裘進 李秋霞 章珺彧

摘要：電子商務發(fā)展迅速，其作為信息時代的重要產(chǎn)物，給我們的生活帶來了諸多便利，但是隨著“信息過載”問題的出現(xiàn)，我們很難從電子商務平臺上找到讓自己滿意的商品，商品推薦應運而生。隨著技術的發(fā)展，其他電商平臺的推薦技術已趨于成熟，但是，對于農(nóng)產(chǎn)品的推薦技術和系統(tǒng)卻很少。所以，本文提出改進的基于物品的協(xié)同過濾算法，以推薦精準、快速為目標。

關鍵詞：協(xié)同過濾；個性化推薦；農(nóng)產(chǎn)品電商

1 1綜述

電子商務發(fā)展迅速，淘寶、京東和亞馬遜等的出現(xiàn)使人們的消費方式發(fā)生了翻天覆地的變化。自2015年至今，多項扶持農(nóng)業(yè)的國家政策的出臺和上百億電商進農(nóng)村專項資金的下?lián)?，農(nóng)村電商像雨后春筍般蓬勃發(fā)展。

我國農(nóng)產(chǎn)品電商已經(jīng)經(jīng)過20幾年的發(fā)展，初步形成了電子商務網(wǎng)站、期貨交易，以及涉農(nóng)大宗商品交易、網(wǎng)上商城等多種農(nóng)產(chǎn)品電商形式。2015年，電子商務總交易額1364700億，其中，農(nóng)產(chǎn)品交易額48.7萬億元，占總量的36%；農(nóng)產(chǎn)品電商成交額超2000000億[1]。農(nóng)產(chǎn)品如此巨大的交易額表明農(nóng)產(chǎn)品地位的舉足輕重。越來越多的企業(yè)和個人，開始投資和參與到農(nóng)產(chǎn)品電子商務中來，農(nóng)產(chǎn)品冷鏈的發(fā)展進一步促進了農(nóng)產(chǎn)品電商的發(fā)展。

但是，農(nóng)村電商的發(fā)展還受到了很多問題的限制，其中很重要的一點就是：消費者很難找到符合自己要求的農(nóng)產(chǎn)品。消費者必須要花費大量的時間和精力在搜索和尋找喜愛的農(nóng)產(chǎn)品，這在很大程度上影響到消費者的購物體驗。而農(nóng)產(chǎn)品個性化推薦技術，一方面，個性化推薦能夠在為消費者推薦商品的同時，為消費者節(jié)省了時間；另一方面，農(nóng)產(chǎn)品個性化推薦能降低商家的成本，最大程度為農(nóng)民謀福利。

推薦方法主要有五種：協(xié)同過濾、基于圖論的推薦算法、基于內(nèi)容的推薦、混合推薦算法以及其它[2]?；谏唐返耐扑]算法建立在在協(xié)同過濾算法上，它不依靠用戶對于商品的評分，而是根據(jù)用戶瀏覽的商品推薦與之類似的商品。但是不論運用哪一種推薦算法一定會包含以下四個模塊：信息采集、用戶模型建模、個性化推薦、用戶模型更新。

2 2協(xié)同過濾推薦算法

基于用戶的協(xié)同過濾算法的推薦過程可以分為三個步驟，第一步，獲取消費者購買過的商品、評分等數(shù)據(jù)；第二步，獲取相似用戶；第三步，推薦。計算相似用戶是算法核心，相似用戶的選擇對推薦的準確性至關重要，目前計算用戶相似度的方法有皮爾遜相關系數(shù)、杰卡德相似和余弦相似度和等。

對每個相似用戶v（v∈N） ，用相似用戶v對商品i的評分R_vi，和相似用戶v與目標用戶u之間的相似度Sim（u，v），加權得到目標用戶u對目標商品i的預測評分P_ui。

基于物品的協(xié)同過濾算法通過分析消費者商品的瀏覽歷史，將現(xiàn)有商品與之前的商品計算相似度，然后進行排序，將相似度排在前面的商品推薦給消費者。圖2是基于內(nèi)容的推薦算法的示意圖?；趦?nèi)容的系統(tǒng)過濾算法存在一個嚴重的弊病：數(shù)據(jù)的稀疏性，這導致了推薦效果的準確度不夠。

對相似商品集合中每個商品j （j∈N），用目標用戶u對相似商品j的評分值R_ui，和相似商品j與目標商品i之間的相似度Sim（i，j），加權得到目標用戶u對目標商品P_ui。

3改進協(xié)同過濾算法的具體流程

本文為了解決協(xié)同過濾算法代碼數(shù)據(jù)稀疏的問題，提出一種改進的基于2物品的協(xié)同過濾算法。原有算法的相似公式為：

我們將原有的余弦相似度公式加入時間、用戶評分，得到新的相似計算公式：

下面文章將詳細介紹改進算法的流程。

第一步，按時間倒序獲取用戶購買農(nóng)產(chǎn)品的列表。首先，提取用戶訂單，包括農(nóng)產(chǎn)品id，用戶id，用戶評分和訂單時間，并按時間倒序排列農(nóng)產(chǎn)品列表。再獲得用戶購物車數(shù)據(jù)，包括農(nóng)產(chǎn)品id，用戶id，加入購物車時間。最后把兩個數(shù)據(jù)表合二為一。

第二步，得到農(nóng)產(chǎn)品矩陣和農(nóng)產(chǎn)品-用戶表。該矩陣的每個值S[i][j]代表了同時喜歡物品i和物品j的用戶數(shù)：

其中N（i）是喜愛農(nóng)產(chǎn)品i的用戶數(shù)量，而N（j）是喜愛農(nóng)產(chǎn)品j的用戶。然后，需要提取農(nóng)產(chǎn)品-用戶表，

第三步，獲取時間表。去重農(nóng)產(chǎn)品id和用戶id，得到農(nóng)產(chǎn)品-用戶-時間表。

第四步，建立農(nóng)產(chǎn)品評分表。遍歷第一步得到的表格，去除評分為零的數(shù)據(jù)，計算每一個農(nóng)產(chǎn)品的平均評分。

計算得到的每個農(nóng)產(chǎn)品的平均評分即成為影響因子。

第五步，建立農(nóng)產(chǎn)品-農(nóng)產(chǎn)品相似度矩陣G。從以上步驟建立的表中提取有用信息，從而使用改進的相似度計算公式計算農(nóng)產(chǎn)品-農(nóng)產(chǎn)品相似度矩陣G。每個用戶都有屬于自己農(nóng)產(chǎn)品相似度矩陣。

第六步，歸一化農(nóng)產(chǎn)品相似度矩陣。歸一化公式為：

其中，W_ij^'是歸一化后的值，maxW_ij代表最大值，W_ij是歸一化前的相似度。歸一化不僅可以提高推薦系統(tǒng)的準確性，還能提高農(nóng)產(chǎn)品的覆蓋率。

第七步，獲得當前用戶對農(nóng)產(chǎn)品j的興趣度。

其中Q_uxi代表U（x）的農(nóng)產(chǎn)品j興趣度，W_ij表示農(nóng)產(chǎn)品j對農(nóng)產(chǎn)品i的相似度R_uxi是當前用戶U（x）對農(nóng)產(chǎn)品i的興趣，N（ux）表示當前用戶喜歡的農(nóng)產(chǎn)品集合，Sim（j，k）是和農(nóng)產(chǎn)品j比較相近的k個農(nóng)產(chǎn)品的集合。

第八步，獲得當前用戶的興趣度排序列表。

第九步，生成最終的農(nóng)產(chǎn)品推薦表。

4實驗與結果

文章采用的是由Minnesota大學的Grouplens研究小組創(chuàng)建的數(shù)據(jù)集進行實研。

我們使用召回率、準確率以及平均絕對誤差來衡量推薦算法。召回率表示推薦算法是否全面；準確率表示推薦是否正確。召回率和準確率公式如（9）和（10）所示。

我們將改進的算法與傳統(tǒng)基于項目的協(xié)同過濾算法進行對比。

本文提出的改進算法較之于傳統(tǒng)算法的MAE數(shù)值有所減小，也就是說推薦準確度更高。

表2顯示本文改進的算法比傳統(tǒng)算法的召回率和準確率都要高。

5結束語

本文主要介紹了農(nóng)產(chǎn)品推薦的必然性和基于內(nèi)容的協(xié)同過濾算法的主要思想；本文還介紹了目基于內(nèi)容的協(xié)同過濾算法存在的一些問題；本文致力于解決原有算法存在的矩陣稀疏性、新用戶和推薦實時性等問題，最后將其應用與農(nóng)產(chǎn)品推薦中。在農(nóng)產(chǎn)品電商中可以運用本文提出的改進的基于內(nèi)容的協(xié)同過濾技術將農(nóng)產(chǎn)品推薦給對此農(nóng)產(chǎn)品感興趣的消費者手中。

文章雖然對算法進行了一定改進，但是依然存在一些問題。算法對于分析文本數(shù)據(jù)還可以，但是對于提取農(nóng)產(chǎn)品多媒體數(shù)據(jù)內(nèi)容的特征具有一定的困難，在為農(nóng)產(chǎn)品電商用戶發(fā)現(xiàn)新的產(chǎn)品資源能力有限。

參考文獻：

[1]全巧梅.農(nóng)產(chǎn)品電商中精準推薦算法應用研究[J].科技廣場，2016（9）：39-42.

[2]葉錫君，龔玥.基于項目別的協(xié)同過濾推薦算法多樣性研究[J].計算機工程，2015（10）：42-46，52.

作者簡介；裘進（1974—）男，漢族，浙江杭州人，本科，中級，研究方向：農(nóng)業(yè)經(jīng)濟信息管理；李秋霞（1990—）女，漢族，江西南昌人，碩士，中級，研究方向：計算機技術應用及產(chǎn)品管理；章珺彧（1991—）女，漢族，浙江長興人，本科，研究方向：農(nóng)業(yè)電子商務。