CN109544231A - 基于物流信息平台的物流配送服务个性化推荐方法 - Google Patents

Abstract

一种基于物流信息平台的物流配送服务个性化推荐方法，包括：1)当有较多的客户评分数据时，采用基于多属性评分的协同过滤推荐算法；2)当客户评分数据较少时，采用基于内容的推荐算法；3)对于新客户，构建基于人口统计的推荐算法进行物流配送服务推荐；4)将近邻覆盖对象按照评分预测值排序形成推荐列表然后提供给用户。本发明能够科学合理有效得分析和预测用户的偏好，减少了用户发现符合自身需求的配送服务方案的时间成本，具有较好的推荐准确率。本发明有效的克服了物流公共信息平台存在的推荐准确率不高、不能针对用户个性化需求提供相应推荐的问题，具有较高的应用价值。

Description

基于物流信息平台的物流配送服务个性化推荐方法

技术领域

本发明涉及基于物流信息平台的物流配送服务个性化推荐方法。

技术背景

伴随着互联网技术和电子商务的大跨越式的发展,市场对物流服务的需求也 大幅度上升。用户需要的不仅仅是完成基础的常规物流功能，而是越来越趋向 个性化的需求，对服务的费用、时效、安全性等因素的偏好往往具有差异性。 目前，市场上存在众多的物流配送服务方案，它们各具特色，服务质量也是参 差不齐。选择合适的物流配送服务不仅可以提高物流配送效率，节约时间成本 和费用成本，更重要的是可以提高用户满意度，使其在激烈的市场竞争中占据 优势地位。如何更高效、更廉价地根据自身需求选择和使用适合自己的配送服 务已经成为用户颇为关心的一个问题。由于不同的用户需求各不相同，因此每 个客户实际感兴趣的物流配送服务数量有限，常常需要花费大量的时间和精力 去寻找适合自己的物流服务提供商。

物流信息平台可以将市场中众多的物流资源进行整合，因此许多物流公共 信息平台纷纷建立。但是当前大部分平台只提供了简单的货运信息的发布和检 索功能。而且这类功能一般都需要用户主动去查找使用，没有考虑不同用户具 有的不同兴趣和个性化的需求，也没有对众多的车源信息进行一些区分和排序。 面对众多的检索结果，货主仍需耗费较多的时间成本去搜寻自己所需的货运信 息。物流公共信息平台并没有最大程度的提高物流的运作效率，车货匹配效率 依旧低下，客户满意度也处于较低的水平。因此,设计一个高效准确的推荐机制 给用户推荐更符合物流服务提供商的要求，从而满足不同用户的个性化需求， 是非常有必要的，具有很大的研究价值。

针对当前物流公共信息平台服务不足的问题，本发明将个性化推荐技术引 入物流公共信息平台，以期提高物流公共信息平台的服务质量。个性化推荐的 内涵是从用户的基本信息、购买行为或者浏览行为中提取用户的兴趣特征，从 而向用户推荐符合其兴趣特点的产品、信息或者服务等。因此，个性化推荐能 通过减少用户的时间成本而提高物流运作效率。

发明内容

本发明要克服物流公共信息平台存在的推荐准确率不高、不能针对用户需 求提供个性化推荐的问题，提出一种基于物流信息平台的物流配送服务个性化 推荐方法。

本发明将个性化推荐技术引入物流公共信息平台，提出一种基于物流信息 平台的物流配送服务个性化推荐方法，能够科学合理有效得分析和预测用户的 偏好，减少了用户发现合适配送服务方案的时间成本，具有较好的推荐准确率。

本发明提出的一种基于物流信息平台的物流配送服务个性化推荐方法，包 括以下内容：

1)当有较多的客户评分数据时，采用基于多属性评分的协同过滤推荐算 法；具体包括：

11.基于客户对单个属性评分间的相似度，确定客户关于该属性偏好相似的 近邻客户集；在计算客户相似度时通过引入个性化特征因子来减少服务个性化 特征对相似度计算的影响：

其中U＝{U₁,U₂…U_m}表示客户集合，S＝{S₁,S₂…S_n}表示服务集 合,为客户u_i对服务s_j中属性c的评分的均值；为使用过服务s_j的客户集中 所有客户对属性c评分的均值；为使用过服务的s_j的客户数；σ_j,c为服务s_j在 属性c上评分的标准差；

得到服务的个性化特征因子β_j,c：

US_i表示客户使用过的服务s_i，US_i′为客户使用过的服务S_i′，US_i∩US_i′为 客户共同使用的服务，θ为一个可变参数，来调节计算过程中服务个性化特征 的程度，如果θ＝0，则不用考虑；

由欧几里得距离法计算得到客户关于属性c评分的相似度,得到客户u_i和u_i′ 关于属性c评分的距离dist(u_i,u_i′)_j,c为：

和为两个客户关于服务s_j中某属性c的平均评分,转化成对应的相 似度为：

sim_i,i′,c为两个客户关于属性c评分的相似度；通过加入惩罚因子ω减小客 户之间共同评分服务数少对相似度计算产生的误差：

γ为调节系数，则最终的相似度计算公式为：

sim_i,i′,c′＝ω×sim_i,i′,c (6)

对于客户u_i根据计算与其他客户的相似度，选取接近的客户构成邻居集合N_i；

12.预测目标客户对特定服务s_j属性c的评分值r_i,j,c：

为客户u_i对所有服务在属性c上评分的均值,代表邻居客户u_i′对在属性 c上评分的均值；

通过信息熵E_n来对最终的预测值进行修正；将客户u_i关于所有服务的属性c的评分情况统计,得到取值区间为[rc_min,rc_max]；信息熵计算公式为：

ST_u,c＝{t_r}，t_r表示对属性评分为r的次数,r∈[rc_min,rc_max]，

13.对客户进行综合预测：

对客户u_i而言，属性c的权重w_i,c为：

E_i,c表示对u_i而言c归一化后的信息熵值，n为属性的个数；最终预测客户u_i对 服务s_j的评分R_i,j为：

同理预测客户对所有候选服务的评分，将分值按从高到低排序形成Top-N 列表推荐给客户；

2)当客户评分数据较少时，采用基于内容的推荐算法，具体包括：

21.首先构建服务特征模型：每个服务对应一个向量，向量的每个分量为特 定的服务属性统计值，将所有服务属性的综合评分值进行如下的归一化处理； 归一化后的所有服务属性取值范围为[0，1]，按属性在所有服务中的取值将每 个属性的取值划分为k组，则对于任一服务S，可以表示为如下形式：

即每个服务可以表示成一个4×k的矩阵；对于C_i,j,如果服务的i属性取值落在 该组内则取值为1，否则对应的取值为0；

22.构建客户偏好模型：首先根据客户信息，统计每个客户浏览的某属性i 在各个分组中的概率，客户u浏览的某服务属性c落在分组n中的概率pu_,c,n计 算公式：

N(u)为客户浏览过的配送服务集合，I_I,c,n为服务i的属性c在分组n的取值；

客户U的偏好模型可以表示为：

23.计算客户与服务之间的关联度：

用一个m×n的矩阵来表示客户的偏好，m表示客户数，n为服务数，a_m,n表示客户m对服务n的兴趣；

3)对于新客户，构建基于人口统计的推荐算法进行物流配送服务推荐； 具体包括：

31.确定所需的人口统计信息，如客户类型、客户所处的行业、客户所在地 址等；

32.计算客户x和y d的相似度dis(x,y)：

其中x_c和y_c表示用户x和y属性c的取值，dis(x_c,y_c)为关于属性c的距 离,对于客户类型、行业、地址等类属性，x_c＝y_c，则σ^c _xy＝0，若σ^c _xy≠0， σ^c _xy＝1；

最后转化为客户间相似度计算：

33.评分预测：对于目标用户u，通过相似度计算公式得到相似的前K个 用户构成近邻集合N(u)，预测目标用户对近邻所覆盖对象的评分：

R_u，i为用户u对推荐对象j的评分预测值，simlarity(u,u′)为目标用户u与近邻 用户u′的人口统计信息相似度；

4)将近邻覆盖对象按照评分预测值排序形成推荐列表然后提供给用户。

本发明提出了一种物流配送服务推荐模型，根据客户数据建立客户偏好模 型和服务评价模型。分析了不同的适用情形，根据特定的场景提出对应的推荐 算法。针对传统协同过滤算法存在的不足，设计了基于多属性评分的协同过滤 推荐算法；针对客户评价数据不足的数据稀疏问题，设计了基于内容的服务推 荐算法；针对新用户的“冷启动”问题，设计了基于人口统计学的服务推荐算 法。

本发明的优点是：能够科学合理有效得分析和预测用户的偏好，减少了用 户发现符合自身需求的配送服务方案的时间成本，具有较好的推荐准确率；本 发明有效的克服了物流公共信息平台存在的推荐准确率不高、不能针对用户个 性化需求提供相应推荐的问题，具有较高的应用价值。

附图说明

图1是本发明方法的物流配送服务推荐模型图。

具体实施方式

下面结合附图说明和具体实施方式对本发明做进一步详细说明。

本发明提出的基于物流信息平台的物流配送服务个性化推荐方法，包括以 下内容：

1)当有较多的客户评分数据时，采用基于多属性评分的协同过滤推荐算 法；具体包括：

11.基于客户对单个属性评分间的相似度，确定客户关于该属性偏好相似的 近邻客户集；在计算客户相似度时通过引入个性化特征因子来减少服务个性化 特征对相似度计算的影响：

其中U＝{U₁,U₂…U_m}表示客户集合，S＝{S₁,S₂…S_n}表示服务集 合为客户u_i对服务s_j中属性c的评分的均值；为使用过服务s_j的客户集中 所有客户对属性c评分的均值；为使用过服务的s_j的客户数；σ_j,c为服务s_j在 属性c上评分的标准差；

得到服务的个性化特征因子β_j,c：

US_i表示客户使用过的服务s_i，US_i′为客户使用过的服务S_i′，US_i∩US_i′为 客户共同使用的服务，θ为一个可变参数，来调节计算过程中服务个性化特征 的程度，如果θ＝0，则不用考虑；

由欧几里得距离法计算得到客户关于属性c评分的相似度,得到客户u_i和u_i′ 关于属性c评分的距离dist(u_i,u_i′)_j,c为：

和为两个客户关于服务s_j中某属性c的平均评分,转化成对应的相 似度为：

sim_i,i′,c为两个客户关于属性c评分的相似度；通过加入惩罚因子ω减小客 户之间共同评分服务数少对相似度计算产生的误差：

γ为调节系数，则最终的相似度计算公式为：

sim_i,i′,c′＝ω×sim_i,i′,c (23)

对于客户u_i根据计算与其他客户的相似度，选取接近的客户构成邻居集合N_i；

12.预测目标客户对特定服务s_j属性c的评分值r_i,j,c：

为客户u_i对所有服务在属性c上评分的均值,代表邻居客户u_i′对在属性 c上评分的均值；

通过信息熵E_n来对最终的预测值进行修正；将客户u_i关于所有服务的属性 c的评分情况统计,得到取值区间为[rc_min,rc_max]；信息熵计算公式为：

ST_u,c＝{t_r}，t_r表示对属性评分为r的次数,r∈[rc_min,rc_max]，

13.对客户进行综合预测：

对客户u_i而言，属性c的权重w_i,c为：

E_i,c表示对u_i而言c归一化后的信息熵值，n为属性的个数；最终预测客户u_i对 服务s_j的评分R_i,j为：

同理预测客户对所有候选服务的评分，将分值按从高到低排序形成Top-N 列表推荐给客户；

2)当客户评分数据较少时，采用基于内容的推荐算法，具体包括：

21.首先构建服务特征模型：每个服务对应一个向量，向量的每个分量为特 定的服务属性统计值，将所有服务属性的综合评分值进行如下的归一化处理； 归一化后的所有服务属性取值范围为[0，1]，按属性在所有服务中的取值将每 个属性的取值划分为k组，则对于任一服务S，可以表示为如下形式：

即每个服务可以表示成一个4×k的矩阵；对于C_i,j,如果服务的i属性取值落在 该组内则取值为1，否则对应的取值为0；

22.构建客户偏好模型：首先根据客户信息，统计每个客户浏览的某属性i 在各个分组中的概率，客户u浏览的某服务属性c落在分组n中的概率p_u,c,n计 算公式：

N(u)为客户浏览过的配送服务集合，I_I,c,n为服务i的属性c在分组n的取值；

客户U的偏好模型可以表示为：

23.计算客户与服务之间的关联度：

用一个m×n的矩阵来表示客户的偏好，m表示客户数，n为服务数，a_m,n表示客户m对服务n的兴趣；

3)对于新客户，构建基于人口统计的推荐算法进行物流配送服务推荐； 具体包括：

31.确定所需的人口统计信息，如客户类型、客户所处的行业、客户所在地 址等；

32.计算客户x和y d的相似度dis(x,y)：

其中x_c和y_c表示用户x和y属性c的取值，dis(x_c,y_c)为关于属性c的距 离,对于客户类型、行业、地址等类属性，x_c＝y_c，则σ^c _xy＝0，若σ^c _xy≠0， σ^c _xy＝1；

最后转化为客户间相似度计算：

33.评分预测：对于目标用户u，通过相似度计算公式得到相似的前K个 用户构成近邻集合N(u)，预测目标用户对近邻所覆盖对象的评分：

R_u，i为用户u对推荐对象j的评分预测值，simlarity(u,u′)为目标用户u与近邻 用户u′的人口统计信息相似度；

4)将近邻覆盖对象按照评分预测值排序形成推荐列表然后提供给用户。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明 的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围 也涉及本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.基于物流信息平台的物流配送服务个性化推荐方法，包括以下步骤：

1)当有较多的客户评分数据时，采用基于多属性评分的协同过滤推荐算法；具体包括：

11.基于客户对单个属性评分间的相似度，确定客户关于该属性偏好相似的近邻客户集；在计算客户相似度时通过引入个性化特征因子来减少服务个性化特征对相似度计算的影响：

其中U＝{U₁，U₂…U_m}表示客户集合，S＝{S₁，S₂…S_n}表示服务集合，为客户u_i对服务s_j中属性c的评分的均值；为使用过服务s_j的客户集中所有客户对属性c评分的均值；为使用过服务的s_j的客户数；σ_j，c为服务s_j在属性c上评分的标准差；

得到服务的个性化特征因子β_j，c：

US_i表示客户使用过的服务s_i，US_i′为客户使用过的服务S_i′，US_i∩US_i′为客户共同使用的服务，θ为一个可变参数，来调节计算过程中服务个性化特征的程度，如果θ＝0，则不用考虑；

由欧几里得距离法计算得到客户关于属性c评分的相似度，得到客户u_i和u_i′关于属性c评分的距离dist(u_i，u_i′)_j，c为：

和为两个客户关于服务s_j中某属性c的平均评分，转化成对应的相似度为：

sim_i，i′，c为两个客户关于属性c评分的相似度；通过加入惩罚因子ω减小客户之间共同评分服务数少对相似度计算产生的误差：

γ为调节系数，则最终的相似度计算公式为：

sim_i，i′，c′＝ω×sim_i，i′，c (6)

对于客户u_i根据计算与其他客户的相似度，选取接近的客户构成邻居集合N_i；

12.预测目标客户对特定服务s_j属性c的评分值r_i，j，c：

为客户u_i对所有服务在属性c上评分的均值，代表邻居客户u_i′对在属性c上评分的均值；

通过信息熵E_n来对最终的预测值进行修正；将客户u_i关于所有服务的属性c的评分情况统计，得到取值区间为[rc_min，rc_max]；信息熵计算公式为：

ST_u，c＝{t_r}，t_r表示对属性评分为r的次数，r∈[rc_min，rc_max]，

13.对客户进行综合预测：

对客户u_i而言，属性c的权重w_i，c为：

E_i，c表示对u_i而言c归一化后的信息熵值，n为属性的个数；最终预测客户u_i对服务s_j的评分R_i，j为：

同理预测客户对所有候选服务的评分，将分值按从高到低排序形成Top-N列表推荐给客户；

2)当客户评分数据较少时，采用基于内容的推荐算法，具体包括：

21.首先构建服务特征模型：每个服务对应一个向量，向量的每个分量为特定的服务属性统计值，将所有服务属性的综合评分值进行如下的归一化处理；归一化后的所有服务属性取值范围为[0，1]，按属性在所有服务中的取值将每个属性的取值划分为k组，则对于任一服务S，可以表示为如下形式：

即每个服务可以表示成一个4×k的矩阵；对于C_i，j，如果服务的i属性取值落在该组内则取值为1，否则对应的取值为0；

22.构建客户偏好模型：首先根据客户信息，统计每个客户浏览的某属性i在各个分组中的概率，客户u浏览的某服务属性c落在分组n中的概率p_u，c，n计算公式：

N(u)为客户浏览过的配送服务集合，I_I，c，n为服务i的属性c在分组n的取值；

客户U的偏好模型可以表示为：

23.计算客户与服务之间的关联度：

用一个m×n的矩阵来表示客户的偏好，m表示客户数，n为服务数，a_m，n表示客户m对服务n的兴趣；

3)对于新客户，构建基于人口统计的推荐算法进行物流配送服务推荐；具体包括：

31.确定所需的人口统计信息，如客户类型、客户所处的行业、客户所在地址等；

32.计算客户x和yd的相似度dis(x，y)：

其中x_c和y_c表示用户x和y属性c的取值，dis(x_c，y_c)为关于属性c的距离，对于客户类型、行业、地址等类属性，x_c＝y_c，则σ^c _xy＝0，若σ^c _xy≠0，σ^c _xy＝1；

最后转化为客户间相似度计算：

33.评分预测：对于目标用户u，通过相似度计算公式得到相似的前K个用户构成近邻集合N(u)，预测目标用户对近邻所覆盖对象的评分：

R_u，i为用户u对推荐对象j的评分预测值，simlarity(u，u′)为目标用户u与近邻用户u′的人口统计信息相似度；

4)将近邻覆盖对象按照评分预测值排序形成推荐列表然后提供给用户。