摘  要： 采用基于協(xié)同過濾和基于內(nèi)容的混合推薦技術(shù)，為新用戶和老用戶提供了不同的推薦策略。構(gòu)建了基于移動(dòng)Agent的物流商推薦模型，通過所設(shè)計(jì)的不同Agent間的交互機(jī)制及Agent知識(shí)庫，為用戶自動(dòng)化地推薦低成本、高效率物流配送。解決了C2C電子商務(wù)平臺(tái)無法向用戶提供高質(zhì)量物流服務(wù)的需求問題。
關(guān)鍵詞： 層次分析法；協(xié)同過濾技術(shù)；基于內(nèi)容推薦技術(shù)；移動(dòng)代理

　隨著網(wǎng)絡(luò)技術(shù)的日新月異，電子商務(wù)也得到了空前發(fā)展。推薦技術(shù)使用數(shù)據(jù)挖掘技術(shù)來分析電子商務(wù)網(wǎng)站的用戶訪問行為，準(zhǔn)確識(shí)別用戶的喜好[1]。利用推薦技術(shù)可以向用戶推薦符合需求的物流服務(wù)供應(yīng)商。目前已有一些電子商務(wù)平臺(tái)引入了簡單的物流商推薦服務(wù)，如淘寶網(wǎng)與一些業(yè)內(nèi)主要的物流商簽署合同，簽約的物流商將進(jìn)入淘寶推薦列表[2]。但這些并不是真正意義上的個(gè)性化推薦。推薦的過程不僅需要參考物流商的一些屬性，同時(shí)也要考慮用戶的偏好。本文在設(shè)計(jì)物流商推薦系統(tǒng)的過程中，把基于內(nèi)容的推薦技術(shù)與協(xié)同過濾技術(shù)相結(jié)合，形成混合型的推薦算法，為新用戶和老用戶設(shè)計(jì)了不同的推薦策略。
　移動(dòng)Agent在復(fù)雜的網(wǎng)絡(luò)系統(tǒng)中能從一臺(tái)主機(jī)移動(dòng)到另一臺(tái)主機(jī)自主地選擇時(shí)間和目標(biāo)，將這一功能應(yīng)用于物流商推薦系統(tǒng)可以做到克服網(wǎng)絡(luò)延遲、包裝不同的協(xié)議、異步和自主執(zhí)行等[3]。本文利用多Agent技術(shù)設(shè)計(jì)了物流商推薦的模型，并根據(jù)推薦過程中的功能需要封裝了多個(gè)功能獨(dú)立的Agent，設(shè)計(jì)了不同Agent之間的交互機(jī)制以及Agent知識(shí)庫的構(gòu)建。
1 物流商評(píng)價(jià)體系的設(shè)計(jì)
　通過對(duì)國內(nèi)外相關(guān)文獻(xiàn)的分析，確定了企業(yè)能力、組織角色、服務(wù)水平和客戶反應(yīng)等四個(gè)一級(jí)指標(biāo)。隨后有針對(duì)性地對(duì)一些經(jīng)常網(wǎng)購的消費(fèi)者進(jìn)行調(diào)研訪談。結(jié)果顯示組織角色因素不影響消費(fèi)者的滿意度，因而最終確定企業(yè)能力、服務(wù)水平、客戶反應(yīng)等一級(jí)指標(biāo)，然后在一級(jí)指標(biāo)的基礎(chǔ)上劃分了若干個(gè)二級(jí)指標(biāo)，同時(shí)應(yīng)用層次分析法參照專家的打分計(jì)算各指標(biāo)的權(quán)重。為物流商評(píng)價(jià)指標(biāo)的各個(gè)選項(xiàng)都賦予了不同的取值，基本規(guī)則是各屬性中的A、B、C、D選項(xiàng)對(duì)應(yīng)的數(shù)值分別為1、0.8、0.5和0.3。在計(jì)算各個(gè)物流商的評(píng)價(jià)值時(shí)，根據(jù)加權(quán)和的高低對(duì)物流商進(jìn)行排序。
　在建立物流商評(píng)價(jià)體系后，需要設(shè)計(jì)一套與物流商評(píng)價(jià)體系對(duì)應(yīng)的用戶需求模型，引導(dǎo)用戶注冊(cè)時(shí)填寫。這些數(shù)值可以隨著用戶需求的變化而修改。參考對(duì)應(yīng)的物流商評(píng)價(jià)體系指標(biāo)設(shè)定了模型中每一條屬性權(quán)重值。將實(shí)時(shí)體現(xiàn)用戶需求與物流商相匹配，可以為用戶推薦滿足需求的物流商。
2 物流商混合推薦設(shè)計(jì)
　把用戶分為新用戶和老用戶，對(duì)不同的用戶類型采取不同的推薦策略。對(duì)新用戶單純使用協(xié)同過濾方法存在冷啟動(dòng)和稀疏性的問題；對(duì)于老用戶，可以推薦與其評(píng)價(jià)較高的物流商相似的物流商。
2.1相似性計(jì)算
　分別計(jì)算了用戶的相似性與物流商的相似性。
（1）用戶相似性的計(jì)算
用戶相似性不僅計(jì)算用戶模型相似性，同時(shí)也計(jì)算用戶評(píng)價(jià)相似性。在協(xié)同過濾技術(shù)中夾角余弦相似性度計(jì)算方法的基礎(chǔ)上考慮到了各個(gè)分量的權(quán)重值演化形成用戶需求模型公式：

?。?）物流商相似性的計(jì)算策略
　物流商相似性采用與計(jì)算用戶模型相似性時(shí)使用的夾角余弦相似性度公式進(jìn)行計(jì)算，同時(shí)也要考慮物流商評(píng)價(jià)體系指標(biāo)權(quán)重值的問題。
在基于物流商相似性進(jìn)行推薦的過程中，綜合考慮了各個(gè)物流商在物流商評(píng)價(jià)體系中的綜合排名，并將用戶滿意度作為物流商評(píng)價(jià)及其相似性計(jì)算的重點(diǎn)考察指標(biāo)。首先確定用戶其評(píng)價(jià)較高的物流商，并計(jì)算了其評(píng)價(jià)較高的物流商與其他物流商之間的相似性，根據(jù)相似性由高到低的排序結(jié)果即可視為推薦對(duì)象。
2.2 推薦策略
　根據(jù)用戶是否使用過物流商將其分為新用戶和老用戶兩種用戶類型，對(duì)于不同類型的用戶設(shè)計(jì)了不同的相似性計(jì)算方法及推薦策略。
?。?）新用戶推薦策略過程
　先根據(jù)該用戶的需求模型通過式（1）計(jì)算與其他用戶需求模型的相似性。然后根據(jù)相似性的計(jì)算結(jié)果確定該用戶的近鄰。之后將這些近鄰使用次數(shù)較多且給予的評(píng)價(jià)較高的物流商通過式（2）選出。并根據(jù)式（3）預(yù)測用戶對(duì)于該物流商的興趣度。最后按照興趣度從高到低的順序選擇前5位物流商作為推薦的候選對(duì)象。依據(jù)之前計(jì)算出物流商的評(píng)價(jià)值并排序，挑選排名靠前的5個(gè)物流商作為的輔助推薦。
?。?）老用戶推薦策略過程
　挑選出老用戶評(píng)價(jià)最高的物流商，依據(jù)物流商評(píng)價(jià)體系中的屬性值計(jì)算出物流商之間的相似性，然后依據(jù)評(píng)價(jià)較高的物流商與其他物流商相似性值排序向用戶推薦出前5位。為了讓老用戶發(fā)現(xiàn)新的感興趣的物流商，系統(tǒng)在后臺(tái)通過評(píng)價(jià)矩陣代入Pearson相關(guān)系數(shù)方法，計(jì)算出老用戶與其他用戶的評(píng)價(jià)相似性，將評(píng)價(jià)相似性值加上式（1）計(jì)算出的用戶需求模型相似性得到總相似性值。根據(jù)總相似性值排序選取靠前的做為鄰居用戶，將相似性值與鄰居用戶對(duì)物流商的評(píng)價(jià)值代入式（3）得到用戶對(duì)所有物流商的興趣度，最后排序選取前5位進(jìn)行輔助推薦。
3 基于移動(dòng)Agent的推薦技術(shù)設(shè)計(jì)
3.1知識(shí)庫與推理機(jī)的設(shè)計(jì)
　本文使用基于本體的知識(shí)庫構(gòu)建方法構(gòu)建Agent知識(shí)庫。將物流商的考核指標(biāo)、用戶背景信息中的相關(guān)屬性以及用戶對(duì)物流商的評(píng)價(jià)信息作為知識(shí)庫中的元素組件，完成了知識(shí)庫中規(guī)則與知識(shí)塊的設(shè)計(jì)。
　知識(shí)庫針對(duì)不同類型的系統(tǒng)使用者設(shè)計(jì)了不同的規(guī)則，計(jì)算出新老用戶以及物流商的鄰居。并根據(jù)式（2）更新用戶對(duì)物流商的喜好程度。知識(shí)庫將用戶模型相似性和評(píng)價(jià)相似性求得的鄰居用戶相結(jié)合并與該用戶劃為具有相近特定需求的一類用戶。而物流水平則包括依據(jù)規(guī)則得到的用戶對(duì)物流商的喜好度與物流商的鄰居。
　在推理模型設(shè)計(jì)時(shí)，基于BDI的方式構(gòu)建了Agent的推理模型，首先，將整個(gè)推薦過程分解為用戶類型的獲取、相似性計(jì)算、近鄰確定、推薦策略的確定、推薦算法的執(zhí)行及推薦結(jié)果的產(chǎn)生等核心過程，并確定了求解問題的目標(biāo)，即在相似性分析的基礎(chǔ)之上產(chǎn)生推薦列表。與此同時(shí)，將不同的過程視為不同的子目標(biāo)，每個(gè)子目標(biāo)由單獨(dú)的Agent完成。
　以推薦Agent進(jìn)行物流商的推薦為例，在具體的設(shè)計(jì)過程中，將推薦Agent執(zhí)行推薦的目標(biāo)分為用戶類型的獲取、相似性的獲取、推薦策略的制定及推薦列表的生成等。其中，每個(gè)子目標(biāo)完成后引發(fā)后續(xù)目標(biāo)的執(zhí)行，對(duì)推薦Agent對(duì)于每個(gè)子目標(biāo)執(zhí)行的行為進(jìn)行了定義，并利用了對(duì)應(yīng)的數(shù)據(jù)信息的來源。
3.2 運(yùn)行機(jī)制
　用戶登錄時(shí)，管理Agent會(huì)根據(jù)用戶標(biāo)示為該用戶創(chuàng)建一個(gè)用戶Agent，直到該用戶退出系統(tǒng)或登錄超時(shí)，該用戶Agent才會(huì)自動(dòng)消亡。預(yù)先在推薦Agent中定義根據(jù)用戶的具體類型確定相應(yīng)的推薦策略。推薦Agent從用戶Agent獲取用戶的類型，并確定推薦策略，給計(jì)算Agent發(fā)請(qǐng)求信息，計(jì)算Agent收到請(qǐng)求，移動(dòng)到服務(wù)器，從知識(shí)庫中調(diào)用該用戶需求體現(xiàn)和物流商的服務(wù)水平，經(jīng)過加工計(jì)算確定推薦，之后將推薦Agent需要的數(shù)據(jù)信息通過ACL消息傳遞給推薦Agent，并顯示給瀏覽器端的用戶。用戶使用后對(duì)物流商進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果通過Agent反饋到數(shù)據(jù)庫中，知識(shí)庫調(diào)整用戶的需求體現(xiàn)。
3.3 核心Agent通信及推理的實(shí)現(xiàn)
　在該推薦系統(tǒng)中，計(jì)算Agent在用戶離線時(shí)主要負(fù)責(zé)知識(shí)庫的完善工作，即根據(jù)用戶需求模型的信息、物流商評(píng)價(jià)體系的相關(guān)信息、歷史的使用記錄和評(píng)價(jià)信息等進(jìn)行相似度的計(jì)算，得到用戶需求體現(xiàn)和物流商的服務(wù)水平。在用戶使用推薦系統(tǒng)時(shí)，計(jì)算Agent獲取推薦Agent傳遞的推薦策略類型，并從知識(shí)庫中獲取相似性計(jì)算結(jié)果，加工計(jì)算用戶興趣度等信息，然后將所計(jì)算結(jié)果傳遞給推薦Agent。
　推薦Agent主要負(fù)責(zé)推薦策略的制定及推薦結(jié)果的攜帶與顯示。首先判斷用戶的類型，從而根據(jù)規(guī)則配置具體的推薦策略，結(jié)合計(jì)算Agent提供的計(jì)算結(jié)果排序再加工得到推薦結(jié)果。推薦策略對(duì)于新用戶根據(jù)其與已有用戶的相似性確定其近鄰，然后查詢這些近鄰使用過的物流商，綜合物流商在評(píng)價(jià)體系中的排序結(jié)果以及已有的評(píng)價(jià)信息為新用戶提供推薦。而對(duì)于已使用過推薦服務(wù)的用戶，計(jì)算物流商之間的相似性，將與用戶使用過的物流商的近鄰以及排在物流商評(píng)價(jià)體系中前5的物流商推薦給用戶。同時(shí)對(duì)于老用戶還依據(jù)用戶需求模型和評(píng)價(jià)使用信息確定鄰居用戶，并觀察鄰居對(duì)物流商的評(píng)價(jià)，從而發(fā)現(xiàn)新興趣。
　結(jié)合移動(dòng)Agent系統(tǒng)的開發(fā)技術(shù)，設(shè)計(jì)了物流商的自動(dòng)化推薦機(jī)制，首先根據(jù)一系列的物流商的評(píng)價(jià)指標(biāo)對(duì)相應(yīng)的物流商進(jìn)行排序，然后根據(jù)用戶的個(gè)性化需求及其使用物流商的歷史記錄，為用戶自動(dòng)化地推薦能夠以較低花費(fèi)、較高配送效率為其提供服務(wù)的物流商，從而解決了C2C電子商務(wù)平臺(tái)無法向用戶提供高質(zhì)量物流服務(wù)需求的問題。移動(dòng)Agent的智能性和適應(yīng)性較好地為該推薦機(jī)制提供了實(shí)現(xiàn)方法。
參考文獻(xiàn)
[1] GANESH V. A framework for evaluating third-party logistics[J]. Communications of the ACM， 2005， 48（1）： 89-94.
[2] 劉禮金.淘寶推薦物流與我國電子商務(wù)物流發(fā)展思考[J].物流科技，2012（6）：4-6.
[3] LUO Y. E-commerce personalized recommendation system design based on multi-Agent[J]. Advances in Intelligent and Soft Computing， 2012, 168(1):159-164.