食用菌電子商務(wù)訂單智能推薦系統(tǒng)*

王 靜

（河南牧業(yè)經(jīng)濟(jì)學(xué)院，河南 鄭州 450046）

Agent是計算機(jī)領(lǐng)域的軟件或硬件實(shí)體，作為軟件可以駐留在計算機(jī)內(nèi)存中，代表某個應(yīng)用程序處理查詢等命令，自動返回結(jié)果[1]。而作為硬件則可以提供接口或獨(dú)立處理各種計算機(jī)任務(wù)。Agent技術(shù)實(shí)際上是一種特定環(huán)境下的計算機(jī)系統(tǒng)，這種技術(shù)隨著分布式應(yīng)用系統(tǒng)的應(yīng)用逐漸顯示出其技術(shù)優(yōu)勢。食用菌電子商務(wù)中大量的訂單管理也需要借助多個Agent間的協(xié)作，針對不同的訂單和客戶采用多個Agent來完成不同的任務(wù)，Agent對食用菌訂單中價格、數(shù)量等敏感信息的變化的反應(yīng)比人工要快得多，可以敏銳地發(fā)現(xiàn)食用菌訂單中的關(guān)鍵信息，有針對性地向客戶或供應(yīng)商推薦合適的食用菌訂單，易使雙方達(dá)成一致，從而促成訂單交易[2]，因此被應(yīng)用在食用菌電子商務(wù)的智能推薦系統(tǒng)中。

1 食用菌電子商務(wù)多Agent推薦系統(tǒng)

目前食用菌電子商務(wù)平臺發(fā)展迅速，規(guī)模也逐步擴(kuò)大，可供用戶的選擇也更多，結(jié)構(gòu)復(fù)雜性也隨之加大[3]。首先，食用菌電子商務(wù)平臺中商品信息量巨大，用戶在瀏覽時難以精準(zhǔn)查找所需的食用菌產(chǎn)品，在各種食用菌產(chǎn)品的信息空間中找不到方向；其次，食用菌生產(chǎn)商與消費(fèi)者之間無法緊密連接。由此而出現(xiàn)了推薦系統(tǒng)，推薦系統(tǒng)以銷售人員的身份推薦顧客感興趣的食用菌產(chǎn)品，并協(xié)助顧客查找相關(guān)食用菌產(chǎn)品，最終用戶進(jìn)行購買，提高了用戶的轉(zhuǎn)化率，食用菌產(chǎn)品訂單也會迅速上升；同時推薦系統(tǒng)在商家中使用時可以增加與用戶間的關(guān)聯(lián)性，構(gòu)建與用戶間密切關(guān)系。

多Agent推薦系統(tǒng)的基本原理是運(yùn)用電子商務(wù)網(wǎng)站推薦用戶需要的商品信息與提出購買建議[4]，讓用戶更清晰的了解購買的食用菌產(chǎn)品類型，讓銷售人員以模擬的形式協(xié)助客戶購買食用菌商品。推薦系統(tǒng)的模型如圖1所示。

從圖1可以看出，推薦系統(tǒng)中基于多Agent來獲取用戶的喜好信息，通過計算來建立用戶模型，將用戶模型和推薦對象模型輸入到推薦算法中，就可以找到用戶感興趣的訂單。借助多Agent推薦系統(tǒng)可以相互匹配用戶模型內(nèi)興趣需求數(shù)據(jù)與推薦對象模型中的訂單特征數(shù)據(jù)，再運(yùn)用推薦算法對其篩選查找用戶感興趣或者所需的推薦對象，完成后再向用戶進(jìn)行推薦。

2 食用菌訂單推薦系統(tǒng)設(shè)計

2.1 系統(tǒng)架構(gòu)和開發(fā)環(huán)境

系統(tǒng)的開發(fā)采用B/S技術(shù)架構(gòu)模式，將服務(wù)器分為多個Agent應(yīng)用服務(wù)器和數(shù)據(jù)服務(wù)器，組成3層結(jié)構(gòu)的客戶服務(wù)器體系。3層結(jié)構(gòu)分別為業(yè)務(wù)層、表示層以及數(shù)據(jù)訪問層，不同層分配相應(yīng)任務(wù)，且可以獨(dú)立執(zhí)行，每一層通過下一層提供的接口訪問下一層的服務(wù)，也可通過接口為其他層提供服務(wù)，使系統(tǒng)具有較好的伸縮性，便于個性化食用菌推薦系統(tǒng)的實(shí)施。

2.2 系統(tǒng)功能設(shè)計

依據(jù)系統(tǒng)需求分析，該食用菌采購?fù)扑]系統(tǒng)主要由3個部分組成。食用菌產(chǎn)品瀏覽，主要是用戶在電子商務(wù)平臺上的食用菌分類、食用菌產(chǎn)品信息管理，并完成食用菌產(chǎn)品的推薦或訂單推薦。用戶通過登錄系統(tǒng)后，實(shí)現(xiàn)食用菌產(chǎn)品的瀏覽、產(chǎn)品類型列表查看、產(chǎn)品搜索以及打折促銷等詳細(xì)信息；并且可以看到推薦系統(tǒng)根據(jù)已成交的訂單所給出的推薦產(chǎn)品[5]；后臺管理系統(tǒng)，食用菌商家登錄后負(fù)責(zé)對用戶資料信息、產(chǎn)品信息和訂單信息的管理，包括各種信息的增、刪、查、改等基本操作；多Agent推薦系統(tǒng)，根據(jù)多Agent策略，推薦系統(tǒng)中注冊用戶點(diǎn)擊購買商品完成行為動作后，系統(tǒng)將會根據(jù)用戶的瀏覽、評價、搜索和訂單情況，為用戶推薦符合潛在購買力的食用菌產(chǎn)品。

3 推薦算法

食用菌推薦系統(tǒng)中最重要的部分為推薦算法，推薦算法對推薦性能的高低與推薦系統(tǒng)類型具有決定性。

3.1 基于內(nèi)容的推薦算法

該算法是在信息過濾與信息檢索基礎(chǔ)上實(shí)現(xiàn)，基本原理是通過深入研究用戶以往瀏覽食用菌記錄與購買食用菌記錄向用戶推薦沒有接觸過的食用菌產(chǎn)品。基于內(nèi)容的推薦系統(tǒng)在應(yīng)用時，首先要對文檔內(nèi)權(quán)重高的關(guān)鍵詞計算，選取該關(guān)鍵詞為用戶特征，再選取關(guān)鍵字當(dāng)作描述用戶特征向量，然后查找被推薦項(xiàng)內(nèi)權(quán)重較高的關(guān)鍵字當(dāng)作推薦項(xiàng)屬性特征，最后向用戶推薦與本向量最接近的項(xiàng)，即最高分值的用戶特征向量。通常運(yùn)用cosine方法對被推薦項(xiàng)特征向量與用戶特征向量計算。推薦算法的核心思想是計算用戶—商品之間的相似度，所采用的方法都是基于余弦相似度計算。

3.2 協(xié)同過濾推薦算法

該算法作為推薦系統(tǒng)中最受歡迎的推薦算法之一，在市場上應(yīng)用領(lǐng)域較廣，可以應(yīng)用于多個不同場景。該算法基本原理是深入挖掘用戶歷史上食用菌商品購買行為，分析用戶個人喜好，基于不同的愛好劃分用戶為不同組群，在各個組群中向用戶推薦食用菌商品。協(xié)同過濾推薦算法中經(jīng)常使用的兩種算法為基于物品的協(xié)同過濾算法與基于用戶的協(xié)同過濾推薦算法，后者用于查找與用戶最接近的其他用戶，之后按照該用戶偏好預(yù)測本用戶未知項(xiàng)評分；而前者是對各個信息間的相似度進(jìn)行計算，若是用戶喜歡信息A，則將與信息A具有較高相似度的其他信息推薦給此用戶。常用計算相似度的方法有歐幾里德距離，公式為：

式中：x、y表示n維空間的2個點(diǎn)。xi是空間點(diǎn)的水平坐標(biāo)值，yi是空間點(diǎn)的垂直坐標(biāo)值，當(dāng)n=2時，歐幾里德距離就是平面上點(diǎn)（x1，y1）和點(diǎn)（x2，y2）兩點(diǎn)間的距離。

皮爾遜相關(guān)系數(shù)公式為：

式中：Sx、Sy表示x和y的樣品標(biāo)準(zhǔn)偏差，n為總樣品數(shù)。運(yùn)用皮爾遜相關(guān)系數(shù)可以對2個定距變量間聯(lián)系程度計算，通常皮爾遜相關(guān)系數(shù)的取值區(qū)間為[-1，+1]。

3.3 基于圖的推薦算法

推薦系統(tǒng)中最關(guān)鍵的內(nèi)容為基于圖的推薦算法，基于圖的推薦算法模型如圖2所示。

如圖2所示，將用戶行為由二元數(shù)組表示，任意一個二元組（x，y）表示用戶x對食用菌商品y存在過行為，在此采用二分圖形式直觀顯示數(shù)據(jù)。假設(shè)“用戶-食用菌商品”二分圖由G（V，E）表示，物品頂點(diǎn)集合與用戶頂點(diǎn)集合共同構(gòu)成G?！坝脩?食用菌商品”二分圖模型，該模型中用戶由圓形節(jié)點(diǎn)表示，而食用菌商品則由方形節(jié)點(diǎn)表示，用戶對食用菌商品的行為由方形節(jié)點(diǎn)與圓形節(jié)點(diǎn)間連接的邊表示。用戶節(jié)點(diǎn)A連接a、b、c三種食用菌商品節(jié)點(diǎn)，表示用戶A與a、b、c三種食用菌商品間均存在行為。

4 多Agent推薦系統(tǒng)的設(shè)計

多Agent推薦子系統(tǒng)通過線下數(shù)據(jù)準(zhǔn)備和在線推薦進(jìn)行設(shè)計。通過離線狀態(tài)對數(shù)據(jù)進(jìn)行預(yù)處理，使用數(shù)據(jù)挖掘方法從WEB服務(wù)器日志和食用菌產(chǎn)品訂單銷售信息中，挖掘出用戶興趣模型。計算出用戶對食用菌產(chǎn)品的評分，最后，利用推薦算法實(shí)現(xiàn)實(shí)時在線的食用菌產(chǎn)品或訂單推薦。

4.1 線下數(shù)據(jù)準(zhǔn)備

用戶在瀏覽食用菌電子商務(wù)網(wǎng)站時經(jīng)常帶有明確的目的性，用戶的頻繁訪問路徑代表潛在購買力。每個用戶分配一個Agent，并且多個Agent對用戶的不同行為進(jìn)行分析處理，如搜索Agent對用戶的搜索瀏覽進(jìn)行分析；評價Agent對用戶給產(chǎn)品的打分進(jìn)行分析；訂單Agent對訂單的內(nèi)容、時間、目的地等進(jìn)行分析，從而組成多Agent分析系統(tǒng)[6]。

當(dāng)新注冊用戶訪問多Agent推薦系統(tǒng)時，可使其產(chǎn)生的訪問路徑直接與用戶行為模型進(jìn)行比較，并將其分入具有相似瀏覽器路徑的用戶簇中，根據(jù)模型庫中的記錄對其生成推薦，以此來解決推薦系統(tǒng)中新注冊用戶無購買和瀏覽歷史記錄的行為。從用戶評分矩陣中找到與目標(biāo)用戶具有相似性評分值的最近鄰居用戶，根據(jù)最近鄰居用戶的購買情況，對用戶生成目標(biāo)用戶推薦。多Agent推薦系統(tǒng)采用從日志文件和用戶購買數(shù)據(jù)庫中提取出用戶對食用菌商品的潛在評分信息，之后建立對應(yīng)的用戶評分矩陣，這種做法較好的實(shí)現(xiàn)了用戶直接對食用菌商品評分造成的稀疏性，以及評分標(biāo)準(zhǔn)不統(tǒng)一而影響相似性計算結(jié)果的準(zhǔn)確性問題。

4.2 在線實(shí)時推薦

建立線下模型是為了給推薦系統(tǒng)增加知識元，通過在用戶行為模型中應(yīng)用用戶購買食用菌商品的關(guān)聯(lián)規(guī)則推薦算法，即也就是在近似鄰居集合中尋找目標(biāo)用戶的最近鄰居，從而縮小了傳統(tǒng)關(guān)聯(lián)推薦算法關(guān)聯(lián)規(guī)則發(fā)現(xiàn)難的情況，降低了矩陣的稀疏性，使相似性度量結(jié)果更加準(zhǔn)確。多Agent推薦系統(tǒng)的實(shí)施過程主要包括：數(shù)據(jù)收集，包括從服務(wù)器日志、食用菌商務(wù)網(wǎng)站的結(jié)構(gòu)和客戶端瀏覽的食用菌記錄收集數(shù)據(jù)；對數(shù)據(jù)進(jìn)行預(yù)處理，對數(shù)據(jù)進(jìn)行清洗、補(bǔ)充或刪除無效數(shù)據(jù)，整理生成事務(wù)集供下一步的使用，生成推薦結(jié)果，將預(yù)處理后的事務(wù)集按推薦算法建模，生成推薦模型，最后通過訂單、產(chǎn)品的數(shù)據(jù)挖掘來生成食用菌產(chǎn)品訂單的推薦結(jié)果。

5 結(jié)論

食用菌電子商務(wù)的訂單多Agent推薦系統(tǒng)，充分利用了多Agent的技術(shù)優(yōu)勢，將推薦任務(wù)進(jìn)行了合理分配，實(shí)現(xiàn)了線下數(shù)據(jù)準(zhǔn)備、線上實(shí)時推薦，與傳統(tǒng)的個性化推薦系統(tǒng)相比，基于多Agent的推薦系統(tǒng)更能保障食用菌產(chǎn)品訂單推薦質(zhì)量，對用戶購買、瀏覽和搜索食用菌等行為的把握也更具準(zhǔn)確性，使得用戶更能方便快捷的購買食用菌產(chǎn)品。訂單推薦的模式可以有效提升食用菌電子商務(wù)的服務(wù)水平和能力。