特征加權KNN分類算法在跨境電商人才培養(yǎng)中的應用

劉婉瑩

摘 要： 隨著全球化的不斷深化，跨境電子商務已成為某些行業(yè)轉型發(fā)展的新動力，社會需要更多的專業(yè)人才。為了有效提高人才培養(yǎng)的綜合水平，需要根據(jù)企業(yè)的要求，建立跨境電商人才培養(yǎng)標準和評價模型。調研了企業(yè)對跨境電商人才的不同素質特征的認同度，采用AHP算法對這些特征在跨境電商人才的培養(yǎng)過程中的重要程度進行定量分析，得到對不同特征的權重值，進行KNN算法的分類，建立對跨境電商人才的評估模型，為跨境電商人才培養(yǎng)提供有益參考。

關鍵詞： 跨境電商; AHP算法; 權重值; KNN算法

中圖分類號： TP391 ? ? ?文獻標志碼： A

Abstract： With the deepening of globalization， cross-border e-commerce has become a new driving force for the transformation and development of certain industries， and the society needs more professional talents. In order to effectively improve the comprehensive level of talent training， it is necessary to establish cross-border e-commerce talent training standards and evaluation models according to the requirements of enterprises. This paper investigates the degree of recognition of different quality characteristics of cross-border e-commerce talents， uses AHP algorithm to quantitatively analyze the importance of these features in the training process of cross-border e-commerce talents， and obtains weight values for different characteristics. The classification of the KNN algorithm is carried out to establish an evaluation model for cross-border e-commerce talents， which provides a useful reference for the training of cross-border e-commerce talents.

Key words： cross-border e-commerce; AHP algorithm; weight value; KNN algorithm

0 引言

近年來，跨境電商企業(yè)對跨境電商人才的需求越來越迫切，同時要求也越來越高，跨境電商人才不僅僅需要熟知外貿專業(yè)，往往還需要明晰商品優(yōu)劣勢，熟練把握商品競品分析，能嫻熟使用電商平臺把公司產品銷售到海外市場[1]。在實際跨境電商人才培養(yǎng)過程中，缺乏對應的評價標準，沒有統(tǒng)一的跨境電商人才評估模型用于專業(yè)人才的評估和培養(yǎng)，導致跨境電商人才的培養(yǎng)方式不明確，培養(yǎng)目標較為模糊，培養(yǎng)層次無法具體化。上述各種因素阻礙了跨境電商行業(yè)的發(fā)展[2-4]。

針對跨境電商人才培養(yǎng)階段各種技能所占權重不一樣的狀況，在已有的調研基礎上，找出跨境電商人才培養(yǎng)所需要的各維度素質。使用層次分析法（AHP）確定不同特征對跨境電商人才培養(yǎng)的重要程度的權重值。提出了一種跨境電商特征加權的KNN分類算法（AHP_KNN算法），用于跨境電商人才的培養(yǎng)模型中，預估不同跨境電商人才的等級，以期能夠對跨境電商人才的等級進行評估。

1 AHP_KNN跨境電商人才培養(yǎng)模型設計

總體而言，企業(yè)對跨境電商人才的要求如下：首先，跨境電商人才應具備一定的商務英語應用能力，使他們能夠熟練地運用英語進行商務談判，正確地描述產品，完成跨文化商務溝通;第二，在進行跨境貿易往來的同時，他們能夠有效地分析英文網站上的相關報告，從而獲得相關商品的貿易信息，更好地開展實際工作;第三，跨境電商人才應具備電子商務應用能力，在電子商務的業(yè)務系統(tǒng)中，除了進行業(yè)務談判外，他們還必須在發(fā)布相關信息的同時處理商品，推廣和管理網上商店，并有效地實現(xiàn)在線交易和分銷管理，相關跨境電商人員應該對該過程和基礎工作有清晰的認識，并提高管理水平和綜合素質;第四，跨境電商人才應具備電子商務操作能力和國際貿易水平，尤其是B2B和B2C等在線交易平臺的網絡運營管理，此外，跨境電商人才還需要借助相應的搜索引擎有效地開發(fā)潛在客戶，整合大數(shù)據(jù)分析技術向客戶推送更多相關有用信息，并最終完成外貿運作;最后，跨境電商人才應具備網絡營銷能力，根據(jù)市場需求選擇合適的商品進行采購，分析客戶的實際需求，有效開拓海外的零售市場，并通過深度的分析解決具體問題，調查、分析并處理貿易活動。

1.1 跨境電商人才特征權重

經過大量的文獻調研，在文獻[5]中，對跨境電商人才具有的素質進行了詳細的分析，這些具體的特征如表1所示。

從表1中可以看出，從事跨境電商貿易的公司對跨境電商人才具備的素質特征認同度是不一樣的，其中最認同的是“外文溝通能力”，最不認同的就是“國際貿易法規(guī)熟悉度”，手動剔除重要程度低于60%的特征，剩下的特征有10個，它們分別是：A1“外文讀寫應用能力”，A2“外文溝通能力”，A3“店鋪商品設計能力”，A4“在線交易流程熟悉度”，A5“客戶服務能力”，A6“外貿流程熟悉度”，A7“海外零售市場敏銳度”，A8“網絡渠道營銷能力”，A9“良好的心理素質”和A10“團隊協(xié)作能力”。A1～A10特征值在跨境電商人才培養(yǎng)算法模型中所占的權重值是不一樣的，這些可以從認同度上反映出來，可以采用AHP算法[6]量化不同特征的權重值。

在AHP算法中，需要比對任意兩個特征之間的重要程度，而且判斷矩陣對稱位置上的元素乘積恒為1，本文選用的比對標準如表2所示。

運用表2的判斷矩陣的比對方法，對A1～A10這10個特征進行判斷，得到的判斷矩陣如表3所示。

1.2 KNN分類算法

k最近鄰（k-Nearest Neighbor，KNN）分類算法[7]，簡稱KNN分類算法，是一個理論、應用中比較成熟的分類算法，其主要算法思路是：對于一個給定的樣本，如果在特征空間中有k個已標記的樣本與之最鄰近，那么該樣本的標簽隸屬于k個已標記樣本中占多數(shù)數(shù)量的類別，即“服從多數(shù)”原則。在KNN算法中所選擇的鄰居都是已經正確分類的對象（基本上是手工標注的標簽數(shù)據(jù)）。該方法在分類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別[8]。KNN方法雖然從原理上也依賴于極限定理，但在類別決策時，只與極少量的相鄰樣本有關。由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

KNN最鄰近規(guī)則，主要是根據(jù)已知的標簽樣本數(shù)據(jù)對未知類別的樣本數(shù)據(jù)進行分類研究[9]。主要判斷的思想是基于歐式距離計算待分類樣本與已知樣本之間的距離，選擇最鄰近距離的k個標簽樣本，利用“服從多數(shù)”的原則，將待分類樣本標記出類別，其中k值的選取很重要，理論上一般選取奇數(shù)值，便于樣本數(shù)據(jù)的分類[10]。可以闡釋KNN算法的大致思路，如圖1所示。

KNN算法的運算步驟如下所示：

step.1——初始化距離為最大值;

step.2——計算未知樣本和每個訓練樣本（已標記的樣本）的距離dis;

step.3——得到目前k個最臨近樣本中的最大距離max_dis;

step.4——如果dis小于max_dis，則將該訓練樣本作為k最近鄰樣本;

step.5——重復步驟2、3、4，直到未知樣本與給定的訓練樣本之間的距離計算完;

step.6——計算在未知樣本的k個最近鄰樣本中不同類別所占的訓練樣本數(shù)量;

step.7——選擇樣本數(shù)量最大的類別標簽作為未知樣本的類別編號。

1.3 AHP_KNN算法

AHP_KNN算法集成了AHP和KNN算法，其主要思想是在計算未知樣本與已知標簽的跨境電商人才樣本數(shù)據(jù)的距離過程中，加入不同特征權重對跨境電扇人才培養(yǎng)模型的影響，量化不同特征值對跨境電商人才分類的影響，然后利用KNN分類算法，對未知樣本進行分類研究，求出給定未知樣本的類別。AHP_KNN算法的具體步驟如下所示。

假定要對未知跨境電商樣本X進行分類研究，這里的類別分為4大類，分別是“優(yōu)秀”、“良好”、“及格”和“不及格”，給定手工標記的跨境電商樣本集合為Y，AHP_KNN算法首先要計算樣本X與集合Y樣本之間的距離，計算式如（4）。distance=∑10i=1Qi*（Xi-Y′ i）2

（4）式（4）中，Qi表示了不同特征的權重值，具體特征權重值如表4所示，Y′表示集合Y中的任意一個訓練樣本。

然后根據(jù)輸入的k值，選擇與未知樣本距離最近的k個已知標簽的訓練樣本，選擇數(shù)量最大的類別標記未知樣本，即可得到未知樣本的類別[11-12]。AHP_KNN算法在計算未知樣本與已知樣本的距離過程中，區(qū)別對待每一維度的特征值。采用AHP算法量化出每一維度對于跨境電商人才的重要性權值，突出了不同維度的屬性對跨境電商人才素質培養(yǎng)的不同重要程度，提高了使用KNN分類算法分類跨境電商人才的準確度。

2 實驗比對

實驗的環(huán)境采用的是Windows10的操作系統(tǒng)，CPU型號為Intel（R） Core（TM） i7-8750H@2.20GHz 2.1GHz，內存為8G，算法的實現(xiàn)采用的是基于scikit-learn框架的Python語言實現(xiàn)的。為了測試AHP_KNN算法模型相對傳統(tǒng)的KNN算法模型的準確度，對陜西省10個高職學校國際貿易專業(yè)的2017、2018年應屆畢業(yè)生的數(shù)據(jù)進行分類比對，經調研發(fā)現(xiàn)這10個學校2017、2018年國際貿易專業(yè)應屆生有3 225人，其中2 560人找到了跨境電商相關工作，分別收集2 560人的特征A1“外文讀寫應用能力”，A2“外文溝通能力”，A3“店鋪商品設計能力”，A4“在線交易流程熟悉度”，A5“客戶服務能力”，A6“外貿流程熟悉度”，A7“海外零售市場敏銳度”，A8“網絡渠道營銷能力”，A9“良好的心理素質”和A10“團隊協(xié)作能力”的得分，根據(jù)表現(xiàn)量化不同特征值的取值范圍[0，100]。本文跟蹤這2 560人所在企業(yè)近1-2年的評價，按照“優(yōu)秀”、“良好”、“及格”和“不及格”的類別進行分類，得到實驗數(shù)據(jù)。

在實驗的過程中，k值的選取分別為{3，5，7，9，11}，選定特定的k值后，為了防止數(shù)據(jù)樣本數(shù)量過小，容易生過擬合的現(xiàn)象，采用十字交叉[13]驗證方法，每次隨機按照0.8的比例選取2048條數(shù)據(jù)作為訓練數(shù)據(jù)，剩余的512條數(shù)據(jù)作為驗證數(shù)據(jù)，實驗進行10次，取10次的驗證數(shù)據(jù)的準確度作為平均的準確率，分別對AHP_KNN算法和傳統(tǒng)的KNN分類算法進行比對，得到的實驗結果如表5所示。

由表5可以看出，AHP_KNN算法相比KNN算法，在k取不同的值時，平均準確度均高于KNN算法，其中平均準確度最低高出了4.3%，最高為7.3%，顯示了AHP_KNN算法區(qū)別對待跨境電商人才特征的每一維度的特征值，采用AHP算法量化出每一維度對于跨境電商人才的重要性權值，進行了定性和定量的分析，突出了不同維度的屬性對跨境電商人才素質培養(yǎng)的不同重要程度，提高了使用KNN分類算法分類跨境電商人才的準確度，在實際的應用過程中，應當選擇分類k值為11可以達到最大的跨境電商人才分類準確度97.1%，可以準確預估跨境電商的人才等級。

3 總結

在深入分析了跨境電商企業(yè)對跨境電商人才具體需求的基礎上，通過調研，獲得了跨境電商企業(yè)對跨境電商人才素質不同維度的認同度，手動的特征篩選，選出對跨境電商人才特征認同度最高的10個特征;采用AHP算法對不同的特征進行了量化研究，得出不同的特征對跨境電商人才培養(yǎng)的權重值，將這些權重值應用在KNN算法中，提出了AHP_KNN算法，主要用于對跨境電商人才的分類研究。經過AHP_KNN算法與傳統(tǒng)的KNN算法的實驗比對，顯示了AHP_KNN算法在跨境電商人才分類培養(yǎng)模型上的準確度優(yōu)勢，能夠準確預估跨境電商人才的等級，起到客觀評價的作用。

參考文獻

[1] 王君毅. “互聯(lián)網+”背景下跨境電商人才培養(yǎng)策略[J]. 知識經濟， 2017（1）：172.

[2] Bhatnagar， Jyotsna. Managing capabilities for talent engagement and pipeline development[J]. Industrial & Commercial Training， 40（1）：19-28.

[3] Hui Z， Liu J. Research on E-commerce Applied Talent Training in Higher Vocational Colleges[P]. 2012 Intemational Conference on Management of e-Commerce and e-Govemment， 2012： 3-6.

[4] 袁麗娜， 高文海. 以能力為導向的高校跨境電商人才培養(yǎng)模式研究[J]. 河北科技大學學報（社會科學版）， 2018（1）：108-112.

[5] 蘇曼.跨境電商專業(yè)人才勝任素質模型研究[J].高等工程教育研究，2016（3）：170-174.

[6] 顏云生，陶駿，夏傅儀，等.基于AHP算法的電子書包評估系統(tǒng)[J].計算機系統(tǒng)應用，2017，26（8）：49-54.

[7] 馮璠，嚴廣樂.基于優(yōu)化KNN算法的線上拍賣價格預測模型[J].信息技術，2015（3）：40-43.

[8] 王志華，劉紹廷，羅齊.基于改進K-modes聚類的KNN分類算法[J].計算機工程與設計，2019，40（8）：2228-2234.

[9] 趙銀龍，安勝彪.基于核化K-means和SVM分類回歸的Wi-Fi室內定位算法[J].信息技術，2018（1）：113-117.

[10] 李小娟. 基于數(shù)據(jù)挖掘的輸電線路覆冰預測模型研究[D]. 太原：太原理工大學，2016.

[11] 韓林嶧，吳晟.通過評分特征優(yōu)化基于K近鄰的協(xié)同過濾算法[J].信息技術，2018，42（12）：75-79.

[12] 孟志偉，劉惠義，陳霜霜.基于RBM-KNN的腦部磁共振圖像分類[J].信息技術，2017（4）：169-173.

[13] 鄭夢，鄔春學，宮熙禹.基于KNN算法的腦電波控制全向機器人研究[J].信息技術，2015（12）：134-137.

（收稿日期： 2020.02.25）