丁昭巧

內(nèi)容摘要：隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和推廣，電子商務(wù)得到長足的進(jìn)展，逐步成為消費(fèi)者購物以及瀏覽產(chǎn)品的主要模式。雖然電子商務(wù)體系帶來了商品購置的便利，但使用者往往產(chǎn)生“商品迷航”的狀況?；诖?，本文采用調(diào)查問卷的方式設(shè)計了多Agent技術(shù)下的電子商務(wù)個性化推薦模型并完成用戶感知研究，首先完成個性化推薦模型架構(gòu)和各部分設(shè)計，研究內(nèi)容用戶相似度、協(xié)作過濾物品多Agent推薦思想和隱性反饋分析，進(jìn)而采用設(shè)置假定，結(jié)合信度、參量、聚類解析完成。研究表明本文設(shè)計的電子商務(wù)個性化推薦模型能夠較好地為使用者進(jìn)行個性化推薦。

關(guān)鍵詞：網(wǎng)絡(luò)技術(shù) 電子商務(wù) 多Agent 相似度 協(xié)作過濾 用戶

引言

電子商務(wù)市場規(guī)模和發(fā)展?fàn)顟B(tài)。電子商務(wù)（胡艷輝，2016）的目的是完成網(wǎng)絡(luò)貿(mào)易，將線下整個貿(mào)易過程轉(zhuǎn)移到網(wǎng)絡(luò)中。電子商務(wù)的迅速發(fā)展帶動了整體經(jīng)濟(jì)水平，據(jù)2016年中國市場經(jīng)濟(jì)統(tǒng)計年鑒中可知，自2005年后，國內(nèi)電子商務(wù)貿(mào)易額度呈平穩(wěn)增長的態(tài)勢，2011年國內(nèi)電子商務(wù)貿(mào)易額度為10萬億元，在2016年，國內(nèi)電子商務(wù)貿(mào)易額度高達(dá)26.1億元，同比增長19.8%。從國內(nèi)電子商務(wù)的發(fā)展?fàn)顟B(tài)而言，B2B貿(mào)易額度占據(jù)整體貿(mào)易總額的63.6%。我國政府對電子商務(wù)的發(fā)展非常重視，越來越多的普通民眾成為電子商務(wù)消費(fèi)的主流，電子商務(wù)帶動了相關(guān)產(chǎn)業(yè)的發(fā)展，并導(dǎo)向產(chǎn)業(yè)結(jié)構(gòu)（陳紅進(jìn)，2015）轉(zhuǎn)型，轉(zhuǎn)換為新型服務(wù)類行業(yè)，其發(fā)展模式和市場狀態(tài)如圖1所示。此外，電子商務(wù)不僅在輕工業(yè)、食品行業(yè)等方向發(fā)展，已逐步在外貿(mào)、資源、重工業(yè)等領(lǐng)域迅速發(fā)展，并開拓了新的天地。

電子商務(wù)個性化推薦研究現(xiàn)狀。電子商務(wù)個性化推薦著眼于對用戶體驗(yàn)的感知，給企業(yè)服務(wù)設(shè)置了新的高度，采用個性化推薦系統(tǒng)需要滿足用戶需要，并通過實(shí)效化推薦方便用戶認(rèn)知，提升用戶決策質(zhì)量。由于商品供應(yīng)鏈行業(yè)和物流行業(yè)的飛速發(fā)展，在網(wǎng)絡(luò)虛擬（錢凱，2016）模式下，電子商務(wù)推薦系統(tǒng)需要基于用戶特征完成交叉商貿(mào)，減少貿(mào)易開銷，提升用戶滿意度。電子商務(wù)個性化推薦（姜愛華，2016）對整個貿(mào)易領(lǐng)域提出挑戰(zhàn)，企業(yè)能否精準(zhǔn)地獲得個性化貿(mào)易數(shù)據(jù)，并推薦給用戶，刺激推薦系統(tǒng)使用者的購買欲望，并將購買目標(biāo)定位到個體而非人群，成為個性化電子商務(wù)可否取得長足發(fā)展的動力。

Agent（楊芳，2016）綜合了自制性、智能化與目標(biāo)推進(jìn)的特征，采用學(xué)習(xí)、推理等方式適應(yīng)復(fù)雜的動態(tài)環(huán)境，并具備與電子商務(wù)的完美契合點(diǎn)，因而，多Agent技術(shù)與電子商務(wù)個性化推薦的融合具有重要的研究價值，并可以在市場應(yīng)用中帶動電子商務(wù)發(fā)展。

文獻(xiàn)概述

歐美國家針對電子商務(wù)個性化推薦展開大量研究，國外科研者Ricci采用手動定制建模方案完成電子商務(wù)個性化推薦（Ricci，2011），但該方法對使用者的依賴性較高，容易減弱用戶積極性；Jamie則依據(jù)使用者瀏覽數(shù)據(jù)和動作完成建模（Jamie，2015），整個過程不需要使用者提供信息，該方法很難給用戶帶來干擾，因而可提升電子商務(wù)個性化推薦系統(tǒng)的易用度；Shahzad則采用協(xié)同過濾方法完成用戶信息分析（Shahzad，2015），該方法能夠?qū)W習(xí)使用者的興趣特點(diǎn)，但要建立個性化數(shù)據(jù)集需要大量時間；國內(nèi)學(xué)者毛華揚(yáng)探究了Agent 機(jī)制下的個性化數(shù)據(jù)過濾模式（毛華揚(yáng)，2014），該方式很難適應(yīng)在電子商務(wù)中的用戶需求和興趣點(diǎn)的隨時改變；楊靜則設(shè)置了Web模式下的數(shù)據(jù)集聚類方式，基于此完成個性化電子商務(wù)推薦（楊靜，2016），但該方案僅優(yōu)化了推薦響應(yīng)速率卻忽視了個性化推薦狀況；吳君民則分析了基于Aprior機(jī)制的搜索（吳君民，2015）推薦策略，該方案更很難改善電子商務(wù)推薦系統(tǒng)的冷啟動問題，而且對用戶的真正興趣點(diǎn)定位不準(zhǔn)確。

多Agent技術(shù)下的個性化推薦模型設(shè)計

（一）多Agent技術(shù)研究

多Agent技術(shù)。多Agent技術(shù)源于人工智能，能夠使電子商務(wù)系統(tǒng)在不被使用者監(jiān)測和指導(dǎo)下做出決策，其環(huán)境狀態(tài)下的Agent機(jī)制模型如圖2所示。

Agent技術(shù)具有自治性、社會性、反饋性和主動性的特點(diǎn)。自治性即完成自身資源與行為調(diào)控，并通過獲取的環(huán)境數(shù)據(jù)對自身行動進(jìn)行決策；社會性則指和周圍環(huán)境的交互；反饋性即Agent感受環(huán)境狀態(tài)時的應(yīng)對狀況；主動性為Agent面對目標(biāo)采取的決策。

多Agent技術(shù)下的電子商務(wù)體系結(jié)合點(diǎn)。Agent自主性和學(xué)習(xí)性能夠在電子商務(wù)體系中完成異步動作，并依據(jù)相關(guān)流程完成相關(guān)板塊處理。各個Agent均可完成自我問題處理，提高了系統(tǒng)的自適應(yīng)性；可把電子商務(wù)任務(wù)分割為單個任務(wù)，調(diào)整到相關(guān)Agent上，通過知識轉(zhuǎn)化，調(diào)整與信息控制完成信息傳送；當(dāng)網(wǎng)絡(luò)操作能力相對不強(qiáng)時，該功能可融入到Agent模型中。

（二）現(xiàn)有電子商務(wù)推薦系統(tǒng)的不足

本文選用調(diào)研問卷（周常蘭，2015）的模式，設(shè)定題項(xiàng)，定制2800份問卷，對年齡區(qū)間在16到76歲的群體采用郵件和走訪的方式完成調(diào)研，排除無效問卷312份，獲得有效問卷2488份。本文采用的題項(xiàng)關(guān)于使用者采用現(xiàn)有的電子商務(wù)推薦系統(tǒng)時存在的不足，本文通過調(diào)查問卷得出的分析如下：

用戶操作數(shù)據(jù)量較大，當(dāng)前很多電子商務(wù)推薦體系均需要使用者在瀏覽商品時完成評價，用戶負(fù)擔(dān)增加并出現(xiàn)逆反情緒。知識數(shù)據(jù)更新不實(shí)時，當(dāng)新型商品引入時，實(shí)時更新商品信息成為最重要的板塊。無法充分調(diào)用用戶的隱含信息，若用戶多次查閱商品信息時，則表明用戶對此商品具有的偏好性。不能為新用戶推薦，基于電子貿(mào)易系統(tǒng)若沒有足夠的前驗(yàn)信息，則不能實(shí)時獲得新用戶的商品興趣點(diǎn)，若采用現(xiàn)有用戶推薦方法獲得數(shù)據(jù)，則容易被誠信度所影響。自我調(diào)節(jié)水平不高，用戶為得到高水平推薦，則需將個人信息提供給交易系統(tǒng)，用戶通常不會仔細(xì)研讀問項(xiàng)開始作答，而僅有當(dāng)用戶對貿(mào)易平臺問卷認(rèn)真作答后才可能得到良好的個性化推薦。此外，很多用戶興趣并不固定。endprint

（三）個性化推薦模型架構(gòu)

本文設(shè)計的電子商務(wù)個性化推薦系統(tǒng)包括三組Agent，基本模型如下：

用戶采用Web網(wǎng)絡(luò)為交互Agent板塊傳輸?shù)侨胄枰摪鍓K為用戶設(shè)置服務(wù)，通過友好的方式獲得用戶需求；若用戶已完成注冊，則交互Agent板塊將記錄用戶當(dāng)前閱讀狀態(tài)，上傳到數(shù)據(jù)集合中；采用多Agent協(xié)商機(jī)制對用戶完成興趣解析，并實(shí)現(xiàn)實(shí)時化推薦；最后，采用交互Agent機(jī)制能夠推送得到滿足用戶需求的商品。個性化推薦模型如圖3所示。

電子商務(wù)個性化推薦系統(tǒng)功能設(shè)計

（一）使用者相似性推薦

使用者相似性推薦即不斷取得用戶興趣數(shù)據(jù)，探究與用戶興趣點(diǎn)相近的商品數(shù)據(jù)，進(jìn)而完成推薦，工作方式為：

用戶感知。基于內(nèi)容的Agent主要從用戶興趣點(diǎn)著手，即通過反饋參數(shù)設(shè)置閾值T分析Agent的自主性。若用戶評判數(shù)據(jù)庫中反饋的參數(shù)n高于閾值，即：

n>T （1）

用戶操作在某狀態(tài)下檢驗(yàn)了其興趣，并完成用戶偏好和隱性IP的處理；若低于該閾值，則表明用戶興趣點(diǎn)不足，需要不斷捕獲用戶動作，并完成累計評價。

推薦結(jié)果推送。對用戶興趣采用多Agent技術(shù)獲取后，則可向用戶進(jìn)行推薦，此外，多Agent技術(shù)下的電子商務(wù)用戶感知和個性化推薦模型能夠完成商品相似度計算，并對客戶進(jìn)行相關(guān)商品推薦。圖4為基于內(nèi)容的推薦流程。

（二）物品相似性推薦

物品相似性推薦在于為用戶推薦新商品，并當(dāng)測算某商品時，需要針對用戶現(xiàn)有的興趣點(diǎn)和其他有意向的用戶O完成評價，其基本思路為假定全部用戶數(shù)目為p，全部物品為S，設(shè)定物品數(shù)目為q。

O={o1，o2，…，op} （2）

S={s1，s2，…，sq} （3）

針對各個用戶op都存在相應(yīng)的物品列表Sop，而整個表表明了用戶對商品的評價，評價可被用戶通過等級模式展開，并采用數(shù)字方式表達(dá)，從買入記錄和日志著手分析。推薦方案為：

預(yù)測值：通過數(shù)值方式，Roa代表所預(yù)測使用者oa對物品sq的喜好程度。

推薦集：則在q個物品集中，由于sq包含在S中，并代表了目標(biāo)使用者所期待的物品。

協(xié)作過濾Agent機(jī)制下的物品相似性推薦如圖5所示。

（三）電子商務(wù)個性化推薦數(shù)據(jù)分析

商品數(shù)據(jù)錄入。電子商務(wù)個性化推薦系統(tǒng)采用三維數(shù)組分析物品S1，sq為商品編碼，sc為商品狀況，y為物品描述參數(shù)，表明商品在指定參數(shù)下的顯著度。

S1=（sq，sc，y） （4）

Sc=（ba，fa，pr，li，gr，qu，da） （5）

式（5）中，Sc表示物品在牌子、流行度、價位、等級、規(guī)格、含量以及生產(chǎn)日期幾個方向的特點(diǎn)。

用戶喜好。用戶喜好分為顯性喜好和隱性喜好兩種，如圖6所示。大多數(shù)電子商務(wù)推薦系統(tǒng)均采用用戶注冊填寫的題項(xiàng)設(shè)置顧客興趣存檔，顧客往往出于怕麻煩或不愿透露數(shù)據(jù)的心態(tài)，選項(xiàng)真實(shí)度不高。本文綜合人口調(diào)研和問卷調(diào)研模式取得用戶喜好，當(dāng)新用戶注入時，僅需從下拉列表中獲取問項(xiàng)，避免人工語言不確定度，而問卷板塊則建議使用者認(rèn)真回答，也能跳過，但不能讓用戶反感。

本文的電子商務(wù)推薦系統(tǒng)采用三維數(shù)組研究用戶喜好e，nm表示使用者編碼，ch代表物品特征，us為使用者表述參量，代表使用者在相應(yīng)參量下的明顯程度。

e=（nm，ch，us） （6）

sc=（ba，fa，pr，li，gr，qu，da） （7）

式（7）的Sc為商品在牌子、流行度、價位、等級、規(guī)格、含量以及生產(chǎn)日期幾個方向的特點(diǎn)。

如使用者Amy，她的Sc表述如下：

sc（Amy）=[（ba，fa，pr，li，gr，qu，da），（0.32，0.25，0.0，0.0，0.0，0.0，0.0）] （8）

（四）用戶群體喜好

本文選取調(diào)研問卷模式，對獲得信息統(tǒng)計和解析，研究用戶群體的狀態(tài)，如表1所示。

以下為用戶狀態(tài)表達(dá)：

（‘01，sc，（0.63，0.33，0.08，0.0，0.0，0.0，0.0））；

（‘02，sc，（0.41，0.58，0.02，0.0，0.0，0.0，0.0））；

（‘03，sc，（0.53，0.36，0.06，0.06，0.0，0.15，0.028））；

（‘04，sc，（0.35，0.42，0.06，0.01，0.0，0.18，0.08））；

（‘05，sc，（0.35，0.13，0.25，0.18，0.06，0.10，0.10））；

（‘06，sc，（0.23，0.12，0.28，0.08，0.15，0.13，0.16））；

（‘07，sc，（0.26，0.16，0.26，0.16，0.15，0.20，0.22））；

（‘08，sc，（0.16，0.0，0.36，0.22，0.32，0.36，0.06））；

用戶群體特征，如表2所示。

（五）用戶感知隱性反饋分析

隱性反饋數(shù)據(jù)。多Agent技術(shù)下的電子商務(wù)個性化推薦目的是幫助用戶得到滿意的商品信息，包含了推導(dǎo)和預(yù)判方式，圖7中為隱性反饋數(shù)據(jù)。

電子商務(wù)個性化推薦實(shí)現(xiàn)。從用戶預(yù)覽動作可實(shí)現(xiàn)日志文檔中的用戶與服務(wù)器間的隱性反饋數(shù)據(jù)可得用戶對推薦商品的關(guān)注程度。關(guān)鍵詞設(shè)置，即先輸入商品名稱，得到第q個物品的搜索參量sq：

Sq=α （9）

式（9）中的α>1為一個常量值，若沒完成搜索，則α為1。若瀏覽器顯示為活躍狀況時，對相近頁面關(guān)注度與訪問頁面時間越長，則表明用戶對該界面的物品搜索期望值較大。檢驗(yàn)整個界面的訪問時間與第i個商品處在的訪問時間Ti，測算得到持續(xù)時間參量結(jié)果為：endprint