羅遠(yuǎn)遠(yuǎn)

（塔里木大學(xué)信息工程學(xué)院，新疆 阿拉爾 843300）

0 引言

近年來(lái)，隨著經(jīng)濟(jì)持續(xù)快速發(fā)展，電子商務(wù)平臺(tái)也越來(lái)越迎合了人們的消費(fèi)需求，網(wǎng)上銷售也成了目前最受歡迎的農(nóng)產(chǎn)品銷售方式。中國(guó)的電子商務(wù)市場(chǎng)在2015年已達(dá)3.9萬(wàn)億元，其中農(nóng)產(chǎn)品的銷售額在整個(gè)電子商務(wù)市場(chǎng)中占據(jù)了5%的份額。截至2015年底，阿里電商平臺(tái)擁有90萬(wàn)多個(gè)銷售渠道，實(shí)現(xiàn)了695.50億元的農(nóng)產(chǎn)品銷售[1]。2020年1—6月份，全國(guó)零售額達(dá)51 501億元，比上年增長(zhǎng)7.3%；網(wǎng)購(gòu)零售額達(dá)43 481億元，比上年同期增加14.3%，在社會(huì)消費(fèi)品零售總額中占據(jù)25%。尤其是在疫情期間，食品類農(nóng)產(chǎn)品的增幅更是顯著，達(dá)38.8%[2]。如何在浩瀚的信息資源里快速找到自己想要的東西，利用推薦系統(tǒng)可以解決實(shí)際應(yīng)用難題。農(nóng)產(chǎn)品電子商務(wù)推薦系統(tǒng)可以從大量的信息中快速尋找到所需要的產(chǎn)品，并向消費(fèi)者推薦，從而使消費(fèi)者能夠順利地進(jìn)行購(gòu)買。當(dāng)前，盡管在理論和實(shí)踐上已經(jīng)取得了長(zhǎng)足的進(jìn)步，但仍有許多缺陷。推薦系統(tǒng)主要有兩類：一類是主動(dòng)式信息過(guò)濾，將信息過(guò)濾的流程從“使用者主動(dòng)搜尋”轉(zhuǎn)為“系統(tǒng)主動(dòng)推薦”；另一類是個(gè)性化的雙邊匹配，協(xié)助使用者找出自己喜歡的或所需的小眾、非主流的商品，將使用者感興趣的商品呈現(xiàn)在他們面前。

目前推薦系統(tǒng)分為三大類。1）基于內(nèi)容的推薦：向使用者推薦與其所關(guān)注的項(xiàng)目?jī)?nèi)容類似的項(xiàng)目，發(fā)掘用戶曾經(jīng)喜歡過(guò)的項(xiàng)目的特征，并推薦類似的項(xiàng)目。2）基于協(xié)同過(guò)濾的推薦：通過(guò)計(jì)算用戶的行為數(shù)據(jù)，來(lái)得到用戶偏好特征，找到相似用戶或物品，給用戶推薦其最有可能喜歡的項(xiàng)目，目前這是最為廣泛的算法。3）混合推薦算法：將多種推薦方法融合在一起。例如基于人口統(tǒng)計(jì)學(xué)，協(xié)同過(guò)濾，基于內(nèi)容和知識(shí)的推薦，將這些單一的推薦算法根據(jù)各自的優(yōu)缺點(diǎn)進(jìn)行混合，來(lái)達(dá)到更好的推薦效果。

1 協(xié)同過(guò)濾算法

協(xié)同過(guò)濾（Collaborative Filtering）算法是推薦系統(tǒng)中影響最大、應(yīng)用最廣泛的算法。協(xié)同過(guò)濾就是協(xié)同大家的反饋、評(píng)價(jià)和意見(jiàn)一起對(duì)海量信息進(jìn)行過(guò)濾，從中篩選出目標(biāo)用戶可能感興趣的信息的推薦過(guò)程。基于鄰域的協(xié)同過(guò)濾主要分為兩類，分別是基于用戶的協(xié)同過(guò)濾算法和基于項(xiàng)目的協(xié)同過(guò)濾算法。

1.1 基于用戶的協(xié)同過(guò)濾算法（User CF）

基于用戶的協(xié)同過(guò)濾算法是根據(jù)用戶對(duì)項(xiàng)目的歷史行為尋找相鄰或相似的用戶，并向用戶推薦鄰居或相似用戶所喜愛(ài)的商品。通過(guò)用戶的歷史行為數(shù)據(jù)可以了解用戶對(duì)產(chǎn)品的偏好，并對(duì)這些喜好進(jìn)行度量和打分。通過(guò)分析不同用戶對(duì)同一產(chǎn)品的態(tài)度及喜好程度，計(jì)算用戶之間的關(guān)系，在有共同愛(ài)好的消費(fèi)者之間進(jìn)行產(chǎn)品推薦?？偟膩?lái)說(shuō)，假設(shè)與某人興趣相似的用戶喜歡的商品，某人也會(huì)喜歡，關(guān)鍵是尋找相似用戶、用戶相似度度量。這里我們用一個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明一下，假設(shè)用戶a喜歡物品A和物品C，用戶c喜歡物品A、物品C及物品D，這個(gè)時(shí)候用戶a與用戶c相似，就會(huì)把物品D推薦給用戶a，如圖1所示。

圖1 基于用戶的協(xié)同過(guò)濾推薦

1.2 基于項(xiàng)目的協(xié)同過(guò)濾算法（Item CF）

基于項(xiàng)目的協(xié)同過(guò)濾算法是通過(guò)用戶對(duì)項(xiàng)目的反饋或偏好尋找相似或相關(guān)的項(xiàng)目，并依據(jù)用戶的歷史反饋和項(xiàng)目相似程度為用戶推薦項(xiàng)目?；陧?xiàng)目的協(xié)同過(guò)濾推薦的基本原理與基于用戶的協(xié)同過(guò)濾算法類似，通過(guò)用戶對(duì)產(chǎn)品的喜好，找到產(chǎn)品的相似性，并根據(jù)用戶的歷史偏好，向用戶推薦類似的產(chǎn)品。這里同樣簡(jiǎn)單舉例說(shuō)明一下，假設(shè)用戶a喜歡物品A和物品C，用戶c喜歡物品A，那么物品A與物品C相似，就會(huì)把物品C推薦給用戶c，如圖2所示。

圖2 基于項(xiàng)目的協(xié)同過(guò)濾推薦

1.3 基于模型的協(xié)同過(guò)濾推薦

基于模型的協(xié)同過(guò)濾推薦就是基于樣本的用戶喜好信息，訓(xùn)練一個(gè)推薦模型，并根據(jù)其對(duì)用戶喜好的實(shí)時(shí)信息進(jìn)行預(yù)測(cè)，計(jì)算推薦?；谀Ｐ偷耐扑]算法，依托于一些機(jī)器學(xué)習(xí)的模型，通過(guò)離線進(jìn)行訓(xùn)練、在線進(jìn)行推薦。該方法的不足之處在于離線模型的訓(xùn)練時(shí)間較長(zhǎng)，但其預(yù)測(cè)精度較高?；谀Ｐ偷耐扑]系統(tǒng)的優(yōu)勢(shì)是節(jié)省訓(xùn)練空間和預(yù)測(cè)速度快?；谀Ｐ偷膮f(xié)同過(guò)濾是當(dāng)前最流行的協(xié)同過(guò)濾類型，當(dāng)前只在部分用戶與部分項(xiàng)目之間存在評(píng)分?jǐn)?shù)據(jù)，而在其他部分評(píng)分?jǐn)?shù)據(jù)是空白的情況下，利用現(xiàn)有的少量數(shù)據(jù)對(duì)這些空白的用戶與商品的評(píng)價(jià)進(jìn)行預(yù)測(cè)，從中找出得分最高的商品。常用的訓(xùn)練模型有關(guān)聯(lián)算法、聚類算法、分類算法、回歸算法、矩陣算法、神經(jīng)網(wǎng)絡(luò)、圖模型、隱式語(yǔ)義模型。

1.4 相似度計(jì)算

農(nóng)產(chǎn)品電子商務(wù)領(lǐng)域中的協(xié)同過(guò)濾推薦算法的關(guān)鍵在于算法能夠準(zhǔn)確地確定目標(biāo)用戶的最近鄰居，而確定最近鄰居的前提是先計(jì)算出各用戶之間的相似性，目前研究者們研究使用的相似度計(jì)算主要有：余弦相似度，杰卡德（Jaccard）相似度，皮爾森相關(guān)系數(shù)，歐氏距離，基于云模型的相似度，修正的余弦相似度和相關(guān)相似度。其中，杰卡德（Jaccard）相似度、余弦相似度和相關(guān)相似度被廣泛地用于電子商務(wù)領(lǐng)域。

2 面向農(nóng)產(chǎn)品的協(xié)同過(guò)濾推薦算法應(yīng)用

目前，國(guó)內(nèi)外關(guān)于農(nóng)產(chǎn)品推薦應(yīng)用最多的算法是協(xié)同過(guò)濾算法，并對(duì)其進(jìn)行了改進(jìn)。于金明[3]通過(guò)分析農(nóng)產(chǎn)品電子商務(wù)交易的特征選定基于項(xiàng)目的協(xié)同過(guò)濾算法作為基礎(chǔ)算法，提出IPSS項(xiàng)目相似性度量方法，有效地改進(jìn)了冷啟動(dòng)問(wèn)題；對(duì)于可擴(kuò)展性問(wèn)題，對(duì)算法進(jìn)行改進(jìn)，提出融合項(xiàng)目譜聚類的協(xié)同過(guò)濾算法，該方法可以有效地實(shí)現(xiàn)農(nóng)產(chǎn)品的推薦，推薦效果優(yōu)于傳統(tǒng)算法。鄭云飛等[4]針對(duì)農(nóng)產(chǎn)品的特點(diǎn)實(shí)現(xiàn)了基于用戶的農(nóng)產(chǎn)品電子商務(wù)協(xié)同過(guò)濾推薦系統(tǒng)，并采用了激勵(lì)評(píng)分機(jī)制來(lái)緩解稀疏性問(wèn)題，使農(nóng)產(chǎn)品的推薦效果更好。周朝進(jìn)等[5]提出了一種基于K-Means算法的農(nóng)產(chǎn)品改進(jìn)協(xié)同過(guò)濾算法，該算法將特征相近的用戶集中到同一簇中，然后，針對(duì)某一個(gè)簇中的用戶群的農(nóng)產(chǎn)品相似度進(jìn)行計(jì)算，最終得出推薦的農(nóng)產(chǎn)品。劉俊彤等[6]針對(duì)用戶在搜索農(nóng)產(chǎn)品時(shí)遇到的困難以及冷啟動(dòng)問(wèn)題設(shè)計(jì)了一個(gè)協(xié)同過(guò)濾算法和標(biāo)簽融合的農(nóng)產(chǎn)品電子商務(wù)平臺(tái)，利用協(xié)同過(guò)濾算法將用戶最喜歡的商品進(jìn)行推薦，并在此基礎(chǔ)上積極地挖掘出消費(fèi)者的潛在需求。裘進(jìn)等[7]提出了一種改進(jìn)的基于物品的協(xié)同過(guò)濾算法，該方法在原有的余弦相似度公式中加入時(shí)間和用戶評(píng)分，從而得到新的相似度計(jì)算公式，以推薦精準(zhǔn)、快速為目標(biāo)，從而得到更好的推薦結(jié)果。余明艷等[8]提出了一種顯隱式結(jié)合的農(nóng)產(chǎn)品推薦混合協(xié)同過(guò)濾方法，改進(jìn)了傳統(tǒng)的基于用戶主觀評(píng)價(jià)的協(xié)同過(guò)濾方法，在用戶主觀評(píng)分的基礎(chǔ)上結(jié)合用戶瀏覽網(wǎng)站頁(yè)面的時(shí)間來(lái)查找用戶的最近鄰居，通過(guò)這種改進(jìn)的推薦算法可以有效地提高推薦系統(tǒng)的準(zhǔn)確度，進(jìn)而改善農(nóng)產(chǎn)品推薦質(zhì)量。劉曉鵬等[9]通過(guò)對(duì)傳統(tǒng)的協(xié)同過(guò)濾算法的改進(jìn)，提出了一種針對(duì)農(nóng)產(chǎn)品的個(gè)性化推薦算法，將基于內(nèi)容的協(xié)同過(guò)濾算法和基于用戶的協(xié)同過(guò)濾算法相結(jié)合，提出了一種針對(duì)農(nóng)產(chǎn)品的混合協(xié)同過(guò)濾算法，結(jié)果表明，其提出的推薦算法能夠有效地解決農(nóng)產(chǎn)品的個(gè)性化推薦問(wèn)題。在復(fù)雜的情況下，傳統(tǒng)推薦技術(shù)的推薦效率并不高，而當(dāng)前先進(jìn)的混合推薦技術(shù)是通過(guò)一定的方法將多種推薦技術(shù)結(jié)合起來(lái)，從而有效地彌補(bǔ)傳統(tǒng)推薦技術(shù)的缺陷[10]。面向農(nóng)產(chǎn)品推薦的實(shí)際需求，通過(guò)將基于協(xié)同過(guò)濾的推薦算法與Apriori推薦技術(shù)進(jìn)行混合，形成一個(gè)混合推薦模型，來(lái)優(yōu)化對(duì)農(nóng)產(chǎn)品的推薦效果。

面向農(nóng)產(chǎn)品的協(xié)同過(guò)濾推薦中，大部分的研究都是基于協(xié)同過(guò)濾算法的相似性計(jì)算，并針對(duì)農(nóng)產(chǎn)品自身特性，對(duì)其冷啟動(dòng)、稀疏性等問(wèn)題進(jìn)行優(yōu)化。面向農(nóng)產(chǎn)品的推薦系統(tǒng)還采用了基于Spark的研究、混合推薦技術(shù)、農(nóng)產(chǎn)品推薦模型、基于時(shí)間效應(yīng)的農(nóng)產(chǎn)品推薦方法等。然而，由于當(dāng)前電子商務(wù)規(guī)模較大，這些以農(nóng)產(chǎn)品為導(dǎo)向的推薦體系仍有一定的缺陷，因此，推薦的效果并不盡如人意。

3 協(xié)同過(guò)濾推薦算法存在的問(wèn)題及挑戰(zhàn)

3.1 冷啟動(dòng)問(wèn)題

冷啟動(dòng)問(wèn)題包含兩個(gè)層面，分別為新用戶冷啟動(dòng)和新物品冷啟動(dòng)。在基于用戶的協(xié)同過(guò)濾推薦中，對(duì)于一個(gè)新用戶來(lái)講，其沒(méi)有在商品上留下瀏覽、收藏、添加購(gòu)物車或購(gòu)買等行為數(shù)據(jù)，因此無(wú)法知道新用戶的偏好，從而無(wú)法向新用戶進(jìn)行推薦。在基于物品的協(xié)同過(guò)濾推薦中，因?yàn)樾马?xiàng)目沒(méi)有用戶的行為數(shù)據(jù)，自然也就沒(méi)有辦法通過(guò)協(xié)同過(guò)濾的方式進(jìn)行推薦。新項(xiàng)目冷啟動(dòng)問(wèn)題如果可以得到良好解決，不僅能為用戶提供新鮮的物品，還能提高網(wǎng)站的經(jīng)濟(jì)效益。冷啟動(dòng)問(wèn)題面臨的挑戰(zhàn)更為嚴(yán)峻，因?yàn)橄到y(tǒng)無(wú)法對(duì)用戶進(jìn)行準(zhǔn)確推薦可能會(huì)導(dǎo)致用戶的大量流失。

3.2 數(shù)據(jù)稀疏性問(wèn)題

稀疏性問(wèn)題是影響推薦的很大一個(gè)因素，稀疏性問(wèn)題是指一個(gè)推薦系統(tǒng)中與特定或特定相似組的用戶輸入發(fā)生過(guò)交互的數(shù)據(jù)集在整個(gè)數(shù)據(jù)集中占比過(guò)低。隨著農(nóng)產(chǎn)品電子商務(wù)規(guī)模的不斷擴(kuò)大，大量的農(nóng)產(chǎn)品涌現(xiàn)，用戶評(píng)價(jià)的項(xiàng)目只是大型網(wǎng)站的一小部分，用戶的評(píng)價(jià)矩陣中的數(shù)據(jù)非常稀少。因此，當(dāng)計(jì)算用戶和項(xiàng)目的最近鄰居時(shí)，它的精確度會(huì)下降，推薦系統(tǒng)的推薦質(zhì)量也會(huì)大幅降低。稀疏性問(wèn)題會(huì)導(dǎo)致新增的農(nóng)產(chǎn)品、無(wú)交互的農(nóng)產(chǎn)品、低交互的農(nóng)產(chǎn)品越來(lái)越無(wú)法實(shí)現(xiàn)推薦集中。評(píng)分越多，評(píng)分矩陣越稠密，推薦的質(zhì)量就越高。目前，人們對(duì)稀疏性問(wèn)題的求解方法有多種，常用的方法有聚類、矩陣分解、矩陣填充、結(jié)合內(nèi)容協(xié)同過(guò)濾等。

3.3 可擴(kuò)展性問(wèn)題

大數(shù)據(jù)時(shí)代來(lái)臨，網(wǎng)站規(guī)模的擴(kuò)大、用戶量的增長(zhǎng)以及數(shù)據(jù)量的快速增長(zhǎng)，使得推薦系統(tǒng)的可擴(kuò)展性問(wèn)題已經(jīng)成為一個(gè)需要重點(diǎn)關(guān)注的問(wèn)題。在數(shù)量達(dá)到幾百萬(wàn)的情況下，一般算法存在著大量的擴(kuò)展性問(wèn)題，若問(wèn)題得不到很好的解決，則會(huì)對(duì)推薦系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性產(chǎn)生很大的影響，從而影響到該系統(tǒng)是否愿意被廣大用戶接受。目前，很多系統(tǒng)需要根據(jù)用戶需求立即推薦，這就需要一個(gè)具有很高的擴(kuò)展性的協(xié)同過(guò)濾系統(tǒng)。

4 總結(jié)

隨著互聯(lián)網(wǎng)與信息技術(shù)迅猛發(fā)展，網(wǎng)絡(luò)上的信息量正爆炸式增長(zhǎng)。在此情況下，智能推薦技術(shù)為互聯(lián)網(wǎng)使用者快速找到自己需要的東西提供了一種方便快捷的途徑。目前，農(nóng)產(chǎn)品智能推薦系統(tǒng)中普遍采用協(xié)作過(guò)濾技術(shù)，但隨著互聯(lián)網(wǎng)普及率日益提高，網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，其應(yīng)用也面臨著一定的困難和挑戰(zhàn)。