农产品的个性化推荐方法研究

刘晓鹏，杨怀卿，杨 华

（山西农业大学信息科学与工程学院，山西 太谷030800）

1 个性化推荐算法中存在的问题

据研究，目前常用的产品个性化推荐方法主要包括：基于人口统计学推荐算法、基于内容推荐算法、协同过滤推荐算法等。

基于人口统计学推荐算法是将每个用户的个人数据进行建模，使用人口统计学的方法推荐产品存在过度依赖用户个人数据，协同过滤算法是推荐系统中实际应用较早，推荐效果较高的一种算法。协同过滤主要包括：基于用户的协同过滤和基于产品的协同过滤算法。

如表1所示，T表示用户对产品感兴趣，F表示不感兴趣，用户3为目标用户。

表1 基于用户的协同过滤推荐

分析各个用户对产品的感兴趣程度。采用基于用户的协同过滤算法进行产品推荐时，存在和基于人口统计推荐方法一样的计算用户与用户之间相似的问题，且推荐的产品往往是与目标用户有着相同喜好的热门产品。

表2 基于产品的协同过滤推荐

表2中，T表示用户对产品感兴趣，F表示不感兴趣，用户3为目标用户。分析各个用户对产品的感兴趣程度。使用基于产品的协同过滤算法推荐产品，能为用户推荐感兴趣的类似产品，但基于产品的协同过滤算法需要分析产品的相似度，不适合用于产品种类更新较快的领域。

2 面向农产品的混合协同过滤算法

文章将基于内容的协同过滤算法和基于用户的协同过滤算法进行结合，提出了一种混合协同过滤算法。如图1所示。

图1 面向农产品的混合协同过滤算法

如图1所示，根据Top-N和Top-M生成策略分析出候选项后需要经过产品选择策略和替补策略共同决定推荐给目标用户的最终产品列表。

由于可供用户选择的农产品种类较多，产品推荐首先要考虑按类别对用户进行推荐。其次，可以通过用户对某些产品的关注程度。因此，文章选择基于产品类别的点击率衡量方法作为产品选择的基础策略。整理Top-N和Top-M策略生成的候选项，去除掉候选项中重复的产品。系统根据用户对两种生成策略推荐的产品的点击量对两种生成策略加权，来判断将哪种策略推荐的产品反馈给用户。

Top-N和Top-M策略生成候选项需要使用用户历史数据，当用户的历史数据较少时或是注册的新用户没有历史数据，推荐算法将产生冷启动问题。为了避免冷启动问题，系统将平台热门产品或销量较高的产品作为候补推荐项推荐给用户。待用户的历史数据能够支持生产策略，系统再按照产品选择策略对用户进行推荐。

3 面向农产品的个性化推荐方法实现

农产品个性化推荐的实现包括对用户历史浏览、购买、评分等数据的采集，将获取的数据通过推荐算法进行分析得到产品候选项，对产品候选项进行重复过滤和冷问题替补得到最终产品推荐列表，将产品列表反馈给目标用户。具体流程如图2所示。

图2 面向农产品的个性化推荐架构

3.1 用户数据采集

系统采用的混合协同过滤方法主要是对用户的历史行为数据进行分析。进行数据分析之前，需要将用户的历史记录进行数据化表示。用浏览的网址、浏览该网址的用户ID、浏览时间等具体数据的集合来描述浏览记录。用购买产品的网址、购买产品的用户ID、购买时间等具体数据的集合来描述购买记录。用产品ID、用户ID、评分等级、评价等具体数据的集合来描述用户评分行为。用户通过网页提交表单，系统将用户输入的评分、评价转换成字符串存储至数据库中，可从数据库中获取该信息。

3.2 产品候选推荐和产品过滤

产品候选推荐的好坏关系到个性化产品推荐的准确性和有效性，是产品推荐模块的核心部分。

首先获取用户历史行为数据，通过Top-N和Top-M两种策略生成Top-（N+M）种候选项，候选项集合作为推荐的初步结果。接着对候选项集合进行遍历，将不适合性较高的产品去除掉。当用户历史行为数据过少时，产生用户推荐点击率产品作为替补加入候选项中。

3.3 产品推荐应用

产品的推荐应用既要合理、高效的利用系统页面，又要适度、有效的展示给用户。

推荐产品的展示应该高度满足用户对产品主要信息需求。因此，在设计农产品推荐应用模块时要充分掌握用户对哪类农产品的什么数据比较关注。充分理解使用者的购买心理，将消费者关注的信息以明显的方式向用户展示。为了提高个性化推荐的效率，合理部署、安排推荐列表在系统页面的位置能大大提高用户的关注度。

农产品电商平台的主页是每个用户登录后跳转的第一个页面，将推荐列表设置在主页显眼的位置能第一时间吸引到用户关注。当用户通过账号登录到系统主页时，系统通过获取用户唯一标识用户ID字段，将该字段的用户定位为推荐目标用户并获取该ID在数据库中存储的信息数据，将这些信息传输至推荐信息数据库来进行推荐分析。

4 结论

文章分析了几种常见的推荐方法存在的缺陷，根据其存在的弊端，改进了传统协同过滤算法从而提出了一种适合面向农产品的个性化推荐算法。最后，通过农产品推荐的效果对改进的算法进行了测试与分析，证实了该推荐算法对农产品个性化推荐效果较好。