劉俊彤 張佳興 韓寶平

摘 要 用戶(hù)在農(nóng)產(chǎn)品電商平臺(tái)購(gòu)買(mǎi)時(shí)，經(jīng)常出現(xiàn)信息量過(guò)載的問(wèn)題，導(dǎo)致用戶(hù)尋找心儀產(chǎn)品困難。同時(shí)，在新用戶(hù)注冊(cè)進(jìn)入平臺(tái)后，由于推薦初期冷啟動(dòng)問(wèn)題，出現(xiàn)無(wú)法對(duì)新用戶(hù)進(jìn)行推薦的情況?；谟脩?hù)尋找心儀產(chǎn)品困難和冷啟動(dòng)問(wèn)題，提出利用協(xié)同過(guò)濾算法和標(biāo)簽融合，通過(guò)協(xié)同過(guò)濾算法為用戶(hù)推薦喜愛(ài)的產(chǎn)品，并主動(dòng)發(fā)現(xiàn)用戶(hù)的潛在需求。在新用戶(hù)登錄時(shí)設(shè)置喜好標(biāo)簽，構(gòu)造用戶(hù)短期畫(huà)像，在個(gè)性化的電商平臺(tái)將用戶(hù)可能需求的產(chǎn)品進(jìn)行個(gè)性化推薦。

關(guān)鍵詞 農(nóng)產(chǎn)品電商平臺(tái);協(xié)同過(guò)濾算法;冷啟動(dòng);標(biāo)簽

中圖分類(lèi)號(hào)：F304.3 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2021.34.008

我國(guó)人口眾多，電子商務(wù)平臺(tái)不斷發(fā)展，迎合了人們的消費(fèi)需求，從而網(wǎng)購(gòu)成為了農(nóng)產(chǎn)品銷(xiāo)售的主流消費(fèi)方式。2020年1—6月，我國(guó)網(wǎng)絡(luò)零售額達(dá)到51 501億元，增長(zhǎng)7.3%，其中在疫情期間，由于人們外出不便，實(shí)物零售在電商平臺(tái)的零售額創(chuàng)歷史新高，同比增長(zhǎng)14.3%。而農(nóng)產(chǎn)品食用類(lèi)增長(zhǎng)尤為明顯，同比增長(zhǎng)38.8%[1]。在疫情期間，生鮮瓜果蔬菜等農(nóng)產(chǎn)品在電商平臺(tái)迅速售罄，農(nóng)產(chǎn)品銷(xiāo)售方式多樣，不斷在電商平臺(tái)創(chuàng)新，農(nóng)產(chǎn)品的銷(xiāo)量一路飆升。但由于每個(gè)人的喜好不同，國(guó)內(nèi)電商平臺(tái)雖然擁有推薦功能，但對(duì)于推薦農(nóng)產(chǎn)品存在較大的誤差，人們尋找個(gè)人喜愛(ài)的農(nóng)產(chǎn)品比較困難。我國(guó)農(nóng)產(chǎn)品消費(fèi)市場(chǎng)需要一個(gè)標(biāo)準(zhǔn)化、全面性的、個(gè)性化推薦的農(nóng)產(chǎn)品電商平臺(tái)。所以，在全民網(wǎng)購(gòu)的大背景下，亟需設(shè)計(jì)出一個(gè)能根據(jù)個(gè)人需求、喜好來(lái)推廣農(nóng)產(chǎn)品的電商平臺(tái)。

1? 協(xié)同過(guò)濾算法

協(xié)同過(guò)濾（Collaborative Filtering，CF）是推薦系統(tǒng)中誕生較早、廣為使用的一種推薦算法，其利用搜集的個(gè)人及群體興趣愛(ài)好歷史行為數(shù)據(jù)來(lái)進(jìn)行分析、處理，得出用戶(hù)感興趣的推薦信息[2]。協(xié)作過(guò)濾算法最重要的一點(diǎn)是根據(jù)興趣選擇和潛在需求創(chuàng)建個(gè)性化推薦。個(gè)性化推薦可以幫助銷(xiāo)售農(nóng)產(chǎn)品的商家及網(wǎng)站迅速而有效地為消費(fèi)者推薦感興趣的商品，滿(mǎn)足消費(fèi)者的需求，提高消費(fèi)者的購(gòu)物效率，提升消費(fèi)者的購(gòu)物體驗(yàn)[3]。在電子商務(wù)平臺(tái)上對(duì)不同用戶(hù)使用協(xié)同過(guò)濾算法時(shí)，采用了2種推薦協(xié)同過(guò)濾的模型，即協(xié)同用戶(hù)過(guò)濾模型、協(xié)同產(chǎn)品過(guò)濾算法的推薦模型。

1.1? 基于用戶(hù)相似度的協(xié)同過(guò)濾算法

基于用戶(hù)相似度的協(xié)同過(guò)濾算法通常融合了屬性相似度、用戶(hù)喜好相似度、用戶(hù)間評(píng)分相似度和用戶(hù)瀏覽相似度等相關(guān)相似度的權(quán)重計(jì)算辦法[4]。用戶(hù)間評(píng)分相似度和用戶(hù)喜好相似度采用加權(quán)平均分組合方式，由于用戶(hù)間評(píng)分相似度更穩(wěn)定的能體現(xiàn)用戶(hù)相似度，采用相似度計(jì)算辦法一般首要選擇評(píng)分相似度，將其他相似度權(quán)重占比設(shè)置為小于評(píng)分占比。

該算法在電商平臺(tái)主要應(yīng)用意義是根據(jù)用戶(hù)之間的喜好、相似度和用戶(hù)之間相互關(guān)聯(lián)來(lái)得出個(gè)性化推薦。在農(nóng)產(chǎn)品電商平臺(tái)，依據(jù)用戶(hù)對(duì)產(chǎn)品的需求和偏好，尋找與用戶(hù)瀏覽或評(píng)分收藏相似度趨近的用戶(hù)，再按照用戶(hù)與用戶(hù)之間相關(guān)聯(lián)的某一點(diǎn)，比如：收藏、購(gòu)物車(chē)等，按照相似點(diǎn)進(jìn)行精準(zhǔn)推薦，推薦原理如圖1。

1.2? 基于產(chǎn)品的協(xié)同過(guò)濾算法

基于產(chǎn)品的協(xié)同過(guò)濾算法通常采用最近鄰（K-Nearest-Neighbor，KNN）算法，利用用戶(hù)的歷史記錄來(lái)計(jì)算用戶(hù)之間的距離，然后利用目標(biāo)用戶(hù)的最近鄰用戶(hù)對(duì)物品評(píng)價(jià)來(lái)預(yù)測(cè)目標(biāo)用戶(hù)對(duì)其他未評(píng)價(jià)物品的感興趣程度，系統(tǒng)從而根據(jù)這一感興趣程度來(lái)對(duì)目標(biāo)用戶(hù)進(jìn)行推薦[5]。

該算法在電商平臺(tái)的應(yīng)用意義是根據(jù)用戶(hù)對(duì)產(chǎn)品的喜好程度、產(chǎn)品頁(yè)面瀏覽次數(shù)、產(chǎn)品的搜索次數(shù)和產(chǎn)品之后可能存在的潛在需求等進(jìn)行個(gè)性化推薦。在農(nóng)產(chǎn)品電商平臺(tái)，依照用戶(hù)對(duì)于某一產(chǎn)品的喜好，能及時(shí)將相似的產(chǎn)品進(jìn)行推薦給用戶(hù)。另一種計(jì)算方法是根據(jù)用戶(hù)通過(guò)瀏覽、購(gòu)買(mǎi)或者收藏產(chǎn)品之后，通過(guò)用戶(hù)操作次數(shù)判斷用戶(hù)對(duì)于產(chǎn)品的潛在需要。

2? 協(xié)同過(guò)濾算法在系統(tǒng)中的設(shè)計(jì)

2.1? 基于產(chǎn)品評(píng)分的個(gè)性化推薦

系統(tǒng)設(shè)置商品打分功能及記錄用戶(hù)行為的功能，數(shù)據(jù)庫(kù)中記錄所有用戶(hù)對(duì)各個(gè)商品的點(diǎn)擊（瀏覽）數(shù)及購(gòu)買(mǎi)次數(shù)。打分五分制，另外兩項(xiàng)數(shù)據(jù)進(jìn)行歸一化處理，同樣實(shí)行五分制，購(gòu)買(mǎi)次數(shù)占比60%，瀏覽次數(shù)占40%，計(jì)算一個(gè)分?jǐn)?shù)。推薦之前需要找到目標(biāo)用戶(hù)與其他用戶(hù)分別有過(guò)的相同評(píng)分或者瀏覽、購(gòu)買(mǎi)記錄的商品，以商品評(píng)分作為第一評(píng)分標(biāo)準(zhǔn)，如果沒(méi)有就采取瀏覽點(diǎn)擊行為來(lái)計(jì)分。把目標(biāo)用戶(hù)與其他用戶(hù)及商品構(gòu)造一個(gè)user-score二維矩陣U如圖2，利用如式（1）計(jì)算目標(biāo)用戶(hù)與其他用戶(hù)的相似度。

其中，R（u，i）是第u個(gè)用戶(hù)對(duì)第i個(gè)用戶(hù)的打分，R（i）是第i個(gè)物品的平均得分。用該式計(jì)算目標(biāo)用戶(hù)與其他所有用戶(hù)的相似度Sim（i），然后取出前五名，把五名用戶(hù)常購(gòu)買(mǎi)或者瀏覽的前十名并且目標(biāo)用戶(hù)未購(gòu)買(mǎi)過(guò)的產(chǎn)品，作為待推薦商品。

用戶(hù)對(duì)推薦的產(chǎn)品興趣計(jì)算公式為式（2）。

[Pu，i=simi?Ru，i]? ?（2）

最后，向目標(biāo)用戶(hù)推薦前十名產(chǎn)品。這是推薦產(chǎn)品的第一種方式。

2.2? 基于產(chǎn)品相似度的個(gè)性化推薦

第二種推薦方式，系統(tǒng)設(shè)置了喜歡按鈕，用戶(hù)可點(diǎn)擊表示喜歡某個(gè)物品，該行為會(huì)記錄在數(shù)據(jù)庫(kù)中，然后根據(jù)式（3）計(jì)算產(chǎn)品的相似度。

[wij=NiNjNi]? ?（3）

在公式中，分母|N（i）|表示對(duì)產(chǎn)品i喜好的用戶(hù)數(shù)量，同時(shí)分子表示對(duì)產(chǎn)品i、產(chǎn)品j喜好的用戶(hù)數(shù)量。因此，式3可以理解為對(duì)產(chǎn)品i有喜好傾向的用戶(hù)比例中含有對(duì)產(chǎn)品j喜好的用戶(hù)數(shù)量。然后創(chuàng)建一個(gè)二維矩陣來(lái)計(jì)算物品之間的相似性，計(jì)算其他商品與該商品的相似程度，最后把與目標(biāo)物品相似的其他10種物品推薦給用戶(hù)。

3? 協(xié)同過(guò)濾算法融合標(biāo)簽解決冷啟動(dòng)問(wèn)題

傳統(tǒng)的協(xié)同過(guò)濾算法在初始階段存在冷啟動(dòng)問(wèn)題，基于物品評(píng)分和物品相似度2種推薦方式擁有局限性，由于剛注冊(cè)的新用戶(hù)沒(méi)有以上2種推薦方式所必須的內(nèi)容，所以無(wú)法根據(jù)相關(guān)記錄進(jìn)行推薦操作，此類(lèi)問(wèn)題稱(chēng)為冷啟動(dòng)。對(duì)于冷啟動(dòng)用戶(hù)，標(biāo)簽和推薦算法可以合理應(yīng)用。用戶(hù)首次登陸需要選擇喜歡的標(biāo)簽，標(biāo)簽不僅能清晰地表達(dá)物品的屬性，還能很好地反映用戶(hù)的喜好。根據(jù)用戶(hù)的標(biāo)簽選擇，構(gòu)建用戶(hù)的短期畫(huà)像，并向新用戶(hù)進(jìn)行短期興趣推薦。多種標(biāo)簽數(shù)據(jù)的選擇與應(yīng)用解決了數(shù)據(jù)稀疏的問(wèn)題。結(jié)合以上兩種推薦方法，可實(shí)現(xiàn)無(wú)真空期推薦。

4? 與傳統(tǒng)農(nóng)產(chǎn)品電商平臺(tái)比較測(cè)試

與傳統(tǒng)的農(nóng)產(chǎn)品電子商務(wù)平臺(tái)相比，協(xié)同過(guò)濾算法集成了標(biāo)簽，提高了農(nóng)產(chǎn)品電子商務(wù)平臺(tái)用戶(hù)的購(gòu)買(mǎi)體驗(yàn)，拓寬了農(nóng)產(chǎn)品銷(xiāo)售市場(chǎng)。優(yōu)化提升了對(duì)于農(nóng)產(chǎn)品的評(píng)估策略，在農(nóng)產(chǎn)品電商平臺(tái)利用傳統(tǒng)協(xié)同過(guò)濾算法的基礎(chǔ)上增加了用戶(hù)瀏覽商品的相似度計(jì)算，使得個(gè)性化推薦時(shí)誤差值逐漸降低。根據(jù)新注冊(cè)登錄的新用戶(hù)采用標(biāo)簽，在第一時(shí)間獲取到用戶(hù)的喜好和需求。

農(nóng)產(chǎn)品電子商務(wù)平臺(tái)的設(shè)計(jì)解決了傳統(tǒng)農(nóng)產(chǎn)品電子商務(wù)平臺(tái)的冷啟動(dòng)問(wèn)題和評(píng)分矩陣的稀疏性。

5? 結(jié)語(yǔ)

該平臺(tái)的設(shè)計(jì)主要解決目前互聯(lián)網(wǎng)資源過(guò)剩、電商平臺(tái)農(nóng)產(chǎn)品資源繁雜、尋找心儀農(nóng)產(chǎn)品所需時(shí)間較多等問(wèn)題，在設(shè)計(jì)過(guò)程中，新用戶(hù)采用標(biāo)簽記錄個(gè)人喜好進(jìn)行初期個(gè)性推薦，用戶(hù)在電商平臺(tái)有瀏覽、購(gòu)物行為之后，采用基于協(xié)同過(guò)濾算法對(duì)農(nóng)產(chǎn)品進(jìn)行個(gè)性化推薦，給用戶(hù)帶來(lái)了良好的購(gòu)物體驗(yàn)，用戶(hù)能夠在第一時(shí)間內(nèi)尋找所需求的農(nóng)產(chǎn)品。

參考文獻(xiàn)：

[1]? 洪濤.2020上半年中國(guó)農(nóng)產(chǎn)品電商發(fā)展報(bào)告[J].中國(guó)商論，2020（15）：1-10.

[2]? 張淼，劉東旭.基于協(xié)同過(guò)濾算法的音樂(lè)推薦系統(tǒng)的研究與實(shí)現(xiàn)[J].電子世界，2020（10）：63-64.

[3]? 蔣文娟，蘇佳，陸娜，等.基于協(xié)同過(guò)濾算法的服裝個(gè)性化推薦研究[J].電腦知識(shí)與技術(shù)，2019（35）：194-196.

[4]? 鄧樂(lè)樂(lè)，黃俊，岳春擂.融合項(xiàng)目流行度與用戶(hù)間多相似度的協(xié)同過(guò)濾算法[J/OL].小型微型計(jì)算機(jī)系統(tǒng)：1-7[2021-12-24].http：//kns.cnki.net/kcms/detail/21.1106.TP.20210706.1015.004.html.

[5]? 曹景振，賈新磊，李松丹.基于物品的協(xié)同過(guò)濾算法在ACM在線評(píng)測(cè)推薦系統(tǒng)中的改進(jìn)及應(yīng)用[J].無(wú)線互聯(lián)科技，2018（5）：135-136，139.

（責(zé)任編輯：敬廷桃）

收稿日期：2021-07-29

作者簡(jiǎn)介：劉俊彤（1997—），男，天津靜海人，碩士，研究方向?yàn)檗r(nóng)業(yè)工程與信息技術(shù)。E-mail：15620997453@163.com。

*為通信作者，E-mail：hbp@bua.edu.cn。