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(jì)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(jì)算機(jī)內(nèi)存中，代表某個(gè)應(yīng)用程序處理查詢等命令，自動(dòng)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(jì)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(jì)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(shì)。食用菌電子商務(wù)中大量的訂單管理也需要借助多個(gè)Agent間的協(xié)作，針對(duì)不同的訂單和客戶采用多個(gè)Agent來(lái)完成不同的任務(wù)，Agent對(duì)食用菌訂單中價(jià)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(duì)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(tái)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(tái)中商品信息量巨大，用戶在瀏覽時(shí)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(wú)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(gòu)買，提高了用戶的轉(zhuǎn)化率，食用菌產(chǎn)品訂單也會(huì)迅速上升；同時(shí)推薦系統(tǒng)在商家中使用時(shí)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(gòu)買建議[4]，讓用戶更清晰的了解購(gòu)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(gòu)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(lái)獲取用戶的喜好信息，通過(guò)計(jì)算來(lái)建立用戶模型，將用戶模型和推薦對(duì)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(duì)象模型中的訂單特征數(shù)據(jù)，再運(yùn)用推薦算法對(duì)其篩選查找用戶感興趣或者所需的推薦對(duì)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(jì)

2.1 系統(tǒng)架構(gòu)和開(kāi)發(fā)環(huán)境

系統(tǒng)的開(kāi)發(fā)采用B/S技術(shù)架構(gòu)模式，將服務(wù)器分為多個(gè)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(wèn)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(guò)下一層提供的接口訪問(wèn)下一層的服務(wù)，也可通過(guò)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(gè)性化食用菌推薦系統(tǒng)的實(shí)施。

2.2 系統(tǒng)功能設(shè)計(jì)

依據(jù)系統(tǒng)需求分析，該食用菌采購(gòu)?fù)扑]系統(tǒng)主要由3個(gè)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(tái)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(guò)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(tái)管理系統(tǒng)，食用菌商家登錄后負(fù)責(zé)對(duì)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(cè)用戶點(diǎn)擊購(gòu)買商品完成行為動(dòng)作后，系統(tǒng)將會(huì)根據(jù)用戶的瀏覽、評(píng)價(jià)、搜索和訂單情況，為用戶推薦符合潛在購(gòu)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(duì)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(guò)濾與信息檢索基礎(chǔ)上實(shí)現(xiàn)，基本原理是通過(guò)深入研究用戶以往瀏覽食用菌記錄與購(gòu)買食用菌記錄向用戶推薦沒(méi)有接觸過(guò)的食用菌產(chǎn)品。基于內(nèi)容的推薦系統(tǒng)在應(yīng)用時(shí)，首先要對(duì)文檔內(nèi)權(quán)重高的關(guān)鍵詞計(jì)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(duì)被推薦項(xiàng)特征向量與用戶特征向量計(jì)算。推薦算法的核心思想是計(jì)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(jì)算。

3.2 協(xié)同過(guò)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(chǎng)上應(yīng)用領(lǐng)域較廣，可以應(yīng)用于多個(gè)不同場(chǎng)景。該算法基本原理是深入挖掘用戶歷史上食用菌商品購(gòu)買行為，分析用戶個(gè)人喜好，基于不同的愛(ài)好劃分用戶為不同組群，在各個(gè)組群中向用戶推薦食用菌商品。協(xié)同過(guò)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(guò)濾算法與基于用戶的協(xié)同過(guò)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(cè)本用戶未知項(xiàng)評(píng)分；而前者是對(duì)各個(gè)信息間的相似度進(jìn)行計(jì)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(jì)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(gè)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(shí)，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(duì)2個(gè)定距變量間聯(lián)系程度計(jì)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(gè)二元組（x，y）表示用戶x對(duì)食用菌商品y存在過(guò)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。“用戶-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(duì)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(jì)

多Agent推薦子系統(tǒng)通過(guò)線下數(shù)據(jù)準(zhǔn)備和在線推薦進(jìn)行設(shè)計(jì)。通過(guò)離線狀態(tài)對(duì)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(jì)算出用戶對(duì)食用菌產(chǎn)品的評(píng)分，最后，利用推薦算法實(shí)現(xiàn)實(shí)時(shí)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(shí)經(jīng)常帶有明確的目的性，用戶的頻繁訪問(wèn)路徑代表潛在購(gòu)買力。每個(gè)用戶分配一個(gè)Agent，并且多個(gè)Agent對(duì)用戶的不同行為進(jìn)行分析處理，如搜索Agent對(duì)用戶的搜索瀏覽進(jìn)行分析；評(píng)價(jià)Agent對(duì)用戶給產(chǎn)品的打分進(jìn)行分析；訂單Agent對(duì)訂單的內(nèi)容、時(shí)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(cè)用戶訪問(wèn)多Agent推薦系統(tǒng)時(shí)，可使其產(chǎn)生的訪問(wèn)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(kù)中的記錄對(duì)其生成推薦，以此來(lái)解決推薦系統(tǒng)中新注冊(cè)用戶無(wú)購(gòu)買和瀏覽歷史記錄的行為。從用戶評(píng)分矩陣中找到與目標(biāo)用戶具有相似性評(píng)分值的最近鄰居用戶，根據(jù)最近鄰居用戶的購(gòu)買情況，對(duì)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(gòu)買數(shù)據(jù)庫(kù)中提取出用戶對(duì)食用菌商品的潛在評(píng)分信息，之后建立對(duì)應(yīng)的用戶評(píng)分矩陣，這種做法較好的實(shí)現(xiàn)了用戶直接對(duì)食用菌商品評(píng)分造成的稀疏性，以及評(píng)分標(biāo)準(zhǔn)不統(tǒng)一而影響相似性計(jì)算結(jié)果的準(zhǔn)確性問(wèn)題。

4.2 在線實(shí)時(shí)推薦

建立線下模型是為了給推薦系統(tǒng)增加知識(shí)元，通過(guò)在用戶行為模型中應(yīng)用用戶購(gòu)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(guò)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(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行清洗、補(bǔ)充或刪除無(wú)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(guò)訂單、產(chǎn)品的數(shù)據(jù)挖掘來(lái)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(shì)，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(shí)推薦，與傳統(tǒng)的個(gè)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(duì)用戶購(gòu)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(gòu)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。