多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型和接納度研究

丁昭巧

(中山火炬職業(yè)技術(shù)學(xué)院管理工程系，廣東中山 528400)

1 引言和文獻(xiàn)概述

1.1 引言

1.1.1 農(nóng)業(yè)電子商務(wù)的發(fā)展進(jìn)程 電子商務(wù)是市場數(shù)字化的產(chǎn)物，采用網(wǎng)絡(luò)科技完成電子票據(jù)，電子資金往來相結(jié)合的商務(wù)貿(mào)易方式[1]。電子商務(wù)已涉及社會生活和生產(chǎn)的方方面面，并逐步滲透進(jìn)農(nóng)業(yè)領(lǐng)域。根據(jù)2016年中國農(nóng)業(yè)統(tǒng)籌年鑒數(shù)據(jù)，農(nóng)業(yè)電子貿(mào)易曾經(jīng)在2016年沖破500萬億人民幣，并在過去的2年中保持9.8%～12.5%的增長速度，且在未來的發(fā)展中，仍將呈現(xiàn)高速和多樣化增長模式。此外，消費(fèi)者的電子商務(wù)貿(mào)易方式不斷翻新，拓展了大眾的精神和物質(zhì)生活水平。電子商務(wù)逐步轉(zhuǎn)換為滿足我國經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型的路徑，并且能夠推動相關(guān)行業(yè)發(fā)展，并轉(zhuǎn)化為新生服務(wù)行業(yè)，伴隨著全球數(shù)字化的加速進(jìn)程，電子商務(wù)創(chuàng)新模式不斷改進(jìn)，國家數(shù)字化發(fā)展策略、簽名法案等均給電子商務(wù)發(fā)展提供了明確的發(fā)展方案和保證[2]。

1.1.2 農(nóng)業(yè)電子商務(wù)推薦 個性化推薦多用在影視和圖書領(lǐng)域，較少運(yùn)用在農(nóng)業(yè)領(lǐng)域中。但農(nóng)業(yè)電子商務(wù)發(fā)展速度較快，而且其發(fā)展方向給企業(yè)的服務(wù)提出了新的標(biāo)準(zhǔn)，包含商品購置需求、商品質(zhì)量保障、實(shí)時(shí)貨運(yùn)、退換便捷等。對顧客來說，最重要的是商品購入。由于供應(yīng)鏈以及物流的迅速發(fā)展，在電子網(wǎng)絡(luò)虛擬狀態(tài)下，購買者在網(wǎng)絡(luò)中能夠選擇的商品品種和數(shù)量很多，絕大多數(shù)購買者不想在多如繁星的網(wǎng)上商品世界中浪費(fèi)時(shí)間搜索，而且也不能在現(xiàn)實(shí)世界中查詢商品質(zhì)量[3]。因此，個性化服務(wù)對整個電子商務(wù)體系提出挑戰(zhàn)[4]，農(nóng)產(chǎn)品企業(yè)可否準(zhǔn)確地獲取個性化商品數(shù)據(jù)，進(jìn)而推薦給購買者，給購買者提供滿意的購物條件，將目標(biāo)定位到個人而不是人群，成為農(nóng)業(yè)電子商務(wù)能進(jìn)一步發(fā)展的關(guān)鍵因素。

智能體(Agent)結(jié)合了人工智能具有自動化、動態(tài)化的特征，具有和電子商務(wù)完美結(jié)合的潛質(zhì)[5]，因而多Agent策略和農(nóng)業(yè)電子商務(wù)個性化推薦的結(jié)合研究具有重要意義，在產(chǎn)品市場中的應(yīng)用將會推動農(nóng)業(yè)電子商務(wù)的發(fā)展。

1.2 文獻(xiàn)概述

國外對電子商務(wù)的個性化推薦已逐步成熟，美國科研者Daniel等提出一種將信息集合完成聚類法改進(jìn)的協(xié)同過濾方案，該方案僅改進(jìn)了響應(yīng)時(shí)間卻忽視了個性化推薦水平[6]；Giovanni等則結(jié)合分布化測算方式優(yōu)化協(xié)同過濾方法完成推薦，但該方法僅提高了推薦速度，忽視了推薦的個性化水平[7]；Fran等提出個體數(shù)據(jù)過濾機(jī)制下的推薦方案，但其關(guān)鍵詞往往很難精準(zhǔn)地反饋購買者需求，更沒有考慮購買者偏好[8]。該技術(shù)在國內(nèi)電子商務(wù)領(lǐng)域還處于起步階段，國內(nèi)學(xué)者王李進(jìn)等研究了Agent模式下的個性化數(shù)據(jù)過濾模式，但該方式在電子商務(wù)應(yīng)用中不能隨購買者需求實(shí)時(shí)變化[9]；孫浩等構(gòu)建了網(wǎng)絡(luò)(Web)模式下的1 ∶1pro個性化農(nóng)業(yè)電子商務(wù)推薦機(jī)制，但該機(jī)制須要購買者花費(fèi)大量時(shí)間處理無關(guān)數(shù)據(jù)[10]；吳君民等研究了基于關(guān)聯(lián)先驗(yàn)規(guī)則(Aprior)下的搜索引擎推薦機(jī)制，但該方式更適應(yīng)于短期隨機(jī)搜索，并未獲取購買者的真正興趣點(diǎn)[11]。

2 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型架構(gòu)

本研究設(shè)計(jì)的農(nóng)業(yè)電子商務(wù)個性化推薦模型整體架構(gòu)如圖1所示。

2.1 多Agent策略分析

2.1.1 多Agent策略概述 多Agent策略即指在某種環(huán)境狀態(tài)下的計(jì)算機(jī)體系，并能在該環(huán)境狀態(tài)下完成設(shè)計(jì)標(biāo)準(zhǔn)。多Agent體系則包含幾個Agent單元，能夠處理單體Agent不可以處理的狀態(tài)。

2.1.2 多Agent策略和農(nóng)業(yè)電子商務(wù)體系結(jié)合的特征 Agent自主化以及學(xué)習(xí)化能夠在農(nóng)業(yè)電子商務(wù)模型中實(shí)現(xiàn)異步化操作，能夠按照各自的步驟處理相關(guān)業(yè)務(wù)。各個Agent均能自我處理問題，提升系統(tǒng)的協(xié)調(diào)能力；將農(nóng)業(yè)電子商務(wù)進(jìn)程中的整體任務(wù)劃分為單個任務(wù)，分配到相關(guān)Agent上，采用知識轉(zhuǎn)換，協(xié)商和測控?cái)?shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)傳輸；若網(wǎng)絡(luò)處理能力較弱時(shí)，新功能能夠帶入到Agent體系中。

2.2 傳統(tǒng)電子商務(wù)推薦體系的缺點(diǎn)

本研究選用調(diào)查問卷[12]的方式，設(shè)置問項(xiàng)，制作3 500份問卷，針對年齡在18～80歲的群體采用郵件和走訪的方式完成調(diào)研，排除無效問卷235份，獲得有效問卷3 265份。首先設(shè)置問項(xiàng)是否應(yīng)用電商平臺，應(yīng)用電商平臺的有效問卷為 1 832份。主要針對購買者應(yīng)用現(xiàn)有的電子商務(wù)推薦平臺時(shí)存在的缺陷，本研究統(tǒng)計(jì)如下：(1)自適應(yīng)性能較差。購買者為獲得貿(mào)易平臺上的高水平推薦，須要將自己的信息提供給貿(mào)易平臺，而購買者往往不會仔細(xì)研讀平臺設(shè)置的問卷選項(xiàng)進(jìn)行作答，而很多購買者易存在興趣轉(zhuǎn)移問題。僅有當(dāng)購買者對貿(mào)易平臺問卷認(rèn)真作答后才有可能得到良好的個性化推薦。(2)購買者操作量較大，現(xiàn)有的很多電子商務(wù)推薦體系均須要購買者在瀏覽商品的過程中進(jìn)行評價(jià)，無形中增加了購買者負(fù)擔(dān)。(3)無法給新購買者推薦，由于電子貿(mào)易系統(tǒng)尚未有足夠的前驗(yàn)數(shù)據(jù)，因而無法及時(shí)獲取新購買者偏好，若通過現(xiàn)有購買者推薦方法獲取信息，則易影響誠信度。(4)知識系統(tǒng)更替不及時(shí)，當(dāng)新型商品引入時(shí)，實(shí)時(shí)獲取商品數(shù)據(jù)成為重要的部分。(5)不能充分應(yīng)用購買者隱含數(shù)據(jù)，若購買者多次閱覽商品數(shù)據(jù)，則說明購買者對該商品存在偏好。

2.3 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型架構(gòu)

本研究整體多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型包含3類Agent，其體系的基準(zhǔn)構(gòu)成如下。

購買者選取Web瀏覽裝置給交互Agent體系發(fā)送訪問需求，該部分主要給購買者提供服務(wù)，采用友好的模式獲取購買者瀏覽需求；若購買者剛完成注冊，則交互Agent體系會記載購買者的瀏覽狀態(tài)，登入數(shù)據(jù)庫中；基于內(nèi)容的Agent和合作Agent體則采用反饋方法針對購買者興趣解析，并完成實(shí)時(shí)化推薦[13]；最后，交互Agent體系推送出滿足購買者需求的物品。整個過程如圖2所示。

3 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦各部分設(shè)計(jì)

3.1 內(nèi)容用戶相似度多Agent推薦思想

根據(jù)內(nèi)容的Agent推薦即不斷獲取購買者興趣，獲取和購買者興趣點(diǎn)相近的商品完成推薦。

3.1.1 改進(jìn)購買者表述 根據(jù)內(nèi)容的Agent任務(wù)是智能判斷購買者興趣點(diǎn)的改進(jìn)，即采用反饋參量設(shè)定閾值t，獲取Agent自主特點(diǎn)。若購買者在評判數(shù)據(jù)庫中獲取的反饋參量m大于閾值，即：

m>t。

(1)

表明購買者的操作在某種狀態(tài)下驗(yàn)證了其興趣，能進(jìn)行購買者偏好和購買者隱性IP的處理；若小于該閾值，則表明購買者興趣點(diǎn)不夠，須要不斷捕獲購買者操作，獲取累計(jì)評判。

3.1.2 展現(xiàn)推薦值 對購買者興趣表述改進(jìn)之后，能夠向購買者完成推薦，而根據(jù)內(nèi)容的Agent推薦能完成物品相似程度測算，獲取滿意的物品并完成推薦[14]。以下給出基于農(nóng)業(yè)電子商務(wù)購買者的推薦模型(圖3)。

3.2 協(xié)作過濾物品相似度多Agent推薦思想

協(xié)作過濾目標(biāo)在于給特定購買者推薦新的農(nóng)產(chǎn)品或者測算某個農(nóng)產(chǎn)品品牌時(shí)，需要基于購買者之前的興趣點(diǎn)和其他有意愿的購買者進(jìn)行評判，基本思路為假定全部購買者的列表中，購買者數(shù)量為m，

V={v1，v2，…，vm}。

(2)

給出全部物品，設(shè)定物品數(shù)量為k，

J={j1，j2，…，jk}。

(3)

針對各個購買者vj都存在相應(yīng)的物品列表Jvj，而整體表明了購買者對農(nóng)產(chǎn)品的評判，評判可被購買者依據(jù)等級模式展現(xiàn)出來，通常選取數(shù)字描述的方法，也能夠從買入記錄、買入日志著手探究。推薦方式包含以下2種。

預(yù)測結(jié)果：采用數(shù)值展現(xiàn)，Pao代表所預(yù)測購買者ao對物品io的喜好程度，io并不包含在購買者的物品列表中。

推薦列表：在k個物品列表中，由于ik包含在i中，并代表了目標(biāo)購買者所期待的物品。

協(xié)作過濾Agent機(jī)制如圖4所示。

協(xié)作過濾Agent推薦方式劃分為數(shù)據(jù)給出、鄰近集合數(shù)據(jù)給定，構(gòu)建鄰近集合和完成數(shù)據(jù)推薦3個步驟。并著眼于區(qū)分其他鄰居狀態(tài)，獲取前N個物品推薦。

3.3 多Agent下的農(nóng)業(yè)電子商務(wù)個性化推薦數(shù)據(jù)分析

3.3.1 物品信息給入 本研究系統(tǒng)選取三維數(shù)組分析物品m，mt代表物品編碼，mc為物品狀態(tài)表述，x為物品表述參量，代表物品在相應(yīng)參量下的明顯程度。

m=(mt，mc，x)；

(4)

mc=(pi，li，ji，de，gu，ha，ri)。

(5)

式中：mc表述物品在牌子pi、流行度li、價(jià)位ji、等級de、規(guī)格gu、含量ha以及生產(chǎn)日期ri幾個方向的特點(diǎn)。

3.3.2 購買者偏好 購買者興趣主要包含顯性偏好和隱性偏好2類，很多電子商務(wù)推薦體系均依靠購買者注冊填寫的問項(xiàng)構(gòu)建客戶興趣檔案，但其實(shí)可用性不高，購買者出于怕麻煩或者不愿透露信息的心態(tài)，問項(xiàng)獲取信息往往真實(shí)度不高。本研究結(jié)合人口調(diào)研和問卷模式獲取購買者興趣，當(dāng)新購買者注冊時(shí)，僅需從下拉菜單獲取選項(xiàng)，規(guī)避人工語言的不確定性，而問卷部分則建議用戶認(rèn)真作答，也可跳過，不讓客戶反感。

本研究系統(tǒng)選取三維數(shù)組分析購買者偏好c；bm表示購買者編碼；te表示農(nóng)產(chǎn)品特征；xl為購買者表述參量，代表購買者在相應(yīng)參量下的明顯程度。

c=(bm，te，xl)；

(6)

te=(pi，li，pi，de，gu，ha，ri)。

(7)

式中：te表示農(nóng)產(chǎn)品在牌子、保鮮程度、價(jià)位、新穎度、規(guī)格、含量以及保質(zhì)期幾個方向的特點(diǎn)。

如購買者Tom，他的te表述如下：

te(Tom)=[(pi，li，pi，de，gu，ha，ri)，(0.3，0.2，0.0，0.0，0.0，0.0，0.0)]。

(8)

3.4 購買者族群偏好

本研究采用調(diào)查問卷的方式，對獲取的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和分析，得到購買者群體()的特征(表1)。

統(tǒng)計(jì)中給出的購買者系統(tǒng)表述如下：

[‘01’，te，(0.65，0.08，0.08，0.32，0.00，0.00，0.00)]；

[‘02’，te，(0.45，0.08，0.03，0.31，0.00，0.00，0.00)]；

[‘03’，te，(0.55，0.12，0.05，0.38，0.00，0.20，0.03)]；

[‘04’，te，(0.36，0.15，0.08，0.35，0.00，0.15，0.05)]；

[‘05’，te，(0.32，0.16，0.23，0.28，0.07，0.09，0.12)]；

[‘06’，te，(0.26，0.15，0.26，0.28，0.17，0.12，0.15)]；

[‘07’，te，(0.23，0.14，0.28，0.26，0.16，0.22，0.25)]；

[‘08’，te，(0.11，0.16，0.38，0.25，0.36，0.32，0.05)]；

[‘09’，te，(0.32，0.21，0.26，0.18，0.09，0.09，0.12)]；

[‘10’，te，(0.26，0.25，0.23，0.16，0.12，0.12，0.15)]；

[‘11’，te，(0.23，0.33，0.29，0.12，0.08，0.22，0.25)]；

[‘12’，te，(0.11，0.35，0.38，0.13，0.36，0.13，0.05)]；

購買者群體特點(diǎn)分析見表2。

表1 購買者群體劃分

3.5 多Agent下的電子商務(wù)個性化推薦購買者隱性反饋分析

3.5.1 隱性反饋分析概述 多Agent下的電子商務(wù)個性化推薦目標(biāo)在于協(xié)助購買者獲取滿意的商品數(shù)據(jù)，包含推導(dǎo)過程和預(yù)測過程，圖5為隱性反饋分析模型。

3.5.2 多Agent下的農(nóng)產(chǎn)品電子商務(wù)個性化推薦實(shí)現(xiàn) 從購買者瀏覽操作能夠完成日志文件中的購買者和服務(wù)裝置間的隱式反饋，從而能夠獲取購買者對獲取推薦物品的關(guān)注度。

關(guān)鍵詞獲取，即首先錄入物品名字，獲得第j個物品的搜索參量Sj：

Sj=α。

(9)

式中：α>1，是一個常量；若未完成搜索，則即α=1。

若瀏覽裝置為活動狀態(tài)時(shí)，對相同頁面的關(guān)注程度和訪問時(shí)間較長，說明購買者對該頁面的物品搜索欲望較大。測算全部頁面的訪問時(shí)間和第j個商品處在的訪問時(shí)間tj，測算第j個商品獲得持續(xù)關(guān)注時(shí)間的參量Tj見公式(10)。

(10)

本研究認(rèn)為若購買者對某一頁面的瀏覽頻度較多，則該購買者對該頁面給出的商品更有興趣。本研究通過多Agent機(jī)制，當(dāng)瀏覽器頁面更新時(shí)，首先獲取統(tǒng)一資源定位符(uniform resource locator，簡稱URL)與標(biāo)題，并檢索購買者訪問的全部頁面，測算第j個物品在某頁面的訪問數(shù)量，并獲得第j個物品停留頁面的興趣參量XQj，采用fj表述購買者訪問第j個商品停留頁面數(shù)量：

(10)

買入則采用購買者準(zhǔn)備購置的商品j存放在購物裝置中，多Agent下的農(nóng)產(chǎn)品電子商務(wù)個性化推薦體系賦予的興趣參量Bj，若不存在購置操作，則β值為0。

Bj=β。

(11)

保存商品界面，若多Agent下的農(nóng)產(chǎn)品電子商務(wù)個性化推薦獲取頁面的保存操作時(shí)，對第j個商品賦予保存參量Hj：

Hj=γ。

(12)

若不存在保存操作，則γ值為0，若包含多個商品則將興趣參量均值分配給多個商品。

根據(jù)上述幾條準(zhǔn)則能夠得到第j個農(nóng)產(chǎn)品商品的興趣參量lnt：

(13)

4 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型接納度研究

4.1 研究假定和模型設(shè)計(jì)

根據(jù)當(dāng)前消費(fèi)者感知價(jià)值和顧客體驗(yàn)的資料，對消費(fèi)者獲取本研究電子商務(wù)個性化推薦的感受維度進(jìn)行分析，包含技術(shù)參量、系統(tǒng)信任參量以及社區(qū)因素3個層次[10]。技術(shù)參量包含感受有用度、感知易用程度以及感知舒服程度3個部分，系統(tǒng)信任參量則包含感知可靠度和商家動機(jī)2個部分，社區(qū)因素則分為外部評判、媒體傳播2組變量(圖6)。

4.2 具體假定分析

4.2.1 感知有用度和感知易用度 感知有用度主要指購買者在完成某項(xiàng)操作時(shí)，對工作效率提升的主要感受；感知易用度主要指購買者應(yīng)用某類技術(shù)時(shí)，能夠順利掌握的程度；這2類參量均能推進(jìn)購買者掌握個性化推薦策略。基于此，本研究做出以下假定：

H1：購買者對農(nóng)業(yè)電子商務(wù)個性化推薦的感受易用度和有用度均對購買者接納個性化推薦存在正向作用。

4.2.2 舒適度分析 研究表明，購買者對個性化推薦的更替時(shí)間、外觀均有要求，個性化數(shù)據(jù)推送時(shí)間、推送模式以及不均等均對購買者舒適度產(chǎn)生作用。

H2：購買者對農(nóng)業(yè)電子商務(wù)個性化推薦系統(tǒng)的舒適程度具有正向作用。

4.2.3 感知信任程度 購買者完成網(wǎng)絡(luò)農(nóng)產(chǎn)品貿(mào)易時(shí)，安全度是被關(guān)注的重點(diǎn)。當(dāng)購買者應(yīng)用推薦模式時(shí)，系統(tǒng)須要記載瀏覽數(shù)據(jù)，購買者也須要系統(tǒng)能夠保障密碼的安全度和貿(mào)易數(shù)據(jù)不被外泄。基于此，本研究做出以下假定：

H3：購買者對農(nóng)產(chǎn)品電子商務(wù)個性化推薦系統(tǒng)的感知安全和其接納推薦存在正向作用。

4.2.4 商家信譽(yù)度 購買者和農(nóng)業(yè)電商信任度之間存在關(guān)聯(lián)，商家信譽(yù)度、誠信是顧客買入商品的重要因子[15]，據(jù)此本研究做出以下假定：

H4：購買者對農(nóng)業(yè)電商信任度和其接納個性化推薦存在正向作用。

4.2.5 社群作用 社群作用因子作為購買者接納個性化推薦的感知方向之一，購買者在個性化推薦進(jìn)程中，往往被宣傳數(shù)據(jù)、朋友或?qū)＜乙庖娝饔茫诖耍狙芯孔龀鲆韵录俣ǎ?/p>

H5：社群作用對購買者接納個性化推薦具有正向作用。

本研究采用問卷調(diào)研的模式，進(jìn)一步對應(yīng)用電商平臺的有效問卷共1 832份進(jìn)行分析。完成本研究設(shè)計(jì)的多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型接納度解析，具體問卷選項(xiàng)設(shè)定如表3。

表3 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型

4.3 信度解析

本研究選取SPSS 18.0完成測算，問卷信度參量結(jié)果為 0.931<1(表4)，問卷可靠程度較高[12]。

表4 多Agent策略下的電子商務(wù)個性化推薦模型

4.4 參量解析

為深入研究購買者感知多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型，本研究針對整個調(diào)研問卷完成參量解析，將類似的參量首先歸一化。信息的KMO結(jié)果是0.85，高于0.50，巴里特球體校驗(yàn)結(jié)果小于0.05，整個問卷結(jié)構(gòu)完好，能夠繼續(xù)因子解析。本研究分析感知安全性、舒適程度、易用度、有用度和外部評判對農(nóng)業(yè)個性化推薦模型的作用。獲取問卷的可靠程度后，本研究選取Pearon關(guān)聯(lián)解析完成各個參量和農(nóng)業(yè)電子商務(wù)個性化推薦的關(guān)聯(lián)度，詳見表5。

表5 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦

4.5 聚類解析

為獲取不通過購買者接納多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型的感受喜好度，本研究對問卷信息完成聚類解析。表6結(jié)果表明，45.2%的購買者更加滿意多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦的舒適程度和感知安全性，32.7% 的購買者則更加滿意多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦的舒適程度、易用度和有用度，22.1%更加滿意多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦的舒適程度和外部評判。詳見表6。

表6 多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦

4.6 假定校驗(yàn)結(jié)果

通過以上分析可知，舒適程度、易用度、有用度、感知安全、外部評判均對多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型的購買者接納存在正向作用。本研究設(shè)計(jì)的農(nóng)業(yè)電子商務(wù)個性化推薦模型能夠較好地為購買者完成個性化推薦。

5 結(jié)論與討論

5.1 結(jié)論

伴隨著綠色和智能化農(nóng)業(yè)的發(fā)展，越來越多的人加入采用農(nóng)業(yè)電子商務(wù)系統(tǒng)的大軍，推薦體系雖然是電子商務(wù)的重要模塊，但在農(nóng)產(chǎn)品電子商務(wù)推薦領(lǐng)域的應(yīng)用尚少，并且各方面尚未完善。本研究設(shè)計(jì)了多Agent策略下的電子商務(wù)個性化推薦模型，并對本研究模型的接納度進(jìn)行分析。

首先研究多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型架構(gòu)，分析多Agent策略和農(nóng)業(yè)電子商務(wù)體系結(jié)合的特征以及傳統(tǒng)電子商務(wù)推薦體系的缺點(diǎn)，完成多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型整體和各部分架構(gòu)設(shè)計(jì)，研究協(xié)作過濾物品相似度多Agent推薦思想，并完成數(shù)據(jù)分析、物品信息給入、購買者偏好、購買者族群偏好以及隱性反饋分析。

給出多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型接納度研究，設(shè)置研究假定和模型設(shè)計(jì)。研究結(jié)果表明，易用度、有用度、舒適程度、感知安全和社群作用均對購買者接納個性化推薦有正向作用。完成信度解析、參量解析、聚類解析的結(jié)果可知，本研究設(shè)計(jì)的農(nóng)業(yè)電子商務(wù)個性化推薦模型能夠較好地為購買者進(jìn)行個性化推薦。

5.2 討論

本研究下一步將考量在大數(shù)據(jù)環(huán)境中實(shí)現(xiàn)以推薦農(nóng)產(chǎn)品的精準(zhǔn)度為核心，保證推薦農(nóng)產(chǎn)品的多樣程度和新穎程度，并繼續(xù)從易用度、有用度、舒適程度、感知安全和社群作用這幾個方向優(yōu)化多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型設(shè)計(jì)。具體而言，須要設(shè)計(jì)更多面對不同人群的個性化推薦功能，應(yīng)當(dāng)保證數(shù)據(jù)質(zhì)量，推薦的內(nèi)容應(yīng)當(dāng)具備相應(yīng)的廣度和深度，個性化推薦也須要依據(jù)社會水平以及市場經(jīng)濟(jì)的轉(zhuǎn)變而變換。此外，須要針對本研究設(shè)計(jì)的多Agent策略下的電子商務(wù)個性化推薦模型進(jìn)行隨時(shí)研究和改善，提高整體性能，從購買者的需求著手，提升技術(shù)服務(wù)層次。

把智能化推薦方式和農(nóng)業(yè)電子商務(wù)結(jié)合，讓購買者在人機(jī)互動中感受到真正的服務(wù)水平。此外，購買者常常更加易于接納朋友以及熟人的推薦，多Agent策略下的農(nóng)業(yè)電子商務(wù)個性化推薦模型應(yīng)當(dāng)結(jié)合社會化推薦模式，構(gòu)建網(wǎng)絡(luò)區(qū)域、興趣組合，讓購買者能夠在電子網(wǎng)絡(luò)環(huán)境中找到對等節(jié)點(diǎn)進(jìn)行交互。

[1]成 晨，丁 冬.“互聯(lián)網(wǎng)+農(nóng)業(yè)電子商務(wù)”：現(xiàn)代農(nóng)業(yè)信息化的發(fā)展路徑[J].情報(bào)科學(xué)，2016(2)：102-110.

[2]姚東旻.產(chǎn)業(yè)結(jié)構(gòu)升級背景下延遲退休與失業(yè)率的關(guān)系[J].中國工業(yè)經(jīng)濟(jì)，2016(3)：19-25.

[3]李國強(qiáng).網(wǎng)絡(luò)虛擬財(cái)產(chǎn)權(quán)利在民事權(quán)利體系中的定位[J].政法論叢，2016(2)：109-115.

[4]白志遠(yuǎn).論政府采購政策功能在我國經(jīng)濟(jì)社會發(fā)展中的作用[J].宏觀經(jīng)濟(jì)研究，2016(2)：19-25.

[5]危世民，戴牡紅.多Agent協(xié)同的電子商務(wù)推薦系統(tǒng)模型[J].計(jì)算機(jī)應(yīng)用，2014(3)：19-28.

[6]Daniel C，Paulo F，Jesús P.A method for context-based adaptive QRS clustering in real time[J].IEEE Journal of Biomedical and Health Informatics，2015，19(5)：1660-1671.

[7]Giovanni C，Mireille E G，Giuseppe S，et al.Multitemporal SAR image despeckling based on block-matching and collaborative filtering[J].IEEE Transactions on Geoscience and Remote Sensing，2017，55(10)：5467-5480.

[8]Fran C，Leyre A，Peio L I，et al.Optimized wireless channel characterization in large complex environments by hybrid ray launching-collaborative filtering approach[J].IEEE Antennas and Wireless Propagation Letters，2017，16：780-783.

[9]王李進(jìn)，鐘一文，尹義龍.帶外部存檔的正交交叉布谷鳥搜索算法[J].計(jì)算機(jī)研究與發(fā)展，2015(7)：109-113.

[10]孫 浩，葉 俊，胡勁松，等.不同決策模式下制造商與再制造商的博弈策略研究[J].中國管理科學(xué)，2017(2)：105-113.

[11]吳君民，陳明菲，鞠可一，等.基于和聲搜索算法的船舶分段工程項(xiàng)目工期-成本優(yōu)化[J].財(cái)會月刊，2015(3)：109-115.

[12]周常蘭.我國企業(yè)IT決策模式的實(shí)證研究——基于CISR模型和COBIT模型的綜合分析[J].財(cái)會通訊，2015(2)：68-75.

[13]尹 奎.正式反饋提高結(jié)構(gòu)化面試的信效度[J].企業(yè)管理，2016(3)：56-62.

[14]黃麗君.文化創(chuàng)意產(chǎn)業(yè)的社會化媒體營銷模式研究[J].改革與戰(zhàn)略，2016(6)：87-98.

[15]宮 斐.高鐵對廣西城市居民旅游感知與行為的影響[J].經(jīng)濟(jì)研究參考，2016(3)：115-118.