張登(蘭州財(cái)經(jīng)大學(xué),甘肅 蘭州 730020)
?
基于改進(jìn)最近鄰算法的農(nóng)產(chǎn)品B2B平臺(tái)企業(yè)動(dòng)態(tài)聯(lián)盟合作伙伴選擇研究
張登
(蘭州財(cái)經(jīng)大學(xué),甘肅 蘭州 730020)
摘 要:本文針對(duì)農(nóng)產(chǎn)品B2B平臺(tái)企業(yè)動(dòng)態(tài)聯(lián)盟伙伴選擇問題,提出了一種改進(jìn)的最近鄰算法,對(duì)原有的最近鄰算法加入推薦系統(tǒng)的思想,并對(duì)算法的結(jié)果和評(píng)價(jià)矩陣做出改進(jìn).實(shí)驗(yàn)表明,所提出的改進(jìn)的最近鄰算法是可行的,而且有較高的準(zhǔn)確率和運(yùn)算速度.對(duì)企業(yè)動(dòng)態(tài)聯(lián)盟的伙伴選擇在理論上有一定的指導(dǎo)意義.
關(guān)鍵詞:動(dòng)態(tài)聯(lián)盟;最近鄰算法;推薦思想
1.1 農(nóng)產(chǎn)品B2B平臺(tái)
農(nóng)業(yè)的不斷發(fā)展,使各類農(nóng)產(chǎn)品的市場也在不斷擴(kuò)大.規(guī)模的擴(kuò)大,產(chǎn)量的增加以及相對(duì)穩(wěn)定的在一定區(qū)域內(nèi)農(nóng)產(chǎn)品的需求量使得農(nóng)產(chǎn)品的銷售和管理遇到了前所未有的挑戰(zhàn).傳統(tǒng)的以批發(fā)為主的銷售方式和企業(yè)之間各自為政的管理方式已經(jīng)不在農(nóng)產(chǎn)品的銷售方面占據(jù)優(yōu)勢(shì)了.隨著“互聯(lián)網(wǎng)+”的快速發(fā)展,電子商務(wù)已經(jīng)是未來企業(yè)發(fā)展的趨勢(shì)和方向.農(nóng)業(yè)也不例外.所以,建立B2B平臺(tái)是解決農(nóng)產(chǎn)品銷售和管理問題的主要對(duì)策.
我國的農(nóng)業(yè)經(jīng)濟(jì)正在朝著一個(gè)健康蓬勃的方向發(fā)展,還需對(duì)農(nóng)產(chǎn)品電子商務(wù)的探索,不斷改善適合我國農(nóng)業(yè)的B2B電子商務(wù)模式.
1.2 企業(yè)動(dòng)態(tài)聯(lián)盟
企業(yè)動(dòng)態(tài)聯(lián)盟系統(tǒng)是一個(gè)協(xié)同商務(wù)系統(tǒng).是一個(gè)虛擬的平臺(tái).建立了資源虛擬化管理模型.虛擬企業(yè)是當(dāng)代提出的一種新型企業(yè)聯(lián)盟方式,采用靈活多變的動(dòng)態(tài)組織結(jié)構(gòu),一旦發(fā)現(xiàn)機(jī)遇,將以最快的速度加入到企業(yè)聯(lián)盟的陣營中.
企業(yè)聯(lián)盟系統(tǒng)中盟主對(duì)盟員的選擇就是因?yàn)槊酥魉鶕碛械馁Y源和能力是有限的.為了抓住市場機(jī)遇,盟主就要利用企業(yè)外部資源即其他企業(yè)資源來提高擴(kuò)充自身資源.
利用外部資源就是要聯(lián)合其他企業(yè),盟主提供核心資源(或核心業(yè)務(wù))的服務(wù),把非核心的資源(或非核心的業(yè)務(wù))進(jìn)行外包,外包給盟員企業(yè).選擇的盟員企業(yè),被外包的資源(或業(yè)務(wù))一定要是其核心資源.從而盟主企業(yè)和盟員企業(yè)優(yōu)勢(shì)互補(bǔ),強(qiáng)強(qiáng)聯(lián)合.達(dá)到盟主和盟員企業(yè)將企業(yè)內(nèi)部資源和外部資源整合.
企業(yè)動(dòng)態(tài)聯(lián)盟從根本上解決了市場變化對(duì)企業(yè)快速響應(yīng)的難題,但這樣一種新的供應(yīng)鏈模式亦會(huì)衍生出更加復(fù)雜的問題.企業(yè)動(dòng)態(tài)聯(lián)盟的合作伙伴選擇是管理學(xué)研究的重點(diǎn)問題之一,引起國內(nèi)學(xué)者的普遍關(guān)注,新的思想,方法不斷的涌現(xiàn).目前,有不少學(xué)者對(duì)企業(yè)動(dòng)態(tài)聯(lián)盟的合作伙伴選擇方法進(jìn)行了研究.文獻(xiàn)[1][2][3][4]分別用層次法對(duì)選擇伙伴選擇所用的指標(biāo)進(jìn)行兩兩比較,確定各個(gè)指標(biāo)相對(duì)其他指標(biāo)所具有的重要程度.從而確定其權(quán)重.其中文獻(xiàn)[1][2][4]在選擇指標(biāo)的時(shí)候分別用到了模糊綜合的方法對(duì)評(píng)價(jià)指標(biāo)進(jìn)行篩選和分析.從而選出重要的評(píng)價(jià)指標(biāo).文獻(xiàn)[5]對(duì)不同方法選擇出來的指標(biāo)進(jìn)行整合,加入排序模型,使其在選擇盟員伙伴時(shí)只考慮重要的重要的指標(biāo)快速的選擇出來合作伙伴.文獻(xiàn)[6]通過引入蟻群算法并加入雜交因子來改進(jìn)了蟻群算法來解決滿足產(chǎn)品交貨期和最小化成本為目標(biāo)的虛擬企業(yè)合作伙伴的選擇.文獻(xiàn)[7]加入可拓學(xué)的思想評(píng)選出具有競爭力和相容的合作伙伴,先根據(jù)可拓學(xué)方法構(gòu)建虛擬企業(yè)合作伙伴的物元模型,并用優(yōu)度評(píng)選發(fā)對(duì)物元模型進(jìn)行求解,從而得出優(yōu)度,根據(jù)優(yōu)度評(píng)選.
基于以上幾點(diǎn)不足,基于最近鄰的企業(yè)動(dòng)態(tài)聯(lián)盟伙伴選擇盟員推薦的合作伙伴問題上相對(duì)有以下幾個(gè)優(yōu)點(diǎn):(1)算法易于實(shí)現(xiàn).(2)不用指標(biāo)的建立,盟員的選擇標(biāo)準(zhǔn)是通過客觀數(shù)據(jù),而不是量化完的指標(biāo).
本文研究基于最近鄰思想的虛擬企業(yè)動(dòng)態(tài)聯(lián)盟伙伴選擇的方法,伙伴的選擇是該研究的核心問題.其中伙伴的選擇分為兩個(gè)步驟.第一步為盟主企業(yè)的選擇,第二步是盟員企業(yè)的選擇.從而建立企業(yè)動(dòng)態(tài)聯(lián)盟.
3.1 最近鄰算法基本原理
鄰近算法(K最近鄰算法),是分類算法中最常用的一種.其中K-最近鄰,所指就是和樣本最近的K個(gè)鄰居.鄰近算法的核心思想是:如果該樣本在特征空間中的K個(gè)最近鄰中的大多數(shù)屬于同一個(gè)類別,則該樣本也屬于這個(gè)類別.該算法的基本流程:
數(shù)據(jù)的準(zhǔn)備過程,對(duì)數(shù)據(jù)的預(yù)處理.
選用合適的數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)訓(xùn)練數(shù)據(jù)和測試集.設(shè)定一個(gè)初始的參數(shù)(K).
定義一個(gè)大小為K按距離由大到小的隊(duì)列,隊(duì)列中元素在訓(xùn)練數(shù)據(jù)中選取K個(gè)用來存儲(chǔ)最近鄰訓(xùn)練集.
遍歷訓(xùn)練集,計(jì)算訓(xùn)練集中元素和該元素之間的距離.
將得到距離與隊(duì)列中最大距離比較,若大于最大距離就舍棄該訓(xùn)練元組,若小于最大距離則保留該元組.
遍歷完成,就要計(jì)算該訓(xùn)練集中的元素所屬類別.進(jìn)而判斷該樣本的類別.
繼續(xù)設(shè)定不用的K值進(jìn)行不同的計(jì)算,最后取得誤差率最小的K值所謂最終確定的K值.
鄰近算法中距離的計(jì)算方法有多種.本文選用歐氏距離的計(jì)算方法.歐氏距離的方法是用空間中兩個(gè)向量之間的距離,兩個(gè)向量之間差異的大小.
3.2 改進(jìn)的最近鄰算法
改進(jìn)的最近鄰算法主要是加入推薦的思想.協(xié)同過濾是目前最為流行的一類推薦算法.這類算法的核心思想是認(rèn)為如果某些企業(yè)的行為或則特征類似,那么他們的興趣也具有一定的相似性,它們利用企業(yè)與企業(yè)或者項(xiàng)目與項(xiàng)目的協(xié)同關(guān)系來過濾出企業(yè)的興趣[8].
基于企業(yè)的協(xié)同過濾推薦算法:企業(yè)A和企業(yè)B 都喜歡商品1,2,3.認(rèn)為企業(yè)A和企業(yè)B相似,則企業(yè)A和企業(yè)B就有相同的喜好.把企業(yè)B喜歡且企業(yè)A還未表現(xiàn)出喜愛關(guān)系的商品推薦給企業(yè)A,企業(yè)A喜歡且企業(yè)B還未表現(xiàn)出喜愛關(guān)系的商品推薦給企業(yè)B.結(jié)果就是給企業(yè)A推薦商品5,給企業(yè)B推薦商品4.
以上問題的實(shí)質(zhì)都會(huì)被歸結(jié)為找最近鄰問題.基于企業(yè)的協(xié)同過濾是找企業(yè)的最近鄰.基于企業(yè)的協(xié)同過濾找出最近鄰的方法目前最常用的就是企業(yè)-商品評(píng)分矩陣.
目前最最常用的過濾技術(shù)就是使用企業(yè)對(duì)商品的評(píng)分?jǐn)?shù)據(jù),這個(gè)評(píng)分?jǐn)?shù)據(jù)作為推薦系統(tǒng)的輸入數(shù)據(jù).首先,根據(jù)歷史數(shù)據(jù)整理出企業(yè)-商品評(píng)分矩陣.其次,根據(jù)企業(yè)-商品評(píng)分矩陣的關(guān)系矩陣中找出當(dāng)前企業(yè)的最近鄰.最后,根據(jù)找出最近鄰的評(píng)分向量,根據(jù)具體要求推薦評(píng)分較高的商品.大量的實(shí)驗(yàn)表明,基于企業(yè)的推薦很好的利用了人們的從眾心理和社會(huì)屬性,能夠產(chǎn)生比較符合企業(yè)興趣的推薦,通過這樣的推薦,還可以發(fā)現(xiàn)企業(yè)的潛在興趣,擴(kuò)大了推薦的實(shí)在意義.
針對(duì)企業(yè)動(dòng)態(tài)聯(lián)盟的伙伴選擇.對(duì)最近鄰算法做出改進(jìn).基于企業(yè)的協(xié)同過濾算法的推薦結(jié)果是給企業(yè)推薦商品,而農(nóng)產(chǎn)品B2B平臺(tái)用推薦算法主要用于推薦盟主和盟員.所以推薦的結(jié)果需要改進(jìn).再者,基于企業(yè)的協(xié)同過濾算法計(jì)算企業(yè)之間的相似度主要依賴企業(yè)-商品評(píng)分矩陣,企業(yè)-商品評(píng)分矩陣中的數(shù)據(jù)是企業(yè)對(duì)商品的評(píng)價(jià),企業(yè)之間的相似度不能用企業(yè)對(duì)商品的評(píng)價(jià)而是要對(duì)企業(yè)能力的綜合評(píng)價(jià).兩個(gè)擁有同樣商品的企業(yè)綜合能力相當(dāng)就稱企業(yè)相似.所以,對(duì)最近鄰算法的改進(jìn)主要是:
最近鄰算法得出的K個(gè)鄰居根據(jù)企業(yè)的需求推薦給企業(yè).
用于計(jì)算企業(yè)之間相似度的企業(yè)-商品評(píng)分矩陣中的數(shù)據(jù)改進(jìn)為企業(yè)的綜合評(píng)價(jià).
在企業(yè)動(dòng)態(tài)聯(lián)盟盟員的推薦過程中對(duì)企業(yè)的綜合評(píng)價(jià)用的是歷史數(shù)據(jù),所有企業(yè)存放在數(shù)據(jù)庫中的數(shù)據(jù).針對(duì)聯(lián)盟系統(tǒng),對(duì)企業(yè)的綜合評(píng)價(jià)所用歷史數(shù)據(jù)為:企業(yè)擁有商品信息,庫存信息,訂單信息,支付信息四類信息.具體數(shù)據(jù)存放于數(shù)據(jù)庫中.與企業(yè)相關(guān)信息都要作為企業(yè)綜合評(píng)價(jià)的數(shù)據(jù).可以全面評(píng)價(jià)一個(gè)企業(yè).建立新的企業(yè)評(píng)分矩陣.
要用建立的新的企業(yè)評(píng)分矩陣計(jì)算企業(yè)之間的相似度,采用歐氏距離法.它是在m維空間中兩個(gè)點(diǎn)之間的真實(shí)距離.在二維和三維空間中的歐氏距離就是兩點(diǎn)之間的距離,在m維中則表示兩個(gè)向量之間的距離.計(jì)算公式為:
其中,Xi1表示第一個(gè)點(diǎn)的第i維坐標(biāo),Xi2表示第二個(gè)點(diǎn)的第i維坐標(biāo).n維歐氏空間是一個(gè)點(diǎn)集,它的每個(gè)點(diǎn)可以表示為(x(1),x(2),...x(n),其中x(i)(i=1,2...n)是實(shí)數(shù),稱為x的第i個(gè)坐標(biāo),兩個(gè)點(diǎn)x和y=(y(1),y(2)...y(n)之間的距離d(x,y)定義為上面的公式.為了便于計(jì)算,我們所用向量中的數(shù)值全部用數(shù)字來代替(如商品可用商品ID來代替,商品種類可用類別ID來表示).
將歐氏距離公式用在新的企業(yè)評(píng)分矩陣,通過計(jì)算得出企業(yè)與其他企業(yè)之間的相似度.把計(jì)算出的相似度向量按照降序存儲(chǔ),根據(jù)訂單需求量來決定推薦企業(yè)的個(gè)數(shù).
聯(lián)盟平臺(tái)接到單個(gè)企業(yè)的資源無法滿足商品需求量時(shí),改進(jìn)的最近鄰算法具體步驟:
把訂單添加到企業(yè)評(píng)分矩陣表中,企業(yè)和商品數(shù)據(jù)保留,其他缺失數(shù)據(jù)全填補(bǔ)為允許的最大值.
用歐氏距離找出與“訂單”企業(yè)最為相似的企業(yè)作為盟主企業(yè).
確定盟主之后,就要根據(jù)現(xiàn)在訂單的需求量(“訂單”企業(yè)的需求量-盟主企業(yè)的供給量),把新的“訂單”企業(yè)加入到企業(yè)評(píng)分矩陣表,企業(yè)和商品數(shù)據(jù)保留,其他缺失數(shù)據(jù)全填補(bǔ)為允許的最大值.再用歐氏距離找出與新的“訂單”企業(yè)最為相似的企業(yè)作為盟員企業(yè).
重復(fù)過程(3),直至最后一個(gè)“訂單”企業(yè)的商品需求量為0.結(jié)束推薦,由推薦出的盟主和盟員組成企業(yè)聯(lián)盟共同提供訂單需求.
本文選用2015年阿里巴巴大數(shù)據(jù)競賽—天池大賽的部分?jǐn)?shù)據(jù)做仿真模型.
取該數(shù)據(jù)的前三列,即企業(yè),商品,行為.行為表示企業(yè)對(duì)商品的行為(1表示瀏覽,2表示關(guān)注,3表示加購物車,4表示購買).企業(yè)對(duì)商品的行為來計(jì)算企業(yè)之間的相似度,即歐氏距離是二維的.不同企業(yè)對(duì)相同商品做同樣行為,則歐氏距離計(jì)算量越小,說明兩個(gè)向量距離越小,兩條記錄越相似,企業(yè)也就越相似.以這樣的方式來計(jì)算企業(yè)之間的相似度.
為了更好的表現(xiàn)出企業(yè)之間的相似度,我們對(duì)數(shù)據(jù)做處理,讓企業(yè)對(duì)同樣的商品只做一次行為.用天池大賽的數(shù)據(jù)形式在MATLAB中做仿真實(shí)驗(yàn).
最近鄰中的記錄是通過歐氏距離計(jì)算的最近鄰點(diǎn),只輸出距離當(dāng)前點(diǎn)最近的點(diǎn).
實(shí)驗(yàn)結(jié)果表明,把歐氏距離用在企業(yè)評(píng)分矩陣來計(jì)算企業(yè)之間的相似度的方法是可行而且準(zhǔn)確率較高的.這樣把歐氏距離用在企業(yè)動(dòng)態(tài)聯(lián)盟的企業(yè)評(píng)分矩陣來計(jì)算企業(yè)之間的相似度只需要把歐氏距離的維數(shù)調(diào)高,同樣的可以計(jì)算出兩個(gè)企業(yè)之間的相似度.本次實(shí)驗(yàn)推薦的企業(yè)是最為相似的企業(yè),推薦個(gè)數(shù)只是一個(gè).在實(shí)際情況中推薦的企業(yè)個(gè)數(shù)要根據(jù)訂單的需求量來決定.
本文探討了企業(yè)動(dòng)態(tài)聯(lián)盟系統(tǒng)條件下,改進(jìn)的最近鄰算法用于企業(yè)動(dòng)態(tài)聯(lián)盟伙伴的選擇過程.針對(duì)企業(yè)動(dòng)態(tài)聯(lián)盟,提出了最近鄰算法改進(jìn)方案.通過實(shí)驗(yàn)結(jié)果可以看出,本文所提出的改進(jìn)算法具有算法易于實(shí)現(xiàn),準(zhǔn)確率和運(yùn)算速度高等優(yōu)點(diǎn).
參考文獻(xiàn):
〔1〕周軍宜.虛擬企業(yè)合作伙伴選擇的模糊層次分析法[J].安徽工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2005 (9).
〔2〕盧紀(jì)華,李艷.基于DEA/AHP的虛擬企業(yè)合作伙伴選擇研究[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2008(11).
〔3〕侯艷軍,袁文卓.基于模糊層次綜合評(píng)價(jià)法的虛擬企業(yè)合作伙伴選擇 [J].機(jī)械工程與自動(dòng)化,2009(8).
〔4〕汪忠,吳琳,等.基于模糊綜合評(píng)價(jià)法的社會(huì)企業(yè)合作伙伴選擇[J].財(cái)經(jīng)理論與實(shí)踐(雙月刊),2013(7).
中圖分類號(hào):F406
文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1673-260X(2016)06-0127-03
收稿日期:2016-01-22
基金項(xiàng)目:甘肅省科技支撐項(xiàng)目(1204GKA010)基于SOA的高原夏菜協(xié)同電子商務(wù)平臺(tái)的研究與開發(fā)
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版2016年12期