武斌 李金成 郭毅

【摘 ?要】為響應(yīng)“互聯(lián)網(wǎng)+”戰(zhàn)略思想，同時保證物資采購的公平公正，提升采購的效率，對物資電商化采購進(jìn)行了持續(xù)的創(chuàng)新探索。本文通過基于拉普拉斯等距映射優(yōu)化算法，對電商平臺商品推薦功能進(jìn)行重新設(shè)計實(shí)現(xiàn)，和傳統(tǒng)協(xié)同過濾算法相比，提升了推薦效率，尤其在大數(shù)據(jù)處理方面。

【關(guān)鍵詞】大數(shù)據(jù)處理;電力;電子商務(wù);互聯(lián)網(wǎng)+;拉普拉斯等距映射

1.集體企業(yè)設(shè)計的政策背景

工業(yè)互聯(lián)網(wǎng)平臺可實(shí)現(xiàn)產(chǎn)品、機(jī)器、數(shù)據(jù)、人的全面互聯(lián)互通和綜合集成，正成為國家工業(yè)新基礎(chǔ)設(shè)施。近十年來，公司不斷探索互聯(lián)網(wǎng)采購業(yè)務(wù)創(chuàng)新，推進(jìn)采購模式創(chuàng)新，進(jìn)而實(shí)現(xiàn)多元化的采購模式。通過國網(wǎng)商城采購專區(qū)，對于公開透明程度非常高，且非必須公開招標(biāo)的物資，突破傳統(tǒng)思維定式，破除固有的“需求計劃預(yù)測與集中報送—確定采購品牌和參數(shù)—談判評審確定供應(yīng)商及其產(chǎn)品價格—部署固化商品目錄—采購結(jié)果匹配與執(zhí)行”的流程，把物資采購過程在國網(wǎng)商城物資電商化采購專區(qū)上實(shí)現(xiàn)，實(shí)現(xiàn)“實(shí)時商品選購-下單-形成采購訂單-審批-支付”全過程電子化;同時，針對集體企業(yè)采購特點(diǎn)，采購專區(qū)期望提供授權(quán)代理、平臺模式、委托簽約等多種業(yè)務(wù)運(yùn)營模式，支持先款后貨、先貨后款、限額采購等付款模式。最終實(shí)現(xiàn)多元化采購模式，踐行國網(wǎng)商城物資采購模式多方面創(chuàng)新思想，深化和完善公司物資采購業(yè)務(wù)，進(jìn)一步提高公司發(fā)展質(zhì)量、拓寬發(fā)展領(lǐng)域。

2.商品推薦模塊的詳細(xì)設(shè)計

2.1拉普拉斯等距映射的主要思路

隨著數(shù)據(jù)慢慢變大，我們?yōu)榱藢?shí)驗(yàn)結(jié)果的準(zhǔn)確性，要采用數(shù)據(jù)降維來使數(shù)據(jù)便于計算和可視化，其更深層次的意義在于有效信息的提取綜合及無用信息的刪除。

本實(shí)驗(yàn)中采用的方法是非線性降維中的流性學(xué)習(xí)LE（拉普拉斯等距映射）算法來進(jìn)行數(shù)據(jù)降維。拉普拉斯特征映射（Laplacian Eigenmaps）是一種不常見的降維算法。它從與普通降維算法不同的角度來看問題。它從本地角度構(gòu)建數(shù)據(jù)之間的關(guān)系。也許這是抽象的。具體而言，拉普拉斯特征映射是基于圖的降維算法。它希望相關(guān)的點(diǎn)（圖中連接的點(diǎn)）在尺寸減小的空間中盡可能接近，以便在減小尺寸后保持原始數(shù)據(jù)結(jié)構(gòu)。

拉普拉斯特征映射通過構(gòu)造其鄰接矩陣為W的圖來重建數(shù)據(jù)流形的局部結(jié)構(gòu)特征（參見此處的鄰接矩陣的定義）。主要思想是如果兩個數(shù)據(jù)實(shí)例i和j非常相似，那么在維數(shù)減少之后，i和j應(yīng)該在目標(biāo)子空間中盡可能接近。設(shè)數(shù)據(jù)實(shí)例的數(shù)量為n*n，目標(biāo)子空間的維度，即最終的降維目標(biāo)，為 m。定義n * m大小的矩陣Y，其中每個行向量yT i是目標(biāo)m 維子空間（即，簡化數(shù)據(jù)實(shí)例i）中的數(shù)據(jù)實(shí)例i的向量表示。我們的目標(biāo)是在降維后保持類似的數(shù)據(jù)樣本i和j盡可能接近目標(biāo)子空間。

具體步驟為：

第1步：構(gòu)建圖表

首先將所有的原始數(shù)據(jù)變成一個圖，例如使用KNN算法將每個點(diǎn)的最近K點(diǎn)連接到頂部，即生產(chǎn)最小生成樹。

2.2算法實(shí)際應(yīng)用

集體企業(yè)項目主要圍繞供應(yīng)商統(tǒng)一管理、尋源管理、合同管理、供應(yīng)商準(zhǔn)備、下單選購、配送發(fā)貨、支付結(jié)算、發(fā)票管理、履約支付這九個部分的需求展開建設(shè)實(shí)施，以實(shí)現(xiàn)集體企業(yè)平臺模式、授權(quán)代理模式兩種業(yè)務(wù)模式，一二三級專區(qū)依照管理需求部署，具備先款后貨、先貨后款、限額采購多種采購方式的業(yè)務(wù)需求;其中采購中心請購單2個二級模塊、訂單中心3個二級模塊、付款單2個二級模塊、采購額度1個二級模塊、站內(nèi)信2個二級模塊、設(shè)置3個二級模塊。

本次算法優(yōu)化主要應(yīng)用于采購專區(qū)的相關(guān)商品推薦模塊。原先項目中采用的是傳統(tǒng)協(xié)同過濾算法，直接進(jìn)行商品推薦，采用余弦相似度作為相似度標(biāo)準(zhǔn)進(jìn)行個體相似性數(shù)據(jù)化標(biāo)準(zhǔn)。此算法可以較為合理的進(jìn)行相關(guān)推薦，但是在大數(shù)據(jù)的背景下，數(shù)據(jù)量越來越大，每條數(shù)據(jù)的維度也越來越多，整體算法的執(zhí)行效率也越來越低。在調(diào)研了目前的大數(shù)據(jù)處理技術(shù)，最終選用拉普拉斯等距映射作為本次算法優(yōu)化的技術(shù)基礎(chǔ)。

拉普拉斯等距映射本質(zhì)是將多維坐標(biāo)系內(nèi)的點(diǎn)，保持其之間的相對關(guān)系，同時將他們映射到一個低維甚至是二維空間，但數(shù)據(jù)變成低維數(shù)據(jù)后，算法的執(zhí)行效率就得到了大幅提升。

在確定了算法的基本思路之后，還要進(jìn)行算法可行性分析，利用目前比較流行的UserBehavior數(shù)據(jù)集，將數(shù)據(jù)集按照4：1分為數(shù)據(jù)組和測試組，按照算法思路對數(shù)據(jù)組進(jìn)行分析，預(yù)測測試組結(jié)果，對測試結(jié)果和實(shí)際結(jié)果進(jìn)行卡方檢驗(yàn)，經(jīng)測試，卡方值小于0.05，具有統(tǒng)計學(xué)意義，也就是說，算法預(yù)測結(jié)果較為可靠。

3.項目設(shè)計優(yōu)勢與未來展望

3.1項目設(shè)計總結(jié)

隨著互聯(lián)網(wǎng)+概念不斷的深入人心，互聯(lián)網(wǎng)也為物資采購提供了公開透明、便捷管理的大環(huán)境。物資集中化采購能夠及時、準(zhǔn)確地制定集團(tuán)采購計劃，實(shí)現(xiàn)按需采購;同時方便集團(tuán)進(jìn)行物資采購價格的有效分析，進(jìn)一步優(yōu)化集中采購物資的談判定價工作;還能夠有效對集中采購物資供應(yīng)商進(jìn)行科學(xué)、及時、準(zhǔn)備的評估，最終使集團(tuán)集中采購的優(yōu)勢得到有效發(fā)揮，達(dá)到降低采購成本、提高采購作業(yè)整體效率的作用;也實(shí)現(xiàn)了集團(tuán)對下屬單位物資采購的有效跟蹤，建立有效的跟蹤監(jiān)督機(jī)制;為集團(tuán)領(lǐng)導(dǎo)者進(jìn)行采購決策提供及時、可靠的信息。集體企業(yè)物資采購，在對同類企業(yè)進(jìn)行相關(guān)深入調(diào)研的基礎(chǔ)上，以體系化、透明化的采購制度和監(jiān)督要求出發(fā)，結(jié)合自身特點(diǎn)，優(yōu)化設(shè)計采購流程，用創(chuàng)新的物資采購和管理模式，進(jìn)行集體企業(yè)物資采購管理，真正實(shí)現(xiàn)公平、透明、陽光采購。

3.2未來展望

未來的集體企項目還會有很多可以發(fā)展的空間，代碼方面的簡潔合理，安全方面如何做到更加可靠，算法方面如何達(dá)到更好的執(zhí)行效率，項目架構(gòu)如何更好的適應(yīng)大并發(fā)要求等。在保證開發(fā)進(jìn)度的基礎(chǔ)上，也會更加注重這些優(yōu)化問題。為實(shí)現(xiàn)多元化采購模式，加快采購模式創(chuàng)新貢獻(xiàn)自己的力量。

參考文獻(xiàn)：

[1]黃啟宏，劉釗.流形學(xué)習(xí)中非線性維數(shù)約簡方法概述[J].計算機(jī)應(yīng)用研究，2007，24（11）：19-25.

[2]劉愛萍.等距特征映射算法的改進(jìn)及其應(yīng)用[D].常州大學(xué)，2011.

[3]流形學(xué)習(xí)方法在圖像處理中的應(yīng)用研究[D].北京交通大學(xué)，2009.

[4]Belkin M，Niyogi P.Laplacian Eigenmaps for Dimensionality Reduction and Data Representation[J].Neural Computation，2014，15（6）：1373-1396.

（作者單位：國網(wǎng)電子商務(wù)有限公司）