BAS支持的复杂情境下农产品电商智能推荐模型研究

BAS支持的复杂情境下农产品电商智能推荐模型研究

胡坚

浙江经贸职业技术学院 信息技术学院 浙江杭州  310018

摘要：当前数字技术不断赋能农产品电商业务模式升级，农产品电商消费群体层次化差异明显，消费场景化趋于丰富，传统电商产品推荐成效已显不足，开展复杂情境下的个性化推荐尤显迫切。本文基于OWL本体语言描述了电商消费情境信息知识本体，给出天牛须搜索算法优化电商用户聚类思路，再提出融合消费情境分析的智能推荐模型，为农产品电商情境化智能推荐解决方案提高有益借鉴。

关键词：农产品电商；复杂情境；智能推荐；BAS；OWL

1 引言

随着数字化技术不断赋能各产业升级，电子商务领域的智能化应用水平不断提升。当前面向电子商务产品营销的智能推荐服务技术与应用也不断推广，然而随着电子商务模式的升级，即使阿里巴巴、京东、拼多多等电商龙头企业在开展传统电子商务产品推荐应用过程中，也发现推荐精度和有效度不足、商品销售预测可信度不高，以及多维度信息融合研究无法适应实际购买场景需求等问题。透过现象究其根源，主要是线上线下融合的多情境电商环境下，置于“复杂情境”的购买客户主体负载多维度信息，传统电商推荐方法已难以为客户进行精准画像，挖掘潜在真实需求并进行有效个性化商品推荐。因此目前，电商个性化推荐领域将客户的偏好权重因素与其商品消费情境信息（包含时空、情绪等）进行融合，开展基于“情境感知”的智能越来越受到关注。本文对电商消费情境信息进行知识本体描述的基础上，结合天牛须算法进行买家用户聚类优化，再提出融合消费情境分析的智能推荐模型，以提高个性化推荐的精准度和有效性。

2 融入情境因素的农产品电商智能推荐

目前农产品电商化程度越来越高，国家也出台专项政策鼓励县域农产品上行，但农产品电商与其他品类电商相比还有其商品保鲜、冷链物流、地标文化、有机绿色质量标准、区域饮食习惯等差异性影响因素。此外，电商消费属于典型的非契约型消费，农产品电商卖家若要开发新客户或者持续稳定老客户的忠诚度，除了要保证自身农产品质量，还紧紧依赖于电商平台的运营规则、服务水平，尤其是智能推荐等精准营销服务。当前农产品电商正朝线上线下融合的全渠道数字化方向发展，买家的消费层次和需求更加细分，购买个性化需求趋于丰富，同时兴趣偏好受到各种复杂情境因素影响的程度不断提高，如买家本体情境（偏好特征、社会特征等）、消费情境（信任关系、地理位置、心理情绪、特定事件等），而且买家消费偏好和习惯会受到复杂情境的综合变化而发生改变，偏好优先程度也会动态变化，即发生兴趣漂移现象。主要依靠用户偏好库和商品相似度等因素的传统商品推荐方法已难以适应农产品电商与区域文化、乡村旅游、消费心理情绪等多维度融合场景化发展需求，由此需要更多地考量农产品电商买家所处的复合情境，开展基于复杂情境的智能推荐研究亟需深入。

3 客户个性化情境信息知识模型构建

3.1知识本体建模工具OWL

本体（Ontology）源于哲学领域，后在AI技术发展过程中被作为知识表示研究的对象,通常我们使用描述逻辑（DescriptionLogic）来表示本体。随着互联网技术发展，先后涌现了XOL、RDF、RDF-S、DAML、OWL等基于Web的本体语言,其中OWL（Web Ontology Language）是W3C组织推荐的本体描述语言标准，它具有丰富元语可以提供更加丰富的语义表达和推理。

3.2基于OWL的农产品电商客户复杂情境本体化建模

本文结合买家位置信息、农产品地标文化、买家社交网络、信任关系、热点事件等多类因素信息，利用OWL农产品电商买家购买商品的复杂情境的知识本体，包括电商买家情境（含基本特征、社会特征和消费特征（如图1））和电商消费情境知识本体（如图2），为关联智能推荐算法提供知识描述和推理服务。

4本体支持的电商客户复杂情境下智能推荐模型

4.1基于BAS的买家用户聚类优化

考虑到电商产品个性化推荐领域普遍存在的冷启动和稀疏数据等问题，我们利用本体技术对电商买家

情境进行知识本体建模，在此基础上进行买家用户聚类处理。形成聚类的买家群体可能在年龄层次、职业

领域、消费偏好等方面具有较高的相似度，有利于促进提高推荐结果的质量。针对电商买家的用户聚类处

图2农产品电商消费情境本体（片段）

图1农产品电商买家情境本体（片段）

理选用简单而实用的K-means算法，该算法的优点是目标对象聚类速度快，尤其适用于聚类对象很密集且簇间区别界限清晰的情况，然而不足之处在于该算法的有效计算较高地依赖于初始簇中心的选取，不同选取方式会得到不同结果，并可能导致局部最优产生。如何解决这类问题以促进聚类质量提升，我们可以通过在K-means算法过程中引入2017年提出的天牛须搜索（Beetle Antennae Search ，BAS）算法。天牛须搜索是一种新兴的智能优化算法，它受到天牛觅食原理启发而开发的算法，原理为：当天牛觅食时，其并不知道食物在哪里，而是根据食物气味的强弱来觅食。天牛有两只长触角，如果左边触角收到的气味强度比右边大，那下一步天牛就会向左边飞，反之则向右飞。食物的气味就相当于一个目标函数，这一目标函数在多维空间中的每个点都不同，天牛的两个须可以采集自身附加两点的气味值，然后一步步地找到全局气味值最大的点。仿照天牛的行为，我们就可以高效地进行函数寻优

，具体建模步骤如下：

（1）创建天牛朝向的随机向量并进行归一化处理：(1)

其中：rands()为随机函数；k表示空间的维度。

（2）建天牛左右须空间坐标：(2)

其中：xrt表示天牛右须在第t次迭代时的位置坐标；xlt表示天牛左须在第t次迭代时的位置坐标；

xt表示天牛在第t次迭代时的质心坐标，也就是天牛的位置；d0表示两须之间的距离。

（3）根据适应度函数判断左右须气味强度，即f(xl)和f(xr)的值，f()为适应度函数。

（4）更新天牛的位置：(3)

其中：δt表示在第t次迭代时的步长因子；sign()为符号函数。

将K-means算法的目标函数作为天牛须BAS算法的目标函数，融合K-means的快速收敛和BAS算法全局搜索能力强的优点，即K-means每次迭代计算适应值，BAS算法对每个粒子的新位置进行迭代，使粒子能够在新位置处充分地进行局部寻优和全局寻优。在计算簇内用户相似性时，我们考虑商品的流巧度、用户的偏好程度Ｗ及用户之间的信任关系对相似性计算的影响。最后面向目标用户产生长度为Ｉ的推荐列表。

4.2 BAS支持的电商客户复杂情境下个性化推荐流程

面向客户复杂情境的智能化推荐在目前电商精准营销项目中起到重要促进作用。本文提出BAS支持的电商客户复杂情境下个性化推荐包括：首先，定义农产品电商客户复杂情境本体，包括基本情境本体和消费情境本体，为客户聚类分析和基于情境的协同过滤推荐提供知识服务基础；其次，将天牛须搜索算法融入K-means算法对电商买家进行快速用户聚类并有效规避局部寻优，同类用户被认为具有较高相似度和信任关系；最后，以同一类客户间的相似性为基础，结合不同消费情境下相似性考量，设计一种融入情境相似度的改进协同过滤推荐算法完成个性化商品推荐，基本流程如图3所示。

图3 BAS支持的电商客户复杂情境下智能推荐流程框架

参考文献

[1] 胡琪等.智能推荐系统研究综述 [J].计算机系统应用,2022,31(04) .

[2]朗慕海.动态情境的信息推荐方法及系统研究［D］．武汉：华中科技大学，2011.

[3]黄立威等.基于深度学习的推荐系统研究综述[J].计算机学报. 2018(07)

[4] 吕苗．基于情境的商品个性化推荐方法研究［D］．大连：大连理王大学，2015.

[5] 张素智等. 推荐系统研究[J].湖北民族学院学报(自然科学版). 2017(01) .

作者简介：胡坚，学历：硕士研究生，研究方向：电商智能推荐、知识表达与推理等。

课题项目：2020年度浙江省高等学校访问工程师校企合作项目《电商智能推荐技术研究与应用》阶段性研究成果之一，项目编号：FG2020135。

第 1 页 共 3 页