數(shù)的協(xié)同過濾算法，使得評分時間越接近的用戶在相似性計算時獲得更大的權重，將隱語義模型和近鄰算法相結合的協(xié)同過濾算法，在減小時間復雜度的同時，提高了可擴展性[5]；P Melville,RJ Mooney等人提出將基于內容的預測和協(xié)同過濾進行結合，使得這總混合協(xié)同過濾的推薦算法的效果更好[6]；李國提出融合聚類和協(xié)同過濾的個性化推薦算法，避免了在整個用戶項目評分矩陣空間上計算鄰居相似性,縮小最近鄰居查找空間維度,增強算法的可擴展性[7]；許艷茹,王玉珍對slopone協(xié)同過濾算法進行了改進,在運用項目相似度的基礎上,加入了動態(tài)閾值,查找項目的最近鄰集，最后通過近鄰集預測各項目的評分,即保證了目標項目與鄰近項目的相似度，不影響評分精確度，又提高推薦的準確性[8]。劉英提出了一種結合用戶評論的內容推薦算法,通過挖掘網站中產品的用戶評論內容,應用不同的特征集合,降低文本向量的維度,最后采用準確率、召回率和F-Measure指標對該推薦系統(tǒng)進行了評價,大幅度改善了推薦的質量[9]。由此可見，推薦系統(tǒng)的發(fā)展越來越受到重視,即為用戶提供合適的商品推薦,又幫助提高電子商務系統(tǒng)的服務質量[10]，所以，個性化推薦不僅有利于用戶本身，更得益于商家，加上農產品自己的屬性以及用戶對綠色食品的個性化需求，使得對農產品個性化推薦研究成為一種必然性。

綜上所述，目前該領域研究成果主要集中在應用領域為一些極具有特色的農產品或者只是對農產品電子商務做一些簡單的述評，在實證分析的研究成果較少，因此文中提出一種基于改進的協(xié)同過濾算法進行農產品推薦，利用聚類算法使得相似用戶在同一個簇中，并對其中的用戶進行推薦。這種算法提高了推薦的準確性和速度，幫助商家進行精準營銷，精確滿足用戶需求的多變性，并在很大程度上改善農戶的生活，促進農產品電子商務的發(fā)展。

1 改進協(xié)同過濾算法設計

由于文中改進的算法是在協(xié)同過濾算法的基礎之上進行的，所以重點介紹一下協(xié)同過濾推薦中基于用戶的和基于內容的這兩種算法之間的區(qū)別，如表1所示。

表1 UserCF和ItemCF優(yōu)缺點對比Table 1 Comparison of advantages and disadvantages between UserCF and ItemCF

針對上表中的信息可知，不管是基于用戶的還是基于內容的協(xié)同過濾推薦算法，其數(shù)據的稀疏性[11-12]是一個弊端。根據有關數(shù)據顯示，數(shù)據的稀疏性可達90%以上，這對推薦的準確度有較大的影響。所以為了解決稀疏性的難題，提高推薦的準確度，文章先對稀疏性數(shù)據進行聚類，保證相似用戶在同一個簇中，提高用戶之間的相似度，從而有效地避免稀疏性難題，提高推薦的準確度。

1.1 改進協(xié)同過濾算法的基本思想

文中算法的基本思想是：通過k-means方法[13]根據用戶的某個屬性把用戶進行聚類，聚類的結果就是把具有相似屬性的用戶分到同一個簇中，以便查找時的方便快捷，然后對簇中的用戶進行推薦。首先根據用戶名找到此用戶屬于的簇類，然后通過這個簇，找到同一個簇中其他相似的用戶，其次計算這些用戶所購買物品的相似度，最后把相似度較高的前幾個產品推薦給該用戶。

1.2 改進協(xié)同過濾算法的構建

改進協(xié)同過濾算法的基本流程如圖1所示：

1.3 驗證該算法的優(yōu)越性

為了驗證改進算法的優(yōu)越性，通過與基于項目的協(xié)同過濾推薦在推薦的準確度和推薦的運行時間兩方面進行比較，得出其中的差異性，實驗結果如下所示。

(1)源數(shù)據收集

文中研究數(shù)據為某商務網站中農產品的用戶訂單信息，部分數(shù)據如下表2所示。

圖1 改進協(xié)同過濾算法的基本流程圖Fig.1 Basic flowchart of improved collaborative filtering algorithm

用戶ID真實姓名所在地區(qū)物品年齡1067周穎 平涼市草甘霖 281067周穎 平涼市當歸 281067周穎 平涼市洋蔥 281073楊鵬飛平涼市蕨麻 321073楊鵬飛平涼市土豆 328239柳繼先平涼市精品蔬菜556236張潔 平涼市蘋果 466236張潔 平涼市精品蔬菜466236張潔 平涼市大米 463729孫文凱平涼市蘋果 303729孫文凱平涼市精品蔬菜303202王小平定西市蘋果 443202王小平定西市辣椒 44……………

(2)數(shù)據預處理

通過分析將農產品類別大致可以分為養(yǎng)生類、主食類 、雞蛋肉類、蔬菜類、水果類和干果類，部分數(shù)據如表3、表4、表5所示。

表3 養(yǎng)生類別Table 3 Health category

表4 主食類別Table 4 Staple food category

表5 雞蛋肉類別Table 5 Egg and meat category

根據對農產品類別分類，將數(shù)據標準化之后形成用戶物品表，如表6所示。

表6 用戶物品表Table 6 User items table

(3)算法優(yōu)越性檢驗

分別使用改進后的算法和傳統(tǒng)的基于內容的協(xié)同過濾算法，作用于標準化之后的數(shù)據，得出其中的差異性，如下所示。

①推薦的準確度(如圖2和圖3所示)

圖2 改進的推薦精確度 圖3 傳統(tǒng)的推薦精確度Fig.2 Improved recommended accuracy Fig.3 Traditional recommended accuracy

根據上圖對比，兩次準確度最高的都是22號玉米，但是準確度明顯是聚類之后改進的算法推薦的結果更好一點，相似度從85.76%上升到89.44%。雖然兩次實驗都是推薦前10個農產品，但是推薦的農產品卻不盡相同，但是相比相同的農產品，25號粉條的相似度從56.20%上升到61.24%，有了較大的提高；最后根據對比實驗可知，推薦的第10個農產品的準確度上升到44.72%，推薦準確度最低的農產品的相似度也稍微的進行了改善。由此可見，改進協(xié)同過濾推薦算法推薦的效果相比于傳統(tǒng)的、沒有改進的基于項目的系協(xié)同過濾算法，推薦更好，準確度更高。

②推薦的運行時間(如表7所示)

表7 運行時間對比Table 7 Running time comparisons between items and improvements

根據多次的實驗結果可知，每次傳統(tǒng)實驗的運行時間都比改進之后的運行時間要長，且根據前10次的實驗結果可知，傳統(tǒng)推薦的最小運行時間要比聚類之后推薦的運行時間要長，即0.03216378524393804>0.02484900887338881。之所以改進后推薦的運行時間會縮短，原因就在于，改進后的推薦每次計算物品之間相似度的時候，都是在同一個簇類進行農產品相似度的計算，既提高推薦的準確度，又縮短了運行時間。而傳統(tǒng)的基于項目的協(xié)同過濾推薦是基于所有數(shù)據進行計算物品之間的相似度，即要掃描整個數(shù)據庫，所以耗費的時間自然會多點。

綜上所述，根據兩次對比實驗的分析，可知改進的協(xié)同過濾的推薦算法相比于傳統(tǒng)的基于項目的協(xié)同過濾推薦算法在推薦的準確度和運行時間上有了所改善，對滿足用戶的個性化需求和農產品電子商務的發(fā)展方面起到了較大的作用。

2 改進協(xié)同過濾算法在農產品個性化推薦中的應用

2.1 源數(shù)據收集及數(shù)據預處理

源數(shù)據為某商務網站中農產品的信息，并對其進行數(shù)據預處理，使其標準化。

2.2 算法實現(xiàn)過程

由于研究對象是農產品，種類較少，用戶較多，所以文章采用的是對基于項目的協(xié)同過濾進行改進，進而對某個用戶進行農產品的推薦。首先對搜集到的用戶基本數(shù)據進行基本觀察和總結，再根據本改進的協(xié)同過濾算法，對用戶的年齡屬性進行K-means聚類，將具有相似年齡段的用戶聚在同一個簇中，推薦時，計算用戶所在簇中的其他相似用戶的農產品之間的相似度，把相似度最高的前10個農產品推薦給用戶。

2.2.1 k-means聚類

文中使用k-means算法對數(shù)據中年齡屬性進行聚類，并將用戶年齡的分布大致分為3個簇，分別是：26-35歲的用戶，熟練應用農產品電商；36-45歲的用戶，初次使用網絡購買農產品；46-55歲用戶，嘗試使用網絡，即文中設定k-means 中的參數(shù)K=3。

使用工具對預處理后的數(shù)據進行聚類，得出的實驗結果如下圖4所示。

圖4 聚類實驗結果Fig.4 Clustering experiment results

經過多次實驗，圖4的實驗效果與實際較符合。即用不同的標號標記不同的簇，并給予同一個簇中相似用戶同一個標號，最后把標號添加到標準數(shù)據中。令26-35歲的用戶簇為1，36-45歲的用戶簇為2，46-55歲的用戶簇為3。即標準數(shù)據部分顯示如表8所示。

表8 聚類之后的數(shù)據Table 8 Data after clustering

續(xù)表

用戶編號用戶年齡物品編號簇類編號355623355413446623446413…………

2.2.2 個性化推薦

(1)推薦步驟

①找到對所推薦用戶所屬于的簇類標號；

②根據這個標號找到屬于同一個簇的所有相似用戶；

③求出相似用戶所購買農產品的相似性；

④向用戶推薦與他過去購買的農產品相似度較大的前10個農產品；

(2)實驗結果

①向用戶標號為“2”的用戶推薦農產品；

②得出所推薦的農產品以及其相似度；如圖5所示

圖5 推薦農產品及其相似度Fig.5 Recommended agricultural products and their similarity

③結果分析。

由圖5可知，向用戶2推薦的農產品有玉米、胡麻油、粉條、櫻桃、蘋果、杏子、紅棗、洋蔥、玫瑰、黃瓜等。根據原始數(shù)據我們可知用戶2曾經購買過農產品有蕨痳、土豆、百合、西瓜籽、黃芪、雜糧粥、精品蔬菜。我們都知道土豆不僅可以當作食也可以作為蔬菜，并有很高的營養(yǎng)價值，現(xiàn)實生活中的好多東西如薯條、粉條都是以土豆為原材料，而與它相似度最大的是玉米，玉米也具有很大的營養(yǎng)價值，并且有時也可以直接當作主食食用；還具有較高相似度的是粉條，它和土豆也相似，因為大多數(shù)粉條都是土豆做的；推薦的前三個農產品有個共同的特性就是在現(xiàn)實生活中食用頻率比較大。既然用戶2買了百合、西瓜籽等干果，那么推薦的農產品里面也推薦了玫瑰干；所推薦的洋蔥、黃瓜與購買的精品蔬菜有很大的相似性，都是蔬菜類的；用戶2買的雜糧粥與玉米、紅棗相關性較大；櫻桃、蘋果、杏子與用戶的蔬菜都是補充人體的維生素的，具有較大的相似性。

根據實驗結果與現(xiàn)實分析相結合，我們發(fā)現(xiàn)實驗結果基本符合現(xiàn)實需求，并較滿足用戶的個性化需求的要求，而且推薦的準確性也比較好，所以文中研究的個性化農產品的推薦還是很有必要的，即為農產品電子商務增加了入駐流量，也滿足了用戶的個性化需求，并且提高了推薦的準確性，從而為供應商提供營銷策略，改善農民的生活質量，提高他們的收入。

3 總結

文中提出的改進協(xié)同過濾推薦算法，即利用聚類算法，把具有相似屬性的用戶放在同一簇中，然后，針對某一個簇中的用戶群進行農產品相似度的計算，最后得到所推薦的農產品。此文構建的算法在某種程度上提高了推薦的準確度，有效避免搜索整個數(shù)據庫的局限性，使得算法在處理大規(guī)模數(shù)據集時，提高了推薦的運行時間。不僅可以為賣家提供一個了解用戶需求的路徑，而且可以提高農民的收入，改善他們的生活，最后并從一定程度上促進了農產品電子商務的發(fā)展。

[1]鄭云飛，夏帥，譚武坤．基于用戶的農產品協(xié)同過濾推薦系統(tǒng)的設計與實現(xiàn)[J]．農業(yè)網絡信息，2014，(09)：49-53．

[2]陳龍飛，趙雪．關于農資產品個性化推薦的研究[J]．電子世界，2013，(24)：258-259．

[3]許瑞瑞．融合標簽和評分的茶產品個性化推薦研究[D].合肥:安徽農業(yè)大學，2015．

[4]范順忠，陳浩．基于興趣感知和時間因子的個性化菜品推薦[J /OL]．計算機應用研究，2018，35(2)：[2017-03-15](預排期卷)．http://www.arocmag.com/article/02-2018-02-060.html．

[5]丁卯.基于協(xié)同過濾的推薦系統(tǒng)研究[D]．天津：河北工業(yè)大學,2014．

[6]MELVILLE P,MOONEY RJ,NAGARAJAN R.Content-boosted collaborative filtering for improved recommendations[J].Eighteenth National Conference on Artificial Intelligence，2002：187-192．

[7]李國．基于聚類和協(xié)同過濾的個性化推薦算法研究[D]．昆明：昆明理工大學，2012．

[8]許艷茹，王玉珍.基于動態(tài)閾值的協(xié)同過濾算法研究[J].邵陽學院學報(自然科學版),2017,14(5):27-33.

[9]劉英．基于用戶評論的個性化產品推薦系統(tǒng)[D]．北京：北京郵電大學，2015．

[10]王小亮．基于協(xié)同過濾的個性化推薦算法的優(yōu)化和應用[D]．杭州：浙江工商大學，2010．

[11]鄧曉懿，金淳，韓慶平，等．基于情境聚類和用戶評級的協(xié)同過濾推薦模型[J].系統(tǒng)工程理論與實踐,2013，(11):2945-2953.

[12]路春霞．個性化推薦中協(xié)同過濾算法研究[D]．北京：北京交通大學，2016．

[13]王道平．我國農產品物流模式的實證研究—基于各省市的聚類分析法[J].財經問題研究，2011,(2):108-113．

ResearchonPersonalizedRecommendationofAgriculturalProductBasedonImprovedCollaborativeFilteringAlgorithm

ZHOU Chaojin1,WANG Yuzhen2

(1.School of Information Engineering,Lanzhou University of Finance and Economics,Lanzhou 730020,China;2.Gansu Business Development Research Center,Lanzhou University of Finance and Economics,Lanzhou 730020,China)

k-means clustering;collaborative filtration;agricultural products;improved collaborative filtration

1672-7010(2017)06-0023-09

TP391.9

A

2017-09-19

蘭州財經大學甘肅商務發(fā)展研究中心項目(JYYY201506)

周朝進(1991-)，女，甘肅白銀人，碩士研究生，從事數(shù)據挖掘、電子商務研究；E-mail：2293196078@qq.com

王玉珍(1970-)，女，教授，碩士，從事數(shù)據挖掘、電子商務研究；E-mail：wyz70214@163.com

Received：With the development of rural electronic commerce,agricultural products manufacturers also slowly into people’s lives,under the impetus of the national “Internet +” strategy,the electronic commerce of agricultural products has been developed rapidly,at the same time,the personalized demand of the users has gradually become a trend.In order to meet the personalized needs of consumers,this paper proposed an improved collaborative filtering algorithm for agricultural products,using K-means clustering to cluster users,personalized recommendation for users in each cluster,the proposed algorithm not only improves the platform construction,satisfies the user’s demand,but also improves the accuracy and the time of the recommended product,and then helps the merchant to carry on the accurate marketing,enhances the farmer income.