周艳榕

摘  要： 为了解决传统电子商务智能推荐系统计算出的MAE值过高，导致系统预测结果不准确的问题，设计一种基于个性化特征的电子商务智能推荐系统。硬件部分将PC104工控机作为处理CPU，将数字信号处理器DSP与储存芯片MPC565作为处理核心，引入信号光纤补偿系统，设计时钟信号电路、复位电路以及电源电路，连接使用的硬件，完成硬件部分的设计。软件部分依据电子商务的特点计算出其个性化特征，然后使用关联规则算法处理得到个性化特征数据，利用Java工具将其转化为代码，使用不同功能的代码实现智能推荐，完成软件部分的设计。实验结果表明，与传统电子商務智能推荐系统相比，基于个性化特征的电子商务智能推荐系统在给定的数据组中计算出来的MAE值更小，系统预测结果更准确，更适合实际使用。

关键词： 个性化特征; 电子商务; 智能推荐系统; MAE值; 预测精确度; 数据组

中图分类号： TN99?34; TP393                    文献标识码： A                      文章编号： 1004?373X（2020）19?0155?04

Abstract： Since the MAE （mean absolute error） value calculated by traditional e?commerce intelligent recommendation system is excessively large， which leads to inaccurate system prediction results， a personalized e?commerce intelligent recommendation system is designed. In terms of the hardware， the industrial computer PC104 is used as the processing CPU， the digital signal processor （DSP） and memory chip MPC565 are used as the processing cores， the signal fiber compensation system is introduced， and clock signal circuit， reset circuit and power supply circuit are designed to connect the necessary hardware. In terms of the software， the personalized features are calculated according to the characteristics of e?commerce， and then the personalized feature data is processed by association rule algorithm， which is converted into codes by Java tools， and the codes with different functions are used to make intelligent recommendation. Experimental results show that， in comparison with the traditional e?commerce intelligent recommendation systems， the MAE value calculated in a given data set by the personalized e?commerce intelligent recommendation system based on personalized features is smaller， and the prediction result of the system is more accurate. Therefore it is more suitable for practical use.

Keywords： personalized feature; e?commerce; intelligent recommendation system; MAE value; prediction accuracy; data set

0  引  言

电子商务是在全球广泛存在的一种商业贸易形式。这种贸易形式依托于互联网，使用设计好的软件借助浏览器，实现“未曾谋面”的交易。这种商业交易形式是一种利用信息技术和网络通信技术进行的一种商业活动[1]。电子商务己进入了大数据时代，现在的电子商务平台上汇集了世界各地、各式各样的资源和客户。丰富了客户资源，但同时也为客户在选择上带来了困扰[2]。电子商务平台聚合了海量商品资源和客户。设计一款基于个性化特征的电子商务智能推荐系统，可以解决这一困扰。随着技术水平的不断增强，对个性化特征的电子商务智能推荐系统的研究也逐步受到关注[3]。

对于企业来讲，丰富的个性化特征电子商务推荐系统可以丰富商家的销售方式，个性化特征可以成为商家一个独特的营销特点，商家可以依据这种独特的营销点吸引更多的客户，提高企业的商业竞争力 [4?5]。对于企业客户来讲，这种独特的个性化推荐系统符合当今群众求“独特”的猎奇心理，极大程度上满足了用户的各种需求。

总之，基于个性化特征的电子商务智能推荐系统在实际的商业交易中使用，可以有效地提升商家的竞争力与客户的满意度 [6?7]。传统的电子商务智能推荐系统计算出来的MAE值过高，在预测消费者的意愿喜好时常存在误差，针对这一不足，本文设计了一款基于个性化特征的电子商务智能推荐系统[8]。

1  推荐系统硬件设计

1.1  电子商务数字信号传输系统

1.1.1  主控硬件

主控模块是推荐系统的核心内容，设计时钟及复位电路，将储存器拓展，从而构成一个主控模块硬件，总的主控模块设计结構图如图1所示。

选择集成度高、可靠性好的PC104工控机作为处理CPU，以数字信号处理器DSP为核心，设计一个MPC565系统时钟模块，具体包括主时钟源、系统相位锁定环路、时钟分频器、晶体振荡器，设置时钟电路为MPC565，并发出4 MHz的时钟信号[9?10]。

1.1.2  信号传输系统抗干扰设计

在电子商务智能推荐系统信号远距离的传输中，由于不可避免地存在信号功率的损失和衰减，所以光纤补偿是必要的。为了保证传输信号的完整性，引入信号远程补偿技术。

光开关与光开关列阵是实现光纤远程交换的主要介质。因控制光开关的制作设备材料及其运行原理的差异，驱动电路的工作原理也存在差异性。目前国内外研究的主流方向是MEMS技术、压电光束导向技术和物理耦合技术三种。

1） MEMS（微机电系统）技术跳纤法。为实现光远程交换，利用MEMS结构单元组成全交换设备来实现。光开关的开始端用众多根光纤连接，但是因为光开关所需输入光纤和输出光纤的数量庞大，其运行的路径需经过漫长的输送，导致光纤信号强度存在不稳定因素。当接入容量超过8芯时，交换衰耗已不满足使用的要求，因而未能在全光网络的实际运行环境中应用。

2） 基于压电技术的光束转向装置。通过压电技术改变光束方向，实现光纤对接。该项技术具有不错的插入损耗性能指标。但在设备失电状态下，光链路无法保持，且链路间光束易引起邻路串扰，对于设备稳定性以及空气尘埃等环境要求苛刻。目前市场上鲜有实用化的产品。

3） 基于物理耦合的光开关矩阵。物理耦合光开关矩阵是利用步进电机驱动对接的尾纤，在特定的交换矩阵板上进行物理耦合，是一种最接近人工交换的光开关矩阵技术。因其光路不存在其他光学元器件，且单次对接的耦合数基本恒定，所以衰耗可以稳定在很小的范围。从光信号的传输机理上讲，物理耦合技术的光学指标优于其他技术的光开关矩阵。

根据ITUT标准，跨距的划分可以用I，S，L，V，U等变量表示，分别代表20 km（局内）、40 km（短距）、80 km（长距）、120 km（甚长）、160 km（超长）。光波在光纤传输信号时，因距离的增加使光功率呈现降低的趋势，在传输过程中存在一定的损耗，也是光纤最主要的运行传输性质之一。截止目前为止，有关专家研究发现，当传输损耗值在0.5 dB/km以下时，其光纤为1.31 μm;而传输损耗值为0.2 dB/km以下时，其光纤为1.55 μm，极其接近光纤损耗的极限值。光纤损耗的成因是复杂多样的，最重要的原因是由于吸收损耗和散射损耗，以及光纤结构的不完善等。将以上远程补偿技术输入到同一补偿系统中，在不考虑传输损耗值的情况下，形成推荐系统硬件部分的信号传输系统设计，如图2所示。

对采集到的电子商务信息传输信号进行预加重处理，即对信号进行滤波过滤，突出信号中的低频部分，去除干扰变量。由于信号具有长时间、不平稳的特点，要想使其变为近于短时的稳定信号，就要对其采用分帧处理。先将信号通过矩形窗口，将其分成多个帧序列，并对信号进行消噪处理。采取端点测量的目的是判断干扰信号是否存在，如果存在干扰信号，则可以迅速地对其进行方位判断，再利用特征提取区分不同时间的特征向量。假定采集的数据是初始数据，就把初始数据作为训练集，并将其保存在模式库中，便于比较，根据判断原则输出最终结果，实现信号的高完整性传输。

为了加快系统的运行速度，使用MPC565内部相位锁定环路倍频获得40 MHz的工作频率。将各个模块挂在一个IMB3的总线上，实现内部通信[11?12]。

利用MPC565系统时钟模块内部集成QSPI模块的串行队列功能，实现系统内部的RAM储存接收或是发送数据[13]。MPC565存储体系结构如图3所示。

使用芯片MPC565内的TPU模块配置，实现串口、I/O口、PWM输入输出接口的功能。将处理器内部的晶体振荡器连接一个外部时钟源，使用处理器的灵活接口，外接时钟电路和复位电路，完成主控硬件的设计[14]。

1.2  电路设计

系统电路部分主要针对时钟电路、复位电路以及电源电路进行设计。在设计时钟电路时，需要在电源的输入端串联一个磁珠FBI，滤除信号线以及电源线上的高频噪声，降低尖峰对系统的影响[15?16]。在电源和地之间外接一个滤波电容[C44]滤除噪声信号的干扰，然后在输出端串联一个33 Ω的电阻过滤信号，保证输出高电平、占空比为50%的时钟信号，时钟信号电路的连接图如图4所示。

复位电路使用电源管理芯片TPS3307?33，连接芯片上的管脚SENSE1，SENSE2，SENSE3，设计管脚SENSE1，SENSE2的门槛电压分别为4.55 V和2.93 V，将SENSE3管脚的电压设计为1.25 V，将两个管脚SENSE1，SENSE2通过电阻[R19]与[R20]分压后，与SENSE33管脚连接[17]。复位电路的连接方式如图5所示。

设计电源部分的电路时，外部电源输入一个9～12 V的直流电压，模拟数字5.0 V电压给数字器件供电，将复位电路中的基准电压调节为高精度的电压。为了防止某个元件工作电流变化相对较大，对其他部分产生扰动，单独给驱动部分元件供电[18]。其余部分的电压均在5.0 V的基础上使用线性稳压器变换，详细的系统电源电路设计如图6所示。

设计系统主控部分的硬件后，连接设计后的三部分电路，完成推荐系统的硬件部分设计。

2  电子商务智能推荐系统软件设计

2.1  计算个性化特征

电子商务在实际操作时，每一家都有着自己独特的个性化特征，根据电子商务的自身特点，标准化取值其个性化特征，然后选取一个合适的精确度，使用欧氏距离计算不同电子商务之间的个性化特征值：

式中：[xik]表示第[i]个用户的第[k]个变量的值;[xjk]表示第[j]个用户的第[k]个变量的值;[max（xk）]与[min（xk）]分别表示第[k]个属性变量可取的最大值与最小值。计算出个性化特征后，使用关联规则算法处理计算出的个性化特征数据，使用Java转换为代码，在系统中实现电子商务智能推荐[19]。

2.2  使用关联规则算法实现智能推荐

将式（1）计算出来的个性特征数据集记为：[D=i1，i2，…，in]，使用关联规则算法计算数据集[D]，得到：

式中：[Di]，[Dj]是用户的个性化数据特征属性;[c]为属性变量总数;[i]，[j]为电子商务用户;[sim]为关联规则算法。

整合计算结果，形成关联规则特征，使用Java编程输入式（1），式（2）的电子商务关联规则算法结果，使用JDK 1.6中的记录代码记录统计电子商务访问用户的浏览爱好[20]。然后系统调用形成的关联规则，使用Eclipse 6.5标记用户在系统中反复浏览过的电子商户。最后根据标记的个性化特征，利用Spring 2.0推荐系统用户经常浏览、符合用户喜好的电子商户，完成个性化特征商务的智能推荐。

3  系统性能测试

3.1  选取测试数据

为了保证测试数据可以有效地反映出用户最近几年的消费趋势，选取数据库中近三年的历史数据，筛选后作为测试数据，此时的数据集约有1 000个用户，3 000张机票，400家电子商务商家，5 000份评价信息，将这些数据分成5个数量近似的子集，分别标记5个数据集为[U1～U5]。

3.2  制定测试指标

使用数据分成的子集，利用计算系统预测的目标用户对商品的评分值与测试数据集中真实的评分值之差来分析系统的预测精确度，此时的差值表现为绝对平均误差的形式，可以反映出预测值和真实值的偏差度，从而得出智能系统的预测精确度，计算公式如下：

式中：[pi]为系统预测的目标用户对第[i]个商品的评分值;[ri]为目标用户对第[i]个商品真实的评分值;[n]为使用了预测评分的项目数。MAE值越低，表示智能推荐系统的预测分值与真实值偏差越小，系统的预测越准确，性能越高。

3.3  测试结果

三种推荐系统计算得到的MAE值变化情况如图7所示。

由图7可知，传统推荐系统1计算得到的MAE平均值为0.84，传统推荐系统2计算得到的MAE平均值为0.77，而基于个性化特征的电子商务智能推荐系统得到的MAE平均值为0.73，根据评测标准，值越低，表示智能推荐系统的预测分值与真实值偏差越小，系统的预测越准确，性能越高，可知基于个性化特征的电子商务智能推荐系统计算得到的MAE数值最小，系统预测精确度最好，适合投入实际使用。

4  结  论

本文提出基于个性化特征的电子商务智能推薦系统，实现硬件传输系统传输信号的高效率、低功率传输。在软件部分优化系统推荐代码，根据电子商务的个性化特征进行关联规则运算，实现个性化特征数据智能推荐。

电子商务推荐系统可以自动依据用户的浏览情况，判断出用户的喜好，以此为依据向客户推荐相关产品，减少客户在寻找产品上浪费的时间。设计的推荐系统可以减小计算出来的MAE值，增强了推荐系统推荐商品的准确性，在用户层次上成功树立形象。

参考文献

[1] 姚凯，涂平，陈宇新，等.基于多源大数据的个性化推荐系统效果研究[J].管理科学，2018，31（5）：3?15.

[2] 李裕礞，练绪宝，徐博，等.基于用户隐性反馈行为的下一个购物篮推荐[J].中文信息学报，2017，31（5）：215?222.

[3] 李宇琦，陈维政，闫宏飞，等.基于网络表示学习的个性化商品推荐[J].计算机学报，2019，42（8）：1767?1778.

[4] 李昆仑，郭昌隆，关立伟.一种融合近邻用户影响力的矩阵分解推荐算法[J].小型微型计算机系统，2018，39（1）：37?41.

[5] 赵文朋，丁艳辉，金连旭，等.一种基于隐式反馈的用户兴趣模型构建方法[J].计算机与数字工程，2018，46（3）：518?522.

[6] 袁仁进，陈刚，李锋，等.基于VSM和Bisecting K?means聚类的新闻推荐方法[J].北京邮电大学学报，2019，42（1）：114?119.

[7] 陈娜，毋江波.基于神经网络的多准则决策推荐系统[J].控制工程，2018，25（5）：841?848.

[8] 王明佳，韩景倜.基于用户对项目属性偏好的协同过滤算法[J].计算机工程与应用，2017，53（6）：106?110.

[9] 郭伟，邱丹逸. 基于多Agent的众包任务推荐系统建模与仿真[J].计算机工程与科学，2017，39（5）：958?963.

[10] 李浩君，张征，张鹏威.基于三维特征协同支配的个性化学习资源推荐方法[J].计算机科学，2019，46（z1）：461?467.

[11] 黄亚萍，李垣江.基于K?means算法的电子商务客户细分研究[J].电子设计工程，2017，25（2）：63?66.

[12] 任志敏，郑红岗，郑勇军.基于电子商务的专业市场价值链模型重塑研究[J].科技管理研究，2019，39（15）：230?236.

[13] 江义火，袁晓建.电子商务交易中信用度准确评价仿真研究[J].计算机仿真，2018，35（7）：430?433.

[14] 张容，张勇.基于数据挖掘算法的电子图书馆智能推荐技术研究[J].西南师范大学学报（自然科学版），2017，42（7）：81?85.

[15] 王普，张朝霞，吴艳华，等.基于双偏好矩阵的B2B智能推荐研究与实践[J].铁道学报，2019，41（4）：16?24.

[16] 梁仕威，张晨蕊，曹雷，等.基于协同表示学习的个性化新闻推荐[J].中文信息学报，2018，32（11）：72?78.

[17] 王永康，袁卫华，张志军，等.融合时间隐语义填充和子群划分的推荐算法[J].计算机工程与应用，2019（16）：130?137.

[18] 彭宏伟，靳远远，吕晓强，等.一种基于矩阵分解的上下文感知POI推荐算法[J].计算机学报，2019，42（8）：1797?1811.

[19] 周俊，董晓蕾，曹珍富.推荐系统的隐私保护研究进展[J].计算机研究与发展，2019，56（10）：2033?2048.

[20] 李丹霞，马乐荣，何景.LBSN中融合时空信息的连续兴趣点推荐[J].计算机应用研究，2019，36（12）：3574?3578.