基于深度學(xué)習(xí)的物流服務(wù)交易群智推薦算法的研究

李蒙，李文敬

（1.南寧師范大學(xué)計(jì)算機(jī)信息工程學(xué)院，南寧 530000；2.南寧師范大學(xué)物流管理與工程學(xué)院，南寧 530000）

0 引言

2021年全國(guó)社會(huì)物流總額達(dá)到300萬(wàn)億元，表示著我國(guó)物流需求在不斷擴(kuò)大。但是，目前海量的物流交易量主要依賴(lài)人工查找或配對(duì)網(wǎng)上的物流需求信息來(lái)完成。存在物流人工成本高，查找匹對(duì)的物流需求信息難、獲取精準(zhǔn)的物流需求信息慢，物流產(chǎn)業(yè)效率、效益偏低等問(wèn)題。為此我們?nèi)诤狭硕嗄繕?biāo)粒子群算法和深度學(xué)習(xí)算法，解決物流需求精準(zhǔn)的匹配與推薦，實(shí)現(xiàn)物流服務(wù)交易的智能化，具有重要的科學(xué)意義和應(yīng)用前景。

1 相關(guān)工作

1.1 深度學(xué)習(xí)及其在物流交易的應(yīng)用研究

深度學(xué)習(xí)在物流領(lǐng)域的應(yīng)用主要是圖像處理、無(wú)人駕駛與無(wú)人機(jī)配送。經(jīng)過(guò)深度學(xué)習(xí)后的模型對(duì)大量的表單內(nèi)容進(jìn)行識(shí)別，對(duì)文檔掃描件或圖片中的印章進(jìn)行識(shí)別，以及識(shí)別手寫(xiě)文字、數(shù)字等，大幅避免人工輸單。在倉(cāng)儲(chǔ)上替代人工管理，可以快速識(shí)別子庫(kù)區(qū)、庫(kù)區(qū)汽車(chē)數(shù)量、車(chē)輛所在車(chē)位號(hào)與系統(tǒng)進(jìn)行實(shí)時(shí)對(duì)比，如果不吻合將會(huì)報(bào)警。

在深度學(xué)習(xí)和推薦算法相結(jié)合的應(yīng)用上，王若夕等［1］提出了一種Deep&Cross Network（DCN）框架，用來(lái)解決廣告點(diǎn)擊率的預(yù)測(cè)問(wèn)題。Heng-Tze Cheng等［2］提出了一種Wide&Deep Learning的方法，首次應(yīng)用到了推薦系統(tǒng)當(dāng)中，并成功的將其應(yīng)用到了谷歌應(yīng)用商店的推薦當(dāng)中。Maxim Naumov等人［3］通過(guò)將深度學(xué)習(xí)結(jié)合協(xié)同過(guò)濾算法和預(yù)測(cè)分析，提供了目前推薦系統(tǒng)與深度學(xué)習(xí)結(jié)合的最優(yōu)效果。郭華峰等人［4］研發(fā)了DeepFM神經(jīng)網(wǎng)絡(luò)框架，將FM與DNN相結(jié)合，可以同時(shí)學(xué)習(xí)高階和低階的組合特征，使學(xué)習(xí)模型要比學(xué)習(xí)單一方面特征模型更加優(yōu)秀。由何湘南等人［5］提出神經(jīng)協(xié)同過(guò)濾算法，將用戶的隱式反饋?zhàn)鳛樘卣鬟M(jìn)行建模，證明了非線性的引入將會(huì)讓深度學(xué)習(xí)模型的效果變好。而李國(guó)祥等人［6］利用深度學(xué)習(xí)技術(shù)，對(duì)區(qū)域物流需求進(jìn)行預(yù)測(cè)，并獲得了較好的結(jié)果。Alex等人［7］最早將深度學(xué)習(xí)應(yīng)用于圖像處理方向，并奠定了用于圖像識(shí)別的深度神經(jīng)網(wǎng)絡(luò)發(fā)展基礎(chǔ)［7］。He等人［8］借鑒門(mén)閥控制流的思想，改善了學(xué)習(xí)目標(biāo)和難度。谷歌是最早將無(wú)人汽車(chē)上路實(shí)測(cè)的公司，探討了無(wú)人汽車(chē)上路的可能性［9］。緊隨其后的就是特斯拉公司，其“Autopilot”技術(shù)取得了重大的突破，使得無(wú)人駕駛汽車(chē)在某些特定情況下，汽車(chē)已經(jīng)基本實(shí)現(xiàn)自動(dòng)駕駛［10］。王凌霄等人［11］探討了農(nóng)村“最后一公里”無(wú)人機(jī)配送的可能性。郭興軍［12］對(duì)“最后一公里”的任務(wù)分配和路徑規(guī)劃進(jìn)行優(yōu)化，并取得了良好的結(jié)果。

1.2 精準(zhǔn)匹配相關(guān)技術(shù)

雙邊匹配問(wèn)題可以簡(jiǎn)單的概括為根據(jù)供需雙方的需求信息，尋找出匹配雙方一對(duì)一、一對(duì)多、多對(duì)多的穩(wěn)定組合方式。雙邊匹配的目的是使匹配雙方最大化找到滿意的對(duì)方。目前，雙邊匹配應(yīng)用最廣泛的領(lǐng)域就是在未婚男女的婚姻匹配方面。雙邊匹配的開(kāi)端源于Gale和Shapley（1962）提出的“高考入學(xué)和穩(wěn)定婚姻問(wèn)題”，他們對(duì)穩(wěn)定匹配的存在性、最優(yōu)穩(wěn)定匹配、遞延接受算法和匹配問(wèn)題的線性規(guī)劃等進(jìn)行了開(kāi)創(chuàng)性的研究［13］。在實(shí)際研究中，張海燕等人［14］根據(jù)數(shù)據(jù)包洛分析法的基本原理，將不同的方法結(jié)合起來(lái)進(jìn)行評(píng)價(jià)，從而對(duì)物流供應(yīng)商進(jìn)行篩選，使得選擇的結(jié)果會(huì)更加的科學(xué)、合理和有效。牛志強(qiáng)等人［15］利用一個(gè)多智能體的框架，來(lái)模擬物流配送中不同配送波次策略下的訂單交付過(guò)程，表明了不同的網(wǎng)絡(luò)購(gòu)物需求對(duì)應(yīng)著不同的配送波次策略。Mehrdad Rostami等人［16］使用了基于群體智能的各類(lèi)算法，應(yīng)用到了特征選擇上，并與傳統(tǒng)的SI algorithm方法相比較，獲得了更好的結(jié)果。袁鐸寧等［17］對(duì)手術(shù)醫(yī)生和擇期手術(shù)患者這類(lèi)一對(duì)多的雙邊匹配問(wèn)題，構(gòu)建了滿足期望水平的醫(yī)患穩(wěn)定匹配方案的多目標(biāo)優(yōu)化模型?？椎仑?cái)?shù)龋?8］針對(duì)貨車(chē)司機(jī)和貨主的匹配關(guān)系，以雙方滿意度最大為目的，雙目標(biāo)精準(zhǔn)匹配優(yōu)化模型。

雖然精準(zhǔn)匹配技術(shù)已經(jīng)在某些行業(yè)種進(jìn)行應(yīng)用，并取得了一些成果，但目前尚未見(jiàn)關(guān)于客戶和物流服務(wù)商的穩(wěn)定匹配研究。因此，關(guān)于物流行業(yè)中客戶和物流服務(wù)商的穩(wěn)定匹配研究具有一定的理論意義和實(shí)際價(jià)值?；诖?，本文在穩(wěn)定匹配的理論基礎(chǔ)上，提出一種考慮物流需求約束的物流精準(zhǔn)穩(wěn)定匹配方法。

1.3 群智推薦算法

推薦算法在電子商務(wù)領(lǐng)域的應(yīng)用較為廣泛，推薦算法的廣義定義是，通過(guò)一些數(shù)字算法，推測(cè)出用戶可能喜歡的事物。目前，推薦算法可以大致的分為三類(lèi)，基于內(nèi)容的推薦算法、協(xié)同過(guò)濾推薦算法和混合推薦算法?；趦?nèi)容的推薦，是利用事物的內(nèi)容信息做出推薦，不需要用戶的評(píng)價(jià)意見(jiàn)，這種方法可以獲得更好的推薦精度，但因?yàn)榛谑挛锏膬?nèi)容推薦，會(huì)產(chǎn)生冷啟動(dòng)問(wèn)題。協(xié)同過(guò)濾推薦算法使目前應(yīng)用最廣泛的推薦算法，它是利用和目標(biāo)用戶相似喜好的鄰近用戶的喜好來(lái)進(jìn)行推薦，這樣做的好處是能有效的利用內(nèi)容，發(fā)掘用戶的潛在偏好?；旌贤扑]算法，由于不同推薦算法有不同的缺點(diǎn)和優(yōu)點(diǎn)，所以在實(shí)際中經(jīng)常被采用多種推薦算法組合使用。群體智能是模仿大自然某些生物的社會(huì)行為，應(yīng)用到了計(jì)算機(jī)系統(tǒng)當(dāng)中。相比于其他算法，群體智能算法在解決優(yōu)化問(wèn)題上優(yōu)勢(shì)更大。群體智能，自1991年意大利學(xué)者Dorigo提出蟻群優(yōu)化理論開(kāi)始，群體智能作為一個(gè)理論被正式提出［19］。任帥等［20］將蟻群聚類(lèi)應(yīng)用到協(xié)同過(guò)濾的推薦算法中，用于改善算法收斂難、冷啟動(dòng)的問(wèn)題。劉嬌［21］為改善協(xié)同過(guò)濾推薦算法的種種弊端，引入了群體智能中的布谷鳥(niǎo)搜索算法，并獲得了較大的成功。王靜［22］使用協(xié)同過(guò)濾推薦算法應(yīng)用于學(xué)習(xí)資源的推薦，為了取得更好的效果，采用群體智能中的蟻群算法作為優(yōu)化策略。

1.4 存在的問(wèn)題及解決的基本思路

綜上，目前尚缺少針對(duì)物流服務(wù)交易群智推薦算法的研究成果。為了解決物流服務(wù)交易中，查找匹對(duì)的物流需求信息難、獲取精準(zhǔn)的物流需求信息慢的問(wèn)題。本文解決的基本思路是：第一步、分析研究物流交易信息的快速查找與精準(zhǔn)匹配算法，第二步進(jìn)行智能預(yù)測(cè)和群智推薦算法的研究。

2 物流服務(wù)交易信息匹配模型的構(gòu)建

2.1 物流服務(wù)交易流程分析

物流服務(wù)交易流程是指在復(fù)雜的互聯(lián)網(wǎng)環(huán)境下，由多物流服務(wù)交易平臺(tái)提供的物流服務(wù)商發(fā)布的物流服務(wù)信息，客戶發(fā)布的物流的需求信息。然后，由供求雙方根據(jù)發(fā)布的信息與滿足自身需求的物流服務(wù)商或客戶進(jìn)行聯(lián)系、商談、議價(jià)和達(dá)成交易，最后由物流服務(wù)商完成物流服務(wù)。傳統(tǒng)的物流服務(wù)交易流程如圖1所示。

圖1 傳統(tǒng)的物流服務(wù)交易流程

在圖1中客戶和物流服務(wù)商根據(jù)自身需求，通過(guò)互聯(lián)網(wǎng)查找到相應(yīng)的服務(wù)信息，客戶通過(guò)平臺(tái)獲得對(duì)應(yīng)物流服務(wù)商的物流訂單，物流服務(wù)商也可以通過(guò)平臺(tái)對(duì)相應(yīng)的物流進(jìn)行跟蹤?？蛻艉臀锪鞣?wù)商之間的付款方式通過(guò)第三方支付平臺(tái)。平臺(tái)可以將雙方需求可視化，對(duì)在這條供應(yīng)鏈上的物流服務(wù)進(jìn)行優(yōu)化。人工精準(zhǔn)匹配方法有時(shí)會(huì)稱(chēng)為主觀經(jīng)驗(yàn)法，該方法是依靠決策者的主觀分析和判斷，在匹配過(guò)程中充分發(fā)揮人的智慧作用，主要包括評(píng)分法、分等級(jí)、加權(quán)平均法等。雖然這些方法具有簡(jiǎn)單直觀、易于使用的優(yōu)點(diǎn)，但評(píng)價(jià)結(jié)果很大程度上依賴(lài)于專(zhuān)家的水平和對(duì)客戶或物流服務(wù)商的認(rèn)知程度。

2.2 物流信息的查找

物流信息一般伴隨著物流活動(dòng)的產(chǎn)生而產(chǎn)生，包括包裝、倉(cāng)儲(chǔ)、裝卸、運(yùn)輸?shù)雀鞣矫娴男畔?。?dǎo)致物流信息進(jìn)行爆炸式增長(zhǎng)，如何從物流信息中針對(duì)用戶的需求信息，檢索到符合用戶要求的物流服務(wù)商，成為亟待解決的問(wèn)題［23］。文獻(xiàn)［23］中，首先從需求信息文本中提取出地點(diǎn)、供應(yīng)、需求屬性，根據(jù)提取出來(lái)的屬性值，尋找最優(yōu)路徑，并推送給相應(yīng)的客戶。

2.3 影響物流交易信息精度匹配的因素

物流服務(wù)一般可以根據(jù)物流時(shí)間、物流費(fèi)用、物流效率來(lái)進(jìn)行衡量，在物流服務(wù)中需要減少物流時(shí)間、降低物流成本、提高物流效率。根據(jù)網(wǎng)絡(luò)上所發(fā)布的信息，一般客戶和物流服務(wù)商主要關(guān)注物流價(jià)格、物流載重、物流時(shí)間、物流冷鏈等方面。不論是物流價(jià)格，還是其他需求屬性，每個(gè)需求屬性所受到的影響因素也不盡相同，匹配雙方對(duì)需求屬性的定義也不盡相同。比如說(shuō)物流價(jià)格，物流服務(wù)商一般希望這個(gè)價(jià)格越高越好，而客戶更希望這個(gè)價(jià)格越低越好，雙方都有一個(gè)價(jià)格接受區(qū)間，物流成本一般受到天氣、人工、距離等因素的影響，其他需求屬性同理。隨著科技的發(fā)展，有些冷鮮類(lèi)食物要求需要冷鏈進(jìn)行運(yùn)輸，相比普通的運(yùn)輸方式，冷鏈運(yùn)輸?shù)某杀緯?huì)更高，影響因素更為復(fù)雜。

2.4 物流交易信息多目標(biāo)匹配優(yōu)化和分析

單目標(biāo)優(yōu)化因?yàn)橹挥幸粋€(gè)目標(biāo)，可以根據(jù)該目標(biāo)比較解的好壞。多目標(biāo)優(yōu)化一般指的是情境中，需要達(dá)成多個(gè)目標(biāo)，由于多個(gè)目標(biāo)間容易存在沖突，很難得出唯一最優(yōu)解，所以在目標(biāo)之間做出折衷和協(xié)調(diào)處理，使總體的目標(biāo)盡可能達(dá)到最優(yōu)。由于精準(zhǔn)匹配雙方一般會(huì)有多個(gè)需求信息進(jìn)行匹配，每個(gè)需求信息對(duì)匹配雙方的定義不同，并且需求屬性間甚至?xí)嬖趦?nèi)在沖突，這點(diǎn)恰好與多目標(biāo)優(yōu)化進(jìn)行對(duì)應(yīng)。根據(jù)已有研究，本文在求解精準(zhǔn)匹配問(wèn)題時(shí)考慮的需求屬性有：價(jià)格（fa1）、服務(wù)所需時(shí)間（f a2）、載重（fa3）、含有冷鏈（fa4）。通過(guò)對(duì)精準(zhǔn)匹配屬性分析，將其分為三種類(lèi)型，根據(jù)類(lèi)型不同進(jìn)行求解，形成最優(yōu)的匹配關(guān)系。多目標(biāo)優(yōu)化視角下精準(zhǔn)匹配模型構(gòu)建為：

約束條件：

設(shè)m為甲方個(gè)體數(shù)，n為乙方個(gè)體數(shù)，假設(shè)甲乙雙方需求條件數(shù)都為x，和分別表示甲方和乙方的對(duì)應(yīng)需求條件的權(quán)重值，和分別是下位所求出對(duì)應(yīng)的滿意度。上述模型中，式（1）表示匹配雙方滿意度平均值的最大值。式（2）表示甲乙雙方達(dá)成匹配的匹配對(duì)數(shù)量的最大值。式（3）表示一方個(gè)體i與另一方個(gè)體j是否達(dá)成匹配。式（4）表示甲方各需求條件權(quán)重比例之和為1，且各需求條件比重大于0。式（5）表示乙方各需求條件權(quán)重比例之和為1，且各需求條件比重大于0。式（6）表示甲方個(gè)體總需求條件滿意度之和不超過(guò)匹配對(duì)個(gè)數(shù)。式（7）表示乙方個(gè)體總需求條件滿意度之和不超過(guò)匹配對(duì)個(gè)數(shù)。

2.5 物流交易信息匹配模型

物流交易匹配模型大體如圖1所示。

圖2 物流交易匹配模型

從精準(zhǔn)匹配角度來(lái)看，匹配公式如式（1）、（2）、（3）所示。

3 基于粒子群算法的物流交易信息群智匹配算法

3.1 算法設(shè)計(jì)

基于2.3中的原則和需求，構(gòu)建群智匹配算法。將群體智能和精準(zhǔn)匹配相結(jié)合，使用群體智能中的多目標(biāo)粒子群優(yōu)化算法，對(duì)群智匹配算法的求解過(guò)程進(jìn)行優(yōu)化，讓其更快找到最優(yōu)解。約束條件設(shè)為每個(gè)客戶只能與一個(gè)物流服務(wù)商進(jìn)行配對(duì)。本文對(duì)粒子群算法的慣性權(quán)重進(jìn)行改進(jìn)，使粒子能夠較快的收斂于全局最優(yōu)值。將z ij作為粒子群的目標(biāo)函數(shù)，隨機(jī)初始化粒子群的粒子，找到使z ij最大的時(shí)的匹配對(duì)，并輸出該條件下的匹配對(duì)。粒子位置xi更新公式不變，速度vi更新公式調(diào)整為：

其中，t為算法的迭代次數(shù)，r1、r2是分布在[ 0,1]的隨機(jī)數(shù)，c1,c2為常數(shù)，pBest i(t)為第t代單個(gè)粒子找到的個(gè)體極值，g Best i(t)為第t代整個(gè)粒子群目前找到的全局極值，wt為慣性權(quán)重。由于粒子群算法搜索方案是用粒子在整個(gè)空間進(jìn)行搜索，需要在開(kāi)始搜索階段，是慣性權(quán)重較大，結(jié)束搜索階段，慣性權(quán)重較小，即慣性權(quán)重隨著迭代次數(shù)的增加而逐漸減少，其數(shù)學(xué)描述如式（12）所示：

通過(guò)上述的改進(jìn)，可得如下算法：

算法1改進(jìn)粒子群算法

輸入：初始化后客戶和物流服務(wù)商的需求信息。

輸出：每個(gè)客戶和每個(gè)對(duì)應(yīng)的物流服務(wù)商的滿意度。

Begin：

步驟1 初始化粒子群中各粒子的位置和速度，設(shè)定粒子群的各項(xiàng)參數(shù)。

步驟2 計(jì)算種群中每個(gè)粒子的適應(yīng)度值，初始化種群個(gè)體最優(yōu)值和全局最優(yōu)值，將目前各粒子的的位置信息和適應(yīng)度值存儲(chǔ)在pi中，將目前所有粒子的中適應(yīng)度值最優(yōu)的給位置和適應(yīng)度值存儲(chǔ)進(jìn)p g中。

步驟3 根據(jù)式（12）對(duì)慣性權(quán)值進(jìn)行更新。

步驟4 根據(jù)式（10）和（11）對(duì)各粒子的位置和速度信息進(jìn)行更新。

步驟5 各粒子適應(yīng)度值與其經(jīng)過(guò)的最好位置進(jìn)行比較，以更新粒子當(dāng)前的個(gè)體最優(yōu)值。

步驟6 各粒子適應(yīng)度值和種群全局最優(yōu)值進(jìn)行比較，以更新粒子當(dāng)前的全局最優(yōu)值。

步驟7 找到使f(M k)最小的值，就是所找到了最優(yōu)匹配方案（相對(duì)于客戶）。

步驟8 若迭代次數(shù)達(dá)到最大值，則退出程序，否則，轉(zhuǎn)至步驟3。

End.

3.2 物流交易信息的雙邊匹配

雙邊匹配問(wèn)題，假設(shè)在供需雙方數(shù)量充足的情況下，客戶集合為A={A1,A2,…,Am} (m≥2)，其中Ai表示第i個(gè)客戶，i=1,2,…,m；物流服務(wù)商集合為B={B1,B2,…,B n}(n≥2)，其中B j表示第j個(gè)物流服務(wù)商，j=1,2,…,n。則I={1 ,2,…,m}，J={1 ,2,…,n}。由于物流服務(wù)交易流程中雙方主體的需求屬性是多種多樣的，為了選擇出最適合客戶的物流服務(wù)商，設(shè)Ai個(gè)體期望需求條件為，B j個(gè)體實(shí)際需求條件為，f axi表示第i個(gè)客戶的需求條件，表示第j個(gè)物流服務(wù)商的需求條件，max表示最多的需求條件?？蛻暨x擇物流服務(wù)商，根據(jù)客戶和物流服務(wù)商的需求屬性的匹配度來(lái)衡量雙方主體的匹配程度，記為z xij。M k={ (i,j)|i∈m,j∈n}是客戶和物流服務(wù)商之間其中一個(gè)有效匹配，M={M1,M2,…,M k}是所有有效匹配的集合。根據(jù)不同需求屬性類(lèi)型，定義不同的匹配度函數(shù)。

（1）收益型屬性。收益型屬性表示屬性越大越好，定義函數(shù)為客戶對(duì)物流服務(wù)商的屬性x的匹配度：

（2）成本型屬性。成本型屬性表示越小越好的屬性，定義函數(shù)為客戶對(duì)物流服務(wù)商的屬性x的匹配度。

（3）硬約束和區(qū)間型屬性。硬約束是指必須滿足等號(hào)約束條件，區(qū)間型屬性是指要求屬性符合某個(gè)區(qū)間。

客戶對(duì)不同的需求條件有著不同的喜好和偏愛(ài)，此時(shí)應(yīng)給所有需求條件賦予偏好權(quán)值，用來(lái)表示客戶對(duì)不同需求條件的需求程度不同，用wxi來(lái)表示。滿足條件

則客戶個(gè)體Ai的總滿意度Asi為：

客戶將所有物流服務(wù)商按照Asi的大小進(jìn)行排序，從而得到客戶Ai對(duì)所有物流服務(wù)商的滿意度排序。標(biāo)記序號(hào)為Ai(B j)，表明物流服務(wù)商B j在客戶Ai滿意度排序中的排列序號(hào)。定義M k的匹配函數(shù)為：

由于本文優(yōu)先考慮對(duì)客戶而言，所以若滿足min[f(M k),M k∈M]，且M k是穩(wěn)定匹配，則M k為客戶優(yōu)先的情況下最優(yōu)穩(wěn)定匹配。

3.3 多目標(biāo)粒子群物流服務(wù)交易信息群智匹配算法

本文針對(duì)該流程中的雙方選擇階段，將選擇匹配的過(guò)程交給機(jī)器，避免效率低下的人工選擇方式。利用粒子群算法的尋優(yōu)優(yōu)勢(shì)，與雙邊匹配相結(jié)合，找尋最優(yōu)匹配方案。多目標(biāo)粒子群物流交易信息群智匹配要求匹配雙方需求信息有一個(gè)或多個(gè)重合點(diǎn)才能進(jìn)行匹配。該算法流程如圖3所示。

圖3 多目標(biāo)粒子群物流服務(wù)交易信息群智匹配算法

本節(jié)將多目標(biāo)粒子群物流服務(wù)交易信息群智匹配算法流程詳細(xì)列舉出來(lái)，通過(guò)客戶和物流服務(wù)商的需求信息，找到所有可能的匹配方案，最后使用群體智能當(dāng)中的粒子群算法，尋找匹配方案中的最優(yōu)解。

算法2多目標(biāo)粒子群物流服務(wù)交易信息群智匹配算法

步驟1 初始化客戶和物流服務(wù)商需求信息

步驟2 將步驟1的初始化信息傳入算法1當(dāng)中

步驟3 運(yùn)行算法1并輸出最優(yōu)解。

步驟4 結(jié)束算法

4 物流交易信息分類(lèi)的Deep FM學(xué)習(xí)模型

4.1 Deep FM學(xué)習(xí)模型的優(yōu)勢(shì)

廣告點(diǎn)擊率預(yù)測(cè)問(wèn)題（CTR），是推薦系統(tǒng)中一個(gè)重要問(wèn)題，其目的是估計(jì)用戶點(diǎn)擊推薦項(xiàng)目的概率。通過(guò)對(duì)客戶點(diǎn)擊行為背后隱含的特征交互對(duì)解決CTR問(wèn)題有重要意義。例如，在物流服務(wù)交易中，每次到了需發(fā)貨的時(shí)間段，物流服務(wù)商的瀏覽量都會(huì)增加，這表明時(shí)間會(huì)和實(shí)際工作存在著交互作用。根據(jù)文獻(xiàn)［2］，同時(shí)考慮低階和高階交互比單獨(dú)考慮兩者的情況有更多的改善。

4.2 基本Deep FM學(xué)習(xí)模型的物流交易信息分類(lèi)

物流信息既包含貨物體積、貨物重量等連續(xù)型變量，也包含如是否含有冷鏈這一類(lèi)的非連續(xù)型變量。一般而言，用于模型訓(xùn)練的原始特征總是高度稀疏的、超高維的、連續(xù)和不連續(xù)混合的，這種類(lèi)型數(shù)據(jù)是無(wú)法直接輸入進(jìn)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。需要一個(gè)嵌入層將這些輸入向量壓縮成一個(gè)低維的、密集的向量，然后在進(jìn)一步輸入進(jìn)第一個(gè)隱藏層當(dāng)中。根據(jù)模型文獻(xiàn)［4］的DeepFM模型，對(duì)其進(jìn)行改進(jìn)并運(yùn)用到物流行業(yè)中，測(cè)試效果。模型使用因子分解機(jī)（FM）來(lái)學(xué)習(xí)低階特征交互，深度神經(jīng)網(wǎng)絡(luò)（DNN）來(lái)學(xué)習(xí)高階特征交互，將FM和DNN并行結(jié)合隱式的交互這些特征。不論是連續(xù)型變量還是非連續(xù)型變量都可以輸入進(jìn)網(wǎng)絡(luò)中，對(duì)其進(jìn)行分類(lèi)。最后，輸出預(yù)測(cè)結(jié)果，并展示給用戶。

圖4 Deep FM模型架構(gòu)

從圖中可以很明顯的看出FM層與中間層是并行關(guān)系，它們共享輸入的稠密特征，所以deepFM的預(yù)測(cè)結(jié)果就可以認(rèn)為是：

其中，?∈(0,1)用來(lái)預(yù)測(cè)是否會(huì)選擇哪些物流服務(wù)商，yFM就是FM的輸出部分，yDNN則是中間層的輸出部分。

4.3 因子分解機(jī)

因子分解機(jī)（factorization machine，F(xiàn)M）是Steffen Rendle提出的一種基于矩陣分解的機(jī)器學(xué)習(xí)算法［24］。在推薦系統(tǒng)中，用戶和項(xiàng)目之間一般不僅僅是線性關(guān)系，還包含一些非線性關(guān)系，所以采用FM框架來(lái)學(xué)習(xí)特征之間的線性關(guān)系，以及使用潛在向量的內(nèi)積表示特征與特征之間交互作用。

FM可以有效的捕捉二階特征交互，特別是在數(shù)據(jù)集較為稀疏的情況下。在以往的方法中，使用線性回歸的方法只能用來(lái)表示特征與特征之間的線性關(guān)系，沒(méi)有考慮到特征與特征之間的交互關(guān)系。在引入特征之間交互關(guān)系后，如果數(shù)據(jù)集中成對(duì)成對(duì)的特征沒(méi)有交互，將會(huì)影響最終模型的效果。而在FM模型中特征之間的交叉關(guān)系使用潛在矩陣的內(nèi)積來(lái)表示，可以將沒(méi)有關(guān)聯(lián)的特征之間的交互關(guān)系進(jìn)行隱式表達(dá)。所以，如果訓(xùn)練數(shù)據(jù)中從未出現(xiàn)或很少出現(xiàn)數(shù)據(jù)交互的情況下，用FM是一個(gè)很好的解決方案。

4.4 深度神經(jīng)網(wǎng)絡(luò)

在模型中，深度部分是一個(gè)多層的前饋神經(jīng)網(wǎng)絡(luò)組成。一般在推薦系統(tǒng)中所收集的原始特征是高維且稀疏的，而深度神經(jīng)網(wǎng)絡(luò)要求數(shù)據(jù)是低維且密集的，否則會(huì)導(dǎo)致網(wǎng)絡(luò)難以訓(xùn)練。需在數(shù)據(jù)進(jìn)入到網(wǎng)絡(luò)前對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行特征工程，采用嵌入層將稀疏特征映射成稠密特征。具體來(lái)說(shuō)，嵌入可以將每個(gè)one-hot向量ei（第i個(gè)位置為1，其他位置為0的稀疏矩陣）通過(guò)查找來(lái)獲得相應(yīng)的行向量。嵌入層的輸出表達(dá)：

其中，m表示共有多少數(shù)據(jù)。然后，前饋神經(jīng)網(wǎng)絡(luò)的表達(dá)式為：

其中，l是層數(shù)，σ是激活函數(shù)，a(l)是l層的輸出，W(l)是模型權(quán)重，b(l)是第l層的偏置。最后，輸出一個(gè)特征函數(shù)，使用激活函數(shù)來(lái)進(jìn)行多分類(lèi)。

由于FM部分和DNN部分共享嵌入層的輸入，使整個(gè)網(wǎng)絡(luò)直接從原始數(shù)據(jù)當(dāng)中學(xué)習(xí)低階和高階特征，模型可以不用在使用特征工程預(yù)處理數(shù)據(jù)集了。

4.5 算法比較

許多基于深度學(xué)習(xí)的推薦系統(tǒng)使用相似的基本思路處理數(shù)據(jù)集中的稀疏特征。谷歌公司更是提證明了推薦模型學(xué)習(xí)兩種特征是要優(yōu)于只學(xué)習(xí)一種特征模型。例如，F(xiàn)NN，PNN以及Wide and Deep等。FNN是一種使用因子分解機(jī)的前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)只能學(xué)習(xí)高階特征和特征之間的交互，無(wú)法學(xué)習(xí)低階特征。PNN與FNN恰恰相反，它可以學(xué)習(xí)高階特征，而忽視低階特征。Wide and Deep既可以學(xué)習(xí)高階特征也可以學(xué)習(xí)低階特征，但是需要特征工程來(lái)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。DeepFM不僅能學(xué)習(xí)高階特征和低階特征而且可以學(xué)習(xí)特征之間的交互關(guān)系，不需要特征工程，直接從原始特征當(dāng)中進(jìn)行學(xué)習(xí)，DeepFM模型與其他模型的比較如表1所示。

表1 與其他深度模型的比較

4.6 數(shù)據(jù)

為了保證模型測(cè)量的準(zhǔn)確性，測(cè)試模型的整體性能，需要?jiǎng)?chuàng)建和獲取用于實(shí)現(xiàn)的數(shù)據(jù)集以供測(cè)試。本實(shí)驗(yàn)采用了經(jīng)典數(shù)據(jù)集criteo，該數(shù)據(jù)集是由13個(gè)連續(xù)型特征和26個(gè)離散型特征組成，訓(xùn)練集有4000萬(wàn)行，測(cè)試集有600萬(wàn)行。但該數(shù)據(jù)集沒(méi)有提供各個(gè)特征所代表的名稱(chēng)，我們無(wú)法了解到具體特征含義。

5 物流服務(wù)交易群智推薦算法

為構(gòu)建物流服務(wù)交易群智推薦算法，提高物流服務(wù)交易效率，本文將群體智能、深度學(xué)習(xí)以及匹配推薦等技術(shù)綜合應(yīng)用起來(lái)。其中，群體智能采用的是粒子群算法，深度學(xué)習(xí)運(yùn)用的是DeepFM模型。粒子群算法（PSO）是群體智能中使用最普遍的一種智能算法，具有快速的搜索能力、易于理解的算法結(jié)構(gòu)和易于實(shí)現(xiàn)的算法思想等優(yōu)點(diǎn)，但該算法在搜索過(guò)程中局部搜索能力較差、搜索精度不高，不利于種群跳出局部最優(yōu)解，針對(duì)復(fù)雜問(wèn)題，算法又可能收斂不到全局最優(yōu)解。DeepFM模型是在谷歌的Wide&Deep模型基礎(chǔ)上進(jìn)一步改進(jìn)提出的模型，有效的解決了低階特征和高階特征在模型中進(jìn)行交互的問(wèn)題，完全避免了特征工程，但該模型依然需要龐大的數(shù)據(jù)來(lái)完成訓(xùn)練。

算法3物流服務(wù)交易群智推薦算法

步驟1 初始化客戶和物流服務(wù)商雙方需求信息。

步驟2 將初始化后的信息輸入進(jìn)多目標(biāo)粒子群物流服務(wù)交易信息群智匹配算法當(dāng)中。

步驟3 運(yùn)行算法2并輸出結(jié)果。

步驟4 收集數(shù)據(jù)集，并進(jìn)行歸并整理，選出部分作為訓(xùn)練集，另一部分作為測(cè)試集。

步驟5對(duì)DeepFM模型使用訓(xùn)練集進(jìn)行訓(xùn)練，并用測(cè)試集檢驗(yàn)?zāi)Ｐ偷男阅堋?/p>

步驟6 將步驟3里的內(nèi)容輸入進(jìn)模型，進(jìn)行預(yù)測(cè)，得出預(yù)測(cè)結(jié)果。根據(jù)預(yù)測(cè)結(jié)果進(jìn)行相應(yīng)的推薦。

6 實(shí)驗(yàn)結(jié)果與分析

6.1 應(yīng)用實(shí)例

為驗(yàn)證本文提出的改進(jìn)粒子群算法應(yīng)用多屬性匹配中的有效性，在多個(gè)模擬仿真平臺(tái)上進(jìn)行實(shí)驗(yàn)。假設(shè)某物流平臺(tái)有如下物流交易意向信息：有10個(gè)客戶（A1,A2,…,A10）需要物流服務(wù)，10個(gè)物流服務(wù)商（B1,B2,…,B10）提供物流服務(wù)。假設(shè)雙方主體由4種需求屬性，分別是價(jià)格（fa1）、服務(wù)所需時(shí)間（fa2）、載重（fa3）、是否有冷鏈（fa4），其中價(jià)格為成本型屬性，服務(wù)所需時(shí)間為區(qū)間型屬性，載重為效益性屬性，而最后冷鏈為硬約束屬性。相應(yīng)的權(quán)重系數(shù)分別為w1=0.5、w2=0.3、w3=0.1、w4=0.1。假設(shè)一個(gè)客戶只能選擇一個(gè)物流服務(wù)商?？蛻艉臀锪鞣?wù)商的交易意向如表1、表2所示。

表2 客戶交易意向信息

表3 物流服務(wù)商交易意向信息

數(shù)據(jù)集是由實(shí)例(X,y)組成，其中X通常記錄了一對(duì)客戶和物流服務(wù)商，以及y∈{ }0,1是指客戶選擇物流服務(wù)商的行為，其中y=1時(shí)表示客戶選擇了該物流服務(wù)商，否側(cè)y=0。數(shù)據(jù)集使用的Criteo數(shù)據(jù)集包含了4500萬(wàn)用戶記錄，共有13個(gè)連續(xù)特征和26個(gè)非連續(xù)特征，將該數(shù)據(jù)集分為兩份，80%用于訓(xùn)練，其余20%用于測(cè)試。在該模型中各項(xiàng)參數(shù)設(shè)置為：①dropout參數(shù)：0.5。②大致的網(wǎng)絡(luò)結(jié)構(gòu)：400-400-400。③優(yōu)化器：Adam。④激活函數(shù)：ReLU。

6.2 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)參數(shù)

為驗(yàn)證本文提出算法的有效性，在多平臺(tái)物流系統(tǒng)中進(jìn)行模擬仿真實(shí)驗(yàn)。使用python語(yǔ)言編寫(xiě)算法，并在多個(gè)模擬平臺(tái)中加入該算法，進(jìn)行模擬仿真實(shí)驗(yàn)。

實(shí)驗(yàn)測(cè)試計(jì)算機(jī)硬件環(huán)境如下：處理器Intel Core i5-9400F，顯卡GeForce GTX 1660，內(nèi)存8 GB，采用的計(jì)算機(jī)軟件環(huán)境，是在Pycharm中的Python環(huán)境中運(yùn)行所有實(shí)驗(yàn)，使用Tensorflow工具包來(lái)搭建、訓(xùn)練和測(cè)試DeepFM模型

6.3 實(shí)驗(yàn)結(jié)果

匹配結(jié)果如表4所示。

表4 匹配結(jié)果及總體滿意度

由于無(wú)法直觀的觀察到改善后的粒子群算法的性能，所以在相同參數(shù)下，對(duì)改進(jìn)粒子群算法和傳統(tǒng)粒子群算法進(jìn)行300此迭代后性能對(duì)比，改進(jìn)粒子群算法和傳統(tǒng)粒子群算法的對(duì)比如圖5和圖6所示。

由圖5和圖6的對(duì)比可以發(fā)現(xiàn)，改進(jìn)粒子群算法相比于傳統(tǒng)粒子群算法可以更快的收斂于最優(yōu)值，比傳統(tǒng)粒子群算法效率更高。

圖5 傳統(tǒng)粒子群算法

圖6 改進(jìn)粒子群算法

為了測(cè)試本文中運(yùn)用DeepFM模型所取得的效果，通過(guò)準(zhǔn)確率和損失函數(shù)來(lái)評(píng)估模型的性能。都采用相同的數(shù)據(jù)集，將其他四種模型與DeepFM進(jìn)行對(duì)比，對(duì)比結(jié)果如表5所示。相比于其他模型，DeepFM的準(zhǔn)確率提升了1%左右，而損失函數(shù)降低了2%左右。

表5 各模型的性能對(duì)比

6.4 實(shí)驗(yàn)結(jié)果分析

從圖5和圖6的對(duì)比可以發(fā)現(xiàn)，改進(jìn)粒子群算法相比于傳統(tǒng)粒子群算法可以更快收斂到最優(yōu)值上，明確的表現(xiàn)了改進(jìn)粒子群算法相比于傳統(tǒng)粒子群算法的優(yōu)勢(shì)。

從表5可以看出，學(xué)習(xí)特征之間的交互提高了DeepFM的性能。同時(shí)學(xué)習(xí)低階和高階特征交互，再次提高了模型的性能，相比于只學(xué)習(xí)低階特征交互或高階特征交互的模型，DeepFM達(dá)到了最好的學(xué)習(xí)效率。同時(shí)學(xué)習(xí)高階和低階特征交互以及高階和低階特征交互特征提高了模型的性能。DeepFM要優(yōu)于只學(xué)習(xí)單獨(dú)特征交互的模型?？傮w而言，DeepFM模型相比于其他深度學(xué)習(xí)模型有明顯提升改善。

7 結(jié)語(yǔ)

本文提出了雙邊匹配和群體智能結(jié)合的方法，用于解決客戶和物流服務(wù)商之間的多屬性交易匹配問(wèn)題，使用改進(jìn)后的粒子群算法進(jìn)行尋優(yōu)，有效地提升了傳統(tǒng)粒子群算法收斂速度慢的問(wèn)題。深度學(xué)習(xí)及推薦算法的結(jié)合，預(yù)測(cè)客戶是否會(huì)選擇匹配的物流服務(wù)商，仿真實(shí)驗(yàn)表明，該預(yù)測(cè)方法可以達(dá)到80%的準(zhǔn)確率。通過(guò)該論文發(fā)現(xiàn)，客戶和物流服務(wù)商之間的交易不單單指本文所列出的屬性，也包含其他屬性，依然有不少問(wèn)題亟待研究，因此，依然需要我們深入探索，進(jìn)一步研究出更好的解決方案。