智能中小型商鋪貨物管理系統設計

熊翊豪 王 兢 張浩然（鄭州大學，河南 鄭州450001）

1 系統概述

本系統采用B/S 架構，使用Struts2+Spring+Hibernate 技術框架開發，使用MySQL 數據庫進行數據存儲，從商鋪記賬、倉庫管理兩個主要需求入手，設計了適用于中小型商鋪的貨物管理系統[1]。在此基礎上創新地引入基于物品的協同過濾推薦算法，使得商鋪經營者可以更加直觀地瀏覽自己可能感興趣且能夠獲得較高收益的商品。

2 系統設計

2.1 數據庫設計

經需求分析，本系統一共設計了五張表，分別為：上游供貨商表（Supplier）、上游商品表（Goods），商家表（Merchant），庫存表（Repertory）以及賬單表（Bill），這五張表分別存儲上游供貨商的個人信息、上游供貨商的貨品信息、下游商家的信息、每個商家的庫存信息以及每個商家自己的賬單表信息，以下是對五張表的詳細敘述。

2.1.1 上游供貨商表（Supplier），它是以id 為自增主鍵，包含了商家的姓名（sname）、聯系方式（scontact）、地址（saddrass）和商家的登錄密碼（spass）。

2.1.2 上游商品表（Goods），它是以gid 為自增主鍵，供貨商的 id 為外鍵同時包含了商品的品牌（gtrademark）、種類（gtype）、售價（gprice）和數量（gamount）。

2.1.3 商家表（Merchant），它是以mid 為主鍵，包含了商家的姓名（mname）、聯系方式（mcontact）、地址（maddrass）和登錄密碼（mpass）。

2.1.4 庫存表（Repertory），它是以rid 為自增主鍵，商家表的mid 為外鍵同時包括了商品的品牌（rtrademark）、種類（rtype）、進價（rprice）、數量（ramount）和入庫時間（rtime）。

2.1.5 賬單表（Bill）它是以bid 為自增主鍵，庫存表的rid 商家表的mid 同時為外鍵又包括了售價（bprice），售出數量(bamount)、售出時間（btime）、進價（rprice）和商品的種類（type）。

2.2 功能設計

基于前期的需求分析，本系統的功能主要分為兩大模塊四大部分，分別為商家的庫存管理模塊、訂購推薦模塊和智能化賬單統計模塊以及上游的商品展示模塊。這四大部分相輔相成，同時還添加了必要的登錄注冊功能，這些功能共同組成了一個完整的系統。

2.2.1 庫存模塊主要是為了商家方便統計個人的庫存信息，庫存模塊主要包括庫存信息的添加修改和刪除同時為賬單模塊時的信息匯總和商品訂購時的系統推薦提供必要的數據支持。

2.2.2 賬單統計模塊則是根據商品的銷售情況，同時根據用戶預先輸入的一些利潤影響因素自動計算當天的相應的利潤情況，同時以可視化的方式分日、周、月及用戶選中的特定日期對銷售狀況進行圖表顯示，為用戶客觀的展現自己店鋪的利潤情況，方便用戶了解自己的收入情況，同時為訂購的推薦系統提供數據支持。

2.2.3 訂購推薦模塊是本系統的重要模塊該模塊是根據不同用戶的庫存情況和銷售情況，通過基于物品的協同過濾算法，通過具體的參數和數據支持，經過算法處理，在用戶進行商品訂購時推薦一定的商品，幫助用戶做出選擇，盡可能的提高用戶的銷量。

2.2.4 商品展示模塊則是展示通過認證的上游供貨商上傳的自己的商品信息，包括了商品的基本描述，供貨商的聯系方式，同時結合訂購推薦模塊，為瀏覽的用戶推薦一定量的合適商品方便用戶的訂購。

2.2.5 登錄注冊功能則是本系統的基礎模塊，無論是下游商戶賬單的統計、庫存信息的核對亦或是訂購推薦的實現還是上游商家商品的上新和展示都離不開用戶的賬號信息，所以所有的用戶在使用前都要注冊用戶名、密碼、聯系方式并且以用戶名為后來的登錄名。

2.3 算法設計

為了提高使用本系統商鋪的物品銷量和營業收入，本系統設計了物品推薦系統，用于向商鋪推薦可能獲得較大收益的商品，商鋪店家可由此對貨物進購做出合理決策。本系統采用基于物品的協同過濾算法（Item-based collaborative filtering，簡稱ItemCF），該算法由著名電子商務公司亞馬遜提出[2],并在業內獲得了廣泛的應用。該算法的基本思想是：通過分析用戶對物品的行為，計算物品之間的相似度，從而找出和目標物品具有一定相似度的物品集合，然后通過目標用戶的歷史行為數據預測其對相似物品的評分，并將預測評分高的一個或多個物品推薦給目標用戶[3]，即向用戶推薦和他們之前喜歡的物品相似的物品。

2.3.1 在本系統中，通過查詢數據庫中商鋪的歷史倉儲和銷售數據，獲取各個商鋪的銷售商品信息，從而建立商鋪- 商品評分矩陣R，R 是一個m×n 的矩陣，其中m 表示商鋪的數量，n表示商品的數量，Rmn的值始終在一定的取值范圍內，表示商鋪m 銷售商品n 的情況，售出越多該值越大，若商鋪未售出過該商品則取0。商品在m 維商鋪空間上的向量可看作是商品的評分，通過計算商品在m 維商鋪空間上的向量夾角的余弦值來表示商品間的相似度，夾角余弦值越大則相似度就越高。

2.3.2 Deshpande 和Karypis 的研究[4]指出，將相似度矩陣按最大值歸一化之后可以獲得更高的推薦準確率，同時對于目標商品的K 個最近鄰商品，K 取值應在10 到30 之間。我們利用電商平臺的銷售交易數據集進行測試表明，K=10 時可以獲得較高的準確率和召回率。最后，從目標商鋪售出的所有商品計算獲得的所有K 個最近鄰商品組成的總集中刪除目標商鋪已經銷售過的商品，并計算剩余各候選商品的預測評分，從中選出Top-N 推薦給商鋪，完成推薦過程[5]。

結束語

本文研究了基于JavaEE 和協同過濾算法的中小型商鋪貨物管理系統的設計。在依托計算機技術構建高效便捷的信息化管理平臺的同時，結合可靠準確的推薦算法，為商鋪提供貨物進購建議，從而幫助商鋪獲取更大收益。本系統基于B/S 架構，考慮到更多的使用場景，后續可進一步研究設計開發移動端產品。隨著電子商務的蓬勃發展，針對中小型商鋪設計的貨物管理系統必將發揮更大的作用，而結合推薦算法提高系統智能化水平的方案也將對其發展起到積極作用。