计算机集成制造系统 第２３卷０　引言随着信息 技 术 和 互 联 网 技 术 的 发 展，Ｏ２Ｏ 电子商 务 模 式 逐 渐 成 为 人 们 日 常 生 活 的 一 部 分。Ｏ２Ｏ 即 Ｏｎｌｉｎｅ　Ｔｏ　Ｏｆｆｌｉｎｅ，就是将线下商务的机 会与互联网 结 合 在 一 起，让 互 联 网 成 为 线 下 交 易 的前台。在 Ｏ２Ｏ 电商模式下，商 家可以在线上快 速发布活动 信 息 来 挖 掘 和 吸 引 客 源，消 费 者 可 以 实时在线上 筛 选 和 购 买 商 品 和 服 务，再 到 实 体 店 消费。目前，越来越多的行业加入 Ｏ２Ｏ 电商行列中，服务的数 量 与 种 类 也 以 指 数 速 度 增 长。 但 是，在浩瀚的数据海洋中用户很难准确且快速地找到自己需要的 服 务，由 此 带 来 的 日 益 严 重 的 信 息 过 载问题极大地影响了用户体验和 Ｏ２Ｏ 电商资源的利用率。信息推荐 是 一 种 主 动 式 信 息 服 务 机 制，它 能够从海量的数据中自动选择符合用户个性化需求的信息内 容 给 用 户，可 以 有 效 解 决 信 息 过 载 的 问题。传统电商模式中的商品推荐均根据用户对商品的兴趣偏好进行［１－４］，用户的 浏览历史记录或者客户的购物记录会对商品推荐算法提供依据。传统推荐方法关注的是商品推荐而不是 Ｏ２Ｏ 服务的推荐，因此缺少对 Ｏ２Ｏ 模式的全面考虑，主要表现在以下两 方 面：① 情 境 敏 感 性。 情 境 是 用 于 描 述实体状态的任何信息。其中，实体可以是人、地点或者与用户和应 用 程 序 之 间 交 互 相 关 的 客 体 （包括用户与应用程序自身）［５］。情境具有不同维度，如时间、位 置、天 气 等，每 个 维 度 又 包 含 许 多 情 景要素，这些情境因素会影响用户线下的实体消费。②实 时 变 化 性。Ｏ２Ｏ 电 商 的 服 务 资 源 服 务 质 量（Ｑｕａｌｉｔｙ　ｏｆ　Ｓｅｒｖｉｃｅ，ＱｏＳ）属 性（如 响 应 时 间、可 靠性、服务价格等）是实时动 态变 化的。ＱｏＳ取决于服务提供 者 当 时 的 状 态，同 时 又 是 影 响 用 户 选 择某项服务的重要指标。因此 Ｏ２Ｏ 服务推荐需要在商品推荐 的 基 础 上 融 入 情 境 因 素，还 需 要 考 虑 服务资源 ＱｏＳ的属性。服务系统选择 服 务推 荐策 略的目标是帮助服务供应商 最 大 限 度 地 获 取 商 业 价 值，帮 助 顾 客 最大限度地推荐出满意的服务。但是，在 Ｏ２Ｏ 电 商中，由于服务商的服务 ＱｏＳ属性、外部环境都存在大量的不 确 定 性，如 何 评 估 各 种 服 务 策 略 成 为 难点。计算实 验 具 有 精 确 可 控、易 操 作 以 及 可 设 计和重复等特点，尤其适用于风险较大、成本较高或者现实中 无 法 进 行 直 接 实 验 的 一 些 系 统 的 研 究，包括 交 通 系 统、社 会 经 济 系 统、政 治 生 态 系 统等［６］。因此，本文 采 用计 算 实 验 的 方 法 对 Ｏ２Ｏ 服务推荐策略进行比较研究。本文的主要工作有如下３方面：①定制协同过滤推荐策略、考虑情境的协同过滤推荐策略、考虑情境和服务状态的推荐策略３种服务推荐策略；②构建 Ｏ２Ｏ 服务推荐系统实验模型；③设置不同的试验场景，利用计算实验的方法对３种服务推荐策略的演化结果进行评估与分析研究，最终找到表现最优的服务推荐策略。１　相关工作目前 国 内 外 对 Ｏ２Ｏ 电 商 模 式 的 研 究 分 析 很多［７－９］，这些研究成果指出 Ｏ２Ｏ 电商的本质是线上资源和线下资源的一种对接，并且 Ｏ２Ｏ 电子商务模式的重要环节是顾客在线订购服务后需要到线下实体店进行消费。Ｏ２Ｏ 电商与传统电商的区别如表１所示。表１　Ｏ２Ｏ 电商和传统电商的区别属性 Ｏ２Ｏ 电商 传统电商销售对象各种 服 务，如 餐 饮、住 宿、电影等各 种 商 品，如 服 装、家电等稳定性实时动态变化，如餐饮业的等待时间、电影票价格变化相对稳定，如货物的质量和可用性情境敏感性客户的 选 择 很 容 易 受 到 外 部环境的影响，如时间、天气、位置等顾客 的 选 择 由 兴 趣偏好决定，不易受外部环境的影响交易模式 线上＋线下 线上由表１可 见，由 于 传 统 电 商 与 Ｏ２Ｏ 电 商 的 不同，商品推荐与服务推荐也有区别。为了从大量服务中为用户推送最合适的 Ｏ２Ｏ 服务，本文建立了一个高效的 Ｏ２Ｏ 服务推荐系统。该系统主要由 Ｏ２Ｏ服务、服务对象和服务环境３部分组成。其中：Ｏ２Ｏ服务封装各类线下实体，其实时运行状况可以反映Ｏ２Ｏ 的 ＱｏＳ；服务对象一般指需要向服务系统提出服务请求、并接受来自服务系统推荐服务的人；服务环境用来描述服务对象的情境信息，包括时间、位置和其他类型的环境因素。服务系统可以感知服务请求、判断服务对象和 Ｏ２Ｏ 服务的当前状态并推荐相关服务，其框架如图１所示。９０１２薛　霄 等：Ｏ２Ｏ 服务推荐策略的计算实验比较当前的推荐算法分为如下两类：（１）传统的协同过滤推荐算法在传统电商的商品推荐相关研究中，协同过滤算法是最经典的推荐算法，该算法利用当前用户或其他用户对部分项目的已知偏好数据来预测当前用户对其他项目的潜在偏好。近年来有很多学者对协同过滤进行了不断优化［１０－１４］，提高了推荐准确度，在 一定程度 上 提 高 了商品的推荐质量，解决了协同过滤中的冷启动、数据稀疏等问题，但是用于 Ｏ２Ｏ 服务推荐时忽视了情境敏感性对推荐的影响。（２）基于语义的服务推荐算法文献［１５－１７］均研究了基于情境语义推理的服务推荐系统，首先进行了语义建模，然后基于情境本体进行了规则推理。这类研究虽然考虑了推荐系统中的情境敏感问题，但没有考虑服务资源的 ＱｏＳ实时变化问题。当前的推荐系统能够解决电子商务中的很多推荐问题，但仍存在如数据收集困难、没有考虑服务属性的变化等问题，并且对 Ｏ２Ｏ 服务推荐策略进行评估的相关研究较少。基于此，本文结合 Ｏ２Ｏ 电商模式的特征，引入计算实验的思想，设计出一套行之有效的服务推荐评价机制，包括计算服务推荐策略设计、实验模型与服务推荐策略评估３部分，以模拟在需求量不同场景下的演化过程，为 Ｏ２Ｏ 电商运营提供决策支持，确保 Ｏ２Ｏ 电商模式不仅能为服务商带来消费者、获取利润，也能为服务需求方推送满意的服务。２　Ｏ２Ｏ服务推荐策略设计本文对 Ｏ２Ｏ 服务推荐策略进行如下３种设计：①传统的协同过滤推荐算法；②在传统协同过滤算法的基础上考虑用户所处的情境信息；③在第②种策略的基础上综合考虑服务的 ＱｏＳ属性状态，及时更新服务状态。２．１　传统协同过滤推荐算法及其改进传统的推荐系统没有考虑情境因素。考虑情景因素前后的部分框图如图２所示。图中，Ｕ ＝ ｛ｕ１，ｕ２，…，ｕｎ｝表 示 用 户 集 合；Ｓ＝｛ｓ１，ｓ２，…，ｓｎ｝表示服务集合；Ｒ 表示评分矩阵；Ｃ 表示情境集合；Ｕ输入表示用户基本信息的输入，包括用户的年龄、性别，职业等；Ｃ输入表示目标用户所输入的当前情境状态。考虑情境后“用户—服务—情境”是一个３维向量空间，用户—项目—情境分别用各自属性组成的向量空间表示。用户、项目、情境和评分组成了一条情境评分记录。２．２　传统的协同过滤基本思想传统的协同过滤基本思想（简称 Ｕｓｅｒ＿ＣＦ）是通过用户间的相似性计算获取目标用户的最近邻，再根据最近邻的评分预测目标用户对其未评分项目进行评分，进而产生推荐，该过程主要包括相似性计算和用户评分预测计算两个步骤。其中，度量用户ｕｙ 和目标用户ｕｘ之间相似性的方法是，首先得到经用户ｕｘ和用户ｕｙ评分的所有项目，再通过相似性度量方法计算用户ｕｘ和用户ｕｙ之间的相似性，记为ｓｉｍ（ｕｘ，ｕｙ）。利用 Ｐｅａｒｓｏｎ相关系数计算用户间的相似度：ｓｉｍ（ｕｘ，ｕｙ）＝∑Ｉ∈ｉｕ１ｕ２（ｒ（ｕｘ，ｉ）－ｒｕｘ）（ｒ（ｕｙ，ｉ）－ｒｕｙ）∑Ｉ∈ｉｕｘｕｙ（ｒ（ｕｘ，ｉ）－ｒｕｘ）２ × （ｒ（ｕｙ，ｉ）－ｒｕｙ）槡２。 （１）式中：ｉｕｘｕｙ表示用户ｕｘ和ｕｙ共同评分的项目集；ｒｕｘ表示用户ｕｘ对项目的平均评分；ｒ（ｕｘ，ｉ）表示用户ｕｘ对项目ｉ的评分。在相关研究中，通常用加权平均预测对目标用户的偏好进行计算，即９０１３计算机集成制造系统 第２３卷Ｒ（ｕｘ，ｉ）＝∑ｕ′∈Ｎｓｉｍ（ｕｘ，ｕ′）×Ｒ（ｕ′，ｉ）∑ｕ′∈Ｎ｜ｓｉｍ（ｕｘ，ｕ′）｜。 （２）式中 Ｎ 表 示 与 用 户ｕｘ有 共 同 评 分 项 目 的 邻 居集合。算法１　Ｕｓｅｒ＿ＣＦ策略。输入：“目标用户 （Ｕ）－ 服务 （Ｓ）”多 维 评 分 矩阵；目标用户ｕｘ、用户信息Ｂ。输出：含有 Ｔｏｐ－Ｎ 个服务项目的推荐列表。步骤１　计算基于用户基本信息的用户相似度ｓｉｍ（ｕｘ（ｂｎ），ｕｙ（ｂｎ））。步骤２　找出分值最高的前 Ｎ 个ｓｉｍ（ｕｘ，ｕｙ），作为目标用户ｕｘ的最近邻。步骤３　对于ｉｊ∈Ｉ，ｒ（ｕｘ，Ｉｊ，Ｃｔ，Ｂｎ）＝ｎｕｌｌ的所有项目，根据式（２）预测其用户偏好。步骤４　产生推荐。将预测偏好值最大的前 Ｎ个项目作为目标用户ｕｘ的推荐项目。２．３　考虑情境的协同过滤推荐算法考虑情境的协同过滤推荐算法（简称 Ｃｏｎｔｅｘｔ＿ＣＦ）在传统的协同过滤推荐算法的基础上融入用户所处的情境信息，因此在计算相似度时分为用户基本信息的相似度和用户情境的相似度。（１）基于用户基本信息的用户相似度计算　用户基本信息相似度ｓｉｍ（ｕｘ（ｂｎ），ｕｙ（ｂｎ））＝∑（ｊ，ｎ）∈Ｄｘｙ（ｒ（ｕｘ，ｓｊ，ｂｎ）－ｒｘ）（ｒ（ｕｙ，ｓｊ，ｂｎ）－ｒｙ）∑（ｊ，ｎ）∈Ｄｘｙ（ｒ（ｕｘ，ｓｊ，ｂｎ）－ｒｘ）２∑（ｊ，ｎ）∈ｓｘｙ（ｒ（ｕｙ，ｓｊ，ｂｎ）－ｒｙ）槡２。（３）式中：Ｄｘｙ＝｛（ｊ，ｎ）｜ｓｊ∈Ｓ，ｂｎ∈Ｂ，ｒ（ｕｘ，ｓｊ，ｂｎ）≠ｎｕｌｌ，ｒ（ｕｙ，ｓｊ，ｂｎ）≠ｎｕｌｌ｝表示用户ｕｘ和ｕｙ共 同 评 分 的 ?服务，基本信息?序对组成的集合；ｒｘ和ｒｙ分别为用户ｕｘ 和ｕｙ的平均评分，顾客某一信息ｂｎ属于用户基本信息集合Ｂ。（２）基于外部环境的用户相似度计算　在Ｐｅａｒ－ｓｏｎ相关系数的基础上进行优化，引入上述情境相似性因素，则基于外部环境的用户相似度ｓｉｍ（ｕｘ（ｃｔ），ｕｙ（ｃｔ））＝∑（ｊ，ｔ）∈Ｄｘｙ（ｒ（ｕｘ，ｓｊ，ｃｔ）－ｒｘ）（ｒ（ｕｙ，ｓｊ，ｃｔ）－ｒｙ）∑（ｊ，ｔ）∈Ｄｘｙ（ｒ（ｕｘ，ｓｊ，ｃｔ）－ｒｘ）２∑（ｊ，ｔ）∈ｓｘｙ（ｒ（ｕｙ，ｓｊ，ｃｔ）－ｒｙ）槡２。（４）式中：Ｄｘｙ＝ ｛（ｊ，ｔ）｜ｓｊ∈Ｓ，ｃｔ∈Ｃ，ｒ（ｕｘ，Ｓｊ，Ｃｔ）≠ｎｕｌｌ，ｒ（ｕｙ，ｓｊ，ｃｔ）≠ｎｕｌｌ｝表示 用户ｕｘ和ｕｙ共同 评 分 的 ?服务，情境?序对组成的集合；ｒｘ和ｒｙ分别为顾客ｕｘ和ｕｙ的平均评分；服务项目ｓｊ属于服务集合Ｓ 中的某一服务项目；情境属性Ｃｔ属于情境集合Ｃ 中的某一属性。（３）用户的综合情境相似度计算　通过计算基于外部环境的用户相似度和基于用户基本信息的用户相似度，将两者进行加权融合，计算用户的综合情境信息相似度：ｓｉｍ（ｕｘ，ｕｙ）＝α×ｓｉｍ（ｕｘ（ｃｔ），ｕｙ（ｃｔ））＋（１－α）ｓｉｍ（ｕｘ（ｂｎ），ｕｙ（ｂｎ））。 （５）式中权重值α∈［０，１］用来调整推荐算法中的情境信息和用户基本信息的影响权重，α值越大，情境因素在综合情境信息相似度中的作用越大，反之用户基本信息对推荐的影响因素越大；当α 值为 ０ 或 １时，用户的综合情境相似度就变为单纯的基于用户基本信息或基于外部环境的用户相似度。在实际推荐中，周围外部环境和用户信息不一定同等重要，参数α的具体数值可根据具体情况自动调整。在获取用户之间的综合情境信息相似度后，为目标用户选择其值最大的部分用户作为最近邻，本文选择前 Ｎ个最近邻推荐给目标用户。目标用户最近邻集 Ｎｕ＝｛ｕ１，ｕ２，…，ｕｎ｝，以相似度降序排列，再根据最近邻用户项目评分情况对待推荐用户进行预测评分计算。通过用户外部情境和用户基本信息计算出目标用户的最近邻后，采用式（６）对未评分项目的潜在偏好进行预测：ｒ′ｘｊｔ ＝ｒｘ ＋∑ｕｙ∈ｕ，（ｊ，ｔ，ｎ）∈ｓｘｙｓｉｍ（ｕｘ，ｕｙ）× （ｒ（ｕｙ，ｉｊ，ｃｔ，ｂｎ）－ｒｕｙ）∑ｕｙ∈ｕｓｉｍ（ｕｘ，ｕｙ）。（６）式中ｓｘｙ＝｛（ｊ，ｔ）｜ｉｊ∈Ｉ，ｂｎ∈Ｂ，ｃｔ∈Ｃ，ｒ（ｕｙ，ｉｊ，ｃｔ，ｂｎ）≠ｎｕｌｌ｝，ｕ表示ｕｘ的 Ｎ 个最近邻。最后，根据预测的偏好值，为用 户推荐 Ｔｏｐ－Ｎ 个 偏 好 值 最 大 的 服 务项目。算法２　Ｃｏｎｔｅｘｔ＿ＣＦ策略。输入：“目标用户（Ｕ）－服务（Ｓ）－情境（Ｃ）”多维评分矩阵；目标用户ｕｘ、当前情境Ｃ、用户信息Ｂ。输出：含有 Ｔｏｐ－Ｎ 个服务项目的推荐列表。步骤１　计算基于用户基本信息的用户相似度９０１４计算机集成制造系统Ｖｏｌ．２３Ｎｏ．５２　０　１　７ 年５月 Ｃｏｍｐｕｔｅｒ　Ｉｎｔｅｇｒａｔｅｄ　Ｍａｎｕｆａｃｔｕｒｉｎｇ　Ｓｙｓｔｅｍｓ　 Ｍａｙ　２　０　１　７ＤＯＩ：１０．１３１９６／ｊ．ｃｉｍｓ．２０１７．０５．０２０收稿日期：２０１６－０７－１０；修订日期：２０１６－０９－２３。Ｒｅｃｅｉｖｅｄ　１０Ｊｕｌｙ　２０１６；ａｃｃｅｐｔｅｄ　２３Ｓｅｐ．２０１６．基金项目：国家自然科学基金资助项目（６１１７５０６６，６１３７９１２６）；河南省科技创新杰出青年支持计划资助项目（２０１７ＪＱ０００８）；河南省高校科技创新人才资助项目（２０１２ＨＡＳＴＩＴ０１３）；河南省自然科学基金面上资助项目（１６２３００４１０１２１，１５２３００４１０２１２，１６２１０２３１０４２６）；河南省高校重点科研资助项目（１６Ａ５２００１２，１７Ａ５２００３４）；河南理工大学博士基金资助项目（Ｂ２０１４－０４３）。Ｆｏｕｎｄａｔｉｏｎ　ｉｔｅｍｓ：Ｐｒｏｊｅｃｔ　ｓｕｐｐｏｒｔｅｄｂｙ　ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ，Ｃｈｉｎａ（Ｎｏ．６１１７５０６６，６１３７９１２６），ｔｈｅ　Ｐｒｏｇｒａｍ　ｆｏｒ　Ｓｃｉｅｎｃｅ　＆ Ｔｅｃｈｎｏｌｏｇｙ　ＩｎｎｏｖａｔｉｏｎＴａｌｅｎｔｓ　ｏｆ　Ｈｅｎａｎ　Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ（Ｎｏ．２０１７ＪＱ０００８），ｔｈｅ　Ｐｒｏｇｒａｍ　ｆｏｒ　Ｓｃｉｅｎｃｅ　＆ Ｔｅｃｈｎｏｌｏｇｙ　Ｉｎｎｏｖａｔｉｏｎ　Ｔａｌｅｎｔｓ　ｉｎ　Ｕｎｉｖｅｒｓｉｔｉｅｓ　ｏｆＨｅｎａｎ　Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ（Ｎｏ．２０１２ＨＡＳＴＩＴ０１３），ｔｈｅ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｈｅｎａｎ　Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ（Ｎｏ．１６２３００４１０１２１，１５２３００４１０２１２，１６２１０２３１０４２６），ｔｈｅ　Ｋｅｙ　Ｓｃｉｅｎｔｉｆｉｃ　Ｒｅｓｅａｒｃｈ　Ｐｒｏｊｅｃｔ　ｉｎ　Ｕｎｉｖｅｒｓｉｔｉｅｓ　ｏｆ　Ｈｅｎａｎ　Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ（Ｎｏ．１６Ａ５２００１２，１７Ａ５２００３４），ａｎｄ　ｔｈｅ　Ｄｏｃｔｏｒ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｈｅｎａｎ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｉｎａ（Ｎｏ．Ｂ２０１４－０４３）．Ｏ２Ｏ 服务推荐策略的计算实验比较薛　霄１，２，韩红芳１，王俊峰２，施　曼１，王纪才１（１．河南理工大学 计算机科学与技术学院，河南　焦作　４５４０００；２．河南理工大学 现代物流服务河南省高校工程技术中心，河南　焦作　４５４０００）摘　要：为了在复杂环境中对各种服务推荐策略进行准确评估以选出最合适的服务策略、提高 Ｏ２Ｏ 服务推荐质量，运用计算实验方法，从３个方面对 Ｏ２Ｏ 服务推荐策略进行了深入研究，包括服务推荐策略的设计（协同过滤推荐策略、考虑情境的协同过滤推荐策略、综合考虑情境和服务状态的推荐策略）、实验系统构建、服务推荐策略的实验分析。实验结果表明，在需求量不同的场景下，综合考虑情境和服务状态的推荐策略表现最优。关键词：Ｏｎｌｉｎｅ　Ｔｏ　Ｏｆｆｌｉｎｅ；协同过滤；情境；服务状态；服务推荐策略；计算实验中图分类号：ＴＰ３９１　　　文献标识码：ＡＣｏｍｐａｒａｔｉｖｅ　ｒｅｓｅａｒｃｈ　ｏｎ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｅｘｐｅｒｉｍｅｎｔ　ｏｆ　Ｏ２Ｏ　ｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｉｅｓＸＵＥ　Ｘｉａｏ１，２，ＨＡＮ　Ｈｏｎｇｆａｎｇ１，ＷＡＮＧ　Ｊｕｎｆｅｎｇ２，ＳＨＩ　Ｍａｎ１，ＷＡＮＧ　Ｊｉｃａｉ１（１．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｎａｎ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉａｏｚｕｏ　４５４０００，Ｃｈｉｎａ；２．Ｃｅｎｔｅｒ　ｏｆ　Ｍｏｄｅｒｎ　Ｌｏｇｉｓｔｉｃｓ　Ｓｅｒｖｉｃｅｓ　ｏｆ　Ｈｅｎａｎ　Ｐｒｏｖｉｎｃｉａｌ　Ｕｎｉｖｅｒｓｉｔｙ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｎａｎ　Ｐｏｌｙｔｅｃｈｎｉｃ　Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉａｏｚｕｏ　４５４０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｏ　ｅｖａｌｕａｔｅ　ｖａｒｉｏｕｓ　ｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｉｅｓ　ｉｎ　ｃｏｍｐｌｅｘ　ｅｎｖｉｒｏｎｍｅｎｔｓ　ｆｏｒ　ｓｅｌｅｃｔｉｎｇ　ｔｈｅ　ｍｏｓｔ　ａｐ－ｐｒｏｐｒｉａｔｅ　ｓｅｒｖｉｃｅ　ｏｐｅｒａｔｉｏｎ　ｓｔｒａｔｅｇｙ　ａｎｄ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　Ｏｎｌｉｎｅ　ｔｏ　Ｏｆｆｌｉｎｅ（Ｏ２Ｏ）ｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ，ｂｙ　ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｅｘｐｅｒｉｍｅｎｔｓ　ｍｅｔｈｏｄ，Ｏ２Ｏｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｉｅｓ　ｗｅｒｅ　ｒｅｓｅａｒｃｈｅｄ　ｆｒｏｍｔｈｒｅｅ　ａｓｐｅｃｔｓ，ｗｈｉｃｈ　ｉｎｃｌｕｄｅｄ　ｔｈｅ　ｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｙ　ｄｅｓｉｇｎ （ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｔｒａｔｅｇｙ，ｃｏｎｔｅｘｔ－ｂａｓｅｄ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｙ　ａｎｄ　ｔｈｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｙ　ｃｏｎｓｉｄｅｒｉｎｇｃｏｎｔｅｘｔ　ａｎｄ　ｓｅｒｖｉｃｅ　ｓｔａｔｕｓ），ｔｈｅ　ｃｏｎｓｔｒｕｃｔｉｏｎ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　ｓｙｓｔｅｍ　ａｎｄ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｅｖａｌｕａｔｉｏｎ　ａｎａｌｙｓｉｓ　ｏｆ　ｓｅｒｖｉｃｅｏｐｅｒａｔｉｏｎ　ｓｔｒａｔｅｇｙ．Ｔｈｒｏｕｇｈ　ｔｈｅ　ｃｏｍｐｕｔａｔｉｏｎａｌ　ｅｘｐｅｒｉｍｅｎｔｓ，ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｙ　ｃｏｎｓｉｄｅｒ－ｉｎｇ　ｃｏｎｔｅｘｔ　ａｎｄ　ｓｅｒｖｉｃｅ　ｓｔａｔｕｓ　ｗａｓ　ｏｐｔｉｍａｌ　ｕｎｄｅｒ　ｄｉｆｆｅｒｅｎｔ　ｄｅｍａｎｄ　ｓｃｅｎａｒｉｏｓ．Ｋｅｙｗｏｒｄｓ：ｏｎｌｉｎｅ　ｔｏ　ｏｆｆｌｉｎｅ；ｃｏｌｌａｂｏｒａｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ；ｃｏｎｔｅｘｔ；ｓｅｒｖｉｃｅ　ｓｔａｔｕｓ；ｓｅｒｖｉｃｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｓｔｒａｔｅｇｙ；ｃｏｍ－ｐｕｔａｔｉｏｎａｌ　ｅｘｐｅｒｉｍｅｎｔ薛　霄 等：Ｏ２Ｏ 服务推荐策略的计算实验比较ｓｉｍ（ｕｘ（ｂｎ），ｕｙ（ｂｎ））。步骤２　计算基于外部环境的用户相似度ｓｉｍ（ｕｘ（ｃｔ），ｕｙ（ｃｔ））。步骤３　综合步骤１和步骤２，根据式（５）计算综合情境相似度ｓｉｍ（ｕｘ，ｕｙ）。步骤４　找出分值最高的前 Ｎ 个ｓｉｍ（ｕｘ，ｕｙ），作为目标用户ｕｘ的最近邻。步骤５　对于ｉｊ∈Ｉ，ｒ（ｕｘ，Ｉｊ，Ｃｔ，Ｂｎ）＝ｎｕｌｌ的所有项目，根据式（６）预测其用户偏好。步骤６　产生推荐。将预测偏好值最大的前 Ｎ个项目作为对ｕｘ的推荐项目。２．４　综合用户情境和服务状态的推荐策略在考虑用户所 处 情 境 的 基 础 上，推 荐 策 略 中不可忽略 的 一 个 因 素 是 服 务 状 态。Ｏ２Ｏ 的 服 务状态 即 Ｏ２Ｏ 服 务 资 源 ＱｏＳ 的 状 态 属 性。 因 为Ｏ２Ｏ 服务 资 源 ＱｏＳ属 性 是 实 时 不 断 变 化 的，所以会影 响 服 务 推 荐 的 质 量。 若 服 务 推 荐 项 目 与顾客偏好相吻合，则 服 务 系 统 推 荐 的 方 案 会 得 到较 好 的 客 户 反 馈；反 之，若 系 统 推 荐 的 服 务 项 目与顾客需求距离较 大，则 所 推 荐 的 方 案 得 到 的 顾客反馈较差。若服务资源 ＱｏＳ发 生 变 化，则 顾 客选择服 务 也 会 改 变。 若 服 务 推 荐 项 目 一 直 保 持不变，则产生的 服 务 推 荐 满 意 度 较 低。 综 合 用 户情境和 服 务 状 态 的 推 荐 策 略 （简 称 Ｏ２Ｏ＿ＣＦ）的具体描述如下：（１）Ｏ２Ｏ 服务资源 ＱｏＳ 属性 　Ｏ２Ｏ 服务系统分为如下３部分：①根据现有信息系统，线下服务商将其业务模块封装为 Ｗｅｂ服务，如餐饮业等；②消费者根据自身对服务的选择或者根据 Ｏ２Ｏ 平台对服务的推荐，获取满足需求的 Ｗｅｂ服务资源，以实现各自的目标；③根据服务需求，服务系统需要实现Ｏ２Ｏ 服务资源动态匹配，以使顾客能够从推荐列表中选择满意的服务。依据 Ｏ２Ｏ 服务资源 ＱｏＳ属性的特点可将其分为两类属性：１）运行状态相关的 ＱｏＳ属性　将 Ｏ２Ｏ 业务模块封装成 Ｗｅｂ服务后，就具备了一般服务所具有的ＱｏＳ属性，这些属性反映了 Ｏ２Ｏ 商家的 ＱｏＳ，主要包括服务商的服务能力、反应时间、可用性、可靠性等。Ｏ２Ｏ 服务的当前运行状态与这类 ＱｏＳ属性直接相关，并对后续的服务推荐有直接的影响。因此，服务系统完成一个需求后，就应该及时更新这类相关的 ＱｏＳ属性。２）运行状态无关的 ＱｏＳ属性　Ｏ２Ｏ 电商的主要功能是向客户提供服务，由此可知 ＱｏＳ属性是评价 Ｏ２Ｏ 电商的重要指标，主要包括 ＱｏＳ、服务价格、服务性价比等；另外，服务商自身的运营状况（如财务状况、最大服务能力等）是衡量商家服务的重要指标。Ｏ２Ｏ 电商服务的当前运行状态与这类 ＱｏＳ属性并无直接的关系，它们主要受服务商自身变化的影响，且其发生变化的概率较低。（２）ＱｏＳ属性 状 态更新 　 当 Ｏ２Ｏ 电商的 ＱｏＳ属性发生变化时，可通过其相应服务组件的触发机制通知服务系统完成更新。本文的服务状态更新规则如表２所示。表２　服务属性更新名称 更新规则服务价格Ｐｒｉｃｅ（ｔ）每隔一定周期，服务提供商需要在一定范围内调整其销售价格。Ｐｒｉｃｅ（ｔ＋１）＝Ｐｒｉｃｅ（ｔ）＋ＲｉｓｋＲ×ＢｅｎｃｈＰ 销量＞平均值 ＆ 项目利润＞平均值Ｐｒｉｃｅ（ｔ）－ＲｉｓｋＲ×ＢｅｎｃｈＰ 销量≤平均值 ＆ 项目≤平均值Ｐｒｉｃｅ（ｔ）烅烄烆 其他其中：ｂｅｎｃｈＰ表示调整价格的基准值，一般相当于平均价格的１０％；ＲｉｓｋＲ表示每个服务提供商的风险偏好。在其他案例中，ｐｒｉｃｅ（ｔ）可能保持不变服务利润Ｐｒｏｆｉｔ（ｔ）每隔一定周期，服务提供商会根据 Ｐｒｏｆｉｔ（ｔ＋１）＝Ｐｒｏｆｉｔ（ｔ）＋（ｐｒｉｃｅ（ｔ）－ｃｏｓｔＲ）×ＣｕｒＵｓｅｒ（ｔ）进行更新。其中：Ｐｒｏｆｉｔ（ｔ＋１）表示从ｔ～ｔ＋１时刻产生的利润；ｐｒｉｃｅ（ｔ）表示当前时期的服务价格；ｃｏｓｔＲ表示服务供应商的服务成本；ＣｕｒＵｓｅｒ（ｔ）表示从ｔ～ｔ＋１时刻需求消费的数量当前服务能力Ｃａｐａｃｉｔｙ（ｔ）服务商的当前服务提供能力根据下式更新：Ｃａｐａｃｉｔｙ（ｔ）＝ｍａｘ　Ｕｓｅｒ－ＮｅｗＵｓｅｒ（ｔ） ｍａｘ　Ｕｓｅｒ≥ＮｅｗＵｓｅｒ（ｔ）０ ｍａｘ　Ｕｓｅｒ＜ＮｅｗＵｓｅｒ（ｔ｛）。其中：Ｃａｐａｃｉｔｙ（ｔ）表示服务提供商在时刻ｔ的服务能力；Ｕｓｅｒ 表示最大的服务能力；ＮｅｗＵｓｅｒ（ｔ）表示从ｔ～ｔ＋１时刻产生的新用户需求９０１５计算机集成制造系统 第２３卷续表２服务响应时间Ｒｔｉｍｅ（ｔ）服务响应时间根据下式计算：Ｒｔｉｍｅ（ｔ）＝０ Ｃａｐａｃｉｔｙ（ｔ）＞０ＮｅｗＵｓｅｒ（ｔ）－ｍａｘ　Ｕｓｅｒｍａｘ　Ｕｓｅｒ×ＴｉｍｅＵｎｉｔ　Ｃａｐａｃｉｔｙ（ｔ）烅烄烆＝０。其中：Ｒｔｉｍｅ（ｔ）表示服务响应时间；ＮｅｗＵｓｅｒ（ｔ）表示从ｔ～ｔ＋１时刻的新用户；ｍａｘ　Ｕｓｅｒ 表示服务商在某时刻能够服务的最大用户数；ＴｉｍｅＵｎｉｔ表示完成服务的平均时间算法３　Ｏ２Ｏ＿ＣＦ策略。输入：“目标用户（Ｕ）－服务（Ｓ）－情境（Ｃ））”多维评分矩阵；目标用户ｕｘ、当前情境Ｃ、用户信息Ｂ。输出：含有 Ｔｏｐ－Ｎ 个服务项目的推荐列表。步骤１　计算基于用户基本信息的用户相似度ｓｉｍ（ｕｘ（ｂｎ），ｕｙ（ｂｎ））。步骤２　计算基于外部环境的用户相似度ｓｉｍ（ｕｘ（ｃｔ），ｕｙ（ｃｔ））。步骤３　综合步骤１和步骤２，根据式（５）计算综合情境相似度ｓｉｍ（ｕｘ，ｕｙ）。步骤４　找出分值最高的前 Ｎ 个ｓｉｍ（ｕｘ，ｕｙ），作为目标用户ｕｘ的最近邻。步骤５　对于ｉｊ∈Ｉ，ｒ（ｕｘ，Ｉｊ，Ｃｔ，Ｂｎ）＝ｎｕｌｌ的所有项目，根据式（６）预测其用户偏好。步骤６　产生推荐。将预测偏好值最大的前 Ｎ个项目作为对ｕｘ的推荐项目。步骤７　若用户对推荐项目不满意，则更新服务 ＱｏＳ属性，重新生成最大的前 Ｎ′个服务项目。３　Ｏ２Ｏ服务推荐计算实验模型构建Ｏ２Ｏ 电子商务环境下的消费活动过程涉及的实体包括顾客、Ｏ２Ｏ 平台、服务商、服务、外部环境、顾客的移动输入终端设备、无线网络等。本文着重研究顾客的基本信息、实时情境、服务的相关属性，以及 Ｏ２Ｏ 平台根据顾客信息和服务属性对顾客服务推荐的行为影响。首先建立反映 Ｏ２Ｏ 服务环境中主体行为的 Ａｇｅｎｔ模型。３．１　搭建平台模型（１）服务 Ａｇｅｎｔ模型服务的种类、价格、类型等 ＱｏＳ属性是影响客户选择服务的重要因素，是顾客 Ａｇｅｎｔ感知信息的一部分，服务 Ａｇｅｎｔ的属性分为特征属性和状态属性。服务 Ａｇｅｎｔ的 特 征 属 性 能 够 影 响 顾 客 Ａｇｅｎｔ的决策和行为，但是在服务 Ａｇｅｎｔ运行过程一般不会发生变化或发生变化的概率很小。Ｏ２Ｏ 电商中服务 Ａｇｅｎｔ的主要特征属性如表３所示。表３　服务 Ａｇｅｎｔ的特征属性特征属性名称 属性说明服务水平ｌｅｖｅｌ＝?ｑ１，ｌｅｖｅｌ，…，ｑｎ，ｌｅｖｅｌ?，表示服务商所提供的服务设施水平，服务设施环境的优雅与简陋、视觉效果等会影响顾客对服务的选择服务种类ｔｙｐｅ＝?ｔ１，…，ｔｎ? 表 示 服 务 提 供 商 提 供 的 服 务种类服务信誉度ｒｅｐｕｔａｔｉｏｎ＝?ｒｐ１，ｒｐ２，…，ｒｐｎ?表示服务提供商的服务信誉度服务所处位置Ｌｓ＝?ｌｓ１（ｘ１，ｙ１），ｌｓ２（ｘ２，ｙ２），…，ｌｓｎ（ｘｎ，ｙｎ）?表示服务所处的位置，ｌｓｉ（ｘｉ，ｙｉ）表示第ｉ个服务所处的坐标位置服务 Ａｇｅｎｔ的状 态属性在 运 行中不断 发生变化，主要反映 Ａｇｅｎｔ的当前状态行为。Ｏ２Ｏ 电商中影响服务选择的服务 Ａｇｅｎｔ状态属性如表４所示。表４　服务 Ａｇｅｎｔ的状态属性状态属性 属性说明服务价格ｐｒｉｃｅ＝?ｐｔ１，…，ｐｔｎ?表示服务商会根据消费需求或服务成本不定期改变价格服务销售量ｓａｌｅ＝?ｓｔ１，ｓｔ２…，ｓｔｎ?表示某种服务在运行周 期内被顾客选择的总次数，部分顾客将服务销售量作为是否选择某种服务的一个因素。服务销售量根据顾客选择次数不断累加服务能力ｃａｐａｃｉｔｙ＝?ｃｐ１，ｃｐ２，…，ｃｐｎ?表示某个服务提供商的服务提供能力服务响应时间Ｒｔｉｍｅ＝?Ｒｔ１，Ｒｔ２，…，Ｒｔｎ? 表示某个服务商的服务响应时间服务属性集合ｓｑ＝｛ｓｑ１，ｓｑ２，…，ｓｑｎ｝，具体地ｓｑ：ｓｑ１：ｔｙｐｅ ＝ ?ｔ１，…，ｔｎ?；ｓｑ２：ｑｕａｌｉｔｙ ＝ ?ｓ１，ｑｕａｌｉｔｙ，…，ｓｎ，ｑｕａｌｉｔｙ?；ｓｑ３：ｌｏｃａｔｉｏｎ ＝ ?ｓ１，ｌｏｃａｔｉｏｎ，…，ｓｎ．ｌｏｃａｔｉｏｎ?；　　　　　　　　烅烄烆 （２）情境模型影响顾客消费的情境因素包括顾客所处位置、９０１６薛　霄 等：Ｏ２Ｏ 服务推荐策略的计算实验比较天气、温度、季节等，是 Ａｇｅｎｔ能感知到的、对 其 状态及行为可以产生刺激作用的外在情境。本文情境模型对顾客行为的影响主要包括节假日、天气、用户所在位置。顾客所处情境特征属性如下：Ｃ：ｃ１：时间∈（Ｈｏｌ＝ ｛Ｈｉ｜ｉ＝工作日，周末，节假日｝）；ｃ２：天气∈（Ｗｅａ ＝ ｛Ｗｉ｜ｉ＝不好，一般，晴好｝）；ｃ３：距离∈（Ｄｉｓ＝ ｛ｄｉ｜ｉ＝远，适中，近｝）；　　　　　　　　烅烄烆 （３）顾客 Ａｇｅｎｔ模型顾客 Ａｇｅｎｔ在 个 性 化 服 务 中 起 决 定 性 作 用。顾客 Ａｇｅｎｔ采用式（７）所示结构，由一组与时间ｔ相关的属性组成，包括特征属性Ｆ、状态属性Ｓ′ｔ、感知事件Ｅｔ、决策机制Ｖｔ、行为集合Ｙｔ。在某个时间节点上，顾客 Ａｇｅｎｔ根据感知到的信息，即自身的信息、服务属性及属性变化和外部环境的影响，做出决策并产生一个相应的计划，根据自己的偏好选择服务并做出评价。具体每部分的细节描述为Ａｇｅｎｔ＝ ?Ｆ，Ｓ′ｔ，Ｅｔ，Ｖｔ，Ｙｔ?。 （７）影响顾客服务消费行为的自身特征属性 Ｆ 有年龄、性别、职业、收入情况、个人偏好等，顾客Ｕ 的基本信息集合表示为Ｂ＝｛ｂ１，ｂ２，…，ｂｎ｝；状态属性Ｓ′ｔ 有消费频率、消费次数、顾客所处的位置等；顾客Ａｇｅｎｔ的感知事件 Ｅｔ表示顾客 Ａｇｅｎｔ能够感知到的、对其状态及行为产生影响的外在事件，主要指顾客 Ａｇｅｎｔ对所处环境和周围 Ａｇｅｎｔ的感知、Ａｇｅｎｔ根据当前时刻自身的内部状态及其感知到的外部信息做出相应的行为决策。顾客 Ａｇｅｎｔ主要 感知事件如表５所示。表５　顾客 Ａｇｅｎｔ的感知事件感知事件 解释对所处情境的感知Ｃ（ｔ）Ｃ（ｔ）表示客户此时所处的情境，顾客对服务的选择也受外部环境变化（如时间、地点、天气等因素）的影响，例如顾客对天气的感知：天气服从随机变化 Ｗ ＝Ｒａｎｄｏｍ［０，２］，其中：０表示天气不好，１表示天气一般，２表示天气晴好。顾客根据天气因素对服务商的距离进行选择。情境影响规则为Ｃｑ＝ｃ１×ｃｑ１∧ｃ２×ｃｑ２∧…∧ｃｎ×ｃｑｎ，其中：ｃｑｉ表示某种情境因素的属性值，ｃｉ表示系统假定用户对第ｉ个情境属性的权重。该规则给出了顾客线下消费时的情境偏好模型对服务 Ａｇｅｎｔ的感知ｓｑ（ｔ）ｓｑ（ｔ）表示顾客 Ａｇｅｎｔ对服务 Ａｇｅｎｔ的感知情况，服务属性是影响顾客选择该服务的主要因素，如服务价格、服务响应时间、服务能力等。以服务价格ｓｑ１为例，该变量表示客户根据自己的收入和职业选择合理价格范围内的服务。本模型随机为顾客 Ａｇｅｎｔ分配收入Ｉ，范围为（Ｉ１～Ｉ２）。在整个顾客 Ａｇｅｎｔ人群中收入服从正态分布Ｙ～Ｎ（μ，σ２），参数μ的大小决定了收入差距的幅度；参数σ２ 的大小决定了收入差距的大小；另外，设定收入消费比例系数ａ，用于决定客户能够接受消费的服务价格范围，只有当ａ×Ｉ≥Ｐｔｉ时才会选择该服务，其中 Ｐｔｉ表示当前时刻顾客选择服务的价格顾客 Ａｇｅｎｔ的决策机制Ｖｔ可以在外界环境发生变化、自 身 学 习 进 化 以 及 与 其 他 Ａｇｅｎｔ交 互 的过程中，根 据 环 境 变 化 和 自 身 状 态 的 感 知 调 整 决策与行 为。 顾 客 Ａｇｅｎｔ的 决 策 机 制 集 合 如 表 ６所示。表６　顾客 Ａｇｅｎｔ的决策集合决策 解释是否选择某种服务顾客 Ａｇｅｎｔ根据自身情况以及感 知 到 的 情境属性与服务属性，决定是否选择某种服务满意度是否超过设定阈值系统模型设定满意度阈值，顾客 Ａｇｅｎｔ对所选择的服务是否满意，满意度是否超过当前的满意度阈值顾客 Ａｇｅｎｔ的行为集合Ｙｔ指顾客 Ａｇｅｎｔ能够采取的和受到外界环境刺激的行为集合，受 Ａｇｅｎｔ的属性、状态和外部环境影响。顾客 Ａｇｅｎｔ的主要行为集合如表７所示。表７　顾客 Ａｇｅｎｔ的行为集合行为 解释选择服务顾客 Ａｇｅｎｔ在系统环境中根据感知到的周围情境和服务属性选择服务，服务被“选择”的同时，其销售量也随之增加，产生对应的消费记录评价服务顾客 Ａｇｅｎｔ在“选择”服务后，可以根据服务评分规则对已“选择”过的服务进行评价。评分分为 ５个等级：１－差，２－接受，３－一般，４－满意，５－非常满意３．２　推荐策略评估指标为了不断提高服务推荐质量，服务推荐的性能需要以定量的方式进行评估。一般地，需求方的服务满意度和供应方客户转换率通常被作为性能评价指标。９０１７计算机集成制造系统 第２３卷ｅ＝ＲＥ。 （８）式中：ｅ为需求方的服务满意度，用来评估服务系统是否能够正确地为服务对象提供服务；ｑ表示所推荐的服务中顾客满意的服务数量；Ｅ 表示服务推荐的总数量。ｅ′ ＝ＴＱ。 （９）式中：ｅ′为供应方客户转换率，用来评估服务推荐系统是否能够帮助服务提供商提升运营能力；Ｔ 表示能够接受服务推荐的实际的消费者数量；Ｑ 表示有潜在需求的顾客总量。Ｏ２Ｏ 服务推荐对准确度、可靠性和实时性有很高的要求。错误的或非实时的服务可能降低客户的满意度，甚至导致客户流失。因此，在 Ｏ２Ｏ 电商模式中，推荐系统在投放使用前需要进行严格的分析和评估。但是，顾客和情境的不确定性实际上很难甚至无法测试和评估各种 Ｏ２Ｏ 服务策略。基于此，本文利用计算实验方法，将 Ｏ２Ｏ 服务中的餐饮行业作为一个例子，说明所提推荐策略评价方法在其中的应用。４　计算实验执行结果模型的构建在 ＲｅＰａｓｔ　Ｓｉｍｐｈｏｎｙ仿真平台上进行，ＲｅＰａｓｔ是在Ｊａｖａ环境下建立的基于 Ａｇｅｎｔ模型的工具和计算机仿真平台，采用芝加哥大学社会科学计算实验室开发的复杂系统建模软件［１８－１９］。４．１　参数设置及实验环境初始化实验环境由一个长 ２５０、宽 １２０ 的某城市虚拟地图构成，顾客 Ａｇｅｎｔ随机分布在实验环境中。下面利用计算实验方法评估３种服务推荐策略在为顾客 Ａｇｅｎｔ推荐某个餐饮服务 Ａｇｅｎｔ时不同需求场景下性能 的 有 效 性。３ 种 策 略 分 别 是 上 文 提 出 的Ｕｓｅｒ＿ＣＦ，Ｃｏｎｔｅｘｔ＿ＣＦ和 Ｏ２Ｏ＿ＣＦ。当顾客 Ａｇｅｎｔ移动并获得其选定的服务后，现有的用户请求消失、新的需求请求出现。根据实验结果，在不同场景下，３个服务策略的性能可以评估。实验的具体参数设定如表８～表１０所示。表８　环境变量参数设置变量名 解释实验环境大小用户总数量 ３００续表８用户位置 随机分布在实验环境中餐饮服务总数量 ３０服务位置 随机分布在实验环境中天气随机变化｛晴好，一般，不好｝，影响顾客对服务的选择距离初始化为０，距离＝｛０，视野范围内（近），１，（２＊视野范围）（一般），２＊视野范围以上）（远）｝时间初始化为０，１个周期为１ｄ，７个周期为１个星期。在工作日（星期一～星期五），用户的需求数量相对较少；在 休 息 日（星 期六～星期日），用户的需求数量相对增加用户需求量场景１大约２０％的用户在周期内产生需求。需求数量随着实验周期不断变化，并且需求量在工作日少于非工作日场景２大约５０％的用户在周期内产生需求。需求数量随着实验周期不断变化，并且需求量在工作日少于非工作日场景３大约８０％的用户在周期内产生需求。需求数量随着实验周期不断变化，并且需求量在工作日少于非工作日表９　用户 Ａｇｅｎｔ参数设置变量名 解释顾客ＩＤ 每个顾客ＩＤ定义为［００１，００２，００３，…］年龄 在实验中随机分配，范围为［１０，６０］职业类型 分４类，随机分配给顾客（０１，０４）性别 随机分配｛年龄＝（０，１）｝其中，（０（女），１（男））收入服从正态分布Ｙ～Ｎ（μ，δ２），参数μ决定收入分布的幅度，参数σ２ 决定收入差距的大小所处位置初始化时随机在环境中分布坐标为（ｘ０，ｙ０）。在寻找服务时会在环境中移动服务偏好分类每个用户的偏好分为４类：服务水平、服务价格、服务状态以及服务所处位置等服务评分顾客消费后给出服务评分，公式为 Ｒａｔｉｎｇ＝ｗ１×ｌｅｖｅｌ＋ｗ２×ｓｔａｔｕｓ＋ｗ３×ｃｏｎｔｅｘｔ＋ｗ４×ｐｒｉｃｅ，其中：ｗ１，ｗ２，ｗ３和 ｗ４在［０，１］区间内，并且 ｗ１＋ｗ２＋ｗ３＋ｗ４＝１；ｌｅｖｅｌ表 示 服 务 水 平；ｓｔａｔｕｓ表示服务的 当 前 状 态，ｃｏｎｔｅｘｔ表 示 当 前 的 情 境因素；ｐｒｉｃｅ表示 当 前 的 服 务 价 格。不 同 用 户 会给出不同的评分权重偏好９０１８