摘 要：采用基于协同过滤和基于内容的混合推荐技术，为新用户和老用户提供了不同的推荐策略。构建了基于移动Agent的物流商推荐模型，通过所设计的不同Agent间的交互机制及Agent知识库，为用户自动化地推荐低成本、高效率物流配送。解决了C2C电子商务平台无法向用户提供高质量物流服务的需求问题。
关键词：层次分析法；协同过滤技术；基于内容推荐技术；移动代理

　随着网络技术的日新月异，电子商务也得到了空前发展。推荐技术使用数据挖掘技术来分析电子商务网站的用户访问行为，准确识别用户的喜好[1]。利用推荐技术可以向用户推荐符合需求的物流服务供应商。目前已有一些电子商务平台引入了简单的物流商推荐服务，如淘宝网与一些业内主要的物流商签署合同，签约的物流商将进入淘宝推荐列表[2]。但这些并不是真正意义上的个性化推荐。推荐的过程不仅需要参考物流商的一些属性，同时也要考虑用户的偏好。本文在设计物流商推荐系统的过程中，把基于内容的推荐技术与协同过滤技术相结合，形成混合型的推荐算法，为新用户和老用户设计了不同的推荐策略。
　移动Agent在复杂的网络系统中能从一台主机移动到另一台主机自主地选择时间和目标，将这一功能应用于物流商推荐系统可以做到克服网络延迟、包装不同的协议、异步和自主执行等[3]。本文利用多Agent技术设计了物流商推荐的模型，并根据推荐过程中的功能需要封装了多个功能独立的Agent，设计了不同Agent之间的交互机制以及Agent知识库的构建。
1 物流商评价体系的设计
　通过对国内外相关文献的分析，确定了企业能力、组织角色、服务水平和客户反应等四个一级指标。随后有针对性地对一些经常网购的消费者进行调研访谈。结果显示组织角色因素不影响消费者的满意度，因而最终确定企业能力、服务水平、客户反应等一级指标，然后在一级指标的基础上划分了若干个二级指标，同时应用层次分析法参照专家的打分计算各指标的权重。为物流商评价指标的各个选项都赋予了不同的取值，基本规则是各属性中的A、B、C、D选项对应的数值分别为1、0.8、0.5和0.3。在计算各个物流商的评价值时，根据加权和的高低对物流商进行排序。
　在建立物流商评价体系后，需要设计一套与物流商评价体系对应的用户需求模型，引导用户注册时填写。这些数值可以随着用户需求的变化而修改。参考对应的物流商评价体系指标设定了模型中每一条属性权重值。将实时体现用户需求与物流商相匹配，可以为用户推荐满足需求的物流商。
2 物流商混合推荐设计
　把用户分为新用户和老用户，对不同的用户类型采取不同的推荐策略。对新用户单纯使用协同过滤方法存在冷启动和稀疏性的问题；对于老用户，可以推荐与其评价较高的物流商相似的物流商。
2.1相似性计算
　分别计算了用户的相似性与物流商的相似性。
（1）用户相似性的计算
用户相似性不仅计算用户模型相似性，同时也计算用户评价相似性。在协同过滤技术中夹角余弦相似性度计算方法的基础上考虑到了各个分量的权重值演化形成用户需求模型公式：

　（2）物流商相似性的计算策略
　物流商相似性采用与计算用户模型相似性时使用的夹角余弦相似性度公式进行计算，同时也要考虑物流商评价体系指标权重值的问题。
在基于物流商相似性进行推荐的过程中，综合考虑了各个物流商在物流商评价体系中的综合排名，并将用户满意度作为物流商评价及其相似性计算的重点考察指标。首先确定用户其评价较高的物流商，并计算了其评价较高的物流商与其他物流商之间的相似性，根据相似性由高到低的排序结果即可视为推荐对象。
2.2 推荐策略
　根据用户是否使用过物流商将其分为新用户和老用户两种用户类型，对于不同类型的用户设计了不同的相似性计算方法及推荐策略。
　（1）新用户推荐策略过程
　先根据该用户的需求模型通过式（1）计算与其他用户需求模型的相似性。然后根据相似性的计算结果确定该用户的近邻。之后将这些近邻使用次数较多且给予的评价较高的物流商通过式（2）选出。并根据式（3）预测用户对于该物流商的兴趣度。最后按照兴趣度从高到低的顺序选择前5位物流商作为推荐的候选对象。依据之前计算出物流商的评价值并排序，挑选排名靠前的5个物流商作为的辅助推荐。
　（2）老用户推荐策略过程
　挑选出老用户评价最高的物流商，依据物流商评价体系中的属性值计算出物流商之间的相似性，然后依据评价较高的物流商与其他物流商相似性值排序向用户推荐出前5位。为了让老用户发现新的感兴趣的物流商，系统在后台通过评价矩阵代入Pearson相关系数方法，计算出老用户与其他用户的评价相似性，将评价相似性值加上式（1）计算出的用户需求模型相似性得到总相似性值。根据总相似性值排序选取靠前的做为邻居用户，将相似性值与邻居用户对物流商的评价值代入式（3）得到用户对所有物流商的兴趣度，最后排序选取前5位进行辅助推荐。
3 基于移动Agent的推荐技术设计
3.1知识库与推理机的设计
　本文使用基于本体的知识库构建方法构建Agent知识库。将物流商的考核指标、用户背景信息中的相关属性以及用户对物流商的评价信息作为知识库中的元素组件，完成了知识库中规则与知识块的设计。
　知识库针对不同类型的系统使用者设计了不同的规则，计算出新老用户以及物流商的邻居。并根据式（2）更新用户对物流商的喜好程度。知识库将用户模型相似性和评价相似性求得的邻居用户相结合并与该用户划为具有相近特定需求的一类用户。而物流水平则包括依据规则得到的用户对物流商的喜好度与物流商的邻居。
　在推理模型设计时，基于BDI的方式构建了Agent的推理模型，首先，将整个推荐过程分解为用户类型的获取、相似性计算、近邻确定、推荐策略的确定、推荐算法的执行及推荐结果的产生等核心过程，并确定了求解问题的目标，即在相似性分析的基础之上产生推荐列表。与此同时，将不同的过程视为不同的子目标，每个子目标由单独的Agent完成。
　以推荐Agent进行物流商的推荐为例，在具体的设计过程中，将推荐Agent执行推荐的目标分为用户类型的获取、相似性的获取、推荐策略的制定及推荐列表的生成等。其中，每个子目标完成后引发后续目标的执行，对推荐Agent对于每个子目标执行的行为进行了定义，并利用了对应的数据信息的来源。
3.2 运行机制
　用户登录时，管理Agent会根据用户标示为该用户创建一个用户Agent，直到该用户退出系统或登录超时，该用户Agent才会自动消亡。预先在推荐Agent中定义根据用户的具体类型确定相应的推荐策略。推荐Agent从用户Agent获取用户的类型，并确定推荐策略，给计算Agent发请求信息，计算Agent收到请求，移动到服务器，从知识库中调用该用户需求体现和物流商的服务水平，经过加工计算确定推荐，之后将推荐Agent需要的数据信息通过ACL消息传递给推荐Agent，并显示给浏览器端的用户。用户使用后对物流商进行评价，评价结果通过Agent反馈到数据库中，知识库调整用户的需求体现。
3.3 核心Agent通信及推理的实现
　在该推荐系统中，计算Agent在用户离线时主要负责知识库的完善工作，即根据用户需求模型的信息、物流商评价体系的相关信息、历史的使用记录和评价信息等进行相似度的计算，得到用户需求体现和物流商的服务水平。在用户使用推荐系统时，计算Agent获取推荐Agent传递的推荐策略类型，并从知识库中获取相似性计算结果，加工计算用户兴趣度等信息，然后将所计算结果传递给推荐Agent。
　推荐Agent主要负责推荐策略的制定及推荐结果的携带与显示。首先判断用户的类型，从而根据规则配置具体的推荐策略，结合计算Agent提供的计算结果排序再加工得到推荐结果。推荐策略对于新用户根据其与已有用户的相似性确定其近邻，然后查询这些近邻使用过的物流商，综合物流商在评价体系中的排序结果以及已有的评价信息为新用户提供推荐。而对于已使用过推荐服务的用户，计算物流商之间的相似性，将与用户使用过的物流商的近邻以及排在物流商评价体系中前5的物流商推荐给用户。同时对于老用户还依据用户需求模型和评价使用信息确定邻居用户，并观察邻居对物流商的评价，从而发现新兴趣。
　结合移动Agent系统的开发技术，设计了物流商的自动化推荐机制，首先根据一系列的物流商的评价指标对相应的物流商进行排序，然后根据用户的个性化需求及其使用物流商的历史记录，为用户自动化地推荐能够以较低花费、较高配送效率为其提供服务的物流商，从而解决了C2C电子商务平台无法向用户提供高质量物流服务需求的问题。移动Agent的智能性和适应性较好地为该推荐机制提供了实现方法。
参考文献
[1] GANESH V. A framework for evaluating third-party logistics[J]. Communications of the ACM， 2005， 48（1）： 89-94.
[2] 刘礼金.淘宝推荐物流与我国电子商务物流发展思考[J].物流科技，2012（6）：4-6.
[3] LUO Y. E-commerce personalized recommendation system design based on multi-Agent[J]. Advances in Intelligent and Soft Computing， 2012, 168(1):159-164.