移動Agent在物流商推薦中的應用研究*

韓景倜 ，盧盛祺 ，，吳海峰

（1.上海財經大學 信息管理與工程學院，上海 200433；2.復旦大學 軟件學院，上海 200433）

隨著網絡技術的日新月異，電子商務也得到了空前發展。推薦技術使用數據挖掘技術來分析電子商務網站的用戶訪問行為，準確識別用戶的喜好[1]。利用推薦技術可以向用戶推薦符合需求的物流服務供應商。目前已有一些電子商務平臺引入了簡單的物流商推薦服務，如淘寶網與一些業內主要的物流商簽署合同，簽約的物流商將進入淘寶推薦列表[2]。但這些并不是真正意義上的個性化推薦。推薦的過程不僅需要參考物流商的一些屬性，同時也要考慮用戶的偏好。本文在設計物流商推薦系統的過程中，把基于內容的推薦技術與協同過濾技術相結合，形成混合型的推薦算法，為新用戶和老用戶設計了不同的推薦策略。

移動Agent在復雜的網絡系統中能從一臺主機移動到另一臺主機自主地選擇時間和目標，將這一功能應用于物流商推薦系統可以做到克服網絡延遲、包裝不同的協議、異步和自主執行等[3]。本文利用多Agent技術設計了物流商推薦的模型，并根據推薦過程中的功能需要封裝了多個功能獨立的Agent，設計了不同Agent之間的交互機制以及Agent知識庫的構建。

1 物流商評價體系的設計

通過對國內外相關文獻的分析，確定了企業能力、組織角色、服務水平和客戶反應等四個一級指標。隨后有針對性地對一些經常網購的消費者進行調研訪談。結果顯示組織角色因素不影響消費者的滿意度，因而最終確定企業能力、服務水平、客戶反應等一級指標，然后在一級指標的基礎上劃分了若干個二級指標，同時應用層次分析法參照專家的打分計算各指標的權重。為物流商評價指標的各個選項都賦予了不同的取值，基本規則是各屬性中的 A、B、C、D選項對應的數值分別為 1、0.8、0.5和0.3。在計算各個物流商的評價值時，根據加權和的高低對物流商進行排序。

在建立物流商評價體系后，需要設計一套與物流商評價體系對應的用戶需求模型，引導用戶注冊時填寫。這些數值可以隨著用戶需求的變化而修改。參考對應的物流商評價體系指標設定了模型中每一條屬性權重值。將實時體現用戶需求與物流商相匹配，可以為用戶推薦滿足需求的物流商。

2 物流商混合推薦設計

把用戶分為新用戶和老用戶，對不同的用戶類型采取不同的推薦策略。對新用戶單純使用協同過濾方法存在冷啟動和稀疏性的問題；對于老用戶，可以推薦與其評價較高的物流商相似的物流商。

2.1 相似性計算

分別計算了用戶的相似性與物流商的相似性。

（1）用戶相似性的計算

用戶相似性不僅計算用戶模型相似性，同時也計算用戶評價相似性。在協同過濾技術中夾角余弦相似性度計算方法的基礎上考慮到了各個分量的權重值演化形成用戶需求模型公式：

其中 Sim（u，v）是用戶 u 和 v 的用戶相似性，V1k、V2k分別表示了兩個用戶在屬性 k上的取值，Wk表示屬性k的權重值。

用戶評價相似度的計算方法采用協同過濾技術中的Pearson相關系數方法進行計算。將兩種相似性結果相加得到總的相似性。根據需要通過用戶模型相似性或者總的相似性可確定用戶的近鄰。在此基礎上，根據這些近鄰把使用頻繁、評價較高的物流商選出，通過式（2）即可確定滿足上述兩個要求的物流商。

其中Sorti物流商i的受歡迎程度，主要根據所有鄰居用戶對物流商i評價的平均分及平均調用次數確定，ω代表平均評分所占的權重，這里取為0.8；Averagei代表的是所有鄰居用戶對物流商i評價的平均值；而Numi代表的是該物流商被使用的次數，將Sorti值由大到小排序，將排在前列的物流商選出，并根據式（5）計算用戶對于通過其近鄰獲取的物流商的興趣預測值，將預測值排在TOP5的物流商推薦給用戶。

其中 Ra，i是用戶 a對物流商 i的預測評價，、是用戶a和用戶 u的評價均值，Sim（a，u）是用戶 a與用戶 u的相似度，Ru，i是用戶u對物流商 i的評價值。

（2）物流商相似性的計算策略

物流商相似性采用與計算用戶模型相似性時使用的夾角余弦相似性度公式進行計算，同時也要考慮物流商評價體系指標權重值的問題。

在基于物流商相似性進行推薦的過程中，綜合考慮了各個物流商在物流商評價體系中的綜合排名，并將用戶滿意度作為物流商評價及其相似性計算的重點考察指標。首先確定用戶其評價較高的物流商，并計算了其評價較高的物流商與其他物流商之間的相似性，根據相似性由高到低的排序結果即可視為推薦對象。

2.2 推薦策略

根據用戶是否使用過物流商將其分為新用戶和老用戶兩種用戶類型，對于不同類型的用戶設計了不同的相似性計算方法及推薦策略。

（1）新用戶推薦策略過程

先根據該用戶的需求模型通過式（1）計算與其他用戶需求模型的相似性。然后根據相似性的計算結果確定該用戶的近鄰。之后將這些近鄰使用次數較多且給予的評價較高的物流商通過式（2）選出。并根據式（3）預測用戶對于該物流商的興趣度。最后按照興趣度從高到低的順序選擇前5位物流商作為推薦的候選對象。依據之前計算出物流商的評價值并排序，挑選排名靠前的5個物流商作為的輔助推薦。

（2）老用戶推薦策略過程

挑選出老用戶評價最高的物流商，依據物流商評價體系中的屬性值計算出物流商之間的相似性，然后依據評價較高的物流商與其他物流商相似性值排序向用戶推薦出前5位。為了讓老用戶發現新的感興趣的物流商，系統在后臺通過評價矩陣代入Pearson相關系數方法，計算出老用戶與其他用戶的評價相似性，將評價相似性值加上式（1）計算出的用戶需求模型相似性得到總相似性值。根據總相似性值排序選取靠前的做為鄰居用戶，將相似性值與鄰居用戶對物流商的評價值代入式（3）得到用戶對所有物流商的興趣度，最后排序選取前5位進行輔助推薦。

3 基于移動Agent的推薦技術設計

3.1 知識庫與推理機的設計

本文使用基于本體的知識庫構建方法構建Agent知識庫。將物流商的考核指標、用戶背景信息中的相關屬性以及用戶對物流商的評價信息作為知識庫中的元素組件，完成了知識庫中規則與知識塊的設計。

知識庫針對不同類型的系統使用者設計了不同的規則，計算出新老用戶以及物流商的鄰居。并根據式（2）更新用戶對物流商的喜好程度。知識庫將用戶模型相似性和評價相似性求得的鄰居用戶相結合并與該用戶劃為具有相近特定需求的一類用戶。而物流水平則包括依據規則得到的用戶對物流商的喜好度與物流商的鄰居。

在推理模型設計時，基于BDI的方式構建了Agent的推理模型，首先，將整個推薦過程分解為用戶類型的獲取、相似性計算、近鄰確定、推薦策略的確定、推薦算法的執行及推薦結果的產生等核心過程，并確定了求解問題的目標，即在相似性分析的基礎之上產生推薦列表。與此同時，將不同的過程視為不同的子目標，每個子目標由單獨的Agent完成。

以推薦Agent進行物流商的推薦為例，在具體的設計過程中，將推薦Agent執行推薦的目標分為用戶類型的獲取、相似性的獲取、推薦策略的制定及推薦列表的生成等。其中，每個子目標完成后引發后續目標的執行，對推薦Agent對于每個子目標執行的行為進行了定義，并利用了對應的數據信息的來源。

3.2 運行機制

用戶登錄時，管理Agent會根據用戶標示為該用戶創建一個用戶Agent，直到該用戶退出系統或登錄超時，該用戶Agent才會自動消亡。預先在推薦Agent中定義根據用戶的具體類型確定相應的推薦策略。推薦Agent從用戶Agent獲取用戶的類型，并確定推薦策略，給計算Agent發請求信息，計算Agent收到請求，移動到服務器，從知識庫中調用該用戶需求體現和物流商的服務水平，經過加工計算確定推薦，之后將推薦Agent需要的數據信息通過ACL消息傳遞給推薦Agent，并顯示給瀏覽器端的用戶。用戶使用后對物流商進行評價，評價結果通過Agent反饋到數據庫中，知識庫調整用戶的需求體現。

3.3 核心Agent通信及推理的實現

在該推薦系統中，計算Agent在用戶離線時主要負責知識庫的完善工作，即根據用戶需求模型的信息、物流商評價體系的相關信息、歷史的使用記錄和評價信息等進行相似度的計算，得到用戶需求體現和物流商的服務水平。在用戶使用推薦系統時，計算Agent獲取推薦Agent傳遞的推薦策略類型，并從知識庫中獲取相似性計算結果，加工計算用戶興趣度等信息，然后將所計算結果傳遞給推薦Agent。

推薦Agent主要負責推薦策略的制定及推薦結果的攜帶與顯示。首先判斷用戶的類型，從而根據規則配置具體的推薦策略，結合計算Agent提供的計算結果排序再加工得到推薦結果。推薦策略對于新用戶根據其與已有用戶的相似性確定其近鄰，然后查詢這些近鄰使用過的物流商，綜合物流商在評價體系中的排序結果以及已有的評價信息為新用戶提供推薦。而對于已使用過推薦服務的用戶，計算物流商之間的相似性，將與用戶使用過的物流商的近鄰以及排在物流商評價體系中前5的物流商推薦給用戶。同時對于老用戶還依據用戶需求模型和評價使用信息確定鄰居用戶，并觀察鄰居對物流商的評價，從而發現新興趣。

結合移動Agent系統的開發技術，設計了物流商的自動化推薦機制，首先根據一系列的物流商的評價指標對相應的物流商進行排序，然后根據用戶的個性化需求及其使用物流商的歷史記錄，為用戶自動化地推薦能夠以較低花費、較高配送效率為其提供服務的物流商，從而解決了C2C電子商務平臺無法向用戶提供高質量物流服務需求的問題。移動Agent的智能性和適應性較好地為該推薦機制提供了實現方法。

[1]GANESH V.A framework forevaluating third-party logistics[J].Communications of the ACM， 2005， 48（1）：89-94.

[2]劉禮金.淘寶推薦物流與我國電子商務物流發展思考[J].物流科技，2012（6）：4-6.

[3]LUO Y.E-commerce personalized recommendation system design based on multi-Agent[J].Advances in Intelligent and Soft Computing， 2012， 168（1）：159-164.