来源： 作者： 时间：2018-06-07
内容摘要：随着网络技术的发展和推广，电子商务得到长足的进展，逐步成为消费者购物以及浏览产品的主要模式。虽然电子商务体系带来了商品购置的便利，但使用者往往产生“商品迷航”的状况。基于此，本文采用调查问卷的方式设计了多 Agent 技术下的电子商务个性化推荐模型并完成用户感知研究，首先完成个性化推荐模型架构和各部分设计，研究内容用户相似度、协作过滤物品多Agent推荐思想和隐性反馈分析，进而采用设置假定，结合信度、参量、聚类解析完成。研究表明本文设计的电子商务个性化推荐模型能够较好地为使用者进行个性化推荐。
关键词：网络技术 电子商务 多 Agent 相似度 协作过滤 用户
引言
电子商务市场规模和发展状态。电子商务（胡艳辉，2016）的目的是完成网络贸易，将线下整个贸易过程转移到网络中。电子商务的迅速发展带动了整体经济水平，据 2016 年中国市场经济统计年鉴中可知，自 2005 年后，国内电子商务贸易额度呈平稳增长的态势，2011 年国内电子商务贸易额度为 10 万亿元，在 2016 年，国内电子商务贸易额度高达 26.1 亿元，同比增长 19.8%。从国内电子商务的发展状态而言，B2B 贸易额度占据整体贸易总额的63.6%。我国政府对电子商务的发展非常重视，越来越多的普通民众成为电子商务消费的主流，电子商务带动了相关产业的发展，并导向产业结构（陈红进，2015）转型，转换为新型服务类行业，其发展模式和市场状态如图 1 所示。此外，电子商务不仅在轻工业、食品行业等方向发展，已逐步在外贸、资源、重工业等领域迅速发展，并开拓了新的天地。
电子商务个性化推荐研究现状。电子商务个性化推荐着眼于对用户体验的感知，给企业服务设置了新的高度，采用个性化推荐系统需要满足用户需要，并通过实效化推荐方便用户认知，提升用户决策质量。由于商品供应链行业和物流行业的飞速发展，在网络虚拟（钱凯，2016）模式下，电子商务推荐系统需要基于用户特征完成交叉商贸，减少贸易开销，提升用户满意度。电子商务个性化推荐（姜爱华，2016）对整个贸易领域提出挑战，企业能否精准地获得个性化贸易数据，并推荐给用户，刺激推荐系统使用者的购买欲望，并将购买目标定位到个体而非人群，成为个性化电子商务可否取得长足发展的动力。
Agent（杨芳，2016）综合了自制性、智能化与目标推进的特征，采用学习、推理等方式适应复杂的动态环境，并具备与电子商务的完美契合点，因而，多 Agent 技术与电子商务个性化推荐的融合具有重要的研究价值，并可以在市场应用中带动电子商务发展。
文献概述
欧美国家针对电子商务个性化推荐展开大量研究，国外科研者 Ricci 采用手动定制建模方案完成电子商务个性化推荐（Ricci，2011），但该方法对使用者的依赖性较高，容易减弱用户积极性；Jamie 则依据使用者浏览数据和动作完成建模（Jamie，2015），整个过程不需要使用者提供信息，该方法很难给用户带来干扰，因而可提升电子商务个性化推荐系统的易用度；Shahzad 则采用协同过滤方法完成用户信息分析（Shahzad，2015），该方法能够学习使用者的兴趣特点，但要建立个性化数据集需要大量时间；国内学者毛华扬探究了 Agent 机制下的个性化数据过滤模式（毛华扬，2014），该方式很难适应在电子商务中的用户需求和兴趣点的随时改变；杨静则设置了 Web 模式下的数据集聚类方式，基于此完成个性化电子商务推荐（杨静，2016），但该方案仅优化了推荐响应速率却忽视了个性化推荐状况；吴君民则分析了基于 Aprior 机制的搜索（吴君民，2015）推荐策略，该方案更很难改善电子商务推荐系统的冷启动问题，而且对用户的真正兴趣点定位不准确。
多 Agent 技术下的个性化推荐模型设计
（一）多 Agent 技术研究
多 Agent 技术。多 Agent 技术源于人工智能，能够使电子商务系统在不被使用者监测和指导下做出决策，其环境状态下的 Agent 机制模型如图 2 所示。
Agent 技术具有自治性、社会性、反馈性和主动性的特点。自治性即完成自身资源与行为调控，并通过获取的环境数据对自身行动进行决策；社会性则指和周围环境的交互；反馈性即 Agent 感受环境状态时的应对状况；主动性为 Agent 面对目标采取的决策。
多 Agent 技术下的电子商务体系结合点。Agent 自主性和学习性能够在电子商务体系中完成异步动作，并依据相关流程完成相关板块处理。各个 Agent 均可完成自我问题处理，提高了系统的自适应性；可把电子商务任务分割为单个任务，调整到相关 Agent 上，通过知识转化，调整与信息控制完成信息传送；当网络操作能力相对不强时，该功能可融入到 Agent 模型中。
（二）现有电子商务推荐系统的不足
本文选用调研问卷（周常兰，2015）的模式，设定题项，定制 2800 份问卷，对年龄区间在 16 到 76 岁的群体采用邮件和走访的方式完成调研，排除无效问卷 312份，获得有效问卷 2488 份。本文采用的题项关于使用者采用现有的电子商务推荐系统时存在的不足，本文通过调查问卷得出的分析如下：
用户操作数据量较大，当前很多电子商务推荐体系均需要使用者在浏览商品时完成评价，用户负担增加并出现逆反情绪。知识数据更新不实时，当新型商品引入时，实时更新商品信息成为最重要的板块。无法充分调用用户的隐含信息，若用户多次查阅商品信息时，则表明用户对此商品具有的偏好性。不能为新用户推荐，基于电子贸易系统若没有足够的前验信息，则不能实时获得新用户的商品兴趣点，若采用现有用户推荐方法获得数据，则容易被诚信度所影响。自我调节水平不高，用户为得到高水平推荐，则需将个人信息提供给交易系统，用户通常不会仔细研读问项开始作答，而仅有当用户对贸易平台问卷认真作答后才可能得到良好的个性化推荐。此外，很多用户兴趣并不固定。
（三）个性化推荐模型架构
本文设计的电子商务个性化推荐系统包括三组Agent，基本模型如下：
用户采用 Web 网络为交互 Agent 板块传输登入需要，该板块为用户设置服务，通过友好的方式获得用户需求；若用户已完成注册，则交互 Agent 板块将记录用户当前阅读状态，上传到数据集合中；采用多 Agent 协商机制对用户完成兴趣解析，并实现实时化推荐；最后，采用交互Agent 机制能够推送得到满足用户需求的商品。个性化推荐模型如图 3 所示。
电子商务个性化推荐系统功能设计
（一）使用者相似性推荐
使用者相似性推荐即不断取得用户兴趣数据，探究与用户兴趣点相近的商品数据，进而完成推荐，工作方式为：用户感知。基于内容的Agent主要从用户兴趣点着手，即通过反馈参数设置阈值 T 分析 Agent 的自主性。若用户评判数据库中反馈的参数 n 高于阈值，即：n>T （1）
用户操作在某状态下检验了其兴趣，并完成用户偏好和隐性IP的处理；若低于该阈值，则表明用户兴趣点不足，需要不断捕获用户动作，并完成累计评价。
推荐结果推送。对用户兴趣采用多 Agent 技术获取后，则可向用户进行推荐，此外，多 Agent 技术下的电子商务用户感知和个性化推荐模型能够完成商品相似度计算，并对客户进行相关商品推荐。图 4 为基于内容的推荐流程。
（二）物品相似性推荐
物品相似性推荐在于为用户推荐新商品，并当测算某商品时，需要针对用户现有的兴趣点和其他有意向的用户O 完成评价，其基本思路为假定全部用户数目为 p，全部物品为 S，设定物品数目为 q。O={o 1 ，o 2 ，…，o p } （2）S={s 1 ，s 2 ，…，s q } （3）
针对各个用户 o p 都存在相应的物品列表 So p ，而整个表表明了用户对商品的评价，评价可被用户通过等级模式展开，并采用数字方式表达，从买入记录和日志着手分析。推荐方案为：
预测值：通过数值方式，Ro a 代表所预测使用者 o a 对物品 s q 的喜好程度。
推荐集：则在 q 个物品集中，由于 s q 包含在 S 中，并代表了目标使用者所期待的物品。协作过滤 Agent 机制下的物品相似性推荐如图 5 所示。
（三）电子商务个性化推荐数据分析
商品数据录入。电子商务个性化推荐系统采用三维数组分析物品 S 1 ，s q 为商品编码，s c 为商品状况，y 为物品描述参数，表明商品在指定参数下的显著度。S 1 =(s q ,s c ,y) （4）S c =(ba,fa,pr,li,gr,qu,da) （5）
式（5）中，S c 表示物品在牌子、流行度、价位、等级、规格、含量以及生产日期几个方向的特点。
用户喜好。用户喜好分为显性喜好和隐性喜好两种，如图 6 所示。大多数电子商务推荐系统均采用用户注册填写的题项设置顾客兴趣存档，顾客往往出于怕麻烦或不愿透露数据的心态，选项真实度不高。本文综合人口调研和问卷调研模式取得用户喜好，当新用户注入时，仅需从下拉列表中获取问项，避免人工语言不确定度，而问卷板块则建议使用者认真回答，也能跳过，但不能让用户反感。
本文的电子商务推荐系统采用三维数组研究用户喜好e，nm 表示使用者编码，ch 代表物品特征，us 为使用者表述参量，代表使用者在相应参量下的明显程度。e=(nm,ch,us) （6）s c =(ba,fa,pr,li,gr,qu,da) （7）
式（7）的S c 为商品在牌子、流行度、价位、等级、规格、含量以及生产日期几个方向的特点。如使用者 Amy，她的 S c 表述如下：s c (Amy)=[(ba,fa,pr,li,gr,qu,da),(0.32,0.25,0.0,0.0,0.0,0.0,0.0)] （8）
（四）用户群体喜好
本文选取调研问卷模式，对获得信息统计和解析，研究用户群体的状态，如表 1 所示。
以下为用户状态表达：
（‘01’，s c ，（0.63，0.33，0.08，0.0，0.0，0.0，0.0））；（‘02’，s c ，（0.41，0.58，0.02，0.0，0.0，0.0，0.0））；（‘03’，s c ，（0.53，0.36，0.06，0.06，0.0，0.15，0.028））；（‘04’，s c ，（0.35，0.42，0.06，0.01，0.0，0.18，0.08））；（‘05’，s c ，（0.35，0.13，0.25，0.18，0.06，0.10，0.10））；（‘06’，s c ，（0.23，0.12，0.28，0.08，0.15，0.13，0.16））；（‘07’，s c ，（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））；
用户群体特征，如表 2 所示。
（五）用户感知隐性反馈分析
隐性反馈数据。多 Agent 技术下的电子商务个性化推荐目的是帮助用户得到满意的商品信息，包含了推导和预判方式，图 7 中为隐性反馈数据。
电子商务个性化推荐实现。从用户预览动作可实现日志文档中的用户与服务器间的隐性反馈数据可得用户对推荐商品的关注程度。关键词设置，即先输入商品名称，得到第 q 个物品的搜索参量 s q ：S q =α （9）
式（9）中的 α>1 为一个常量值，若没完成搜索，则α 为 1。若浏览器显示为活跃状况时，对相近页面关注度与访问页面时间越长，则表明用户对该界面的物品搜索期望值较大。检验整个界面的访问时间与第 i 个商品处在的访问时间 T i ，测算得到持续时间参量结果为：T i =t i /∑mk=1 t k （10）
本文认为若用户对某一界面的浏览次数越多，则表明用户对该界面的商品更有兴趣。本文采用多 Agent 机制，若浏览器界面完成更新后，首先应得到 URL 标题，并探究用户访问的全部界面，获取第 i 个商品在某界面的访问数量，并得到第 i 个商品滞留界面的兴趣数据 IN，通过 tr i表述用户登录第 i 个商品停留界面的次数：IN i =tr i / ∑mk=1 tr k （11）
购买即通过用户准备购入的物品 i 放置在购物车中，多 Agent 技术下的电子商务个性化推荐系统则设置兴趣参数 W i ，若没有购买（沈滔，2016）动作，则 W 值为 0。W i =w （12）
停留在商品页面，如果多 Agent 技术下的电子商务个性化推荐系统完成界面的保存动作时对第 i 个商品设置为F j ，则如（13）所示：F j =z （13）
若不存在保存操作，则 z 值为 0，若包含多个商品则将兴趣参量均值分配给各个商品。依据以上准则可知第 i 个商品的兴趣参数 IN，建模如式（14）所示：IN=S q +t i / ∑mk=1 t k ×tr j / ∑mk=1 tr k +W i +F j （14）
多 Agent 技术下的电子商务个性化推荐模型用户感知模型
（一）研究假设与模型设计
根据现有的顾客感知价值研究，本文从技术层面、系统信任度以及社群因子三个层次对电子商务个性化推荐的用户感知维度分析。技术层面包含感知有用度、感知易用度和感知舒服度三点，电子商务个性化推荐系统信任参数包含安全和商家动机两个板块，社群影响则划分成外部评审和媒体传播两组参量，如图 8 所示。
（二）具体假定设置
舒适度假定。研究可知，用户对个性化推荐更替时间和外观均有要求，个性化数据推送时间、推送模式和不均等性对用户舒适性均有影响。基于此，本文假设：
H1：用户对个性化推荐系统的舒适度有正向影响。商家信誉度。用户和电商信任度间存在联系，商人信用是顾客购买商品的重要因素，据此，本文做出以下假设：
H2：用户对电子商务个性化推荐感知存在正向作用。感知信任程度。用户完成网络贸易时，安全性是被关注的要点。当用户应用推荐模型时，电子商务个性化推荐系统需要记载浏览信息，系统也应保障密码安全性和贸易信息不轻易泄露。基于此，本文做出以下假定：
H3：用户对电子商务个性化推荐系统的感知安全和接纳存在正向作用。社群影响。社群影响因子是用户个性化推荐的感知方向之一，用户在个性化推荐中，往往被广告、朋友或专家意见所作用，基于此，本文做出以下假定：
H4：社群影响对用户接纳个性化推荐具有正向作用。用户感知易用和有用度。感知易用度则指使用者采用某项技术时，可达到的水平；感知有用度主要指用户在实现某项动作时，能够提高工作效率的主要感知；这两类因子均能推进使用者掌握个性化推荐内容。基于此，本文做出以下假定：
H5：用户对个性化推荐的感知易用和有用度均对用户接纳个性化推荐存在正向影响。
本文通过问卷调研的模式，进一步对应用电商平台的有效问卷为 2488 份进行分析。实现本文设计的多 Agent技术下的电子商务个性化推荐模型感知解析，具体问卷选项设置如表 3 所示。
（三）聚类分析
为研究不通过用户感知多 Agent 技术下的电子商务个性化推荐系统的偏好度，本文对问卷数据分析聚类，通过表 4 中数据可知，45.2% 的使用者更加满意多 Agent技术下的电子商务个性化推荐的舒服度和感知安全度，32.7% 的使用者则更加满意多 Agent 技术下的电子商务个性化推荐的舒适程度、易用度和有用度，22.1% 更加满意多 Agent 技术下的电子商务个性化推荐的适程度和外部评判。
（四）参量解析
本文采用 SPSS18.0 进行信度分析，问卷信度参量结果为 0.932<1，问卷可靠程度较高。对用户感知多 Agent 技术下的电子商务个性化推荐模型进行分析，本文对调研问卷进行参量分析，把相似的参量完成归一化。信息的 KMO值为 0.83 高于 0.5，巴里特球体校验值低于 0.05，整体问卷的结构性较好可继续完成因子分析。本文进一步针对群众评价、有用度、易用度、感知安全性和舒适性分析个性化推荐。研究问卷的可靠度后，本文采用 Pearon 关联度分析各参量与电子商务个性化推荐关联性，如表 5 所示。
（五）本文假设检验分析
通过上文研究可知，群众评价、有用度、易用度、感知安全性和舒适性均对多 Agent 技术下的电子商务个性化推荐系统的用户感知存在正向影响。本文设计的电子商务个性化推荐系统可较好地为用户完成个性化推荐。
结论
个性化推荐是电子商务行业的研究重点，该技术主要通过使用者现有的历史操作，获取其兴趣点以及买入方式，并且完成“私人定制”化的推荐，本文设计了多 Agent 技术下的电子商务个性化推荐模型，并分析本文模型的接纳度研究。
首先得出多 Agent 技术下的电子商务个性化推荐模型架构和特征分析，进而提出各部分设计。包含内容用户相似度多 Agent 和物品相似度多 Agent 推荐思想，并完成数据分析、物品信息给入、使用者偏好、使用者族群偏好以及隐性反馈分析。其次研究多 Agent 技术下的电子商务个性化推荐模型用户感知，通过设置研究假定和模型设计，研究结果表明，群众评价、有用度、易用度、感知安全性和舒适性均对用户感知个性化推荐存在正向影响。最后完成聚类解析和参量解析，其结果可知本文研究的多 Agent技术下的电子商务个性化推荐系统能够较好地在用户感知基础下完成个性化推荐。完善电子商务个性化推荐系统功能，把多 Agent 技术拓展到系统的各个板块中，提升电子商务系统的智能度，进而满足个性化推荐系统功能。并逐步把轻量级别 J2EE 带入其中，提升系统的适应能力。
参考文献：
1. 胡艳辉 . 浅析大数据时代电子商务发展的新特征 [J].改革与战略，2016，1（2）
2. 陈红进 . 用新结构主义理论指导产业结构转型升级[J]. 企业管理，2015，4（3）
3. 钱凯 . 网络虚拟财产继承法律问题研究 [J]. 商业经济研究，2015（2）
4. 姜爱华，王晨 . 公共服务的采购方式及适用：国际比较与借鉴 [J]. 经济研究参考，2016，6（2）
5. 杨芳，戴恩勇，李金亮 . 基于 Multi-Agent 的果蔬冷链物流系统协同优化 [J]. 统计与决策，2016，9（3）
6. 吴君民，陈明菲，鞠可一等 . 基于和声搜索算法的船舶分段工程项目工期—成本优化 [J]. 财会月刊，2015，6（7）
更多文章可登陆云投稿http://www.yuntougao.com查看
上一篇文章：第三方快递服务失误对网络商店顾客满意的影响
下一篇文章：我国加强生态文明制度建设的必要性