基于协同过滤算法与标签融合的农产品电商平台设计

刘俊彤，张佳兴，韩宝平

（北京农学院计算机与信息工程学院，北京 102206）

我国人口众多，电子商务平台不断发展，迎合了人们的消费需求，从而网购成为了农产品销售的主流消费方式。2020 年1—6 月，我国网络零售额达到51 501 亿元，增长7.3%，其中在疫情期间，由于人们外出不便，实物零售在电商平台的零售额创历史新高，同比增长14.3%。而农产品食用类增长尤为明显，同比增长38.8%[1]。在疫情期间，生鲜瓜果蔬菜等农产品在电商平台迅速售罄，农产品销售方式多样，不断在电商平台创新，农产品的销量一路飙升。但由于每个人的喜好不同，国内电商平台虽然拥有推荐功能，但对于推荐农产品存在较大的误差，人们寻找个人喜爱的农产品比较困难。我国农产品消费市场需要一个标准化、全面性的、个性化推荐的农产品电商平台。所以，在全民网购的大背景下，亟需设计出一个能根据个人需求、喜好来推广农产品的电商平台。

1 协同过滤算法

协同过滤（Collaborative Filtering，CF）是推荐系统中诞生较早、广为使用的一种推荐算法，其利用搜集的个人及群体兴趣爱好历史行为数据来进行分析、处理，得出用户感兴趣的推荐信息[2]。协作过滤算法最重要的一点是根据兴趣选择和潜在需求创建个性化推荐。个性化推荐可以帮助销售农产品的商家及网站迅速而有效地为消费者推荐感兴趣的商品，满足消费者的需求，提高消费者的购物效率，提升消费者的购物体验[3]。在电子商务平台上对不同用户使用协同过滤算法时，采用了2 种推荐协同过滤的模型，即协同用户过滤模型、协同产品过滤算法的推荐模型。

1.1 基于用户相似度的协同过滤算法

基于用户相似度的协同过滤算法通常融合了属性相似度、用户喜好相似度、用户间评分相似度和用户浏览相似度等相关相似度的权重计算办法[4]。用户间评分相似度和用户喜好相似度采用加权平均分组合方式，由于用户间评分相似度更稳定的能体现用户相似度，采用相似度计算办法一般首要选择评分相似度，将其他相似度权重占比设置为小于评分占比。

该算法在电商平台主要应用意义是根据用户之间的喜好、相似度和用户之间相互关联来得出个性化推荐。在农产品电商平台，依据用户对产品的需求和偏好，寻找与用户浏览或评分收藏相似度趋近的用户，再按照用户与用户之间相关联的某一点，比如：收藏、购物车等，按照相似点进行精准推荐，推荐原理如图1。

图1 基于用户相似度的协同过滤推荐原理图

1.2 基于产品的协同过滤算法

基于产品的协同过滤算法通常采用最近邻（KNearest-Neighbor，KNN）算法，利用用户的历史记录来计算用户之间的距离，然后利用目标用户的最近邻用户对物品评价来预测目标用户对其他未评价物品的感兴趣程度，系统从而根据这一感兴趣程度来对目标用户进行推荐[5]。

该算法在电商平台的应用意义是根据用户对产品的喜好程度、产品页面浏览次数、产品的搜索次数和产品之后可能存在的潜在需求等进行个性化推荐。在农产品电商平台，依照用户对于某一产品的喜好，能及时将相似的产品进行推荐给用户。另一种计算方法是根据用户通过浏览、购买或者收藏产品之后，通过用户操作次数判断用户对于产品的潜在需要。

2 协同过滤算法在系统中的设计

2.1 基于产品评分的个性化推荐

系统设置商品打分功能及记录用户行为的功能，数据库中记录所有用户对各个商品的点击（浏览）数及购买次数。打分五分制，另外两项数据进行归一化处理，同样实行五分制，购买次数占比60%，浏览次数占40%，计算一个分数。推荐之前需要找到目标用户与其他用户分别有过的相同评分或者浏览、购买记录的商品，以商品评分作为第一评分标准，如果没有就采取浏览点击行为来计分。把目标用户与其他用户及商品构造一个user-score 二维矩阵U 如图2，利用如式（1）计算目标用户与其他用户的相似度。

图2 二维矩阵图

其中，R(u，i)是第u 个用户对第i 个用户的打分，R(i)是第i 个物品的平均得分。用该式计算目标用户与其他所有用户的相似度Sim(i)，然后取出前五名，把五名用户常购买或者浏览的前十名并且目标用户未购买过的产品，作为待推荐商品。

用户对推荐的产品兴趣计算公式为式（2）。

最后，向目标用户推荐前十名产品。这是推荐产品的第一种方式。

2.2 基于产品相似度的个性化推荐

第二种推荐方式，系统设置了喜欢按钮，用户可点击表示喜欢某个物品，该行为会记录在数据库中，然后根据式（3）计算产品的相似度。

在公式中，分母|N(i)|表示对产品i 喜好的用户数量，同时分子表示对产品i、产品j 喜好的用户数量。因此，式3可以理解为对产品i有喜好倾向的用户比例中含有对产品j 喜好的用户数量。然后创建一个二维矩阵来计算物品之间的相似性，计算其他商品与该商品的相似程度，最后把与目标物品相似的其他10种物品推荐给用户。

3 协同过滤算法融合标签解决冷启动问题

传统的协同过滤算法在初始阶段存在冷启动问题，基于物品评分和物品相似度2 种推荐方式拥有局限性，由于刚注册的新用户没有以上2 种推荐方式所必须的内容，所以无法根据相关记录进行推荐操作，此类问题称为冷启动。对于冷启动用户，标签和推荐算法可以合理应用。用户首次登陆需要选择喜欢的标签，标签不仅能清晰地表达物品的属性，还能很好地反映用户的喜好。根据用户的标签选择，构建用户的短期画像，并向新用户进行短期兴趣推荐。多种标签数据的选择与应用解决了数据稀疏的问题。结合以上两种推荐方法，可实现无真空期推荐。

4 与传统农产品电商平台比较测试

与传统的农产品电子商务平台相比，协同过滤算法集成了标签，提高了农产品电子商务平台用户的购买体验，拓宽了农产品销售市场。优化提升了对于农产品的评估策略，在农产品电商平台利用传统协同过滤算法的基础上增加了用户浏览商品的相似度计算，使得个性化推荐时误差值逐渐降低。根据新注册登录的新用户采用标签，在第一时间获取到用户的喜好和需求。

农产品电子商务平台的设计解决了传统农产品电子商务平台的冷启动问题和评分矩阵的稀疏性。

5 结语

该平台的设计主要解决目前互联网资源过剩、电商平台农产品资源繁杂、寻找心仪农产品所需时间较多等问题，在设计过程中，新用户采用标签记录个人喜好进行初期个性推荐，用户在电商平台有浏览、购物行为之后，采用基于协同过滤算法对农产品进行个性化推荐，给用户带来了良好的购物体验，用户能够在第一时间内寻找所需求的农产品。