基于協(xié)同過(guò)濾算法與標(biāo)簽融合的農(nóng)產(chǎn)品電商平臺(tái)設(shè)計(jì)

劉俊彤，張佳興，韓寶平

（北京農(nóng)學(xué)院計(jì)算機(jī)與信息工程學(xué)院，北京 102206）

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)品銷售方式多樣，不斷在電商平臺(tái)創(chuàng)新，農(nóng)產(chǎn)品的銷量一路飆升。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 基于用戶相似度的協(xié)同過(guò)濾算法

基于用戶相似度的協(xié)同過(guò)濾算法通常融合了屬性相似度、用戶喜好相似度、用戶間評(píng)分相似度和用戶瀏覽相似度等相關(guān)相似度的權(quán)重計(jì)算辦法[4]。用戶間評(píng)分相似度和用戶喜好相似度采用加權(quán)平均分組合方式，由于用戶間評(píng)分相似度更穩(wěn)定的能體現(xiàn)用戶相似度，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)用戶之間的喜好、相似度和用戶之間相互關(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)用戶對(duì)產(chǎn)品的需求和偏好，尋找與用戶瀏覽或評(píng)分收藏相似度趨近的用戶，再按照用戶與用戶之間相關(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。

圖1 基于用戶相似度的協(xié)同過(guò)濾推薦原理圖

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（KNearest-Neighbor，KNN）算法，利用用戶的歷史記錄來(lái)計(jì)算用戶之間的距離，然后利用目標(biāo)用戶的最近鄰用戶對(duì)物品評(píng)價(jià)來(lái)預(yù)測(cè)目標(biāo)用戶對(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。另一種計(jì)算方法是根據(jù)用戶通過(guò)瀏覽、購(gòu)買(mǎi)或者收藏產(chǎn)品之后，通過(guò)用戶操作次數(shù)判斷用戶對(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行為的功能，數(shù)據(jù)庫(kù)中記錄所有用戶對(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)用戶與其他用戶分別有過(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)用戶與其他用戶及商品構(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)用戶與其他用戶的相似度。

圖2 二維矩陣圖

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

用戶對(duì)推薦的產(chǎn)品興趣計(jì)算公式為式（2）。

最后，向目標(biāo)用戶推薦前十名產(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。

在公式中，分母|N(i)|表示對(duì)產(chǎn)品i 喜好的用戶數(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有喜好傾向的用戶比例中含有對(duì)產(chǎn)品j 喜好的用戶數(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。

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，此類問(wèn)題稱為冷啟動(dòng)。對(duì)于冷啟動(dòng)用戶，標(biāo)簽和推薦算法可以合理應(yīng)用。用戶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的喜好。根據(jù)用戶的標(biāo)簽選擇，構(gòu)建用戶的短期畫(huà)像，并向新用戶進(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)用戶的購(gòu)買(mǎi)體驗(yàn)，拓寬了農(nóng)產(chǎn)品銷售市場(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)登錄的新用戶采用標(biāo)簽，在第一時(shí)間獲取到用戶的喜好和需求。

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，新用戶采用標(biāo)簽記錄個(gè)人喜好進(jìn)行初期個(gè)性推薦，用戶在電商平臺(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，給用戶帶來(lái)了良好的購(gòu)物體驗(yàn)，用戶能夠在第一時(shí)間內(nèi)尋找所需求的農(nóng)產(chǎn)品。