現(xiàn)如今在茫茫如海的網(wǎng)絡(luò)信息中去尋找對(duì)自己有用的信息已經(jīng)越來(lái)越難，為此個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生，它能夠針對(duì)每一位用戶提供專屬于他自己的推薦信息，尤其是在商業(yè)上應(yīng)用廣泛，時(shí)至今日幾乎所有大型的電子商務(wù)網(wǎng)站，如亞馬遜、京東商城和當(dāng)當(dāng)網(wǎng)等，都推出了個(gè)性化推薦服務(wù)[1]，他們往往通過(guò)用戶的注冊(cè)信息、瀏覽記錄和消費(fèi)記錄對(duì)每位用戶進(jìn)行個(gè)性化推薦[2，3]。

　　【摘要】文章首先介紹了農(nóng)資產(chǎn)品個(gè)性化推薦的背景和意義，然后介紹關(guān)于農(nóng)資產(chǎn)品進(jìn)行個(gè)性化推薦的技術(shù)，如粗糙集技術(shù)和ROCK聚類算法等，再然后對(duì)農(nóng)資產(chǎn)品個(gè)性化推薦系統(tǒng)進(jìn)行詳細(xì)的描述，最后對(duì)不足進(jìn)行了總結(jié)。

　　【關(guān)鍵詞】個(gè)性化推薦,商品關(guān)鍵屬性,ROCK聚類算法,粗糙集

　　1.背景

　　針對(duì)農(nóng)村市場(chǎng)的電子商務(wù)網(wǎng)站現(xiàn)在還不多，對(duì)農(nóng)村用戶的個(gè)性化推薦更是寥寥無(wú)幾，中國(guó)到目前為止還是一個(gè)農(nóng)業(yè)大國(guó)，農(nóng)村市場(chǎng)有著無(wú)限的潛力可以挖掘，縱然消費(fèi)能力弱和物流條件差等可能是阻礙這一進(jìn)程的原因，但是隨著國(guó)家對(duì)鄉(xiāng)鎮(zhèn)農(nóng)業(yè)的持續(xù)大力支持，農(nóng)業(yè)信息化的前景將更加廣闊，而針對(duì)農(nóng)村市場(chǎng)建立相應(yīng)的電子商務(wù)網(wǎng)站并對(duì)農(nóng)村用戶進(jìn)行個(gè)性化推薦勢(shì)必也將提上日程。農(nóng)資信息網(wǎng)通過(guò)傳播農(nóng)業(yè)技術(shù)知識(shí)、宣傳農(nóng)業(yè)政策法規(guī)和提供農(nóng)資產(chǎn)品的電子商務(wù)平臺(tái)等服務(wù)將成為服務(wù)農(nóng)民、開拓農(nóng)村市場(chǎng)的先行者[4]。在網(wǎng)站建設(shè)中如果將針對(duì)農(nóng)村群體的個(gè)性化推薦技術(shù)加入其中，那么網(wǎng)站將會(huì)為那些知識(shí)較缺乏、信息較閉塞的廣大農(nóng)村用戶提供更貼切、更周到的服務(wù)，將更符合用戶需求的信息和產(chǎn)品推薦給他們。

　　農(nóng)村市場(chǎng)的農(nóng)資用戶與普通的電子商務(wù)網(wǎng)站用戶在推薦模式上有著很大的區(qū)別。首先，普通的電子商務(wù)網(wǎng)站用戶是依照自己的興趣愛(ài)好、生活習(xí)慣和需求去瀏覽網(wǎng)頁(yè)并進(jìn)行購(gòu)物，所以針對(duì)他們的個(gè)性化推薦往往以興趣愛(ài)好作為首要因素；然而，對(duì)于農(nóng)資用戶而言，興趣愛(ài)好并不是左右他們購(gòu)買商品的原因，能否滿足他們的需求，也就是說(shuō)東西好不好、實(shí)不實(shí)用才是影響其個(gè)性化推薦的主因，因此銷售后的回訪、評(píng)價(jià)往往對(duì)日后的推薦影響重大，然而由于農(nóng)資產(chǎn)品的特色性質(zhì)，它的驗(yàn)證期往往很長(zhǎng)，少則三個(gè)月多則一年，因此針對(duì)農(nóng)資用戶建立推薦模型則需要時(shí)以年計(jì)的數(shù)據(jù)庫(kù)為依托，不可能迅速投入商業(yè)應(yīng)用，所以應(yīng)該利用線下銷售中得到的大量不完備信息進(jìn)行整理，找到影響推薦的關(guān)鍵信息，才能使網(wǎng)站推薦系統(tǒng)投入商用[5]。第二，商品對(duì)用戶的吸引力往往不在于其本身所有的屬性，而在于該商品包含了某種或多種關(guān)鍵屬性，是這些關(guān)鍵屬性讓用戶了那些商品，所有我們將運(yùn)用粗糙集技術(shù)去處理那些大量的不完備信息并簡(jiǎn)約出商品的關(guān)鍵屬性。第三，由農(nóng)民朋友日常的消費(fèi)習(xí)慣得知，他們購(gòu)買的農(nóng)資產(chǎn)品時(shí)往往會(huì)借鑒周圍朋友的購(gòu)買經(jīng)驗(yàn)，也就是說(shuō)相同人群的人購(gòu)買的商品也大致相同，所以ROCK聚類算法在這方面能夠提供很好的幫助，因?yàn)镽OCK算法提出了鄰居概念，即：如果兩個(gè)消費(fèi)者不僅它們本身相似，而且它們的鄰居也相似，則這兩個(gè)消費(fèi)者很可能屬于同一個(gè)簇。

　　本文針對(duì)農(nóng)資產(chǎn)品個(gè)性化推薦的特殊性建立了個(gè)性化推薦系統(tǒng)模型。

　　2.ROCK算法

　　ROCK（RobustClusteringUsingLinks）算法是一種凝聚的層次聚類算法，是由Guha等人在1999年提出的，適用于類別屬性[6]。

　　對(duì)于具有分類屬性的數(shù)據(jù)，傳統(tǒng)的聚類算法一般采用距離函數(shù)來(lái)度量數(shù)據(jù)對(duì)象間的相異度。然而，實(shí)驗(yàn)表明這種距離度量方法對(duì)具有分類屬性的數(shù)據(jù)不能得到好的聚類結(jié)果。而且絕大多數(shù)聚類算法只考慮點(diǎn)與點(diǎn)之間的相似性，因此在聚類的每一步，具有最大相似度的點(diǎn)被合并到同一個(gè)簇中這樣很容易導(dǎo)致錯(cuò)誤的合并。例如，有幾個(gè)點(diǎn)來(lái)自兩個(gè)顯著不同的簇，而這幾個(gè)點(diǎn)非常接近，那么根據(jù)上述的點(diǎn)與點(diǎn)之間的相似度，這兩個(gè)顯著不同的簇將被錯(cuò)誤地合并在一起。為了避免這種情況，ROCK采取了更加周全的方法，也即引入了鄰居的概念。如果兩個(gè)點(diǎn)不僅它們本身相似，而且它們的鄰居也相似，則這兩個(gè)點(diǎn)可能屬于同一個(gè)簇，因此被合并。

　　【定義1】鄰居：兩個(gè)點(diǎn)Pi，Pj，如果滿足sim（Pi，Pj）≥A，則稱Pi，Pj為鄰居。其中，sim是一個(gè)相似性度量函數(shù)，A是由用戶給定的閾值。sim可以是一個(gè)距離度量或者甚至是由領(lǐng)域?qū)＜姨峁┑姆切问交�的度量，只要它能夠�?biāo)準(zhǔn)化為0和1之間的值，而且這種值越大，相應(yīng)的兩點(diǎn)間的相似度越高。

　　【定義2】連接：link（Pi，Pj）為二數(shù)據(jù)點(diǎn)Pi，Pj的相同鄰居數(shù)，值愈大表Pi，Pj同一簇的幾率愈大。

　　【定義3】標(biāo)準(zhǔn)函數(shù)：

　　在聚類過(guò)程中，我們需要最大化簇內(nèi)link（pq，pr）數(shù)量的同時(shí)最小化簇間link（pq，pr）的數(shù)量。此式子能夠幫助我們找到簇內(nèi)最多鏈接的同時(shí)盡量減少簇間鏈接數(shù)。其中：

　　ni為簇Ci中數(shù)據(jù)點(diǎn)的總數(shù)；

　　為Ci中預(yù)期的鄰居總數(shù)；

　　為Ci中預(yù)期鏈接總數(shù)。

　　是根據(jù)數(shù)據(jù)集設(shè)定的一個(gè)函數(shù)

　　【定義4】?jī)?yōu)化函數(shù)：

　　此優(yōu)化函數(shù)用于合并相似簇，而且能夠有效避免出現(xiàn)離群數(shù)據(jù)點(diǎn)時(shí)將所有簇都合并為一個(gè)簇。

　　其中為二簇中預(yù)期交叉鏈接個(gè)數(shù)。

　　ROCK算法流程如下：

　　1）輸入?yún)��?shù)：包含n個(gè)數(shù)據(jù)點(diǎn)的集合S，及預(yù)期簇?cái)?shù)k；

　　2）最初階段，每一數(shù)據(jù)點(diǎn)為一簇；

　　3）計(jì)算各點(diǎn)的鏈接數(shù)；

　　4）為每一個(gè)簇i，建立一個(gè)區(qū)域堆q[i]，包含每一個(gè)與簇i的鏈接數(shù)不為零的簇j；

　　5）q[i]中的各簇j依g（i，j）值由大至小排序；

　　6）建立一全局堆（globalheap）Q，包含每一q[i]的優(yōu)化函數(shù)最大值的簇j；

　　7）每一回合，合并Q中最佳簇j與q[j]中的最佳簇；

　　8）合并的同時(shí)重新運(yùn)算各區(qū)域堆及全域堆，包括新形成的簇；9）當(dāng)簇?cái)?shù)不小于k時(shí)，持續(xù)合并，此外當(dāng)所有q[i]=0時(shí)停止合并。

　　3.粗糙集

　　粗糙集理論是一種不精確、不確定性知識(shí)的數(shù)學(xué)工具，由波蘭科學(xué)家Z.Pawlak提出，一經(jīng)提出便引起了廣泛的討論[7]。粗糙集的知識(shí)形成思想可以概括為：一種類別對(duì)應(yīng)于一個(gè)概念（類別一般表示為外延即集合，而概念常以如規(guī)則描述這樣的內(nèi)涵形式表示），知識(shí)由概念組成；如果某知識(shí)中含有不精確概念，則該知識(shí)不精確。粗糙集對(duì)不精確概念的描述方法是通過(guò)下近似（LowerApproximation）和上近似（UpperApproximation）概念來(lái)表示。一個(gè)概念的下近似概念中的元素肯定屬于改概念，而一個(gè)概念的上近似概念只可能屬于該概念。

　　粗糙集把客觀世界抽象為一個(gè)信息系統(tǒng)。一個(gè)信息系統(tǒng)S是一個(gè)四元組，S=：

　　U是對(duì)象的有限集合，記為U={X1，X2，….Xn}；A是屬性的有限集合，記為A={A1，A2，…An}；V是屬性的值域集合，記為V={V1，V2…Vn}；其中Vi是屬性Ai的值域；F是信息函數(shù)，即，f：U*A->，f（Xi，Aj）屬于Vj；屬性集A由集合C和集合D組成，其中C為條件屬性集合，D為決策屬性集合，兩者無(wú)交集。對(duì)于屬性集A中任意一個(gè)屬性a，通過(guò)f（Xi，a）函數(shù)時(shí)，如果某兩條記錄對(duì)于屬性a取值相同，我們則稱此兩個(gè)記錄基于屬性集等價(jià)，所有基于某個(gè)屬性集等價(jià)的記錄被定義為等價(jià)類。

　　粗糙集的近似空間（ApproximationSpa-ce）。近似空間有一個(gè)二元組，其中U為對(duì)象的有限集合，B為A的一個(gè)子集，R（B）={（x1，x2）|f（x1，b）=f（x2，b）}。則對(duì)于任意一個(gè)概念O。

　　設(shè)屬性集B1是B2的真子集，如果R（B1）=R（B2），則稱B2可歸約于B1，如果B1不可進(jìn)一步歸約，則稱B1為U的一個(gè)歸約子。

　　設(shè)屬性集P和Q，則P對(duì)Q的屬性依賴度為：

　　表示集合X在屬性集上的下近似。

　　設(shè)屬性集BC，C是條件屬性集，D是決策屬性集，則屬性重要度（Attributessi-gnificance）定義為：

　　4.屬性簡(jiǎn)約和聚類

　　4.1當(dāng)前農(nóng)資電子商務(wù)網(wǎng)站的推薦模式

　　當(dāng)前中國(guó)國(guó)內(nèi)關(guān)于農(nóng)產(chǎn)品的電子商務(wù)網(wǎng)站還不是太多，專門針對(duì)農(nóng)資產(chǎn)品的電子商務(wù)網(wǎng)站更是鳳毛麟角，這些已有的農(nóng)資電子商務(wù)網(wǎng)站中應(yīng)用的產(chǎn)品推薦系統(tǒng)還不是太成熟，其主要的推薦方式如下：

　　1）最新產(chǎn)品推薦及熱銷產(chǎn)品推薦

　　這種方式多應(yīng)用于小型電子商務(wù)網(wǎng)站或網(wǎng)站的運(yùn)營(yíng)初期，某些網(wǎng)站也會(huì)在節(jié)假日促銷時(shí)使用這種推薦方式；這是一種形式簡(jiǎn)單但是效果尚佳的推薦方式，滿足了用戶求優(yōu)、求新和求性價(jià)比的心理訴求，其缺點(diǎn)是不能對(duì)客戶進(jìn)行深度挖掘，沒(méi)有針對(duì)性，容易掩蓋具有高價(jià)值量的客戶需求。

　　2）評(píng)價(jià)式推薦

　　通過(guò)對(duì)產(chǎn)品的售后評(píng)價(jià)，對(duì)同類產(chǎn)品進(jìn)行好評(píng)排序，將好評(píng)度最高的商品推薦給用戶。這種推薦方式也較多用于小型電子商務(wù)網(wǎng)站或B-C商家的網(wǎng)店中，能較好的為那些對(duì)某一種或某幾種商品有需求的用戶提供幫助，服務(wù)范圍較窄而推薦作用強(qiáng)大。這兩種推薦方式還停留在全體推薦的層次上，沒(méi)有針對(duì)個(gè)人的推薦。

　　4.2關(guān)于農(nóng)資產(chǎn)品的個(gè)性化推薦模型

　　本推薦模型針對(duì)現(xiàn)有農(nóng)資推薦系統(tǒng)的問(wèn)題，運(yùn)用粗糙集技術(shù)遴選出商品的關(guān)鍵屬性，并通過(guò)ROCK聚類算法對(duì)用戶進(jìn)行聚類，從而針對(duì)每個(gè)用戶個(gè)人進(jìn)行推薦，更有針對(duì)性且效果更好。

　　該推薦系統(tǒng)的流程如下：

　　1）將搜集好的線下農(nóng)資產(chǎn)品銷售記錄進(jìn)行簡(jiǎn)單簡(jiǎn)約（由于是線下交易數(shù)據(jù)大多數(shù)為不完備數(shù)據(jù)），然后遴選出關(guān)鍵屬性；

　　2）對(duì)線下銷售記錄中包含任一關(guān)鍵屬性的用戶提取出來(lái)，運(yùn)用ROCK聚類算法找到對(duì)不同屬性感興趣的不同用戶簇；

　　3）當(dāng)出現(xiàn)新用戶時(shí)，判定新用戶的屬于哪一個(gè)用戶簇，將該用戶簇內(nèi)用戶感興趣的商品推薦給新用戶。

　　4.2.1基于粗糙集的商品屬性簡(jiǎn)約

　　表1是與線下交易信息匹配的決策信息表，其中有些信息是不完備的，而不完備的信息中也可能包含關(guān)鍵屬性，所以我們通過(guò)粗糙集技術(shù)對(duì)其進(jìn)行簡(jiǎn)約，從而找到影響用戶購(gòu)買的關(guān)鍵屬性[8、9]。我們將商品類別作為決策屬性，將價(jià)格和商家品牌等屬性作為條件屬性，如表1所示。

　　僅以上圖屬性已知部分為數(shù)據(jù)庫(kù)，建立實(shí)例如下：

　　U={1，2，3，4，5，6，7}；

　　A={Cotton，Corn，Wheat}；

　　V={High，Medium，Low，Yes，No}；

　　f（1，category）=wheat；f（1，price）=medium；…。

　　按條件屬性進(jìn)行分類，如E1={1，6}；按決策屬性進(jìn)行分類，如Y1={1，6}。

　　則在R中的兩個(gè)劃分為E和Y，E作為分類條件，Y作為分類決策，據(jù)此可進(jìn)行規(guī)則描述，如規(guī)則R（1，1）可表示為：Des（E1）—>Des（Y1）。其置信度為cf=1.則說(shuō)明當(dāng)price=medium，brand=no為購(gòu)買wheat產(chǎn)品的置信度為1，即price=medium，brand=no為wheat產(chǎn)品的關(guān)鍵屬性。實(shí)例演示完畢。

　　由以上實(shí)例得知，在通過(guò)粗糙集進(jìn)行屬性簡(jiǎn)約的過(guò)程中，需要提前確定置信度閾值，由于數(shù)據(jù)量的問(wèn)題，本文沒(méi)有涉及屬性之間相關(guān)度的研究。

　　通過(guò)粗糙集技術(shù)進(jìn)行簡(jiǎn)約，得到不同用戶所對(duì)應(yīng)的關(guān)鍵屬性類型如下：

　　（用戶1：商品類別，廠家），（用戶2：商品類別，無(wú)），（用戶3：商品類別，價(jià)格，…）等等。

　　4.2.2運(yùn)用ROCK算法進(jìn)行聚類

　　聚類流程如下：1）根據(jù)上文得到的用戶數(shù)據(jù)集，將每個(gè)用戶都作為一個(gè)獨(dú)立的數(shù)據(jù)點(diǎn)；

　　2）利用相似度計(jì)算公式，計(jì)算任意兩個(gè)數(shù)據(jù)點(diǎn)之間的相似度，從而確定任意一個(gè)點(diǎn)的鄰居個(gè)數(shù)；

　　3）利用定義2確定任意兩個(gè)數(shù)據(jù)點(diǎn)之間的相同鄰居數(shù)，即鏈接數(shù)；

　　4）為每一個(gè)簇建立一個(gè)區(qū)域堆q[i]（初期時(shí)，一個(gè)數(shù)據(jù)點(diǎn)記為一個(gè)簇），將與該數(shù)據(jù)點(diǎn)有相同鄰居的數(shù)據(jù)點(diǎn)按個(gè)數(shù)的多少加入該堆中，利用標(biāo)準(zhǔn)函數(shù)對(duì)堆內(nèi)的簇進(jìn)行歸并，從而形成大小不同的若干個(gè)區(qū)域堆[10]；

　　5）建立一個(gè)全局堆Q，按區(qū)域堆q[i]的大小排序加入到全局堆中，運(yùn)用優(yōu)化函數(shù)合并堆內(nèi)的相似簇；

　　6）判斷全局堆Q中個(gè)數(shù)a，如果a5.結(jié)論

　　由于該項(xiàng)目處于建站初期，在數(shù)據(jù)的采集和整理等方面的條件還不是很完善，尤其在許多專家知識(shí)的獲取上還不能很好地用計(jì)算機(jī)知識(shí)去表達(dá)，致使實(shí)例的驗(yàn)證不是太完美，作者將會(huì)在日后逐步去改善。

　　參考文獻(xiàn)

　　[1]余力，劉魯.電子商務(wù)個(gè)性化推薦研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2004，10：1306-1313.

　　[2]雷琨.電子商務(wù)個(gè)性化推薦系統(tǒng)研究[D].電子科技大學(xué)，2012.

　　[3]郭韋昱.基于用戶行為分析的個(gè)性化推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].南京大學(xué)，2012.

　　[4]王炬.農(nóng)業(yè)信息化進(jìn)程中的問(wèn)題及對(duì)策研究[D].西南農(nóng)業(yè)大學(xué)，2003.

轉(zhuǎn)載請(qǐng)注明來(lái)自：http://www.jinnzone.com/jingjikexuelw/36094.html