丁昭巧

内容摘要：随着网络技术的发展和推广，电子商务得到长足的进展，逐步成为消费者购物以及浏览产品的主要模式。虽然电子商务体系带来了商品购置的便利，但使用者往往产生“商品迷航”的状况。基于此，本文采用调查问卷的方式设计了多Agent技术下的电子商务个性化推荐模型并完成用户感知研究，首先完成个性化推荐模型架构和各部分设计，研究内容用户相似度、协作过滤物品多Agent推荐思想和隐性反馈分析，进而采用设置假定，结合信度、参量、聚类解析完成。研究表明本文设计的电子商务个性化推荐模型能够较好地为使用者进行个性化推荐。

关键词：网络技术 电子商务 多Agent 相似度 协作过滤 用户

引言

电子商务市场规模和发展状态。电子商务（胡艳辉，2016）的目的是完成网络贸易，将线下整个贸易过程转移到网络中。电子商务的迅速发展带动了整体经济水平，据2016年中国市场经济统计年鉴中可知，自2005年后，国内电子商务贸易额度呈平稳增长的态势，2011年国内电子商务贸易额度为10万亿元，在2016年，国内电子商务贸易额度高达26.1亿元，同比增长19.8%。从国内电子商务的发展状态而言，B2B贸易额度占据整体贸易总额的63.6%。我国政府对电子商务的发展非常重视，越来越多的普通民众成为电子商务消费的主流，电子商务带动了相关产业的发展，并导向产业结构（陈红进，2015）转型，转换为新型服务类行业，其发展模式和市场状态如图1所示。此外，电子商务不仅在轻工业、食品行业等方向发展，已逐步在外贸、资源、重工业等领域迅速发展，并开拓了新的天地。

电子商务个性化推荐研究现状。电子商务个性化推荐着眼于对用户体验的感知，给企业服务设置了新的高度，采用个性化推荐系统需要满足用户需要，并通过实效化推荐方便用户认知，提升用户决策质量。由于商品供应链行业和物流行业的飞速发展，在网络虚拟（钱凯，2016）模式下，电子商务推荐系统需要基于用户特征完成交叉商贸，减少贸易开销，提升用户满意度。电子商务个性化推荐（姜爱华，2016）对整个贸易领域提出挑战，企业能否精准地获得个性化贸易数据，并推荐给用户，刺激推荐系统使用者的购买欲望，并将购买目标定位到个体而非人群，成为个性化电子商务可否取得长足发展的动力。

Agent（杨芳，2016）综合了自制性、智能化与目标推进的特征，采用学习、推理等方式适应复杂的动态环境，并具备与电子商务的完美契合点，因而，多Agent技术与电子商务个性化推荐的融合具有重要的研究价值，并可以在市场应用中带动电子商务发展。

文献概述

欧美国家针对电子商务个性化推荐展开大量研究，国外科研者Ricci采用手动定制建模方案完成电子商务个性化推荐（Ricci，2011），但该方法对使用者的依赖性较高，容易减弱用户积极性；Jamie则依据使用者浏览数据和动作完成建模（Jamie，2015），整个过程不需要使用者提供信息，该方法很难给用户带来干扰，因而可提升电子商务个性化推荐系统的易用度；Shahzad则采用协同过滤方法完成用户信息分析（Shahzad，2015），该方法能够学习使用者的兴趣特点，但要建立个性化数据集需要大量时间；国内学者毛华扬探究了Agent 机制下的个性化数据过滤模式（毛华扬，2014），该方式很难适应在电子商务中的用户需求和兴趣点的随时改变；杨静则设置了Web模式下的数据集聚类方式，基于此完成个性化电子商务推荐（杨静，2016），但该方案仅优化了推荐响应速率却忽视了个性化推荐状况；吴君民则分析了基于Aprior机制的搜索（吴君民，2015）推荐策略，该方案更很难改善电子商务推荐系统的冷启动问题，而且对用户的真正兴趣点定位不准确。

多Agent技术下的个性化推荐模型设计

（一）多Agent技术研究

多Agent技术。多Agent技术源于人工智能，能够使电子商务系统在不被使用者监测和指导下做出决策，其环境状态下的Agent机制模型如图2所示。

Agent技术具有自治性、社会性、反馈性和主动性的特点。自治性即完成自身资源与行为调控，并通过获取的环境数据对自身行动进行决策；社会性则指和周围环境的交互；反馈性即Agent感受环境状态时的应对状况；主动性为Agent面对目标采取的决策。

多Agent技术下的电子商务体系结合点。Agent自主性和学习性能够在电子商务体系中完成异步动作，并依据相关流程完成相关板块处理。各个Agent均可完成自我问题处理，提高了系统的自适应性；可把电子商务任务分割为单个任务，调整到相关Agent上，通过知识转化，调整与信息控制完成信息传送；当网络操作能力相对不强时，该功能可融入到Agent模型中。

（二）现有电子商务推荐系统的不足

本文选用调研问卷（周常兰，2015）的模式，设定题项，定制2800份问卷，对年龄区间在16到76岁的群体采用邮件和走访的方式完成调研，排除无效问卷312份，获得有效问卷2488份。本文采用的题项关于使用者采用现有的电子商务推荐系统时存在的不足，本文通過调查问卷得出的分析如下：

用户操作数据量较大，当前很多电子商务推荐体系均需要使用者在浏览商品时完成评价，用户负担增加并出现逆反情绪。知识数据更新不实时，当新型商品引入时，实时更新商品信息成为最重要的板块。无法充分调用用户的隐含信息，若用户多次查阅商品信息时，则表明用户对此商品具有的偏好性。不能为新用户推荐，基于电子贸易系统若没有足够的前验信息，则不能实时获得新用户的商品兴趣点，若采用现有用户推荐方法获得数据，则容易被诚信度所影响。自我调节水平不高，用户为得到高水平推荐，则需将个人信息提供给交易系统，用户通常不会仔细研读问项开始作答，而仅有当用户对贸易平台问卷认真作答后才可能得到良好的个性化推荐。此外，很多用户兴趣并不固定。endprint

（三）个性化推荐模型架构

本文设计的电子商务个性化推荐系统包括三组Agent，基本模型如下：

用户采用Web网络为交互Agent板块传输登入需要，该板块为用户设置服务，通过友好的方式获得用户需求；若用户已完成注册，则交互Agent板块将记录用户当前阅读状态，上传到数据集合中；采用多Agent协商机制对用户完成兴趣解析，并实现实时化推荐；最后，采用交互Agent机制能够推送得到满足用户需求的商品。个性化推荐模型如图3所示。

电子商务个性化推荐系统功能设计

（一）使用者相似性推荐

使用者相似性推荐即不断取得用户兴趣数据，探究与用户兴趣点相近的商品数据，进而完成推荐，工作方式为：

用户感知。基于内容的Agent主要从用户兴趣点着手，即通过反馈参数设置阈值T分析Agent的自主性。若用户评判数据库中反馈的参数n高于阈值，即：

n>T （1）

用户操作在某状态下检验了其兴趣，并完成用户偏好和隐性IP的处理；若低于该阈值，则表明用户兴趣点不足，需要不断捕获用户动作，并完成累计评价。

推荐结果推送。对用户兴趣采用多Agent技术获取后，则可向用户进行推荐，此外，多Agent技术下的电子商务用户感知和个性化推荐模型能够完成商品相似度计算，并对客户进行相关商品推荐。图4为基于内容的推荐流程。

（二）物品相似性推荐

物品相似性推荐在于为用户推荐新商品，并当测算某商品时，需要针对用户现有的兴趣点和其他有意向的用户O完成评价，其基本思路为假定全部用户数目为p，全部物品为S，设定物品数目为q。

O={o1，o2，…，op} （2）

S={s1，s2，…，sq} （3）

针对各个用户op都存在相应的物品列表Sop，而整个表表明了用户对商品的评价，评价可被用户通过等级模式展开，并采用数字方式表达，从买入记录和日志着手分析。推荐方案为：

预测值：通过数值方式，Roa代表所预测使用者oa对物品sq的喜好程度。

推荐集：则在q个物品集中，由于sq包含在S中，并代表了目标使用者所期待的物品。

协作过滤Agent机制下的物品相似性推荐如图5所示。

（三）电子商务个性化推荐数据分析

商品数据录入。电子商务个性化推荐系统采用三维数组分析物品S1，sq为商品编码，sc为商品状况，y为物品描述参数，表明商品在指定参数下的显著度。

S1=（sq，sc，y） （4）

Sc=（ba，fa，pr，li，gr，qu，da） （5）

式（5）中，Sc表示物品在牌子、流行度、价位、等级、规格、含量以及生产日期几个方向的特点。

用户喜好。用户喜好分为显性喜好和隐性喜好两种，如图6所示。大多数电子商务推荐系统均采用用户注册填写的题项设置顾客兴趣存档，顾客往往出于怕麻烦或不愿透露数据的心态，选项真实度不高。本文综合人口调研和问卷调研模式取得用户喜好，当新用户注入时，仅需从下拉列表中获取问项，避免人工语言不确定度，而问卷板块则建议使用者认真回答，也能跳过，但不能让用户反感。

本文的电子商务推荐系统采用三维数组研究用户喜好e，nm表示使用者编码，ch代表物品特征，us为使用者表述参量，代表使用者在相应参量下的明显程度。

e=（nm，ch，us） （6）

sc=（ba，fa，pr，li，gr，qu，da） （7）

式（7）的Sc为商品在牌子、流行度、价位、等级、规格、含量以及生产日期几个方向的特点。

如使用者Amy，她的Sc表述如下：

sc（Amy）=[（ba，fa，pr，li，gr，qu，da），（0.32，0.25，0.0，0.0，0.0，0.0，0.0）] （8）

（四）用户群体喜好

本文选取调研问卷模式，对获得信息统计和解析，研究用户群体的状态，如表1所示。

以下为用户状态表达：

（‘01，sc，（0.63，0.33，0.08，0.0，0.0，0.0，0.0））；

（‘02，sc，（0.41，0.58，0.02，0.0，0.0，0.0，0.0））；

（‘03，sc，（0.53，0.36，0.06，0.06，0.0，0.15，0.028））；

（‘04，sc，（0.35，0.42，0.06，0.01，0.0，0.18，0.08））；

（‘05，sc，（0.35，0.13，0.25，0.18，0.06，0.10，0.10））；

（‘06，sc，（0.23，0.12，0.28，0.08，0.15，0.13，0.16））；

（‘07，sc，（0.26，0.16，0.26，0.16，0.15，0.20，0.22））；

（‘08，sc，（0.16，0.0，0.36，0.22，0.32，0.36，0.06））；

用户群体特征，如表2所示。

（五）用戶感知隐性反馈分析

隐性反馈数据。多Agent技术下的电子商务个性化推荐目的是帮助用户得到满意的商品信息，包含了推导和预判方式，图7中为隐性反馈数据。

电子商务个性化推荐实现。从用户预览动作可实现日志文档中的用户与服务器间的隐性反馈数据可得用户对推荐商品的关注程度。关键词设置，即先输入商品名称，得到第q个物品的搜索参量sq：

Sq=α （9）

式（9）中的α>1为一个常量值，若没完成搜索，则α为1。若浏览器显示为活跃状况时，对相近页面关注度与访问页面时间越长，则表明用户对该界面的物品搜索期望值较大。检验整个界面的访问时间与第i个商品处在的访问时间Ti，测算得到持续时间参量结果为：endprint