文/萬(wàn)玉龍 顧峰 柏小穎 邱曉茜

本文設(shè)計(jì)了冷鏈物流智能配載推薦算法，本系統(tǒng)最主要的功能就是系統(tǒng)能夠自動(dòng)給用戶(hù)推薦信息，能夠大幅減少冷鏈物流管理成本，有效增加冷鏈物流經(jīng)濟(jì)績(jī)效，助力國(guó)家雙碳達(dá)峰目標(biāo)任務(wù)完成。

1.協(xié)同過(guò)濾關(guān)于用戶(hù)的推薦算法原理與步驟

1.1 算法原理

基于用戶(hù)的協(xié)同過(guò)濾推薦就是把用戶(hù)當(dāng)做一維向量，將用戶(hù)對(duì)物品的偏好作為向量的項(xiàng)，將一維向量的距離用來(lái)表示用戶(hù)的相似度。該推薦算法原理如表1.1所示，假設(shè)有三個(gè)用戶(hù)，1用戶(hù)愛(ài)好1物品、3物品，2用戶(hù)愛(ài)好2物品，3用戶(hù)愛(ài)好1物品和3物品以及4物品。綜上所述，在這三個(gè)用戶(hù)的偏好文檔中，用戶(hù)1和用戶(hù)3擁有相同的喜好物品1和物品3，可以判斷他們的偏好比較相似，因此我們可以推測(cè)用戶(hù)1也很有可能喜歡物品4，將其推薦給用戶(hù)1。

表1.1 基于用戶(hù)的協(xié)同過(guò)濾推薦原理

1.2 算法步驟

a)建立用戶(hù)模型

協(xié)同過(guò)濾算法的輸入數(shù)據(jù)通常表示為一個(gè)m*n的用戶(hù)—評(píng)價(jià)矩陣R，用戶(hù)數(shù)用m來(lái)表示，項(xiàng)目數(shù)用n來(lái)表示，第i用戶(hù)關(guān)于第j項(xiàng)目之評(píng)價(jià)數(shù)值用rij來(lái)表示。

圖1.1 評(píng)價(jià)數(shù)值的矩陣公式

b)尋找最近鄰居。通過(guò)計(jì)算目標(biāo)用戶(hù)與其他用戶(hù)之間的相似度，算出與目標(biāo)用戶(hù)最相似的“最近鄰居”集。即：對(duì)目標(biāo)用戶(hù)i產(chǎn)生一個(gè)以相似度sim（i，j）遞減排列的“鄰居”集合。該過(guò)程分兩步完成，即求解用戶(hù)間相似的程度，可以執(zhí)行皮爾森系數(shù)、余弦相似性以及修正的余弦相似性等等計(jì)算法。求解相似程度一般用以下三個(gè)方法：

（1）余弦相似性

每一個(gè)用戶(hù)的評(píng)分都可以看作為維項(xiàng)目空間上的向量，用戶(hù)沒(méi)有對(duì)項(xiàng)目進(jìn)行評(píng)價(jià)數(shù)值，那么該用戶(hù)關(guān)于相關(guān)項(xiàng)目評(píng)價(jià)數(shù)值就是0。向量之間余弦的夾角能夠度量相關(guān)用戶(hù)間相似的程度。假設(shè)i向 量與向量各表示i用戶(hù)與j用戶(hù)第n相關(guān)項(xiàng)目的評(píng)價(jià)數(shù)值，則用戶(hù)和用戶(hù)之間的相似性sim（i，j）為：

注釋說(shuō)明，兩用戶(hù)的向量模之積就是分母，兩用戶(hù)的評(píng)價(jià)數(shù)值向量之內(nèi)積就是分子。

（2）相關(guān)相似性

設(shè)用戶(hù)i和用戶(hù)j共同評(píng)分過(guò)的項(xiàng)目集合用Iij表示，Iij=Ii∩Ij，則用戶(hù)i和用戶(hù)j之間的相似性sim（i，j）通過(guò)Pearson相關(guān)系數(shù)度量：

說(shuō)明，Ri，d表示用戶(hù)i對(duì)項(xiàng)目d的評(píng)分，i用戶(hù)與j用戶(hù)關(guān)于相關(guān)項(xiàng)目打分之平均評(píng)價(jià)數(shù)值分別用來(lái)進(jìn)行表示。

（3）關(guān)于余弦的相似性修正

在余弦相似性度量方法中，沒(méi)有考慮不同用戶(hù)的評(píng)分尺度問(wèn)題，修正的余弦相似性度量方法通過(guò)減去用戶(hù)對(duì)項(xiàng)目的平均評(píng)分改善這一缺陷。假設(shè)以Iij來(lái)表示i用戶(hù)與j用戶(hù)一起評(píng)價(jià)數(shù)值后的項(xiàng)目之集合，Iij=Ii∩Ij，i用戶(hù)與j用戶(hù)評(píng)價(jià)數(shù)值后的項(xiàng)目之集合可以用來(lái)表達(dá)，那么sim（i，j）可以表示為i用戶(hù)與j用戶(hù)間相似的程度，具體表達(dá)公式如下：

其中，Ri，d表示i用戶(hù)對(duì)d項(xiàng)目的評(píng)價(jià)數(shù)值，i用戶(hù)與j用戶(hù)關(guān)于相關(guān)評(píng)價(jià)項(xiàng)目的平均評(píng)價(jià)數(shù)值各用和來(lái)進(jìn)行表示。

根據(jù)大數(shù)據(jù)求解系統(tǒng)中全部用戶(hù)相似的程度，幫助目標(biāo)的相關(guān)用戶(hù)求解出最靠近的K數(shù)量的鄰居。鄰居產(chǎn)生的方法和原則一般包含兩個(gè)大類(lèi)，具體情況如下：

2.2 不同b值下的診斷指標(biāo) 對(duì)不同b值下肺部結(jié)節(jié)良惡性的相關(guān)診斷指標(biāo)進(jìn)行統(tǒng)計(jì)，結(jié)果顯示，b值為400 s/mm2時(shí)特異度、準(zhǔn)確度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值均為最高，而b值為400或800 s/mm2時(shí)，其敏感度均為91.28%，不同b值間敏感度相比較差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)，見(jiàn)表2。

圖1.2 最近鄰居的產(chǎn)生過(guò)程示意圖

2.協(xié)同過(guò)濾關(guān)于物品的推薦算法原理與步驟

2.1 算法原理

基于物品的協(xié)同過(guò)濾原理與基于用戶(hù)的協(xié)同過(guò)濾原理基本相似，但它只需要計(jì)算物品相似度，其基本思想是通過(guò)計(jì)算物品與物品之間的相似度，對(duì)這些物品之間的相似度進(jìn)行分析，挖掘出數(shù)據(jù)中與目標(biāo)物品距離最近的集合，然后根據(jù)集合中的物品的評(píng)分對(duì)目標(biāo)物品的評(píng)分進(jìn)行預(yù)估，選擇評(píng)分最高的前N項(xiàng)推薦給用戶(hù)。

該推薦原理如表2.2所示，假設(shè)有三個(gè)用戶(hù)，1用戶(hù)愛(ài)好1物品和3物品，2用戶(hù)愛(ài)好1物品、2物品和3物品，3用戶(hù)愛(ài)好1物品。由于用戶(hù)1和用戶(hù)2同時(shí)喜歡物品1和物品3，可以推斷喜歡物品1的用戶(hù)可能會(huì)喜歡物品3，那么認(rèn)為對(duì)于物品1，和其相似的物品是物品3，而根據(jù)3用戶(hù)愛(ài)好1物品，能夠推理出用戶(hù)3很可能喜歡物品3，所以將物品3推薦給用戶(hù)3。

2.2 協(xié)同過(guò)濾關(guān)于物品的推薦算法步驟

其中建立用戶(hù)模型與基于用戶(hù)的協(xié)同過(guò)濾推薦算法一致，接下來(lái)主要說(shuō)明最近鄰居集的形成和預(yù)測(cè)評(píng)分，已經(jīng)產(chǎn)生推薦結(jié)果。

表2.2 協(xié)同過(guò)濾關(guān)于物品的推薦算法原理

a)形成目標(biāo)用戶(hù)鄰居

實(shí)現(xiàn)基于物品的協(xié)同過(guò)濾推薦算法重點(diǎn)在于實(shí)現(xiàn)物品之間的相似度的計(jì)算。根據(jù)用戶(hù)—評(píng)價(jià)矩陣R，計(jì)算目標(biāo)物品與其他物品之間的相似度，獲得目標(biāo)物品的最近鄰居。先分離出共同評(píng)過(guò)分物品i和物品j的用戶(hù)，接著執(zhí)行相似性求解。相似針對(duì)用戶(hù)的協(xié)同過(guò)濾推薦算法之中求解相似性用戶(hù)辦法，算法過(guò)程中主要涉及到上文提到的余弦相似度、皮爾森相似系數(shù)和修正的余弦相似性系數(shù)等。

b)余弦的相似程度

把兩個(gè)物品看作空間中的兩個(gè)向量，通過(guò)計(jì)算兩個(gè)向量的夾角余弦值來(lái)得到相似度。假設(shè)物品i和物品j的評(píng)分向量分別用向量i和向量j表示，則物品i和物品j之間的相似性可以用如下公式進(jìn)行計(jì)算：

c)修正的余弦相似性

相比基于用戶(hù)的協(xié)同過(guò)濾，修正的預(yù)先相似性算法與其相似的方面為修正的余相似性度量方法考慮到了不同用戶(hù)的評(píng)價(jià)尺度的問(wèn)題，假設(shè)i物品與j物品全被評(píng)價(jià)過(guò)數(shù)值的用戶(hù)之集合用Iij來(lái)進(jìn)行表示，i物品與j物品評(píng)價(jià)過(guò)數(shù)值的用戶(hù)集可以用Ii和Ij分別進(jìn)行表達(dá)，那么i物品與j物品間相似的程度可以表示為：

d）相關(guān)相似性

相似于基于用戶(hù)的協(xié)同過(guò)濾，相關(guān)相似性一般通過(guò)皮爾森相關(guān)系數(shù)進(jìn)行計(jì)算，用Iij表示物品i和物品j都評(píng)過(guò)分的用戶(hù)集合，則物品i和物品j之間的相似性sim（i，j）通過(guò)Pearson相關(guān)系數(shù)度量：

其中，Ri，d表示用戶(hù)i對(duì)項(xiàng)目d的評(píng)分分別是指用戶(hù)關(guān)于i物品與j物品平均的評(píng)價(jià)數(shù)值。

e)推薦的產(chǎn)生

目標(biāo)用戶(hù)對(duì)物品的評(píng)分的預(yù)測(cè)通過(guò)根據(jù)鄰居對(duì)物品的評(píng)分來(lái)計(jì)算，選擇最高的Top-N項(xiàng)推薦給目標(biāo)用戶(hù)?？紤]到評(píng)分尺度不同的問(wèn)題，采用平均加權(quán)策略進(jìn)行推薦，公式如下：

注釋說(shuō)明，i用戶(hù)同j用戶(hù)間相似的程度用sim（i，j）來(lái)進(jìn)行表示，最靠近的鄰居j用戶(hù)關(guān)于d物品評(píng)價(jià)的數(shù)值用來(lái)Ri，d進(jìn)行表示，i用戶(hù)與j用戶(hù)關(guān)于物品平均的評(píng)價(jià)數(shù)值分別用Rˉi和Rˉj來(lái)進(jìn)行表示。

3.Slope One推薦算法

上述兩種算法在處理大數(shù)據(jù)時(shí)會(huì)存在一定的缺陷，因?yàn)樵谔幚砗Ａ繑?shù)據(jù)時(shí)需要通過(guò)兩種方法產(chǎn)生推薦這樣計(jì)算量會(huì)很大，在運(yùn)算上花費(fèi)大量時(shí)間且效率低。而Slope One推薦算法執(zhí)行效率較高，結(jié)果相對(duì)更加準(zhǔn)確，其基本原理與基于物品的協(xié)同過(guò)濾基本相同，是一種輕量級(jí)的協(xié)同過(guò)濾推薦。Slope One推薦是通過(guò)用戶(hù)對(duì)物品的評(píng)分，需要計(jì)算物品間的差值，通過(guò)f(x)=ax+b函數(shù)得到，其中a=1，即斜率為一。Slope One算法原理如表3.3和表3.4所示。

表3.3 用戶(hù)評(píng)價(jià)分值表

表3.4 推出評(píng)價(jià)分值表

由表3.3表示所得，假設(shè)用戶(hù)1對(duì)物品1打分為3，用戶(hù)2對(duì)物品1打分為1，對(duì)物品3打分為3。系統(tǒng)計(jì)算出所有用戶(hù)對(duì)1物品、2物品、3物品平均評(píng)價(jià)數(shù)值分別是2、3和3。根據(jù)平均打分推理出結(jié)論：對(duì)物品2的評(píng)分=對(duì)物品1的評(píng)分+1；對(duì)物品2的評(píng)分=對(duì)物品3的評(píng)分。用戶(hù)1根據(jù)結(jié)論可以推算出對(duì)物品2，物品3的評(píng)分都是4。用戶(hù)2根據(jù)前半個(gè)結(jié)論推算對(duì)物品2的評(píng)分是2，根據(jù)后半個(gè)結(jié)論推算的評(píng)分是3，遇到這種情況時(shí)需要取兩者平均值即2.5。

該協(xié)同過(guò)濾推薦算法的系統(tǒng)把相似程度相對(duì)最高的三種用戶(hù)當(dāng)做最近的鄰居。文章在原系統(tǒng)中綜合運(yùn)用了皮爾森相關(guān)性求解的用戶(hù)和物品相似度，計(jì)算得出其最近的鄰居三個(gè)。

4.結(jié)語(yǔ)

冷鏈物流智能配載推薦算法是一項(xiàng)繁瑣、復(fù)雜的工作。以冷鏈物流智能配載推薦算法為對(duì)象，實(shí)現(xiàn)冷鏈物流車(chē)源、貨源、庫(kù)源的信息智能配載推薦功能。根據(jù)冷鏈物流智能配載推薦的實(shí)際開(kāi)發(fā)需求，借助開(kāi)源框架Mahout，調(diào)用其中的API接口設(shè)計(jì)一個(gè)簡(jiǎn)單的冷鏈物流推薦引擎原型系統(tǒng)，然后通過(guò)Myelipse、MySQL和Tomcat等開(kāi)源工具實(shí)現(xiàn)一個(gè)Java Web系統(tǒng)。冷鏈物流智能配載推薦系統(tǒng)能夠大幅減少冷鏈物流管理成本，有效增加冷鏈物流經(jīng)濟(jì)績(jī)效，助力國(guó)家雙碳達(dá)峰目標(biāo)任務(wù)完成。由于團(tuán)隊(duì)成員能力水平有限，本推薦算法的設(shè)計(jì)還存在一些不足，今后團(tuán)隊(duì)成員將進(jìn)一步研究與完善。

引用出處