劉俊彤，張佳興，韓寶平

（北京農(nóng)學(xué)院計算機與信息工程學(xué)院，北京 102206）

我國人口眾多，電子商務(wù)平臺不斷發(fā)展，迎合了人們的消費需求，從而網(wǎng)購成為了農(nóng)產(chǎn)品銷售的主流消費方式。2020 年1—6 月，我國網(wǎng)絡(luò)零售額達到51 501 億元，增長7.3%，其中在疫情期間，由于人們外出不便，實物零售在電商平臺的零售額創(chuàng)歷史新高，同比增長14.3%。而農(nóng)產(chǎn)品食用類增長尤為明顯，同比增長38.8%[1]。在疫情期間，生鮮瓜果蔬菜等農(nóng)產(chǎn)品在電商平臺迅速售罄，農(nóng)產(chǎn)品銷售方式多樣，不斷在電商平臺創(chuàng)新，農(nóng)產(chǎn)品的銷量一路飆升。但由于每個人的喜好不同，國內(nèi)電商平臺雖然擁有推薦功能，但對于推薦農(nóng)產(chǎn)品存在較大的誤差，人們尋找個人喜愛的農(nóng)產(chǎn)品比較困難。我國農(nóng)產(chǎn)品消費市場需要一個標準化、全面性的、個性化推薦的農(nóng)產(chǎn)品電商平臺。所以，在全民網(wǎng)購的大背景下，亟需設(shè)計出一個能根據(jù)個人需求、喜好來推廣農(nóng)產(chǎn)品的電商平臺。

1 協(xié)同過濾算法

協(xié)同過濾（Collaborative Filtering，CF）是推薦系統(tǒng)中誕生較早、廣為使用的一種推薦算法，其利用搜集的個人及群體興趣愛好歷史行為數(shù)據(jù)來進行分析、處理，得出用戶感興趣的推薦信息[2]。協(xié)作過濾算法最重要的一點是根據(jù)興趣選擇和潛在需求創(chuàng)建個性化推薦。個性化推薦可以幫助銷售農(nóng)產(chǎn)品的商家及網(wǎng)站迅速而有效地為消費者推薦感興趣的商品，滿足消費者的需求，提高消費者的購物效率，提升消費者的購物體驗[3]。在電子商務(wù)平臺上對不同用戶使用協(xié)同過濾算法時，采用了2 種推薦協(xié)同過濾的模型，即協(xié)同用戶過濾模型、協(xié)同產(chǎn)品過濾算法的推薦模型。

1.1 基于用戶相似度的協(xié)同過濾算法

基于用戶相似度的協(xié)同過濾算法通常融合了屬性相似度、用戶喜好相似度、用戶間評分相似度和用戶瀏覽相似度等相關(guān)相似度的權(quán)重計算辦法[4]。用戶間評分相似度和用戶喜好相似度采用加權(quán)平均分組合方式，由于用戶間評分相似度更穩(wěn)定的能體現(xiàn)用戶相似度，采用相似度計算辦法一般首要選擇評分相似度，將其他相似度權(quán)重占比設(shè)置為小于評分占比。

該算法在電商平臺主要應(yīng)用意義是根據(jù)用戶之間的喜好、相似度和用戶之間相互關(guān)聯(lián)來得出個性化推薦。在農(nóng)產(chǎn)品電商平臺，依據(jù)用戶對產(chǎn)品的需求和偏好，尋找與用戶瀏覽或評分收藏相似度趨近的用戶，再按照用戶與用戶之間相關(guān)聯(lián)的某一點，比如：收藏、購物車等，按照相似點進行精準推薦，推薦原理如圖1。

圖1 基于用戶相似度的協(xié)同過濾推薦原理圖

1.2 基于產(chǎn)品的協(xié)同過濾算法

基于產(chǎn)品的協(xié)同過濾算法通常采用最近鄰（KNearest-Neighbor，KNN）算法，利用用戶的歷史記錄來計算用戶之間的距離，然后利用目標用戶的最近鄰用戶對物品評價來預(yù)測目標用戶對其他未評價物品的感興趣程度，系統(tǒng)從而根據(jù)這一感興趣程度來對目標用戶進行推薦[5]。

該算法在電商平臺的應(yīng)用意義是根據(jù)用戶對產(chǎn)品的喜好程度、產(chǎn)品頁面瀏覽次數(shù)、產(chǎn)品的搜索次數(shù)和產(chǎn)品之后可能存在的潛在需求等進行個性化推薦。在農(nóng)產(chǎn)品電商平臺，依照用戶對于某一產(chǎn)品的喜好，能及時將相似的產(chǎn)品進行推薦給用戶。另一種計算方法是根據(jù)用戶通過瀏覽、購買或者收藏產(chǎn)品之后，通過用戶操作次數(shù)判斷用戶對于產(chǎn)品的潛在需要。

2 協(xié)同過濾算法在系統(tǒng)中的設(shè)計

2.1 基于產(chǎn)品評分的個性化推薦

系統(tǒng)設(shè)置商品打分功能及記錄用戶行為的功能，數(shù)據(jù)庫中記錄所有用戶對各個商品的點擊（瀏覽）數(shù)及購買次數(shù)。打分五分制，另外兩項數(shù)據(jù)進行歸一化處理，同樣實行五分制，購買次數(shù)占比60%，瀏覽次數(shù)占40%，計算一個分數(shù)。推薦之前需要找到目標用戶與其他用戶分別有過的相同評分或者瀏覽、購買記錄的商品，以商品評分作為第一評分標準，如果沒有就采取瀏覽點擊行為來計分。把目標用戶與其他用戶及商品構(gòu)造一個user-score 二維矩陣U 如圖2，利用如式（1）計算目標用戶與其他用戶的相似度。

圖2 二維矩陣圖

其中，R(u，i)是第u 個用戶對第i 個用戶的打分，R(i)是第i 個物品的平均得分。用該式計算目標用戶與其他所有用戶的相似度Sim(i)，然后取出前五名，把五名用戶常購買或者瀏覽的前十名并且目標用戶未購買過的產(chǎn)品，作為待推薦商品。

用戶對推薦的產(chǎn)品興趣計算公式為式（2）。

最后，向目標用戶推薦前十名產(chǎn)品。這是推薦產(chǎn)品的第一種方式。

2.2 基于產(chǎn)品相似度的個性化推薦

第二種推薦方式，系統(tǒng)設(shè)置了喜歡按鈕，用戶可點擊表示喜歡某個物品，該行為會記錄在數(shù)據(jù)庫中，然后根據(jù)式（3）計算產(chǎn)品的相似度。

在公式中，分母|N(i)|表示對產(chǎn)品i 喜好的用戶數(shù)量，同時分子表示對產(chǎn)品i、產(chǎn)品j 喜好的用戶數(shù)量。因此，式3可以理解為對產(chǎn)品i有喜好傾向的用戶比例中含有對產(chǎn)品j 喜好的用戶數(shù)量。然后創(chuàng)建一個二維矩陣來計算物品之間的相似性，計算其他商品與該商品的相似程度，最后把與目標物品相似的其他10種物品推薦給用戶。

3 協(xié)同過濾算法融合標簽解決冷啟動問題

傳統(tǒng)的協(xié)同過濾算法在初始階段存在冷啟動問題，基于物品評分和物品相似度2 種推薦方式擁有局限性，由于剛注冊的新用戶沒有以上2 種推薦方式所必須的內(nèi)容，所以無法根據(jù)相關(guān)記錄進行推薦操作，此類問題稱為冷啟動。對于冷啟動用戶，標簽和推薦算法可以合理應(yīng)用。用戶首次登陸需要選擇喜歡的標簽，標簽不僅能清晰地表達物品的屬性，還能很好地反映用戶的喜好。根據(jù)用戶的標簽選擇，構(gòu)建用戶的短期畫像，并向新用戶進行短期興趣推薦。多種標簽數(shù)據(jù)的選擇與應(yīng)用解決了數(shù)據(jù)稀疏的問題。結(jié)合以上兩種推薦方法，可實現(xiàn)無真空期推薦。

4 與傳統(tǒng)農(nóng)產(chǎn)品電商平臺比較測試

與傳統(tǒng)的農(nóng)產(chǎn)品電子商務(wù)平臺相比，協(xié)同過濾算法集成了標簽，提高了農(nóng)產(chǎn)品電子商務(wù)平臺用戶的購買體驗，拓寬了農(nóng)產(chǎn)品銷售市場。優(yōu)化提升了對于農(nóng)產(chǎn)品的評估策略，在農(nóng)產(chǎn)品電商平臺利用傳統(tǒng)協(xié)同過濾算法的基礎(chǔ)上增加了用戶瀏覽商品的相似度計算，使得個性化推薦時誤差值逐漸降低。根據(jù)新注冊登錄的新用戶采用標簽，在第一時間獲取到用戶的喜好和需求。

農(nóng)產(chǎn)品電子商務(wù)平臺的設(shè)計解決了傳統(tǒng)農(nóng)產(chǎn)品電子商務(wù)平臺的冷啟動問題和評分矩陣的稀疏性。

5 結(jié)語

該平臺的設(shè)計主要解決目前互聯(lián)網(wǎng)資源過剩、電商平臺農(nóng)產(chǎn)品資源繁雜、尋找心儀農(nóng)產(chǎn)品所需時間較多等問題，在設(shè)計過程中，新用戶采用標簽記錄個人喜好進行初期個性推薦，用戶在電商平臺有瀏覽、購物行為之后，采用基于協(xié)同過濾算法對農(nóng)產(chǎn)品進行個性化推薦，給用戶帶來了良好的購物體驗，用戶能夠在第一時間內(nèi)尋找所需求的農(nóng)產(chǎn)品。