基于畫(huà)像技術(shù)的車(chē)貨匹配與精準(zhǔn)化推薦方法研究

李紅瑩 張志清

摘? 要：在大數(shù)據(jù)信息技術(shù)的推動(dòng)下，車(chē)貨匹配平臺(tái)迅速發(fā)展，市場(chǎng)競(jìng)爭(zhēng)日趨激烈，同時(shí)市場(chǎng)對(duì)車(chē)貨信息匹配精準(zhǔn)度和效率有了更高要求。提高車(chē)貨信息匹配的精準(zhǔn)度不僅有助于車(chē)貨匹配平臺(tái)降低運(yùn)營(yíng)成本，提高業(yè)務(wù)效率，輔助業(yè)務(wù)決策，從而還可以實(shí)現(xiàn)更加有效地提高客戶(hù)滿(mǎn)意度。因此，文章通過(guò)對(duì)車(chē)貨匹配現(xiàn)狀進(jìn)行分析，結(jié)合車(chē)貨匹配平臺(tái)的用戶(hù)業(yè)務(wù)數(shù)據(jù)和行為數(shù)據(jù)，利用畫(huà)像技術(shù)建立合理的畫(huà)像標(biāo)簽體系，運(yùn)用協(xié)同過(guò)濾推薦算法挖掘出具有不同業(yè)務(wù)類(lèi)型的用戶(hù)群體，以期為用戶(hù)提供精準(zhǔn)化個(gè)性服務(wù)。

關(guān)鍵詞：畫(huà)像技術(shù);車(chē)貨匹配;協(xié)同過(guò)濾

中圖分類(lèi)號(hào)：U294??? 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： With the promotion of big data information technology， the vehicle and cargo matching platform develops rapidly， and the market competition becomes increasingly fierce. At the same time， the market has higher requirements for the accuracy and efficiency of vehicle and cargo information matching. Improving the accuracy of vehicle and cargo information matching not only helps the vehicle and cargo matching platform to reduce operating costs， improve business efficiency and assist business decisions， but also can achieve more effective improvement of customer satisfaction. Therefore， by analyzing the status quo of vehicle and cargo matching and combining the user business data and behavior data of the vehicle and cargo matching platform， this paper uses portrait technology to establish a reasonable portrait labeling system， and uses collaborative filtering recommendation algorithm to mine out user groups with different business types， in order to provide accurate personalized services for users.

Key words： user portrait; vehicle-cargo matching; collaborative filtering

0? 引? 言

隨著物流行業(yè)的不斷發(fā)展，人們對(duì)物流服務(wù)的要求也越來(lái)越高，車(chē)貨的有效匹配不僅可以提高資源的有效利用率，降低空駛率，還能提高客戶(hù)的滿(mǎn)意度。關(guān)于車(chē)貨匹配，目前的研究主要集中在以下幾個(gè)方面：齊向春[1]借鑒國(guó)內(nèi)外車(chē)貨平臺(tái)企業(yè)成功發(fā)展經(jīng)驗(yàn)，設(shè)計(jì)鐵路物流車(chē)貨匹配平臺(tái)的功能模塊和邏輯架構(gòu)。并結(jié)合鐵路物流業(yè)務(wù)的發(fā)展需要，提出了近期建成面向鐵路貨源的接取送達(dá)找車(chē)平臺(tái)，中期建成面向社會(huì)貨源的車(chē)貨匹配交易平臺(tái)，遠(yuǎn)期建成向物流金融、商貿(mào)延伸的車(chē)貨匹配平臺(tái)的建設(shè)思路。王爽等[2]通過(guò)對(duì)國(guó)內(nèi)現(xiàn)有車(chē)貨匹配平臺(tái)進(jìn)行分析比較，從車(chē)貨匹配平臺(tái)的組成部分、信任機(jī)制、監(jiān)管機(jī)制和盈利模式等四方面提出幾點(diǎn)創(chuàng)新性建議，將線(xiàn)下資源整合到平臺(tái)中，對(duì)實(shí)現(xiàn)車(chē)貨精準(zhǔn)匹配、資源整合和提高行業(yè)效率有實(shí)際意義。張玲燕[3]首先對(duì)配載型物流信息服務(wù)平臺(tái)發(fā)展現(xiàn)狀進(jìn)行了概述;其次分析了平臺(tái)的車(chē)貨供需匹配主體及匹配原則;再次分析了平臺(tái)的車(chē)貨供需匹配運(yùn)作機(jī)理;最后分析了平臺(tái)的車(chē)貨供需匹配關(guān)鍵模塊。王蓓蓓、崔杰[4]針對(duì)含有灰色、模糊等不確定信息的車(chē)貨供需雙邊匹配決策問(wèn)題，利用灰色絕對(duì)關(guān)聯(lián)度分析法測(cè)度匹配主體的滿(mǎn)意度，建立基于匹配距離和匹配距離偏差最小的多目標(biāo)灰色雙邊匹配模型，有效地設(shè)計(jì)車(chē)貨供需匹配方案，提高雙方主體的滿(mǎn)意度和匹配率。郭靜妮[5]在描述車(chē)貨供需匹配問(wèn)題的基礎(chǔ)上，建立了車(chē)源方與貨源方相互的多指標(biāo)語(yǔ)言評(píng)價(jià)體系，通對(duì)三角模糊數(shù)的應(yīng)用以及模糊數(shù)清晰化的效用函數(shù)的引入，將語(yǔ)言評(píng)價(jià)集進(jìn)行量化，提出了基于車(chē)源方與貨源方相互滿(mǎn)意度整體最高的模糊群決策方法。李慧[6]分析了配載型物流信息服務(wù)平臺(tái)的車(chē)貨供需匹配機(jī)理。結(jié)合車(chē)貨配載供需匹配的實(shí)際情況，分析了平臺(tái)供需匹配的主體、供需匹配的原則、供需匹配的流程、供需匹配的機(jī)理、供需匹配的模塊及經(jīng)營(yíng)模式。為物流信息服務(wù)平臺(tái)的供需匹配模塊構(gòu)建提供了可改進(jìn)的思路。Gale和Shapley[7]在1962年提出的Gale-Shapley算法，是最先涉及雙邊匹配決策問(wèn)題的研究。后續(xù)學(xué)者將最初的算法做了補(bǔ)充和擴(kuò)展，把雙邊匹配決策應(yīng)用到更多領(lǐng)域，如Roth[8-9]明確界定了“雙邊”和“雙邊匹配”的概念，并基于對(duì)醫(yī)學(xué)實(shí)習(xí)生與醫(yī)院匹配的現(xiàn)實(shí)問(wèn)題研究，提出Hospital-Resident匹配理論。國(guó)外數(shù)據(jù)畫(huà)像技術(shù)，Omar Hasan，Benjamin Habegger等人[10]也分析了在用戶(hù)畫(huà)像的隱私挑戰(zhàn)的討論大數(shù)據(jù)的技術(shù)，Ana Stanescu， Swapnil Nagar等人[11]也在用戶(hù)畫(huà)像建模方面進(jìn)行了研究，通過(guò)關(guān)鍵字與評(píng)價(jià)進(jìn)行建模。Paula Pe？觡a， Rafael del Hoyo，Jorge Vea-Murguía， et al[12]為推特上的用戶(hù)集體知識(shí)本體用戶(hù)畫(huà)像進(jìn)行了研究。

綜上所述，本文將車(chē)貨匹配與畫(huà)像技術(shù)結(jié)合起來(lái)，提出用畫(huà)像技術(shù)對(duì)車(chē)貨雙方進(jìn)行畫(huà)像，以便更好地了解雙方需求，并運(yùn)用相似度計(jì)算方法對(duì)車(chē)貨雙方進(jìn)行精準(zhǔn)匹配，盡可能快速的幫車(chē)找到貨，幫貨找到車(chē)，提高資源利用率，降低車(chē)輛空駛率。

1? 基于畫(huà)像技術(shù)的車(chē)貨供需匹配模型的構(gòu)建

1.1? 車(chē)貨匹配用戶(hù)畫(huà)像模型

根據(jù)獲取的有關(guān)用戶(hù)基本信息數(shù)據(jù)及動(dòng)態(tài)行為數(shù)據(jù)信息，可以依次構(gòu)建車(chē)貨匹配用戶(hù)畫(huà)像模型，以實(shí)現(xiàn)個(gè)性化信息服務(wù)。在進(jìn)行數(shù)據(jù)處理時(shí)，可以利用數(shù)據(jù)挖掘技術(shù)、知識(shí)發(fā)現(xiàn)技術(shù)、信息過(guò)濾算法、聚類(lèi)算法、相似度算法等大數(shù)據(jù)技術(shù)，完成對(duì)用戶(hù)數(shù)據(jù)信息科學(xué)、有效、具體的描述，同時(shí)隨著用戶(hù)動(dòng)態(tài)行為數(shù)據(jù)的不斷更新與變化，構(gòu)建模型的過(guò)程也需要不斷地優(yōu)化與更新，才能準(zhǔn)確、合理地構(gòu)建用戶(hù)畫(huà)像模型，為數(shù)字車(chē)貨供需精準(zhǔn)匹配個(gè)性化信息服務(wù)提供數(shù)據(jù)基礎(chǔ)與信息保障。構(gòu)建車(chē)貨匹配系統(tǒng)，主要包括車(chē)主和貨主的基本信息，車(chē)貨匹配平臺(tái)根據(jù)車(chē)主的信息和興趣度，再結(jié)合貨主擁有的貨物類(lèi)型，結(jié)合雙方標(biāo)簽用協(xié)同過(guò)濾的方法為車(chē)主和貨主雙方進(jìn)行匹配。車(chē)貨匹配畫(huà)像模型如圖1所示。

1.2? 標(biāo)簽體系的設(shè)計(jì)與構(gòu)建

車(chē)主和貨主用戶(hù)畫(huà)像由車(chē)主維度和貨主維度共同組成，其中，車(chē)主維度由定性用戶(hù)畫(huà)像的車(chē)輛屬性特征、車(chē)主行為特征和車(chē)主興趣特征構(gòu)成。貨主維度是由貨物種類(lèi) 、貨物信息等構(gòu)成。多維度標(biāo)簽體系的構(gòu)建如表1所示：

1.3? 車(chē)貨精準(zhǔn)匹配流程

通過(guò)分析車(chē)主和貨主的信息和需求，為雙方建立各自的標(biāo)簽，用協(xié)同過(guò)濾方法計(jì)算出雙方的標(biāo)簽相似度，根據(jù)標(biāo)簽信息的相似性通過(guò)匹配服務(wù)推薦系統(tǒng)，最終為車(chē)主找到合適的貨物，為貨物找到合適的車(chē)主，為其雙方提供更加精準(zhǔn)的個(gè)性化服務(wù)。車(chē)貨匹配流程如圖2所示。

1.4? 數(shù)據(jù)采集

用戶(hù)畫(huà)像是用來(lái)描繪目標(biāo)用戶(hù)特征的，必須要遵循數(shù)據(jù)是用戶(hù)真實(shí)有效的信息這一原則，確保信息是真實(shí)、客觀(guān)、可靠的。然后為了保障能夠獲得有效的用戶(hù)信息，實(shí)現(xiàn)對(duì)車(chē)貨匹配用戶(hù)的畫(huà)像，實(shí)現(xiàn)車(chē)貨匹配的優(yōu)化，本文將數(shù)據(jù)采集所涉及的內(nèi)容劃分為以下幾個(gè)維度，包括有用戶(hù)基本信息、行為偏好、服務(wù)價(jià)值以及對(duì)匹配服務(wù)認(rèn)可參與情況。為了實(shí)現(xiàn)對(duì)車(chē)貨匹配用戶(hù)的畫(huà)像，本文圍繞這些維度在中國(guó)物通網(wǎng)搜集了相關(guān)信息，主要了解車(chē)主的基本信息，比如車(chē)型、車(chē)長(zhǎng)、載重、車(chē)主的專(zhuān)業(yè)性等。此外還包括車(chē)主行為、車(chē)主興趣、車(chē)主的服務(wù)價(jià)值，貨源的基本信息等。

2? 基于用戶(hù)畫(huà)像的協(xié)同過(guò)濾推薦

本文所要分析的是基于用戶(hù)的協(xié)同過(guò)濾推薦，通過(guò)該方法為車(chē)貨供需精準(zhǔn)匹配個(gè)性化推薦系統(tǒng)進(jìn)行設(shè)計(jì)，并計(jì)算車(chē)貨匹配平臺(tái)中車(chē)主和貨主的標(biāo)簽相似度，根據(jù)兩者的相似度進(jìn)行匹配，這樣可以讓車(chē)主迅速找到合適的貨源，讓貨主也快速找到合適的車(chē)輛來(lái)運(yùn)輸貨物。由于車(chē)主和貨主信息之間的相似度不僅能通過(guò)車(chē)主和貨主對(duì)所推薦項(xiàng)目的評(píng)分情況來(lái)計(jì)算，還能根據(jù)車(chē)主和貨主對(duì)待推薦項(xiàng)目所打標(biāo)簽的情況進(jìn)行分析。當(dāng)車(chē)主和貨主對(duì)項(xiàng)目的標(biāo)簽打的分?jǐn)?shù)相似時(shí)，可以說(shuō)明車(chē)主和貨主有著相似的需求偏好，也就是兩者有較高的相似度，比如用戶(hù)u對(duì)一個(gè)項(xiàng)目的標(biāo)簽屬性感興趣，那么與用戶(hù)u相似的鄰居用戶(hù)集合u中每一個(gè)用戶(hù)都有可能和u的興趣偏好具有一定的相似度。例如，用戶(hù)u的主題興趣領(lǐng)域分類(lèi)中車(chē)輛和車(chē)主的信息偏多，那么用戶(hù)的鄰居用戶(hù)也應(yīng)該對(duì)車(chē)輛和車(chē)主相關(guān)的主題興趣領(lǐng)域比較感興趣。目前很多學(xué)者將用戶(hù)信息和項(xiàng)目信息使用到核心算法的改進(jìn)中，而且對(duì)用戶(hù)和項(xiàng)目的建模不斷完善，最后得到的推薦結(jié)果信息的精準(zhǔn)度就越高，基于用戶(hù)的協(xié)同過(guò)濾推薦算法的主要步驟如下所示：

2.1? 構(gòu)建用戶(hù)評(píng)分矩陣

根據(jù)前面畫(huà)像技術(shù)建立的標(biāo)簽，用集合T，T，…，T表示標(biāo)簽集，車(chē)主的集合用U，U，…，U表示，貨主的集合用V，V，…，V表示，R表示車(chē)主i在標(biāo)簽j上的權(quán)重。權(quán)重評(píng)分值介于0～4，假設(shè)T=4則表示車(chē)主i具備標(biāo)簽屬性j權(quán)重為 4，T=0代表車(chē)主i不具備標(biāo)簽屬性j，用戶(hù)對(duì)項(xiàng)目的評(píng)分矩陣是車(chē)主和貨主雙方對(duì)某一標(biāo)簽的綜合評(píng)分。

從標(biāo)簽屬性表中可以計(jì)算得出標(biāo)簽屬性的偏好矩陣S，從用戶(hù)項(xiàng)目評(píng)分表中直接得出該用戶(hù)的評(píng)分?jǐn)?shù)據(jù)矩陣R。其中，屬性偏好矩陣S的維度為m×k，m表示車(chē)主的個(gè)數(shù)，整體的標(biāo)簽特征總和為k，Weight表示活躍車(chē)主i所評(píng)價(jià)的所有項(xiàng)目的第j個(gè)標(biāo)簽特征的總權(quán)重。R矩陣用來(lái)表示用戶(hù)的評(píng)分?jǐn)?shù)據(jù)，其維度為m×n，維度m代表注冊(cè)用戶(hù)個(gè)數(shù)，維度n代表待推薦項(xiàng)目個(gè)數(shù)。當(dāng)r≠0時(shí)表示用戶(hù)i在過(guò)去的一段時(shí)間內(nèi)對(duì)項(xiàng)目j有過(guò)評(píng)分，評(píng)分值為r;當(dāng)r=0時(shí)，則表示用戶(hù)i對(duì)項(xiàng)目j的記錄中沒(méi)有過(guò)評(píng)分。評(píng)分矩陣如下：

S=， R=

其中：Weight=∑T，C為用戶(hù)i評(píng)分的所有項(xiàng)目集合。

2.2? 計(jì)算標(biāo)簽相似度

根據(jù)標(biāo)簽屬性偏好矩陣S和公式（1）來(lái)計(jì)算系統(tǒng)中各個(gè)用戶(hù)的標(biāo)簽屬性偏好量：P=P，P，P，…，P;接著使用公式（2）來(lái)分別計(jì)算兩個(gè)用戶(hù)的標(biāo)簽偏好量的相似度Similarityu，v，u和v代表兩個(gè)用戶(hù)。

P=??????????????????????????????????????????????? （1）

Weight代表用戶(hù)u對(duì)項(xiàng)目第i個(gè)標(biāo)簽屬性的總權(quán)重，Weight=∑T， C為目標(biāo)用戶(hù)所評(píng)分的所有項(xiàng)目和。同樣使用Weight來(lái)代表用戶(hù)所評(píng)論的所有相關(guān)項(xiàng)目包含的所有標(biāo)簽屬性的總權(quán)重：

Weight=∑Weight

Similarityu，v=?????????????????????????????????? （2）

2.3? 生成推薦結(jié)果

3? 車(chē)貨供需精準(zhǔn)匹配實(shí)例分析

車(chē)主和貨主畫(huà)像：

在中國(guó)物通網(wǎng)隨機(jī)獲取一些相關(guān)信息，主要包括車(chē)主和貨主的基本數(shù)據(jù)信息，通過(guò)對(duì)獲得的相關(guān)數(shù)據(jù)信息進(jìn)行數(shù)據(jù)清理后，并將部分?jǐn)?shù)據(jù)進(jìn)行數(shù)據(jù)清理后，下面選取10位車(chē)主和貨主的信息作為本文的樣本，如表4、表5所示，車(chē)貨匹配結(jié)果如表6、表7、表8所示。

通過(guò)標(biāo)簽打分以及上述相似度公式計(jì)算發(fā)現(xiàn)貨主3和粵B**345的相似度高于貨主3和粵B**2K5以及貨主3和粵S**819，所以把貨主3推薦給粵B**345較為合適。

4? 結(jié)論與展望

本文的主要研究?jī)?nèi)容是在車(chē)貨匹配領(lǐng)域，針對(duì)用戶(hù)平臺(tái)畫(huà)像，分析相關(guān)數(shù)據(jù)，并且從用戶(hù)基本信息、行為偏好、服務(wù)價(jià)值以及對(duì)匹配服務(wù)認(rèn)可參與情況等幾個(gè)維度建立車(chē)貨匹配標(biāo)簽?zāi)Ｐ停约坝脩?hù)畫(huà)像的生成標(biāo)簽屬性和每個(gè)標(biāo)簽權(quán)重的計(jì)算獲取，也對(duì)用戶(hù)畫(huà)像的意義進(jìn)行了相應(yīng)的分析，結(jié)果發(fā)現(xiàn)基于畫(huà)像技術(shù)的車(chē)貨供需精準(zhǔn)匹配不僅優(yōu)化了用戶(hù)體驗(yàn)還實(shí)現(xiàn)了貨物的精準(zhǔn)匹配。由于推薦系統(tǒng)在快速的發(fā)展，其研究方向也呈現(xiàn)出不同的趨勢(shì)。與此同時(shí)大量數(shù)據(jù)的堆積和冗余也使進(jìn)行精準(zhǔn)的用戶(hù)數(shù)據(jù)畫(huà)像研究成為可能。面對(duì)新技術(shù)的挑戰(zhàn)，后續(xù)的研究工作還很長(zhǎng)遠(yuǎn)，需要在實(shí)時(shí)性以及用戶(hù)和項(xiàng)目的建模兩個(gè)方面進(jìn)行深入研究。

參考文獻(xiàn)：

[1] 齊向春. 我國(guó)鐵路物流車(chē)貨匹配平臺(tái)設(shè)計(jì)研究[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)，2018，40（6）：29-34.

[2] 王爽，劉立強(qiáng)，葛林，等. 車(chē)貨匹配平臺(tái)創(chuàng)新模式探討[J]. 黑龍江科學(xué)，2017，8（4）：30-31，33.

[3] 張玲燕. 基于配載型物流信息服務(wù)平臺(tái)的車(chē)貨供需匹配技術(shù)研究[J]. 粘接，2020，43（9）：189-192.

[4] 王蓓蓓，崔杰. 基于灰色絕對(duì)關(guān)聯(lián)度的車(chē)貨雙邊匹配決策研究[J]. 價(jià)值工程，2019，38（23）：122-125.

[5] 郭靜妮. 基于模糊群決策方法的車(chē)貨供需匹配研究[J]. 交通運(yùn)輸工程與信息學(xué)報(bào)，2017，15（4）：141-146.

[6] 李慧. 配載型物流信息服務(wù)平臺(tái)的車(chē)貨供需匹配研究[D]. 北京：北京交通大學(xué)（碩士學(xué)位論文），2015.

[7]? Gale D， Shapley L. College admissions and the stability of marriage[J]. American Mathematical Monthly， 1962，69（1）：9-15.

[8]? Roth A E. Common and Conflicting Interests in Two-Sided Matching Markets[J]. European Economic Review， 1985，27（1）：75

-96.

[9]? Roth A E. On the Allocation of Residents to Rural Hospitals： A General Property of Two-Sided Matching Markets[J]. Econometrica， 1986，54（2）：425-427.

[10]? Hasan O， Habegger B， Brunie L， et al. A discussion of privacy challenges in user profiling with big data techniques： The EEXCESS use case[C] // 2013 IEEE International Congress on Big Data. IEEE， 2013：25-30.

[11]? Stanescu A， Nagar S， Caragea D. A hybrid recommender system： User profiling from keywords and ratings[C] // 2013 IEEE

/WIC/ACM International Joint Conferences on Web Intelligence （WI） and Intelligent Agent Technologies （IAT）. IEEE， 2013，1：73-80.

[12]? Paula Pe a， Rafael del Hoyo， Jorge Vea-Murguía， et al. Collective Knowledge Ontology User Profiling for Twitter[C] // IEEE/WIC/ACM International Conferences on Web Intelligence （WI） and Intelligent Agent Technology （IAT）， 2013.