CN113822738A - 一种多维度农产品供需双向个性化推荐方法 - Google Patents
一种多维度农产品供需双向个性化推荐方法 Download PDFInfo
- Publication number
- CN113822738A CN113822738A CN202110692248.9A CN202110692248A CN113822738A CN 113822738 A CN113822738 A CN 113822738A CN 202110692248 A CN202110692248 A CN 202110692248A CN 113822738 A CN113822738 A CN 113822738A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- demand
- agricultural
- customer
- supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000013348 organic food Nutrition 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种多维度农产品供需双向个性化推荐方法，通过开发基于感知价值理论和S‑O‑R理论模型的农产品双向情境识别体系；利用网络平台对顾客和农产品特征进行提取；基于情境识别、顾客和产品特征构建农产品顾客偏好模型；基于偏好模型和农产品特征构建农产品供需双向个性化推荐模型；通过构建双向个性化推荐模型进行农产品供需双向个性化推荐。面向需求方，依据顾客相似度将相似社交群组精准推荐，依据近邻偏好将偏好度高的农产品精准推荐，依据农产品相似度将农产品项目群组精准推荐；面向供应方，将相似顾客群组精准推荐，根据农产品项目相似度计算出的项目预测评分，将需求偏好信息精准推荐，以便供方根据需求信息调整生产销售决策。
Description
技术领域
本发明涉及信息推荐技术领域，具体的涉及一种多维度农产品供需双向个性化推荐方法。
背景技术
随着国家社会主义事业建设进程的不断推进和发展，我国农业经济的发展也逐渐呈现与以往截然不同的发展模式。传统的农业信息分析理念，已经不能与当今社会的经济发展模式相同步。国家农业经济创新型发展模式的应用，使得农业监测预警系统的存在必不可少。通过对农业生产、价格、消费、贸易等农业过程与环节进行信息特征提取、信息变化观测、信息流向进行追踪，实现对未来农业运行态势进行分析与判断，提前发布预告，采取应对措施，以防范和化解农业风险。
目前，我国“三农问题”中农产品供需信息不对称，农产品销售难问题，现有的单向推荐系统无法有效解决网络环境下农产品供需双方信息不对称问题。以往研究大多仅从顾客视角采用单维度进行静态分析，而准确识别农产品供需双方情境、顾客和农产品特征对提高个性化推荐的精准性至关重要，因此申请人设计一种多维度农产品供需双向个性化推荐方法，解决上述问题。
发明内容
针对现有技术存在的上述问题，本发明通过开发基于感知价值理论和S-O-R理论模型的农产品双向情境识别体系；利用网络平台对顾客和农产品特征进行提取；基于情境识别、顾客和产品特征构建农产品顾客偏好模型；基于偏好模型和农产品特征构建农产品供需双向个性化推荐模型；通过构建双向个性化推荐模型进行农产品供需双向个性化推荐。面向需求方，依据顾客相似度将相似社交群组精准推荐，依据近邻偏好将偏好度高的农产品精准推荐，依据农产品相似度将农产品项目群组精准推荐；面向供应方，将相似顾客群组精准推荐，根据农产品项目相似度计算出的项目预测评分，将需求偏好信息精准推荐，以便供方根据需求信息调整生产销售决策。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种多维度农产品供需双向个性化推荐方法，包括以下步骤：
S1：开发基于感知价值理论和S-O-R理论模型的农产品双向情境识别体系；
S2：利用网络平台对农产品顾客和农产品的特征进行提取；
S3：基于情境识别、农产品顾客和产品特征构建农产品顾客偏好模型；
S4：基于顾客偏好模型和农产品特征构建农产品供需双向个性化推荐模型；
S5：通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐。
进一步的，所述双向情境识别体系以感知价值理论和S-O-R模型为情境识别的理论基础，结合农产品特性，从宏观和微观两方面，采用实证的方法开发情境识别系统各个维度的测量题项、识别影响农户生产和农产品顾客偏好的重要情境指标。
进一步的，所述网络平台农产品顾客的特征提取包括属性提取和行为提取，所述农产品的特征提取为农产品和一般产品相比较具有显著的特征提取。
进一步的，所述农产品顾客偏好模型的构建由用户模型的获取、更新和用户群的构建3部分组成；其中个性化顾客偏好本体的获取包括获得顾客的个人信息、构建农产品领域本体；根据顾客浏览或检索信息的行为构建参考本体，实现顾客偏好模型的学习更新；用户群是针对每个顾客偏好本体通过相似度计算得到；
进一步的，所述顾客信任相似度：
上式计算显著信任度，用Bu表示用户u的评分产品集，Bv表示用户v的评分产品集，Bm表示与用户v具有最多共同评分产品的产品集，分子表示用户u与用户v的共同评分产品的交集，分母表示 Bv与Bm相交所得的共同评分产品集；
所述顾客情境相似度：
C(U,V)＝CU点乘CV/|CU||CV|
所述顾客融合相似度：
simnew(u,v)＝αsim(u,v)+βT(u,v)+(1-α-β)C(u,v)
进一步的，所述农产品供需双向个性化推荐模型，基于情境的组合过滤，将内容和协同过滤紧密耦合到统一的推荐框架之下，在用户偏好模型和农产品特征的基础上，进行相似度计算得到近邻集，再在近邻集中使用协同过滤的资源评价算式。
进一步的，所述农产品供需双向个性化推荐模型，面向农产品需求方，通过顾客相似度将相似社交群组精准推荐给农产品需求方，通过近邻偏好将可推荐度高的农产品精准推荐给目标客户；
面向农产品供应方将相似顾客群组精准推荐给农产品供应方；
式中：左边代表预测客户U对某农产品的评分，(即该项目的可推荐度)，公式右边第一部分为顾客U历史对各农产品的平均评分，第二项为根据邻居顾客(数目可调整)对该农产品的评分对顾客U 评分的调整，将评分较高的农产品进行推荐，即TOP-N推荐；
进一步的，所述新顾客我们暂时只能获得情境信息，因此利用C (u，v)情境相似度来获得近邻顾客中评分较高的农产品，由此进行 TOP-N推荐。
进一步的，所述农产品相似度：
式中，等式左边代表顾客u对目标农产品i的预测评分，ruj表示顾客u对历史农产品j的评分，sij表示目标农产品i和历史农产品 j的相似性，R(u)是顾客的历史交互农产品集；
余弦相似度：
面向农产品供应方，根据农产品项目相似度计算出的项目预测评分，向农产品供方提供需求偏好信息，以便供方根据供求信息调整生产决策；
面向农产品需求方，将相似农产品项目群组精准推荐给农产品需求方。
本发明的有益效果：
本发明的多维度农产品供需双向个性化推荐方法，通过开发基于感知价值理论和S-O-R理论模型的农产品双向情境识别体系；利用网络平台对农产品顾客和农产品的特征进行提取；基于情境识别、农产品顾客和产品特征构建农产品顾客偏好模型；基于顾客偏好模型和农产品特征构建农产品供需双向个性化推荐模型；通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐。
本发明突破目前单项个性化推荐理论的局限性，创新融合复杂维度的双向推荐理论，构建融合复杂维度的双向个性化推荐模型，探索与完善双向个性化推荐模式形成机制，为农产品生产者、网络营销企业和顾客量身定制开发一套满足并创造多方需求、推荐精度较高、具有一定需求预测能力、科学有效的农产品双向个性化推荐系统。同时以便捷实用的APP形式进行应用推广，为解决我国“三农问题”中农产品供需信息不对称和农产品销售难问题、帮助农产品网络营销企业开展营销实践创新、提高营销绩效提供理论与实践依据，为相关部门提供决策参考；
本发明的多维度农产品供需双向个性化推荐方法，跨学科交叉融合，突破目前单向个性化推荐理论的局限性，开发和构建融合复杂维度的双向个性化推荐系统理论框架与模型；在协同过滤中融合内容过滤，创新双向组合过滤算法，算法融合复杂维度通过近邻偏好计算供需双方相似度，可以实现供需双方产品、服务和相似群组的交叉推荐。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述多维度农产品供需双向个性化推荐方法的流程示意图；
图2为本发明实施例所述农产品顾客特征提取的示意图；
图3为本发明实施例所述农产品特征提取的示意图；
图4为本发明实施例所述通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐示意图；
图5为本发明实施例所述融合情境、顾客和产品特征的农产品供需双向个性化推荐模型图；
图6为本发明实施例所述多维度农产品供需双向个性化推荐方法的算法设计图一；
图7为本发明实施例所述多维度农产品供需双向个性化推荐方法的算法设计图二；
图8为本发明实施例7所述本发明多维度农产品供需双向个性化推荐方法的仿真实验示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示
一种多维度农产品供需双向个性化推荐方法，包括以下步骤：
S1：开发基于感知价值理论和S-O-R理论模型的农产品双向情境识别体系；
S2：利用网络平台对农产品顾客和农产品的特征进行提取；
S3：基于情境识别、农产品顾客和产品特征构建农产品顾客偏好模型；
S4：基于顾客偏好模型和农产品特征构建农产品供需双向个性化推荐模型；
S5：通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐。
下面结合具体实施例对本发明的技术方案进行说明：
实施例1
基于感知价值理论和S-O-R理论模型的农产品双向情景识别体系开发与验证；
本项目以感知价值理论和S-O-R模型为情境识别的理论基础，结合农产品特性，从宏观和微观两方面，采用实证的方法开发情境识别系统各个维度的测量题项、识别影响农户生产和农产品顾客偏好的重要情境指标，并加以验证。
(1)宏观情境识别
主要指生产者和顾客所在区域农产品生产加工情境、消费情境，重点考察物流、网络通信等基础设施服务供应商、农户、顾客所在的地理位置以及该区域农产品消费特征的相似性，为了统计数据的可获得性，本项目研究区域按照中国城市行政划分为华东、华南、华中、华北、西北、西南、东北七个地区，每个地区按照经济发展水平的高、中、低分别挑选6个城市，再按各城市的社会经济指标、农作物生产和加工分布特征、农产品消费支出与结构、农产品物流和网络通信等基础设施建设等相关调研和统计数据开展区域协同的实证研究。在此基础上，根据各城市宏观情境的相似度进行分析和聚类，为区域间的交叉推荐提供实证依据。
(2)微观情境识别
主要包括农产品领域主体和社交主体。农产品领域主体包括了在农产品供需这一特定领域中影响农产品生产、加工和顾客购买偏好的重要因素。本项目将社交因子纳入微观情境协同考察，这也是网络环境下社交软件的广泛运用带来的典型特征和发展趋势，突破了传统推荐的局限性，让顾客信任的社交圈为其发现和推荐内容，取得社交推荐的时效性和算法推荐的长尾性之间的互补，从而针对“社交图”中每位成员提供个性化推荐。由此，本研究中用信任因子衡量社交情境。
(3)情境识别体系验证
采用探索性和验证性因子分析以及结构方程方法，利用调研样本数据和各城市公开的统计数据验证情境识别体系结构维度与重要情境指标的科学性。
实施例2
利用网络平台对农产品顾客和农产品的特征进行提取；
农产品顾客特征提取
本项研究中的顾客主体是农产品网站注册用户，特征分析包括属性和行为分析(图2)；
(1)属性特征：属性往往是静态的或者说是在一定时期内比较稳定，包括顾客所处地域、性别、年龄、婚姻、学历、职业和收入等；
(2)行为特征：主要是指顾客消费行为和评价行为，包括在页面上访问时所有行为信息的集合。
本项研究中包括用户访问网页时的几类行为数据：(1)标记行为，例如添加到收藏夹、增加书签、分享到朋友圈、放入购物车等； (2)操作行为，例如拖动滚动条、点击某个超链接、页面点击频率、浏览页面的时间、社交推荐等；(3)购买与评价行为，这是最关键且最有分析价值的行为，也是本项目研究顾客行为特征的重要基础数据。
农产品特征提取
农产品和一般产品相比较具有显著的特征，这就决定了农产品个性化推荐系统必须区别于其他推荐系统，充分体现农产品特征。
①农产品生产加工的季节性强。顾客对农产品的需求具有连续性，但农业生产有季节性，产品成熟期相对集中，使得供应有非常明显的淡旺季之分。同时，农业对气象条件也很敏感，气象变化对农产品影响大，气温的高低、雨水的旱涝等变化直接影响农产品的产量、质量、生长周期和上市时间。②农产品生产的地域性差别大。消费者对农产品的需求多种多样，但农产品生产却有典型的地域性，使得各地供需不平衡。③农产品地区消费特征各异。不同区域在经济条件、消费水平、产业结构、历史文化、饮食习惯、农产品供给、农产品消费结构与支出等方面的差异性使得农产品顾客的消费特征差异较大。④农产品时效性强。农产品具有生命性，在流通中容易腐烂、变质、减重或死亡，处理不好就会多产不能多供，增产不能增收。这一典型特征导致个性化推荐系统对于生鲜农产品的推荐必须充分考虑顾客的地理位置和当地的基础设施、物流水平。⑤顾客对农产品质量安全关注度显著提高。随着全社会对食品安全的重视，顾客对绿色食品、有机食品等农产品偏好明显增强。
按照农产品营销相关理论与以上特征分析，本发明从以下几方面对农产品特征进行提取(图3)。
实施例3
基于情境识别、农产品顾客和产品特征构建农产品顾客偏好模型；
农产品顾客偏好模型的构建由用户模型的获取、更新和用户群的构建3部分组成其中个性化顾客偏好本体的获取包括获得顾客的个人信息、构建农产品领域本体等；根据顾客浏览或检索信息的行为构建参考本体，实现顾客偏好模型的学习更新；用户群是针对每个顾客偏好本体通过相似度计算得到；
进一步的，所述顾客信任相似度：
上式计算显著信任度，用Bu表示用户u的评分产品集，Bv表示用户v的评分产品集，Bm表示与用户v具有最多共同评分产品的产品集，分子表示用户u与用户v的共同评分产品的交集，分母表示 Bv与Bm相交所得的共同评分产品集；
所述顾客情境相似度：
C(U,V)＝CU点乘CV/|CU||CV|
所述顾客融合相似度：
simnew(u,v)＝αsim(u,v)+βT(u,v)+(1-α-β)C(u,v)
实施例4
基于顾客偏好模型和农产品特征构建农产品供需双向个性化推荐模型；
所述农产品供需双向个性化推荐模型，面向农产品需求方，通过顾客相似度将相似社交群组精准推荐给农产品需求方，通过近邻偏好将可推荐度高的农产品精准推荐给目标客户；
面向农产品供应方将相似顾客群组精准推荐给农产品供应方；
式中：左边代表预测客户U对某农产品的评分，(即该项目的可推荐度)，公式右边第一部分为顾客U历史对各农产品的平均评分，第二项为根据邻居顾客(数目可调整)对该农产品的评分对顾客U 评分的调整，将评分较高的农产品进行推荐，即TOP-N推荐；
所述新顾客我们暂时只能获得情境信息，因此利用C(u，v)情境相似度来获得近邻顾客中评分较高的农产品，由此进行TOP-N推荐。
所述农产品相似度：
式中，等式左边代表顾客u对目标农产品i的预测评分，ruj表示顾客u对历史农产品j的评分，sij表示目标农产品i和历史农产品j的相似性，R(u)是顾客的历史交互农产品集；
余弦相似度：
面向农产品供应方，根据农产品项目相似度计算出的项目预测评分，向农产品供方提供需求偏好信息，以便供方根据供求信息调整生产决策；
面向农产品需求方，将相似农产品项目群组精准推荐给农产品需求方。
该算法融合复杂维度通过近邻偏好计算供需双方相似度，可以实现供需双方产品、服务和相似群组的交叉推荐。同时具有显著特色的是，该算法还能实现同向推荐，系统一方面可以将相似的顾客群组推荐给农产品需求方形成虚拟社区，进行社区交流和相互推荐；另一方面，具有一定的科学预测性，可以根据农产品项目相似度计算出的项目预测评分，向农产品生产供应方提供需求偏好信息，指导其调整和制定生产和销售决策。
实施例5
通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐：
如图4、5，开发并验证情境识别体系的结构维度；利用网络平台挖掘顾客与农产品特征；构建农产品顾客偏好模型，探索情境、顾客和产品特征、偏好模型之间的关联机制和作用机理；创新供需双向推荐的组合过滤算法；对双向推荐模式进行仿真和眼动实验；双向推荐模式的多主体应用、效果评估与修正。
从供需双向动态视角，融合情境、顾客与产品特征等多维度，以双向个性化推荐模式为研究对象，以充分挖掘顾客潜在需求、准确识别顾客偏好、实现供需交叉精准推荐为目标；
本发明揭示了动态情境下融合复杂维度的农产品双向个性化推荐模式形成机制；搭建联接农产品供需的桥梁，打破信息不对称瓶颈，指导双方生产和销售决策的制定和调整。
实施例6
所述多维度农产品供需双向个性化推荐方法的算法设计；
如图6、7；
本发明通过对顾客偏好模型、顾客信任相似度、顾客情境相似度、顾客融合相似度、交叉TOP-N推荐、农产品项目相似度、交叉TOP-N 推荐；算法设计流程如图6、7所示；
实施例7
如图8，本发明多维度农产品供需双向个性化推荐方法的仿真实验：
数据采集：
利用Flixster数据集、Ciao数据集采集包含：顾客、农产品供应方的特征信息；顾客对项目的评分信息；顾客的社交信息；
为提高准确度，可额外通过这两个数据集验证参数有效性；
通过Epinions数据集采集顾客对产品的评分记录、顾客情境信息、顾客和产品特征信息、顾客信任相关列表记录、产品项目组信息；
将每组仿真数据80％归为训练集，20％归为测试集；
实验环境与软件：
采用计算机运行MATLAB软件进行仿真；
参数确定：对农产品供应方与需求方进行交叉推荐时，都需用到客户相似度，因此最优参数的计算至关重要；
通过设定参数，在MATLAB上进行训练，得到每一种情况下的面向顾客和供应方的推荐准确度，能够使得平均误差最小得到选取的最优参数值；
利用MATLAB画出两种不同算法下的实验值，以邻居数目为横轴，MAE为纵轴，折线图直方图均可，对比得到：1、面向顾客的产品推荐准确性是否提高；2、面向供应方的相似顾客群组是有有效；3、实现信息不对称下供需双方交叉推荐的现实意义；
本发明融合营销科学、计算机科学、信息技术科学、统计学、系统科学与心理学等交叉学科，突破以往单一系统深化为多系统的综合研究，同时结合特定农产品领域供需双方情境和特征，拓展了系统建模的思路，纳入新的解释变量，重构具有典型领域特色的双向个性化推荐模型，揭示其内在机理和形成机制，并用规范的计量方法对理论框架和模型进行修正和检验，满足农产品的双向推荐需求。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种多维度农产品供需双向个性化推荐方法，其特征在于，包括以下步骤：
S1：开发基于感知价值理论和S-O-R理论模型的农产品双向情境识别体系；
S2：利用网络平台对农产品顾客和农产品的特征进行提取；
S3：基于情境识别、农产品顾客和产品特征构建农产品顾客偏好模型；
S4：基于顾客偏好模型和农产品特征构建农产品供需双向个性化推荐模型；
S5：通过构建农产品供需双向个性化推荐模型进行农产品供需双向个性化推荐。
2.如权利要求1所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述双向情境识别体系以感知价值理论和S-O-R模型为情境识别的理论基础，结合农产品特性，从宏观和微观两方面，采用实证的方法开发情境识别系统各个维度的测量题项、识别影响农户生产和农产品顾客偏好的重要情境指标。
3.如权利要求1所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述网络平台农产品顾客的特征提取包括属性提取和行为提取，所述农产品的特征提取为农产品和一般产品相比较具有显著的特征提取。
4.如权利要求1所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述农产品顾客偏好模型的构建由用户模型的获取、更新和用户群的构建3部分组成，其中个性化顾客偏好本体的获取包括获得顾客的个人信息、构建农产品领域本体等；根据顾客浏览或检索信息的行为构建参考本体，实现顾客偏好模型的学习更新；用户群是针对每个顾客偏好本体通过相似度计算得到。
5.如权利要求4所述的多维度农产品供需双向个性化推荐方法，其特征在于，所述顾客信任相似度：
上式计算显著信任度，用Bu表示用户u的评分产品集，Bv表示用户v的评分产品集，Bm表示与用户v具有最多共同评分产品的产品集，分子表示用户u与用户v的共同评分产品的交集，分母表示Bv与Bm相交所得的共同评分产品集；
所述顾客情境相似度：
C(U,V)＝CU点乘CV/|CU||CV|
所述顾客融合相似度：
simnew(u,v)＝αsim(u,v)+βT(u,v)+(1-α-β)C(u,v)
6.如权利要求1所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述农产品供需双向个性化推荐模型，基于情境的组合过滤，将内容和协同过滤紧密耦合到统一的推荐框架之下，在用户偏好模型和农产品特征的基础上,进行相似度计算得到近邻集,再在近邻集中使用协同过滤的资源评价算式。
7.如权利要求6所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述农产品供需双向个性化推荐模型，面向农产品需求方，通过顾客相似度将相似社交群组精准推荐给农产品需求方，通过近邻偏好将可推荐度高的农产品精准推荐给目标客户；
面向农产品供应方将相似顾客群组精准推荐给农产品供应方；
式中：左边代表预测客户U对某农产品的评分，(即该项目的可推荐度)，公式右边第一部分为顾客U历史对各农产品的平均评分，第二项为根据邻居顾客对该农产品的评分对顾客U评分的调整，将评分较高的农产品进行推荐，即TOP-N推荐。
8.如权利要求7所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述客户为新顾客时，获得情境信息，因此利用C(u，v)情境相似度来获得近邻顾客中评分较高的农产品，由此进行TOP-N推荐。
9.如权利要求7所述的多维度农产品供需双向个性化推荐方法，其特征在于：所述农产品相似度：
式中，等式左边代表顾客u对目标农产品i的预测评分，ruj表示顾客u对历史农产品j的评分，sij表示目标农产品i和历史农产品j的相似性，R(u)是顾客的历史交互农产品集；
余弦相似度：
面向农产品供应方，根据农产品项目相似度计算出的项目预测评分，向农产品供方提供需求偏好信息，以便供方根据供求信息调整生产决策；
面向农产品需求方，将相似农产品项目群组精准推荐给农产品需求方。
10.一种多维度农产品供需双向个性化推荐方法在农产品供需双向个性化推荐中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692248.9A CN113822738B (zh) | 2021-06-22 | 2021-06-22 | 一种多维度农产品供需双向个性化推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110692248.9A CN113822738B (zh) | 2021-06-22 | 2021-06-22 | 一种多维度农产品供需双向个性化推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822738A true CN113822738A (zh) | 2021-12-21 |
| CN113822738B CN113822738B (zh) | 2024-05-14 |
Family
ID=78923906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110692248.9A Active CN113822738B (zh) | 2021-06-22 | 2021-06-22 | 一种多维度农产品供需双向个性化推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822738B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660383A (zh) * | 2022-12-12 | 2023-01-31 | 成都工业职业技术学院 | 农产品产销资源均衡分配分析方法、系统、终端及介质 |
| CN116911963A (zh) * | 2023-09-14 | 2023-10-20 | 南京龟兔赛跑软件研究院有限公司 | 数据驱动的农特副产品交易管理方法及云平台 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100086296A (ko) * | 2009-01-22 | 2010-07-30 | 성균관대학교산학협력단 | 정보 엔트로피를 이용하여 유사도를 보정하는 사용자 기반 협업 필터링 추천 방법 및 시스템 |
| CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
| CN106096015A (zh) * | 2016-06-24 | 2016-11-09 | 北京理工大学 | 一种基于大数据双向推荐的深度学习方法及双向推荐装置 |
| CN110287423A (zh) * | 2019-05-05 | 2019-09-27 | 江苏一乙生态农业科技有限公司 | 一种基于协同过滤的农场产品推荐系统及方法 |
| CN110362755A (zh) * | 2019-07-23 | 2019-10-22 | 南京邮电大学 | 一种基于物品协同过滤与关联规则的混合算法的推荐方法 |
| US20200184537A1 (en) * | 2018-12-07 | 2020-06-11 | Paypal, Inc. | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
| KR20200111046A (ko) * | 2019-03-18 | 2020-09-28 | 동아대학교 산학협력단 | 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치 |
-
2021
- 2021-06-22 CN CN202110692248.9A patent/CN113822738B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100086296A (ko) * | 2009-01-22 | 2010-07-30 | 성균관대학교산학협력단 | 정보 엔트로피를 이용하여 유사도를 보정하는 사용자 기반 협업 필터링 추천 방법 및 시스템 |
| CN106096015A (zh) * | 2016-06-24 | 2016-11-09 | 北京理工大学 | 一种基于大数据双向推荐的深度学习方法及双向推荐装置 |
| CN105893641A (zh) * | 2016-07-01 | 2016-08-24 | 中国传媒大学 | 一种职位推荐方法 |
| US20200184537A1 (en) * | 2018-12-07 | 2020-06-11 | Paypal, Inc. | System and method for obtaining recommendations using scalable cross-domain collaborative filtering |
| KR20200111046A (ko) * | 2019-03-18 | 2020-09-28 | 동아대학교 산학협력단 | 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치 |
| CN110287423A (zh) * | 2019-05-05 | 2019-09-27 | 江苏一乙生态农业科技有限公司 | 一种基于协同过滤的农场产品推荐系统及方法 |
| CN110362755A (zh) * | 2019-07-23 | 2019-10-22 | 南京邮电大学 | 一种基于物品协同过滤与关联规则的混合算法的推荐方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIE CAO ET AL: "Hybrid Collaborative Filtering algorithm for bidirectionalWeb service recommendation", KNOWL INF SYST, vol. 36, pages 607 * |
| WENPING MA ET AL: "Personalized recommendation based on heat bidirectional transfer", PHYSICA A, no. 444, pages 713 - 721, XP029312689, DOI: 10.1016/j.physa.2015.10.068 * |
| 范奥哲 等: "一种双向聚类协同过滤推荐算法研究", 软件导刊, no. 05, pages 78 - 82 * |
| 龚映梅 等: "影响农产品网络顾客购买意愿的情境因素研究", 重庆理工大学学报( 社会科学), vol. 33, no. 2, pages 56 - 68 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660383A (zh) * | 2022-12-12 | 2023-01-31 | 成都工业职业技术学院 | 农产品产销资源均衡分配分析方法、系统、终端及介质 |
| CN116911963A (zh) * | 2023-09-14 | 2023-10-20 | 南京龟兔赛跑软件研究院有限公司 | 数据驱动的农特副产品交易管理方法及云平台 |
| CN116911963B (zh) * | 2023-09-14 | 2023-12-19 | 南京龟兔赛跑软件研究院有限公司 | 数据驱动的农特副产品交易管理方法及云平台系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822738B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241405B (zh) | 一种基于知识关联的学习资源协同过滤推荐方法及系统 | |
| Pham et al. | Selection of K in K-means clustering | |
| Tang et al. | Big data in forecasting research: a literature review | |
| CN111444395B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
| Li et al. | Statistical analysis of tourist flow in tourist spots based on big data platform and DA-HKRVM algorithms | |
| CN111143655B (zh) | 一种新闻热度的计算方法 | |
| Bok et al. | Social group recommendation based on dynamic profiles and collaborative filtering | |
| CN103646092A (zh) | 基于用户参与的搜索引擎排序方法 | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| CN113822738B (zh) | 一种多维度农产品供需双向个性化推荐方法 | |
| Lu et al. | Personalized information recommendation model based on context contribution and item correlation | |
| CN105975609A (zh) | 一种工业设计产品智能推荐方法及系统 | |
| Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
| CN105141508A (zh) | 一种基于近邻关系的微博系统朋友推荐方法 | |
| Chen et al. | A new data envelopment analysis clustering approach within cross-efficiency framework | |
| Cao et al. | A Recommendation Approach Based on Product Attribute Reviews: Improved Collaborative Filtering Considering the Sentiment Polarity. | |
| CN105138552A (zh) | 一种挖掘在线销售数据的时尚趋势分析系统 | |
| CN109344176A (zh) | 基于双循环图的虚假评论检测方法 | |
| Chu et al. | TRSO: A tourism recommender system based on ontology | |
| CN115408618B (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
| Gan et al. | Design of personalized recommendation system for online learning resources based on improved collaborative filtering algorithm | |
| WO2023284516A1 (zh) | 基于知识图谱的信息推荐方法、装置、设备、介质及产品 | |
| Minjing et al. | Recognizing intentions of E-commerce consumers based on ant colony optimization simulation | |
| Feixiang | Intelligent Personalized Recommendation Method Based on Optimized Collaborative Filtering Algorithm in Primary and Secondary Education Resource System | |
| KR102230991B1 (ko) | 인공지능 및 사물인터넷 기반 고객행동분석 및 공급사슬관리를 위한 모션 식별 서비스 제공 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |