周艷榕

摘? 要： 為了解決傳統(tǒng)電子商務智能推薦系統(tǒng)計算出的MAE值過高，導致系統(tǒng)預測結果不準確的問題，設計一種基于個性化特征的電子商務智能推薦系統(tǒng)。硬件部分將PC104工控機作為處理CPU，將數字信號處理器DSP與儲存芯片MPC565作為處理核心，引入信號光纖補償系統(tǒng)，設計時鐘信號電路、復位電路以及電源電路，連接使用的硬件，完成硬件部分的設計。軟件部分依據電子商務的特點計算出其個性化特征，然后使用關聯(lián)規(guī)則算法處理得到個性化特征數據，利用Java工具將其轉化為代碼，使用不同功能的代碼實現(xiàn)智能推薦，完成軟件部分的設計。實驗結果表明，與傳統(tǒng)電子商務智能推薦系統(tǒng)相比，基于個性化特征的電子商務智能推薦系統(tǒng)在給定的數據組中計算出來的MAE值更小，系統(tǒng)預測結果更準確，更適合實際使用。

關鍵詞： 個性化特征; 電子商務; 智能推薦系統(tǒng); MAE值; 預測精確度; 數據組

中圖分類號： TN99?34; TP393? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）19?0155?04

Abstract： Since the MAE （mean absolute error） value calculated by traditional e?commerce intelligent recommendation system is excessively large， which leads to inaccurate system prediction results， a personalized e?commerce intelligent recommendation system is designed. In terms of the hardware， the industrial computer PC104 is used as the processing CPU， the digital signal processor （DSP） and memory chip MPC565 are used as the processing cores， the signal fiber compensation system is introduced， and clock signal circuit， reset circuit and power supply circuit are designed to connect the necessary hardware. In terms of the software， the personalized features are calculated according to the characteristics of e?commerce， and then the personalized feature data is processed by association rule algorithm， which is converted into codes by Java tools， and the codes with different functions are used to make intelligent recommendation. Experimental results show that， in comparison with the traditional e?commerce intelligent recommendation systems， the MAE value calculated in a given data set by the personalized e?commerce intelligent recommendation system based on personalized features is smaller， and the prediction result of the system is more accurate. Therefore it is more suitable for practical use.

Keywords： personalized feature; e?commerce; intelligent recommendation system; MAE value; prediction accuracy; data set

0? 引? 言

電子商務是在全球廣泛存在的一種商業(yè)貿易形式。這種貿易形式依托于互聯(lián)網，使用設計好的軟件借助瀏覽器，實現(xiàn)“未曾謀面”的交易。這種商業(yè)交易形式是一種利用信息技術和網絡通信技術進行的一種商業(yè)活動[1]。電子商務己進入了大數據時代，現(xiàn)在的電子商務平臺上匯集了世界各地、各式各樣的資源和客戶。豐富了客戶資源，但同時也為客戶在選擇上帶來了困擾[2]。電子商務平臺聚合了海量商品資源和客戶。設計一款基于個性化特征的電子商務智能推薦系統(tǒng)，可以解決這一困擾。隨著技術水平的不斷增強，對個性化特征的電子商務智能推薦系統(tǒng)的研究也逐步受到關注[3]。

對于企業(yè)來講，豐富的個性化特征電子商務推薦系統(tǒng)可以豐富商家的銷售方式，個性化特征可以成為商家一個獨特的營銷特點，商家可以依據這種獨特的營銷點吸引更多的客戶，提高企業(yè)的商業(yè)競爭力 [4?5]。對于企業(yè)客戶來講，這種獨特的個性化推薦系統(tǒng)符合當今群眾求“獨特”的獵奇心理，極大程度上滿足了用戶的各種需求。

總之，基于個性化特征的電子商務智能推薦系統(tǒng)在實際的商業(yè)交易中使用，可以有效地提升商家的競爭力與客戶的滿意度 [6?7]。傳統(tǒng)的電子商務智能推薦系統(tǒng)計算出來的MAE值過高，在預測消費者的意愿喜好時常存在誤差，針對這一不足，本文設計了一款基于個性化特征的電子商務智能推薦系統(tǒng)[8]。

1? 推薦系統(tǒng)硬件設計

1.1? 電子商務數字信號傳輸系統(tǒng)

1.1.1? 主控硬件

主控模塊是推薦系統(tǒng)的核心內容，設計時鐘及復位電路，將儲存器拓展，從而構成一個主控模塊硬件，總的主控模塊設計結構圖如圖1所示。

選擇集成度高、可靠性好的PC104工控機作為處理CPU，以數字信號處理器DSP為核心，設計一個MPC565系統(tǒng)時鐘模塊，具體包括主時鐘源、系統(tǒng)相位鎖定環(huán)路、時鐘分頻器、晶體振蕩器，設置時鐘電路為MPC565，并發(fā)出4 MHz的時鐘信號[9?10]。

1.1.2? 信號傳輸系統(tǒng)抗干擾設計

在電子商務智能推薦系統(tǒng)信號遠距離的傳輸中，由于不可避免地存在信號功率的損失和衰減，所以光纖補償是必要的。為了保證傳輸信號的完整性，引入信號遠程補償技術。

光開關與光開關列陣是實現(xiàn)光纖遠程交換的主要介質。因控制光開關的制作設備材料及其運行原理的差異，驅動電路的工作原理也存在差異性。目前國內外研究的主流方向是MEMS技術、壓電光束導向技術和物理耦合技術三種。

1） MEMS（微機電系統(tǒng)）技術跳纖法。為實現(xiàn)光遠程交換，利用MEMS結構單元組成全交換設備來實現(xiàn)。光開關的開始端用眾多根光纖連接，但是因為光開關所需輸入光纖和輸出光纖的數量龐大，其運行的路徑需經過漫長的輸送，導致光纖信號強度存在不穩(wěn)定因素。當接入容量超過8芯時，交換衰耗已不滿足使用的要求，因而未能在全光網絡的實際運行環(huán)境中應用。

2） 基于壓電技術的光束轉向裝置。通過壓電技術改變光束方向，實現(xiàn)光纖對接。該項技術具有不錯的插入損耗性能指標。但在設備失電狀態(tài)下，光鏈路無法保持，且鏈路間光束易引起鄰路串擾，對于設備穩(wěn)定性以及空氣塵埃等環(huán)境要求苛刻。目前市場上鮮有實用化的產品。

3） 基于物理耦合的光開關矩陣。物理耦合光開關矩陣是利用步進電機驅動對接的尾纖，在特定的交換矩陣板上進行物理耦合，是一種最接近人工交換的光開關矩陣技術。因其光路不存在其他光學元器件，且單次對接的耦合數基本恒定，所以衰耗可以穩(wěn)定在很小的范圍。從光信號的傳輸機理上講，物理耦合技術的光學指標優(yōu)于其他技術的光開關矩陣。

根據ITUT標準，跨距的劃分可以用I，S，L，V，U等變量表示，分別代表20 km（局內）、40 km（短距）、80 km（長距）、120 km（甚長）、160 km（超長）。光波在光纖傳輸信號時，因距離的增加使光功率呈現(xiàn)降低的趨勢，在傳輸過程中存在一定的損耗，也是光纖最主要的運行傳輸性質之一。截止目前為止，有關專家研究發(fā)現(xiàn)，當傳輸損耗值在0.5 dB/km以下時，其光纖為1.31 μm;而傳輸損耗值為0.2 dB/km以下時，其光纖為1.55 μm，極其接近光纖損耗的極限值。光纖損耗的成因是復雜多樣的，最重要的原因是由于吸收損耗和散射損耗，以及光纖結構的不完善等。將以上遠程補償技術輸入到同一補償系統(tǒng)中，在不考慮傳輸損耗值的情況下，形成推薦系統(tǒng)硬件部分的信號傳輸系統(tǒng)設計，如圖2所示。

對采集到的電子商務信息傳輸信號進行預加重處理，即對信號進行濾波過濾，突出信號中的低頻部分，去除干擾變量。由于信號具有長時間、不平穩(wěn)的特點，要想使其變?yōu)榻诙虝r的穩(wěn)定信號，就要對其采用分幀處理。先將信號通過矩形窗口，將其分成多個幀序列，并對信號進行消噪處理。采取端點測量的目的是判斷干擾信號是否存在，如果存在干擾信號，則可以迅速地對其進行方位判斷，再利用特征提取區(qū)分不同時間的特征向量。假定采集的數據是初始數據，就把初始數據作為訓練集，并將其保存在模式庫中，便于比較，根據判斷原則輸出最終結果，實現(xiàn)信號的高完整性傳輸。

為了加快系統(tǒng)的運行速度，使用MPC565內部相位鎖定環(huán)路倍頻獲得40 MHz的工作頻率。將各個模塊掛在一個IMB3的總線上，實現(xiàn)內部通信[11?12]。

利用MPC565系統(tǒng)時鐘模塊內部集成QSPI模塊的串行隊列功能，實現(xiàn)系統(tǒng)內部的RAM儲存接收或是發(fā)送數據[13]。MPC565存儲體系結構如圖3所示。

使用芯片MPC565內的TPU模塊配置，實現(xiàn)串口、I/O口、PWM輸入輸出接口的功能。將處理器內部的晶體振蕩器連接一個外部時鐘源，使用處理器的靈活接口，外接時鐘電路和復位電路，完成主控硬件的設計[14]。

1.2? 電路設計

系統(tǒng)電路部分主要針對時鐘電路、復位電路以及電源電路進行設計。在設計時鐘電路時，需要在電源的輸入端串聯(lián)一個磁珠FBI，濾除信號線以及電源線上的高頻噪聲，降低尖峰對系統(tǒng)的影響[15?16]。在電源和地之間外接一個濾波電容[C44]濾除噪聲信號的干擾，然后在輸出端串聯(lián)一個33 Ω的電阻過濾信號，保證輸出高電平、占空比為50%的時鐘信號，時鐘信號電路的連接圖如圖4所示。

復位電路使用電源管理芯片TPS3307?33，連接芯片上的管腳SENSE1，SENSE2，SENSE3，設計管腳SENSE1，SENSE2的門檻電壓分別為4.55 V和2.93 V，將SENSE3管腳的電壓設計為1.25 V，將兩個管腳SENSE1，SENSE2通過電阻[R19]與[R20]分壓后，與SENSE33管腳連接[17]。復位電路的連接方式如圖5所示。

設計電源部分的電路時，外部電源輸入一個9～12 V的直流電壓，模擬數字5.0 V電壓給數字器件供電，將復位電路中的基準電壓調節(jié)為高精度的電壓。為了防止某個元件工作電流變化相對較大，對其他部分產生擾動，單獨給驅動部分元件供電[18]。其余部分的電壓均在5.0 V的基礎上使用線性穩(wěn)壓器變換，詳細的系統(tǒng)電源電路設計如圖6所示。

設計系統(tǒng)主控部分的硬件后，連接設計后的三部分電路，完成推薦系統(tǒng)的硬件部分設計。

2? 電子商務智能推薦系統(tǒng)軟件設計

2.1? 計算個性化特征

電子商務在實際操作時，每一家都有著自己獨特的個性化特征，根據電子商務的自身特點，標準化取值其個性化特征，然后選取一個合適的精確度，使用歐氏距離計算不同電子商務之間的個性化特征值：

式中：[xik]表示第[i]個用戶的第[k]個變量的值;[xjk]表示第[j]個用戶的第[k]個變量的值;[max（xk）]與[min（xk）]分別表示第[k]個屬性變量可取的最大值與最小值。計算出個性化特征后，使用關聯(lián)規(guī)則算法處理計算出的個性化特征數據，使用Java轉換為代碼，在系統(tǒng)中實現(xiàn)電子商務智能推薦[19]。

2.2? 使用關聯(lián)規(guī)則算法實現(xiàn)智能推薦

將式（1）計算出來的個性特征數據集記為：[D=i1，i2，…，in]，使用關聯(lián)規(guī)則算法計算數據集[D]，得到：

式中：[Di]，[Dj]是用戶的個性化數據特征屬性;[c]為屬性變量總數;[i]，[j]為電子商務用戶;[sim]為關聯(lián)規(guī)則算法。

整合計算結果，形成關聯(lián)規(guī)則特征，使用Java編程輸入式（1），式（2）的電子商務關聯(lián)規(guī)則算法結果，使用JDK 1.6中的記錄代碼記錄統(tǒng)計電子商務訪問用戶的瀏覽愛好[20]。然后系統(tǒng)調用形成的關聯(lián)規(guī)則，使用Eclipse 6.5標記用戶在系統(tǒng)中反復瀏覽過的電子商戶。最后根據標記的個性化特征，利用Spring 2.0推薦系統(tǒng)用戶經常瀏覽、符合用戶喜好的電子商戶，完成個性化特征商務的智能推薦。

3? 系統(tǒng)性能測試

3.1? 選取測試數據

為了保證測試數據可以有效地反映出用戶最近幾年的消費趨勢，選取數據庫中近三年的歷史數據，篩選后作為測試數據，此時的數據集約有1 000個用戶，3 000張機票，400家電子商務商家，5 000份評價信息，將這些數據分成5個數量近似的子集，分別標記5個數據集為[U1～U5]。

3.2? 制定測試指標

使用數據分成的子集，利用計算系統(tǒng)預測的目標用戶對商品的評分值與測試數據集中真實的評分值之差來分析系統(tǒng)的預測精確度，此時的差值表現(xiàn)為絕對平均誤差的形式，可以反映出預測值和真實值的偏差度，從而得出智能系統(tǒng)的預測精確度，計算公式如下：

式中：[pi]為系統(tǒng)預測的目標用戶對第[i]個商品的評分值;[ri]為目標用戶對第[i]個商品真實的評分值;[n]為使用了預測評分的項目數。MAE值越低，表示智能推薦系統(tǒng)的預測分值與真實值偏差越小，系統(tǒng)的預測越準確，性能越高。

3.3? 測試結果

三種推薦系統(tǒng)計算得到的MAE值變化情況如圖7所示。

由圖7可知，傳統(tǒng)推薦系統(tǒng)1計算得到的MAE平均值為0.84，傳統(tǒng)推薦系統(tǒng)2計算得到的MAE平均值為0.77，而基于個性化特征的電子商務智能推薦系統(tǒng)得到的MAE平均值為0.73，根據評測標準，值越低，表示智能推薦系統(tǒng)的預測分值與真實值偏差越小，系統(tǒng)的預測越準確，性能越高，可知基于個性化特征的電子商務智能推薦系統(tǒng)計算得到的MAE數值最小，系統(tǒng)預測精確度最好，適合投入實際使用。

4? 結? 論

本文提出基于個性化特征的電子商務智能推薦系統(tǒng)，實現(xiàn)硬件傳輸系統(tǒng)傳輸信號的高效率、低功率傳輸。在軟件部分優(yōu)化系統(tǒng)推薦代碼，根據電子商務的個性化特征進行關聯(lián)規(guī)則運算，實現(xiàn)個性化特征數據智能推薦。

電子商務推薦系統(tǒng)可以自動依據用戶的瀏覽情況，判斷出用戶的喜好，以此為依據向客戶推薦相關產品，減少客戶在尋找產品上浪費的時間。設計的推薦系統(tǒng)可以減小計算出來的MAE值，增強了推薦系統(tǒng)推薦商品的準確性，在用戶層次上成功樹立形象。

參考文獻

[1] 姚凱，涂平，陳宇新，等.基于多源大數據的個性化推薦系統(tǒng)效果研究[J].管理科學，2018，31（5）：3?15.

[2] 李裕礞，練緒寶，徐博，等.基于用戶隱性反饋行為的下一個購物籃推薦[J].中文信息學報，2017，31（5）：215?222.

[3] 李宇琦，陳維政，閆宏飛，等.基于網絡表示學習的個性化商品推薦[J].計算機學報，2019，42（8）：1767?1778.

[4] 李昆侖，郭昌隆，關立偉.一種融合近鄰用戶影響力的矩陣分解推薦算法[J].小型微型計算機系統(tǒng)，2018，39（1）：37?41.

[5] 趙文朋，丁艷輝，金連旭，等.一種基于隱式反饋的用戶興趣模型構建方法[J].計算機與數字工程，2018，46（3）：518?522.

[6] 袁仁進，陳剛，李鋒，等.基于VSM和Bisecting K?means聚類的新聞推薦方法[J].北京郵電大學學報，2019，42（1）：114?119.

[7] 陳娜，毋江波.基于神經網絡的多準則決策推薦系統(tǒng)[J].控制工程，2018，25（5）：841?848.

[8] 王明佳，韓景倜.基于用戶對項目屬性偏好的協(xié)同過濾算法[J].計算機工程與應用，2017，53（6）：106?110.

[9] 郭偉，邱丹逸. 基于多Agent的眾包任務推薦系統(tǒng)建模與仿真[J].計算機工程與科學，2017，39（5）：958?963.

[10] 李浩君，張征，張鵬威.基于三維特征協(xié)同支配的個性化學習資源推薦方法[J].計算機科學，2019，46（z1）：461?467.

[11] 黃亞萍，李垣江.基于K?means算法的電子商務客戶細分研究[J].電子設計工程，2017，25（2）：63?66.

[12] 任志敏，鄭紅崗，鄭勇軍.基于電子商務的專業(yè)市場價值鏈模型重塑研究[J].科技管理研究，2019，39（15）：230?236.

[13] 江義火，袁曉建.電子商務交易中信用度準確評價仿真研究[J].計算機仿真，2018，35（7）：430?433.

[14] 張容，張勇.基于數據挖掘算法的電子圖書館智能推薦技術研究[J].西南師范大學學報（自然科學版），2017，42（7）：81?85.

[15] 王普，張朝霞，吳艷華，等.基于雙偏好矩陣的B2B智能推薦研究與實踐[J].鐵道學報，2019，41（4）：16?24.

[16] 梁仕威，張晨蕊，曹雷，等.基于協(xié)同表示學習的個性化新聞推薦[J].中文信息學報，2018，32（11）：72?78.

[17] 王永康，袁衛(wèi)華，張志軍，等.融合時間隱語義填充和子群劃分的推薦算法[J].計算機工程與應用，2019（16）：130?137.

[18] 彭宏偉，靳遠遠，呂曉強，等.一種基于矩陣分解的上下文感知POI推薦算法[J].計算機學報，2019，42（8）：1797?1811.

[19] 周俊，董曉蕾，曹珍富.推薦系統(tǒng)的隱私保護研究進展[J].計算機研究與發(fā)展，2019，56（10）：2033?2048.

[20] 李丹霞，馬樂榮，何景.LBSN中融合時空信息的連續(xù)興趣點推薦[J].計算機應用研究，2019，36（12）：3574?3578.