李紅瑩 張志清

摘? 要：在大數據信息技術的推動下，車貨匹配平臺迅速發(fā)展，市場競爭日趨激烈，同時市場對車貨信息匹配精準度和效率有了更高要求。提高車貨信息匹配的精準度不僅有助于車貨匹配平臺降低運營成本，提高業(yè)務效率，輔助業(yè)務決策，從而還可以實現更加有效地提高客戶滿意度。因此，文章通過對車貨匹配現狀進行分析，結合車貨匹配平臺的用戶業(yè)務數據和行為數據，利用畫像技術建立合理的畫像標簽體系，運用協同過濾推薦算法挖掘出具有不同業(yè)務類型的用戶群體，以期為用戶提供精準化個性服務。

關鍵詞：畫像技術;車貨匹配;協同過濾

中圖分類號：U294??? 文獻標識碼：A

Abstract： With the promotion of big data information technology， the vehicle and cargo matching platform develops rapidly， and the market competition becomes increasingly fierce. At the same time， the market has higher requirements for the accuracy and efficiency of vehicle and cargo information matching. Improving the accuracy of vehicle and cargo information matching not only helps the vehicle and cargo matching platform to reduce operating costs， improve business efficiency and assist business decisions， but also can achieve more effective improvement of customer satisfaction. Therefore， by analyzing the status quo of vehicle and cargo matching and combining the user business data and behavior data of the vehicle and cargo matching platform， this paper uses portrait technology to establish a reasonable portrait labeling system， and uses collaborative filtering recommendation algorithm to mine out user groups with different business types， in order to provide accurate personalized services for users.

Key words： user portrait; vehicle-cargo matching; collaborative filtering

0? 引? 言

隨著物流行業(yè)的不斷發(fā)展，人們對物流服務的要求也越來越高，車貨的有效匹配不僅可以提高資源的有效利用率，降低空駛率，還能提高客戶的滿意度。關于車貨匹配，目前的研究主要集中在以下幾個方面：齊向春[1]借鑒國內外車貨平臺企業(yè)成功發(fā)展經驗，設計鐵路物流車貨匹配平臺的功能模塊和邏輯架構。并結合鐵路物流業(yè)務的發(fā)展需要，提出了近期建成面向鐵路貨源的接取送達找車平臺，中期建成面向社會貨源的車貨匹配交易平臺，遠期建成向物流金融、商貿延伸的車貨匹配平臺的建設思路。王爽等[2]通過對國內現有車貨匹配平臺進行分析比較，從車貨匹配平臺的組成部分、信任機制、監(jiān)管機制和盈利模式等四方面提出幾點創(chuàng)新性建議，將線下資源整合到平臺中，對實現車貨精準匹配、資源整合和提高行業(yè)效率有實際意義。張玲燕[3]首先對配載型物流信息服務平臺發(fā)展現狀進行了概述;其次分析了平臺的車貨供需匹配主體及匹配原則;再次分析了平臺的車貨供需匹配運作機理;最后分析了平臺的車貨供需匹配關鍵模塊。王蓓蓓、崔杰[4]針對含有灰色、模糊等不確定信息的車貨供需雙邊匹配決策問題，利用灰色絕對關聯度分析法測度匹配主體的滿意度，建立基于匹配距離和匹配距離偏差最小的多目標灰色雙邊匹配模型，有效地設計車貨供需匹配方案，提高雙方主體的滿意度和匹配率。郭靜妮[5]在描述車貨供需匹配問題的基礎上，建立了車源方與貨源方相互的多指標語言評價體系，通對三角模糊數的應用以及模糊數清晰化的效用函數的引入，將語言評價集進行量化，提出了基于車源方與貨源方相互滿意度整體最高的模糊群決策方法。李慧[6]分析了配載型物流信息服務平臺的車貨供需匹配機理。結合車貨配載供需匹配的實際情況，分析了平臺供需匹配的主體、供需匹配的原則、供需匹配的流程、供需匹配的機理、供需匹配的模塊及經營模式。為物流信息服務平臺的供需匹配模塊構建提供了可改進的思路。Gale和Shapley[7]在1962年提出的Gale-Shapley算法，是最先涉及雙邊匹配決策問題的研究。后續(xù)學者將最初的算法做了補充和擴展，把雙邊匹配決策應用到更多領域，如Roth[8-9]明確界定了“雙邊”和“雙邊匹配”的概念，并基于對醫(yī)學實習生與醫(yī)院匹配的現實問題研究，提出Hospital-Resident匹配理論。國外數據畫像技術，Omar Hasan，Benjamin Habegger等人[10]也分析了在用戶畫像的隱私挑戰(zhàn)的討論大數據的技術，Ana Stanescu， Swapnil Nagar等人[11]也在用戶畫像建模方面進行了研究，通過關鍵字與評價進行建模。Paula Pe？觡a， Rafael del Hoyo，Jorge Vea-Murguía， et al[12]為推特上的用戶集體知識本體用戶畫像進行了研究。

綜上所述，本文將車貨匹配與畫像技術結合起來，提出用畫像技術對車貨雙方進行畫像，以便更好地了解雙方需求，并運用相似度計算方法對車貨雙方進行精準匹配，盡可能快速的幫車找到貨，幫貨找到車，提高資源利用率，降低車輛空駛率。

1? 基于畫像技術的車貨供需匹配模型的構建

1.1? 車貨匹配用戶畫像模型

根據獲取的有關用戶基本信息數據及動態(tài)行為數據信息，可以依次構建車貨匹配用戶畫像模型，以實現個性化信息服務。在進行數據處理時，可以利用數據挖掘技術、知識發(fā)現技術、信息過濾算法、聚類算法、相似度算法等大數據技術，完成對用戶數據信息科學、有效、具體的描述，同時隨著用戶動態(tài)行為數據的不斷更新與變化，構建模型的過程也需要不斷地優(yōu)化與更新，才能準確、合理地構建用戶畫像模型，為數字車貨供需精準匹配個性化信息服務提供數據基礎與信息保障。構建車貨匹配系統(tǒng)，主要包括車主和貨主的基本信息，車貨匹配平臺根據車主的信息和興趣度，再結合貨主擁有的貨物類型，結合雙方標簽用協同過濾的方法為車主和貨主雙方進行匹配。車貨匹配畫像模型如圖1所示。

1.2? 標簽體系的設計與構建

車主和貨主用戶畫像由車主維度和貨主維度共同組成，其中，車主維度由定性用戶畫像的車輛屬性特征、車主行為特征和車主興趣特征構成。貨主維度是由貨物種類 、貨物信息等構成。多維度標簽體系的構建如表1所示：

1.3? 車貨精準匹配流程

通過分析車主和貨主的信息和需求，為雙方建立各自的標簽，用協同過濾方法計算出雙方的標簽相似度，根據標簽信息的相似性通過匹配服務推薦系統(tǒng)，最終為車主找到合適的貨物，為貨物找到合適的車主，為其雙方提供更加精準的個性化服務。車貨匹配流程如圖2所示。

1.4? 數據采集

用戶畫像是用來描繪目標用戶特征的，必須要遵循數據是用戶真實有效的信息這一原則，確保信息是真實、客觀、可靠的。然后為了保障能夠獲得有效的用戶信息，實現對車貨匹配用戶的畫像，實現車貨匹配的優(yōu)化，本文將數據采集所涉及的內容劃分為以下幾個維度，包括有用戶基本信息、行為偏好、服務價值以及對匹配服務認可參與情況。為了實現對車貨匹配用戶的畫像，本文圍繞這些維度在中國物通網搜集了相關信息，主要了解車主的基本信息，比如車型、車長、載重、車主的專業(yè)性等。此外還包括車主行為、車主興趣、車主的服務價值，貨源的基本信息等。

2? 基于用戶畫像的協同過濾推薦

本文所要分析的是基于用戶的協同過濾推薦，通過該方法為車貨供需精準匹配個性化推薦系統(tǒng)進行設計，并計算車貨匹配平臺中車主和貨主的標簽相似度，根據兩者的相似度進行匹配，這樣可以讓車主迅速找到合適的貨源，讓貨主也快速找到合適的車輛來運輸貨物。由于車主和貨主信息之間的相似度不僅能通過車主和貨主對所推薦項目的評分情況來計算，還能根據車主和貨主對待推薦項目所打標簽的情況進行分析。當車主和貨主對項目的標簽打的分數相似時，可以說明車主和貨主有著相似的需求偏好，也就是兩者有較高的相似度，比如用戶u對一個項目的標簽屬性感興趣，那么與用戶u相似的鄰居用戶集合u中每一個用戶都有可能和u的興趣偏好具有一定的相似度。例如，用戶u的主題興趣領域分類中車輛和車主的信息偏多，那么用戶的鄰居用戶也應該對車輛和車主相關的主題興趣領域比較感興趣。目前很多學者將用戶信息和項目信息使用到核心算法的改進中，而且對用戶和項目的建模不斷完善，最后得到的推薦結果信息的精準度就越高，基于用戶的協同過濾推薦算法的主要步驟如下所示：

2.1? 構建用戶評分矩陣

根據前面畫像技術建立的標簽，用集合T，T，…，T表示標簽集，車主的集合用U，U，…，U表示，貨主的集合用V，V，…，V表示，R表示車主i在標簽j上的權重。權重評分值介于0～4，假設T=4則表示車主i具備標簽屬性j權重為 4，T=0代表車主i不具備標簽屬性j，用戶對項目的評分矩陣是車主和貨主雙方對某一標簽的綜合評分。

從標簽屬性表中可以計算得出標簽屬性的偏好矩陣S，從用戶項目評分表中直接得出該用戶的評分數據矩陣R。其中，屬性偏好矩陣S的維度為m×k，m表示車主的個數，整體的標簽特征總和為k，Weight表示活躍車主i所評價的所有項目的第j個標簽特征的總權重。R矩陣用來表示用戶的評分數據，其維度為m×n，維度m代表注冊用戶個數，維度n代表待推薦項目個數。當r≠0時表示用戶i在過去的一段時間內對項目j有過評分，評分值為r;當r=0時，則表示用戶i對項目j的記錄中沒有過評分。評分矩陣如下：

S=， R=

其中：Weight=∑T，C為用戶i評分的所有項目集合。

2.2? 計算標簽相似度

根據標簽屬性偏好矩陣S和公式（1）來計算系統(tǒng)中各個用戶的標簽屬性偏好量：P=P，P，P，…，P;接著使用公式（2）來分別計算兩個用戶的標簽偏好量的相似度Similarityu，v，u和v代表兩個用戶。

P=??????????????????????????????????????????????? （1）

Weight代表用戶u對項目第i個標簽屬性的總權重，Weight=∑T， C為目標用戶所評分的所有項目和。同樣使用Weight來代表用戶所評論的所有相關項目包含的所有標簽屬性的總權重：

Weight=∑Weight

Similarityu，v=?????????????????????????????????? （2）

2.3? 生成推薦結果

3? 車貨供需精準匹配實例分析

車主和貨主畫像：

在中國物通網隨機獲取一些相關信息，主要包括車主和貨主的基本數據信息，通過對獲得的相關數據信息進行數據清理后，并將部分數據進行數據清理后，下面選取10位車主和貨主的信息作為本文的樣本，如表4、表5所示，車貨匹配結果如表6、表7、表8所示。

通過標簽打分以及上述相似度公式計算發(fā)現貨主3和粵B**345的相似度高于貨主3和粵B**2K5以及貨主3和粵S**819，所以把貨主3推薦給粵B**345較為合適。

4? 結論與展望

本文的主要研究內容是在車貨匹配領域，針對用戶平臺畫像，分析相關數據，并且從用戶基本信息、行為偏好、服務價值以及對匹配服務認可參與情況等幾個維度建立車貨匹配標簽模型，以及用戶畫像的生成標簽屬性和每個標簽權重的計算獲取，也對用戶畫像的意義進行了相應的分析，結果發(fā)現基于畫像技術的車貨供需精準匹配不僅優(yōu)化了用戶體驗還實現了貨物的精準匹配。由于推薦系統(tǒng)在快速的發(fā)展，其研究方向也呈現出不同的趨勢。與此同時大量數據的堆積和冗余也使進行精準的用戶數據畫像研究成為可能。面對新技術的挑戰(zhàn)，后續(xù)的研究工作還很長遠，需要在實時性以及用戶和項目的建模兩個方面進行深入研究。

參考文獻：

[1] 齊向春. 我國鐵路物流車貨匹配平臺設計研究[J]. 鐵道運輸與經濟，2018，40（6）：29-34.

[2] 王爽，劉立強，葛林，等. 車貨匹配平臺創(chuàng)新模式探討[J]. 黑龍江科學，2017，8（4）：30-31，33.

[3] 張玲燕. 基于配載型物流信息服務平臺的車貨供需匹配技術研究[J]. 粘接，2020，43（9）：189-192.

[4] 王蓓蓓，崔杰. 基于灰色絕對關聯度的車貨雙邊匹配決策研究[J]. 價值工程，2019，38（23）：122-125.

[5] 郭靜妮. 基于模糊群決策方法的車貨供需匹配研究[J]. 交通運輸工程與信息學報，2017，15（4）：141-146.

[6] 李慧. 配載型物流信息服務平臺的車貨供需匹配研究[D]. 北京：北京交通大學（碩士學位論文），2015.

[7]? Gale D， Shapley L. College admissions and the stability of marriage[J]. American Mathematical Monthly， 1962，69（1）：9-15.

[8]? Roth A E. Common and Conflicting Interests in Two-Sided Matching Markets[J]. European Economic Review， 1985，27（1）：75

-96.

[9]? Roth A E. On the Allocation of Residents to Rural Hospitals： A General Property of Two-Sided Matching Markets[J]. Econometrica， 1986，54（2）：425-427.

[10]? Hasan O， Habegger B， Brunie L， et al. A discussion of privacy challenges in user profiling with big data techniques： The EEXCESS use case[C] // 2013 IEEE International Congress on Big Data. IEEE， 2013：25-30.

[11]? Stanescu A， Nagar S， Caragea D. A hybrid recommender system： User profiling from keywords and ratings[C] // 2013 IEEE

/WIC/ACM International Joint Conferences on Web Intelligence （WI） and Intelligent Agent Technologies （IAT）. IEEE， 2013，1：73-80.

[12]? Paula Pe a， Rafael del Hoyo， Jorge Vea-Murguía， et al. Collective Knowledge Ontology User Profiling for Twitter[C] // IEEE/WIC/ACM International Conferences on Web Intelligence （WI） and Intelligent Agent Technology （IAT）， 2013.