隨手快遞中的服務及時性研究

劉璐 黃偉

摘 要：分析如何提高隨手快遞中的及時性，為此開展隨手快遞中的個性化推薦研究，在充分考慮用戶信息、配送信息、隨手人信息、時間等信息基礎上，解決項目初期信息冷啟動問題，獲得個性化的預測評分值公式，提出了推薦算法.

關鍵詞：隨手快遞；個性化推薦；協同過濾；多指標

中圖分類號：F27 文獻標識碼：A doi：10.19311/j.cnki.16723198.2018.30.023

1 推薦服務研究

1.1 收集用戶信息，配送信息

定義1（將收集信息進行分析形成信息簇）。

現在常用的聚類算法有K-means、DBSCAN等，本文選擇聚類速度快且能夠有效處理噪聲點和發現任意形狀簇的DBSCAN算法。DBSCAN算法需要兩個參數：掃描半徑（eps）和最小包含點數（minPts）。通過實驗我們將半徑eps設置為0.6，將最小包含點數設置為150。

具體過程如下：

（1）在信息集P中任選一個未被訪問的元素a，a屬于信息集P，找出與a元素距離在eps之內（包括eps）的附近元素。

（2）如果附近的元素的數量大于minPts，則當前元素與其附近元素形成一個簇。并且將該元素標記為已經訪問，重復步驟1選取簇內未被訪問的元素作為a，直到簇內元素全部被訪問。

（3）如果附近的元素的數量少于minPts，則該元素暫時被標記為噪聲元素。

（4）重復步驟1，直到集合P內的所有元素全部被訪問。

通過上述4個步驟我們將暫時被標記的噪聲元素集記為元素集Z。

定義2（相似用戶群體）。

設用戶Ui和Uj的服務評價分別是LUi=（USi，O.DEi ）和LUj=（USj，O.DEj），如果USi∩USj≠□且|USi∩USj|≥M，則稱用戶Ui與Uj之間為偏好相似用戶。M為條件限數，M的大小將影響到用戶與偏好相似用戶之間的數量。

本文采用的算法為文獻中的算法，該算法通過分析UDDI和WSDL文件提供的信息對服務的類別進行劃分，從而具有較好的可行性、通用性和易操作性。本文中的推薦用戶的推薦等級指的是推薦用戶推薦信息被采納的概率，其主要依賴于用戶對推薦信息的反饋信息。

由定義2可知，如果兩個用戶存在推薦關系，那么他們之間必然是偏好相似用戶，反之則不成立.從而可以看出無論用戶間是否存在推薦關系，都不會影響信息多指標相似度的計算。

1.2 多屬性多時序性分析

用戶之間產生的推薦以及系統針對某個用戶群體產生的推薦并非盲目的推薦，而是限定于某個特定的集合之中。這不僅符合現實情況中選取服務時互聯網用戶的實際特征，同時能夠較好地解決稀疏矩陣帶來的問題。

一般情況下，都是使用{u1，u2，…，un}表示n個用戶，{i1，i2，…，in}表示n個指標，rij表示用戶的多指標值。表1給出了用戶-多指標矩陣例子。計算用戶指標的相似度有多種算法，其中，皮爾森相關相似性如下：

sum（u，v）=∑i∈Puv（rui-ru）（rvi-rv）∑i∈Puv（rui-ru）2∑i∈Puv（rvi-rv）2（1）

公式（1）中，ru和rv分別表示用戶u和v的指標平均值，Puv表示用戶u和v共同指標的集合。

使用預測評分公式（2）計算得到目標用戶對指標的預測評分值，實現推薦：

Pui=ru+∑v∈NBSsim（u，v）×（rvi-rv）∑v∈NBSsim（u，v）（2）

公式（2）中，Puv表示用戶u對指標i的預測評分值，ru-rv分別表示用戶u和v的指標平均值，rvi表示用戶v對指標i的評分，NBSu表示用戶u的近鄰集合。

定義3（信息多指標相似度） 設兩個相似用戶Ui和Uj的指標評價分別是LUi=（USi，O.DEi）和LUi=（USj，O.DEj），其信息多指標相似度定義為：

SSUiUi=rij，rij≥00，rij<0（3）

其中，rij為兩用戶在共同指標訪問項集USi∩USj評價值上的皮爾遜相關系數。

定義4（用戶推薦度） 若用戶Uj為Ui關于服務lujk的推薦用戶，則用戶Uj對Ui對服務lujk的推薦度為：

RUjUi（lujk）=O.DEj（lujk）×SUiUj×（1+α+β）（4）

在該式子中，α是用戶在領域相關度所產生的增值系數，0<α<1；β是根據用戶的推薦等級所產生的增值系數，0<β<1。在確定α和β時，需要注意體現群體之間協同的思想。

本文中的指標數一般指的是通過用戶行為而收集的數據，因此一般情況下是不會存在非公正的因素。Sensoy針對用戶打分主觀性的問題，提出了基于經驗的服務選擇方法。

如前所述，在計算用戶信息多指標相似度時，我們并不區分兩個用戶是否存在推薦關系。

2 實驗結果與分析

2.1 數據集預處理與度量標準

本文采用從數據堂中某研究機構中收集的用戶在一些隨手快遞類型APP上的行為記錄數據來進行實驗，將收集到的數據進行預處理后，使得該數據集包含了200個訂單用戶從注冊APP的個人信息以及到一直以來的物流信息以及在配送中相對應的提供配送服務的220個隨手人信息以及共計57 792條的評分數據，從而整理后的指標數據包含時間Time，用戶ID、隨手人ID、配送準時性、商品完好性等信息?？傊笜藬低ㄟ^對三個屬性評分加權求和而獲得，屬性權重的確定通過實驗進行比較（評分范圍為1-5分，分數越高滿意度越高）。表2為該數據集部分樣本數據，將該數據集按Time順序來排列。

2.2 準確率分析

在該實驗中，將本文中采用的基于配送服務多指標的協同過濾推薦方法與實際情況中隨手快遞平臺中的搶單配送模式進行準確率分析比較。我們將搶單模式下的配送方案假設為隨機推薦模式，不同用戶之間所獲取的推薦準確率對比如圖1所示，從圖中可以看出在所有調查用戶中，實際的傳統搶單配送模式準確率要遠遠低于基于配送服務多指標下的配送方案，從而表明協同過濾推薦算法在理論上是可以應用于目前的隨手快遞平臺配送算法上。

2.3 實驗結論

該實驗通過對本文提出的推薦方法與傳統的模式進行實驗比較，可以發現在準確率和效率上，本文的服務推薦方法相比之下都要更高一些，因此，為了更好的服務于用戶，可以將傳統搶單模式與服務推薦方法相結合使用，從而解決隨手快遞服務模式下的配送服務方案不穩定情況.同時該實驗表明采用基于配送服務多指標的協同過濾推薦方法具有一定的可行性。

3 結論

本文首先收集在隨手快遞類型APP中的信息，包括用戶信息，訂單信息，隨手人信息，將這些進行分析形成信息簇，除去沒有不存在明顯特征的信息，取出有用的指標信息，將數據收集整理好形成具有分辨屬性的信息集，構成并完善用戶畫像，提取特征建立特征索引庫，反饋對信息進行加權，形成用戶信息集。在對隨手快遞平臺的配送服務問題中，通過對用戶的多指標研究之后提出了針對目標用戶偏好的個性化配送服務推薦。將個性化服務引入隨手快遞物流模式中，通過對用戶多指標分析提出了針對于隨手快遞物流模式下的基于配送服務多指標的服務推薦方法研究，同時探究了隨手快遞物流中的個性化推薦的準確率，提出可以將傳統搶單模式與服務推薦方法相結合使用的建議，通過定義以及分析發現無論用戶間是否存在推薦關系，都不會影響信息多指標相似度的計算，從而可以解決項目初期啟動時的數據稀疏無規律問題，并且可以更好的定義用戶畫像，完善用戶畫像，更加精準的個性化服務推薦配送服務，使得用戶能更好的享受到共享經濟下的隨手快遞配送服務帶來的便利。

參考文獻

[1]Chou AY.The analysis of online social networking：How technology is changing ecommerce purchasing decision[J].Journal of Information Systems and Change Management，2010，4（4）：353365.

[2]Su JH，Yeh HH，Yu PS，Tseng VS.Music recommendation using content and context information mining[J].IEEE Intelligent Systems，2010，25（1）：1626.