多Agent技術下電子商務用戶感知和個性化推薦模型探究

丁昭巧

內容摘要：隨著網絡技術的發展和推廣，電子商務得到長足的進展，逐步成為消費者購物以及瀏覽產品的主要模式。雖然電子商務體系帶來了商品購置的便利，但使用者往往產生“商品迷航”的狀況。基于此，本文采用調查問卷的方式設計了多Agent技術下的電子商務個性化推薦模型并完成用戶感知研究，首先完成個性化推薦模型架構和各部分設計，研究內容用戶相似度、協作過濾物品多Agent推薦思想和隱性反饋分析，進而采用設置假定，結合信度、參量、聚類解析完成。研究表明本文設計的電子商務個性化推薦模型能夠較好地為使用者進行個性化推薦。

關鍵詞：網絡技術 電子商務 多Agent 相似度 協作過濾 用戶

引言

電子商務市場規模和發展狀態。電子商務（胡艷輝，2016）的目的是完成網絡貿易，將線下整個貿易過程轉移到網絡中。電子商務的迅速發展帶動了整體經濟水平，據2016年中國市場經濟統計年鑒中可知，自2005年后，國內電子商務貿易額度呈平穩增長的態勢，2011年國內電子商務貿易額度為10萬億元，在2016年，國內電子商務貿易額度高達26.1億元，同比增長19.8%。從國內電子商務的發展狀態而言，B2B貿易額度占據整體貿易總額的63.6%。我國政府對電子商務的發展非常重視，越來越多的普通民眾成為電子商務消費的主流，電子商務帶動了相關產業的發展，并導向產業結構（陳紅進，2015）轉型，轉換為新型服務類行業，其發展模式和市場狀態如圖1所示。此外，電子商務不僅在輕工業、食品行業等方向發展，已逐步在外貿、資源、重工業等領域迅速發展，并開拓了新的天地。

電子商務個性化推薦研究現狀。電子商務個性化推薦著眼于對用戶體驗的感知，給企業服務設置了新的高度，采用個性化推薦系統需要滿足用戶需要，并通過實效化推薦方便用戶認知，提升用戶決策質量。由于商品供應鏈行業和物流行業的飛速發展，在網絡虛擬（錢凱，2016）模式下，電子商務推薦系統需要基于用戶特征完成交叉商貿，減少貿易開銷，提升用戶滿意度。電子商務個性化推薦（姜愛華，2016）對整個貿易領域提出挑戰，企業能否精準地獲得個性化貿易數據，并推薦給用戶，刺激推薦系統使用者的購買欲望，并將購買目標定位到個體而非人群，成為個性化電子商務可否取得長足發展的動力。

Agent（楊芳，2016）綜合了自制性、智能化與目標推進的特征，采用學習、推理等方式適應復雜的動態環境，并具備與電子商務的完美契合點，因而，多Agent技術與電子商務個性化推薦的融合具有重要的研究價值，并可以在市場應用中帶動電子商務發展。

文獻概述

歐美國家針對電子商務個性化推薦展開大量研究，國外科研者Ricci采用手動定制建模方案完成電子商務個性化推薦（Ricci，2011），但該方法對使用者的依賴性較高，容易減弱用戶積極性；Jamie則依據使用者瀏覽數據和動作完成建模（Jamie，2015），整個過程不需要使用者提供信息，該方法很難給用戶帶來干擾，因而可提升電子商務個性化推薦系統的易用度；Shahzad則采用協同過濾方法完成用戶信息分析（Shahzad，2015），該方法能夠學習使用者的興趣特點，但要建立個性化數據集需要大量時間；國內學者毛華揚探究了Agent 機制下的個性化數據過濾模式（毛華揚，2014），該方式很難適應在電子商務中的用戶需求和興趣點的隨時改變；楊靜則設置了Web模式下的數據集聚類方式，基于此完成個性化電子商務推薦（楊靜，2016），但該方案僅優化了推薦響應速率卻忽視了個性化推薦狀況；吳君民則分析了基于Aprior機制的搜索（吳君民，2015）推薦策略，該方案更很難改善電子商務推薦系統的冷啟動問題，而且對用戶的真正興趣點定位不準確。

多Agent技術下的個性化推薦模型設計

（一）多Agent技術研究

多Agent技術。多Agent技術源于人工智能，能夠使電子商務系統在不被使用者監測和指導下做出決策，其環境狀態下的Agent機制模型如圖2所示。

Agent技術具有自治性、社會性、反饋性和主動性的特點。自治性即完成自身資源與行為調控，并通過獲取的環境數據對自身行動進行決策；社會性則指和周圍環境的交互；反饋性即Agent感受環境狀態時的應對狀況；主動性為Agent面對目標采取的決策。

多Agent技術下的電子商務體系結合點。Agent自主性和學習性能夠在電子商務體系中完成異步動作，并依據相關流程完成相關板塊處理。各個Agent均可完成自我問題處理，提高了系統的自適應性；可把電子商務任務分割為單個任務，調整到相關Agent上，通過知識轉化，調整與信息控制完成信息傳送；當網絡操作能力相對不強時，該功能可融入到Agent模型中。

（二）現有電子商務推薦系統的不足

本文選用調研問卷（周常蘭，2015）的模式，設定題項，定制2800份問卷，對年齡區間在16到76歲的群體采用郵件和走訪的方式完成調研，排除無效問卷312份，獲得有效問卷2488份。本文采用的題項關于使用者采用現有的電子商務推薦系統時存在的不足，本文通過調查問卷得出的分析如下：

用戶操作數據量較大，當前很多電子商務推薦體系均需要使用者在瀏覽商品時完成評價，用戶負擔增加并出現逆反情緒。知識數據更新不實時，當新型商品引入時，實時更新商品信息成為最重要的板塊。無法充分調用用戶的隱含信息，若用戶多次查閱商品信息時，則表明用戶對此商品具有的偏好性。不能為新用戶推薦，基于電子貿易系統若沒有足夠的前驗信息，則不能實時獲得新用戶的商品興趣點，若采用現有用戶推薦方法獲得數據，則容易被誠信度所影響。自我調節水平不高，用戶為得到高水平推薦，則需將個人信息提供給交易系統，用戶通常不會仔細研讀問項開始作答，而僅有當用戶對貿易平臺問卷認真作答后才可能得到良好的個性化推薦。此外，很多用戶興趣并不固定。endprint

（三）個性化推薦模型架構

本文設計的電子商務個性化推薦系統包括三組Agent，基本模型如下：

用戶采用Web網絡為交互Agent板塊傳輸登入需要，該板塊為用戶設置服務，通過友好的方式獲得用戶需求；若用戶已完成注冊，則交互Agent板塊將記錄用戶當前閱讀狀態，上傳到數據集合中；采用多Agent協商機制對用戶完成興趣解析，并實現實時化推薦；最后，采用交互Agent機制能夠推送得到滿足用戶需求的商品。個性化推薦模型如圖3所示。

電子商務個性化推薦系統功能設計

（一）使用者相似性推薦

使用者相似性推薦即不斷取得用戶興趣數據，探究與用戶興趣點相近的商品數據，進而完成推薦，工作方式為：

用戶感知。基于內容的Agent主要從用戶興趣點著手，即通過反饋參數設置閾值T分析Agent的自主性。若用戶評判數據庫中反饋的參數n高于閾值，即：

n>T （1）

用戶操作在某狀態下檢驗了其興趣，并完成用戶偏好和隱性IP的處理；若低于該閾值，則表明用戶興趣點不足，需要不斷捕獲用戶動作，并完成累計評價。

推薦結果推送。對用戶興趣采用多Agent技術獲取后，則可向用戶進行推薦，此外，多Agent技術下的電子商務用戶感知和個性化推薦模型能夠完成商品相似度計算，并對客戶進行相關商品推薦。圖4為基于內容的推薦流程。

（二）物品相似性推薦

物品相似性推薦在于為用戶推薦新商品，并當測算某商品時，需要針對用戶現有的興趣點和其他有意向的用戶O完成評價，其基本思路為假定全部用戶數目為p，全部物品為S，設定物品數目為q。

O={o1，o2，…，op} （2）

S={s1，s2，…，sq} （3）

針對各個用戶op都存在相應的物品列表Sop，而整個表表明了用戶對商品的評價，評價可被用戶通過等級模式展開，并采用數字方式表達，從買入記錄和日志著手分析。推薦方案為：

預測值：通過數值方式，Roa代表所預測使用者oa對物品sq的喜好程度。

推薦集：則在q個物品集中，由于sq包含在S中，并代表了目標使用者所期待的物品。

協作過濾Agent機制下的物品相似性推薦如圖5所示。

（三）電子商務個性化推薦數據分析

商品數據錄入。電子商務個性化推薦系統采用三維數組分析物品S1，sq為商品編碼，sc為商品狀況，y為物品描述參數，表明商品在指定參數下的顯著度。

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、價位、等級、規格、含量以及生產日期幾個方向的特點。

用戶喜好。用戶喜好分為顯性喜好和隱性喜好兩種，如圖6所示。大多數電子商務推薦系統均采用用戶注冊填寫的題項設置顧客興趣存檔，顧客往往出于怕麻煩或不愿透露數據的心態，選項真實度不高。本文綜合人口調研和問卷調研模式取得用戶喜好，當新用戶注入時，僅需從下拉列表中獲取問項，避免人工語言不確定度，而問卷板塊則建議使用者認真回答，也能跳過，但不能讓用戶反感。

本文的電子商務推薦系統采用三維數組研究用戶喜好e，nm表示使用者編碼，ch代表物品特征，us為使用者表述參量，代表使用者在相應參量下的明顯程度。

e=（nm，ch，us） （6）

sc=（ba，fa，pr，li，gr，qu，da） （7）

式（7）的Sc為商品在牌子、流行度、價位、等級、規格、含量以及生產日期幾個方向的特點。

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）用戶群體喜好

本文選取調研問卷模式，對獲得信息統計和解析，研究用戶群體的狀態，如表1所示。

以下為用戶狀態表達：

（‘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））；

用戶群體特征，如表2所示。

（五）用戶感知隱性反饋分析

隱性反饋數據。多Agent技術下的電子商務個性化推薦目的是幫助用戶得到滿意的商品信息，包含了推導和預判方式，圖7中為隱性反饋數據。

電子商務個性化推薦實現。從用戶預覽動作可實現日志文檔中的用戶與服務器間的隱性反饋數據可得用戶對推薦商品的關注程度。關鍵詞設置，即先輸入商品名稱，得到第q個物品的搜索參量sq：

Sq=α （9）

式（9）中的α>1為一個常量值，若沒完成搜索，則α為1。若瀏覽器顯示為活躍狀況時，對相近頁面關注度與訪問頁面時間越長，則表明用戶對該界面的物品搜索期望值較大。檢驗整個界面的訪問時間與第i個商品處在的訪問時間Ti，測算得到持續時間參量結果為：endprint