基于BP神經網絡算法的農產品跨境電商人才培養方案設計與應用

馬百皓

摘 要：在經過廣泛調研專業農產品跨境電商人才的知識體系和技能的基礎上，總結分析專業農產品跨境電商人才具備的9大重要特征。利用這些特征量化收集得到的652份樣本數據，建立基于BP神經網絡的農產品跨境電商人才培養算法模型。實際應用結果表明，采用十字交叉驗證方法進行驗證，分類的準確度達到了95%，相比傳統的KNN分類算法，分類精確度較高，節省了評估農產品跨境電商人才具有不同水準的人力物力，同時可以針對不同類別的跨境電商人才，提供精準培養，避免資源浪費。

關鍵詞：BP神經網絡;農產品;跨境電商;培養方案

Abstract：Based on extensive research on the knowledge system and skills of adhesive cross-border e-commerce talents， this article summarizes and analyzes nine important characteristics of cross-border e-commerce talents for chemical products. These characteristics are used to quantify the 652 sample data collected， and an adhesive cross-border electric business talent training algorithm model based on BP neural network is established. The actual application results show that the cross-validation method can be used for verification， and the classification accuracy reaches 95%. Compared with the traditional KNN classification algorithm， the classification accuracy is higher， which saves the evaluation of adhesive cross-border electricity talents to have different levels. The manpower and material resources can also provide accurate training for different types of cross-border e-commerce talents and avoid waste of resources.

Key words：BP neural network;agricultural products;cross-border e-commerce;training plan

0 引言

跨境電商是不同國家之間的買賣雙方借助互聯網的電子商務平臺來實現商品交易的一種新型的商貿方式，主要是將傳統的進出口面對面交易方式轉型為國際貿易電子化、網絡化[1]。隨著我國“一帶一路”政策的落實，我國農產品跨境電商業務將會得到進一步的發展[2]，擴大農產品的發展渠道。《2018年信息經濟報告》指出，預估到2018年年底，全球的農產品跨境電子商務將會占世界總貿易金額的30%～40%，而且將會按照較好的勢頭繼續增長[3]，因此對農產品跨境電商人才的培養亦時不我待。

本文提出了一種農產品跨境電商人才培養算法模型，通過對專業的農產品跨境電商人才進行調研，獲得農產品跨境電商人才的代表性知識結構特征，統計得出認同度較高的特征作為農產品跨境電商人才培養的分類重要指標;對量化的特征進行評估處理，采用BP神經網絡對特征進行分類研究。相對傳統KNN分類算法，采用BP神經網絡對特征進行分類研究。以期為不同知識結構的農產品跨境電商人才提供不同的培養方案的能力提供參考。

1 農產品跨境電商人才培養模型構建

隨著跨境電商行業成為貿易的主流，致使農產品跨境電商人才供不應求，為了高效評估跨境電商人才應該具備的知識體系和真實水準，往往需要消耗大量的人力和物力去評估，而得到的評估結果具有不可解釋性。

特別對外資企業而言，在新興的跨境電商大環境下，對電子商務人才的需求居高不下，急需專業型的跨境電子商務人才來加快企業的貿易與發展，但如何培養這些專業型的跨境電子商務人才成為了令人頭疼的問題。一般情況下，農產品跨境電商行業的從業人員應該能熟練掌握計算機的基本操作，同時還能熟練使用英語與客戶進行溝通交流，對農產品的保存、加工、檢疫等流程做到了如指掌，了解有關跨境電子商務方面的財務管理以及市場的營銷知識。針對不同農產品跨境電商人才，其掌握的知識結構是不一樣的，需要針對不同種類的農產品跨境電商人才撰寫不同的人才培養方案，而如何有選擇性地提取農產品跨境電商的知識結構代表特征，如何進行高效的農產品跨境電商分類是培養高水平的跨境電商人才的重中之重。

1.1 農產品跨境電商人才特征選取

由于農產品跨境電商人才是一種復合型的人才，其具備的知識結構是由多方面構成的，既包含計算機技術的成分，同時也具備英語、商務、溝通、業務等不同的技能，如何在眾多的技能中選擇能夠典型代表農產品跨境電商人才的特征作為分類的特征維度成為了模型構建的第一步[4]。

本文通過問卷調查和訪談法相結合的方式，對從業的農產品跨境電商專業人員展開了調查分析，目的是通過對這些專業人員的知識結構分析，找出刻畫跨境電商專業人才的素質特征有哪些[1]。一共對專業的農產品跨境電商人員發下了1 000分調查問卷，這些專業的農產品跨境電商人員部分來自于淘寶、天貓、京東的銷售人員，剩下來自于跨境電商公司，從事膠黏劑跨境工作3年以上，擁有豐富的經驗，回收調查問卷962份，調查問卷的回收率為96.2%，具有代表性。

在對回收的調查問卷進行數據整理分析的結果中，通過分析調查問卷上的問題重要程度的比例，可以發現勝任農產品跨境電商人才需要具備的知識體系結構和特征，總體的調查結果分析表，如表1所示。

通過對上述962份調查問卷的調查結果分析，專業的農產品跨境電商人才普遍贊同“英語溝通能力”是非常重要的，“客戶需求能力分析”能力是最不重要的。通過對表1的統計結果進行特征選取，手動選取重要程度超過80%的作為代表特征，這些特征依次為：“外語讀寫能力”、“外語溝通能力”、“店鋪設計能力”、“在線交易流程熟悉度”、“外貿業務熟悉程度”、“潛在客戶接觸能力”、“海外市場零售的敏感度”、“互聯網思維營銷能力”以及“團隊協作能力”。

通過選取以上的9個特征后，需要收集訓練數據。在收集訓練數據的階段，選擇某高職院校對外電商專業的652名學生，通過統計他們在這些課程方面的成績和深入了解相關特征的屬性值，將這些特征的值量化在[0，100]內，分數越高，表明在相關的屬性特征上越優秀。訓練數據的目標分類分為A、B、C 3個不同的類別，采用one-hot的方法進行標注，這3個類別分別代表“良好”、“及格”和“不及格”水平，針對“良好”的跨境電商人才只需提供少量的專業知識輔導，對于“及格”的跨境電商人才需要提供較多的專業知識輔導和資源，對于“不及格”的跨境電商人才需要傾瀉大量的專業知識和人力、物力進行培養。

為了使得使用這652個有效數據進行BP神經網絡的訓練與評估，采用十字交叉驗證[5]法將652條數據按照訓練集：測試集的7：3比例進行劃分，最后測出10次的交叉驗證平均正確率的值作為評價指標。

1.2 農產品跨境電商人才分類模型

采用一個五層的BP神經網絡[6-8]模型作為初始的分類模型，這個模型具有輸入層為9個維度，輸出層為3個維度的特征，中間隱層采用3層神經網絡，維度分別是400、300和100。基于BP神經網絡的農產品跨境電商人才分類算法模型的建立包括BP神經網絡的構建、BP神經網絡的訓練和BP神經網絡分類三步，具體的算法流程圖，如圖1所示。

從圖1神經網絡分類算法模型流程圖可以看出，對于電商人才的分類，需要先構建BP分類神經網絡，然后依據訓練數據集對神經單元的參數進行訓練，迭代至滿足相應的條件停止，保存模型參數，然后對測試的數據集進行分類。

1.2.1 BP神經網絡的構建

構建的BP神經網絡從輸入到輸出的維度分別為（9，400，300，100，3），構造的神經網絡模型，如圖2所示。

圖2中的隱藏層包含了3層的神經網絡模型，構造的BP神經網絡由1個輸入層，3個隱藏層和1個輸出層組成。對于第二層神經網絡中的每一個神經節點來說，對于第一層輸入的數據，經過線性變換，如式（1）所示。

如果隱藏層不采用激活函數，構造的BP神經網絡模型將會是一個線性模型，只是簡單具備數據的線性擬合能力，無法具備逼近真實的分類函數能力[9]，選用的激活函數為Sigmoid激活函數[10]，如式（2）所示。

BP神經網絡的目標就是調整權重值和偏置值使得損失函數變小，求得損失函數最小值時對應的各個神經元的參數。

1.2.2 BP神經網絡的訓練

BP神經網絡的訓練階段其實就是正向傳播過程的調參過程，選用的梯度下降算法。在梯度下降算法的過程中，所有的訓練模式都先提供一次，然后將對應的權值更新相加，只有這時網絡里的實際權值才開始更新。這個過程將一直迭代知道某停止準則滿足，相應的停止準則一般選為迭代的輪次數。

經過算法的推導，可以采用以下的式（6）、式（7）更新w（l）ij，b（l）i，2≤l≤L。

2 模型應用

實驗的環境采用的是Windows10的操作系統，CPU型號為Intel（R） Core（TM） i7-8750H@2.20 GHz 2.1 GHz，內存為8 G，算法的實現采用的是基于Pytorch深度學習框架的Python語言實現的。在實驗的過程中，按照1.1的十字交叉驗證方法，每次隨機按照0.7的比例選取456條數據作為訓練數據，剩余的196條數據作為驗證數據，實驗進行10次，取10次的驗證數據的準確度作為平均的準確率。實驗的BP神經網絡的學習率設置為α=0.28，迭代的次數設置epochs=1000，之所以選擇學習率α=0.28，是因為在此參數下，對精確度影響較低，而迭代速度較快，能盡快地收斂。實驗的結的損失函數趨勢圖，如圖3所示。

有圖3的實驗數據可以看出，當迭代的次數大致達到800次的時候，模型的損失函數基本上達到了收斂的水平，待模型穩定后，就可以對模型進行驗證數據的測試了，驗證集測試的結果，如表2所示。

與傳統的機器學習分類KNN算法[15]的比對結果，如表3所示。

經過十字交叉法的驗證，本文基于BP神經網絡提出的農產品跨境電商人才算法培養模型的分類準確率可以達到平均的95%，達到了實用的水平，相比傳統的機器學習KNN分類算法，平均分類準確率有了很大的提升;同時對于A類的農產品跨境電商人才的培養只需提供少量的專業知識輔助就達到專業的跨境電商人才水平，省去了專門進行評估耗時耗力的方法;相反，對于C類農產品跨境電商人才，需要花費大量的資源培養外語、商務、溝通和計算機的水平，才有可能成為專業的農產品跨境電商人才。

3 總結

在經過廣泛調查專業的農產品跨境電商人才所具備的職業素養和知識體系：

（1） 提出了專業的農產品跨境電商人才所具備的“外語讀寫能力”“外語溝通能力”“店鋪設計能力”“在線交易流程熟悉度”“外貿業務熟悉程度”“潛在客戶接觸能力”“海外市場零售的敏感度”“互聯網思維營銷能力”以及“團隊協作能力”9個最重要的特征;

（2） 設計了采用BP神經網絡進行農產品跨境電商人才分類模型。采用十字交叉驗證跨境電商專業培養的652條數據進行驗證，分類的準確度達到了95%。

農產品跨境電商人才模型節省了評估農產品跨境電商人才具有不同水準的人力物力，同時可以針對不同類別的農產品跨境電商人才，提供精準的培養，避免了資源的浪費。

參考文獻

[1] 蘇曼.跨境電商專業人才勝任素質模型研究[J].高等工程教育研究，2016（3）：170-174.

[2] 嚴淑芬，王志和.“一帶一路”背景下我國農產品跨境電商發展現狀及策略研究[J].電子商務，2019（6）：37-39.

[3] 張丹. 吸引力不斷增強的中國市場[N]. 解放軍報，2019-10-30（04）.

[4] 帥如. 以提升用戶信任為導向的跨境電商服務設計研究[D].上海：華東理工大學，2018.

[5] 吳陳，張明華.基于最優樸素貝葉斯分類器的個人信用預測[J].江蘇科技大學學報（自然科學版），2012，26（4）：376-380.

[6] 胡紅萍，白黃琴，白艷萍，等.基于改進的遺傳算法與人工神經網絡的類流感的預測[J/OL].中北大學學報（自然科學版），2019（6）：1-8.（電子版，需提供網頁）

[7] 章曉峰，李光，肖帆，等.基于BP神經網絡的包裝分揀機器人視覺標定算法[J].包裝學報，2019（4）：1-8.

[8] 臧慶凱，李春貴，鐘宛余.基于三個并行BP神經網絡的機器人逆運動學求解[J].計算機測量與控制，2012，20（8）：2244-2247.

[9] 段秀玉. 基于遷移學習的情感分類研究與應用[D]. 北京：北京郵電大學，2019.

[10] 吳炎，杜棟.基于改進BP神經網絡對江蘇省糧食產量的仿真預測[J].微型電腦應用，2009，25（6）：1-4.

[11] 賀揚，成凌飛，張培玲，等.一種新型激活函數：提高深層神經網絡建模能力[J].測控技術，2019，38（4）：50-53.

[12] 富宇，李倩，劉澎.改進的BP神經網絡算法的研究與應用[J].計算機與數字工程，2019，47（5）：1037-1041.

[13] 蔣銳鵬，姑麗加瑪麗·麥麥提艾力，安麗娜.基于長短期記憶神經網絡的手寫數字識別[J].計算機技術與發展，2020（2）：1-6.

[14] 趙小強，張和慧.基于交叉熵的改進NPE間歇過程故障檢測算法[J].控制與決策：1-7.

[15] 陳來.Knn算法在互聯網涉警輿情分析系統的應用研究[J].通訊世界，2019，26（12）：165-167.

（收稿日期：2019.08.27）