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Agent的物流商推薦模型，通過所設(shè)計的不同Agent間的交互機制及Agent知識庫,，為用戶自動化地推薦低成本,、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，準確識別用戶的喜好[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,，簽約的物流商將進入淘寶推薦列表[2]。但這些并不是真正意義上的個性化推薦,。推薦的過程不僅需要參考物流商的一些屬性,，同時也要考慮用戶的偏好。本文在設(shè)計物流商推薦系統(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)計了不同的推薦策略,。
　移動Agent在復雜的網(wǎng)絡(luò)系統(tǒng)中能從一臺主機移動到另一臺主機自主地選擇時間和目標,，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功能獨立的Agent,，設(shè)計了不同Agent之間的交互機制以及Agent知識庫的構(gòu)建,。
1 物流商評價體系的設(shè)計
　通過對國內(nèi)外相關(guān)文獻的分析，確定了企業(yè)能力,、組織角色,、服務(wù)水平和客戶反應(yīng)等四個一級指標。隨后有針對性地對一些經(jīng)常網(wǎng)購的消費者進行調(diào)研訪談,。結(jié)果顯示組織角色因素不影響消費者的滿意度,，因而最終確定企業(yè)能力、服務(wù)水平,、客戶反應(yīng)等一級指標,，然后在一級指標的基礎(chǔ)上劃分了若干個二級指標，同時應(yīng)用層次分析法參照專家的打分計算各指標的權(quán)重,。為物流商評價指標的各個選項都賦予了不同的取值,，基本規(guī)則是各屬性中的A、B,、C,、D選項對應(yīng)的數(shù)值分別為1、0.8,、0.5和0.3,。在計算各個物流商的評價值時,，根據(jù)加權(quán)和的高低對物流商進行排序。
　在建立物流商評價體系后,，需要設(shè)計一套與物流商評價體系對應(yīng)的用戶需求模型,，引導用戶注冊時填寫。這些數(shù)值可以隨著用戶需求的變化而修改,。參考對應(yīng)的物流商評價體系指標設(shè)定了模型中每一條屬性權(quán)重值,。將實時體現(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
　把用戶分為新用戶和老用戶,，對不同的用戶類型采取不同的推薦策略。對新用戶單純使用協(xié)同過濾方法存在冷啟動和稀疏性的問題,；對于老用戶,，可以推薦與其評價較高的物流商相似的物流商。
2.1相似性計算
　分別計算了用戶的相似性與物流商的相似性,。
（1）用戶相似性的計算
用戶相似性不僅計算用戶模型相似性,，同時也計算用戶評價相似性。在協(xié)同過濾技術(shù)中夾角余弦相似性度計算方法的基礎(chǔ)上考慮到了各個分量的權(quán)重值演化形成用戶需求模型公式：

?。?）物流商相似性的計算策略
　物流商相似性采用與計算用戶模型相似性時使用的夾角余弦相似性度公式進行計算,，同時也要考慮物流商評價體系指標權(quán)重值的問題。
在基于物流商相似性進行推薦的過程中,，綜合考慮了各個物流商在物流商評價體系中的綜合排名,，并將用戶滿意度作為物流商評價及其相似性計算的重點考察指標。首先確定用戶其評價較高的物流商,，并計算了其評價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,，對于不同類型的用戶設(shè)計了不同的相似性計算方法及推薦策略,。
　（1）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）計算與其他用戶需求模型的相似性,。然后根據(jù)相似性的計算結(jié)果確定該用戶的近鄰,。之后將這些近鄰使用次數(shù)較多且給予的評價較高的物流商通過式（2）選出。并根據(jù)式（3）預(yù)測用戶對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象,。依據(jù)之前計算出物流商的評價值并排序，挑選排名靠前的5個物流商作為的輔助推薦,。
?。?）老用戶推薦策略過程
　挑選出老用戶評價最高的物流商，依據(jù)物流商評價體系中的屬性值計算出物流商之間的相似性,，然后依據(jù)評價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)在后臺通過評價矩陣代入Pearson相關(guān)系數(shù)方法，計算出老用戶與其他用戶的評價相似性,，將評價相似性值加上式（1）計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物流商的評價值代入式（3）得到用戶對所有物流商的興趣度,，最后排序選取前5位進行輔助推薦,。
3 基于移動Agent的推薦技術(shù)設(shè)計
3.1知識庫與推理機的設(shè)計
　本文使用基于本體的知識庫構(gòu)建方法構(gòu)建Agent知識庫。將物流商的考核指標,、用戶背景信息中的相關(guān)屬性以及用戶對物流商的評價信息作為知識庫中的元素組件,，完成了知識庫中規(guī)則與知識塊的設(shè)計。
　知識庫針對不同類型的系統(tǒng)使用者設(shè)計了不同的規(guī)則,，計算出新老用戶以及物流商的鄰居。并根據(jù)式（2）更新用戶對物流商的喜好程度,。知識庫將用戶模型相似性和評價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)則得到的用戶對物流商的喜好度與物流商的鄰居。
　在推理模型設(shè)計時,，基于BDI的方式構(gòu)建了Agent的推理模型,，首先，將整個推薦過程分解為用戶類型的獲取,、相似性計算,、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，即在相似性分析的基礎(chǔ)之上產(chǎn)生推薦列表,。與此同時,，將不同的過程視為不同的子目標，每個子目標由單獨的Agent完成,。
　以推薦Agent進行物流商的推薦為例,，在具體的設(shè)計過程中，將推薦Agent執(zhí)行推薦的目標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,，每個子目標完成后引發(fā)后續(xù)目標的執(zhí)行,，對推薦Agent對于每個子目標執(zhí)行的行為進行了定義，并利用了對應(yīng)的數(shù)據(jù)信息的來源,。
3.2 運行機制
　用戶登錄時,，管理Agent會根據(jù)用戶標示為該用戶創(chuàng)建一個用戶Agent,，直到該用戶退出系統(tǒng)或登錄超時，該用戶Agent才會自動消亡,。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,，給計算Agent發(fā)請求信息,，計算Agent收到請求，移動到服務(wù)器,，從知識庫中調(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,。用戶使用后對物流商進行評價，評價結(jié)果通過Agent反饋到數(shù)據(jù)庫中,，知識庫調(diào)整用戶的需求體現(xiàn),。
3.3 核心Agent通信及推理的實現(xiàn)
　在該推薦系統(tǒng)中，計算Agent在用戶離線時主要負責知識庫的完善工作,，即根據(jù)用戶需求模型的信息,、物流商評價體系的相關(guān)信息、歷史的使用記錄和評價信息等進行相似度的計算,，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，計算Agent獲取推薦Agent傳遞的推薦策略類型,，并從知識庫中獲取相似性計算結(jié)果,，加工計算用戶興趣度等信息，然后將所計算結(jié)果傳遞給推薦Agent,。
　推薦Agent主要負責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)合計算Agent提供的計算結(jié)果排序再加工得到推薦結(jié)果,。推薦策略對于新用戶根據(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,，綜合物流商在評價體系中的排序結(jié)果以及已有的評價信息為新用戶提供推薦,。而對于已使用過推薦服務(wù)的用戶，計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價體系中前5的物流商推薦給用戶,。同時對于老用戶還依據(jù)用戶需求模型和評價使用信息確定鄰居用戶，并觀察鄰居對物流商的評價，從而發(fā)現(xiàn)新興趣,。
　結(jié)合移動Agent系統(tǒng)的開發(fā)技術(shù),，設(shè)計了物流商的自動化推薦機制，首先根據(jù)一系列的物流商的評價指標對相應(yīng)的物流商進行排序,，然后根據(jù)用戶的個性化需求及其使用物流商的歷史記錄,，為用戶自動化地推薦能夠以較低花費、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)平臺無法向用戶提供高質(zhì)量物流服務(wù)需求的問題,。移動Agent的智能性和適應(yīng)性較好地為該推薦機制提供了實現(xiàn)方法。
參考文獻
[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.