商品流行度（通用3篇）
商品流行度 篇1
目前,常用的个性化推荐算法是基于协同过滤的推荐算法。它又分为两种:基于用户的协同过滤算法和基于项目的协同过滤算法。而基于用户的协同过滤算法使用更为普遍。基于用户的协同过滤算法原理是如果用户对一些项目的评分比较相似,则他们对其它项目的评分也比较相似。其实现过程是根据用户以往对一些项目的评价,以及其他与该用户具有类似兴趣的用户给一些项目的评价,将一些新的项目推荐给用户,或者预测对用户有价值的项目[1]。基于用户的协同过滤推荐的过程分为三个步骤:评分表示、邻居形成和推荐生成。
1 基于用户的协同过滤算法存在的问题
实践发现,该算法在用于个性化推荐过程中会存在以下一些问题[2]:
1) 随着用户和商品数量的不断增加,参与评分的数据规模也越来越大。如果把所有的用户评分记录数据都参与计算,会大大增加计算两个用户间相似度的时间,必然会导致系统推荐性能的降低,因而也就无法完成及时推荐。
2) 越是热门的商品越容易得到推荐,而使得冷门的商品无法被推荐。如果推荐的商品是热门商品,那么推荐系统的意义也不大。同时喜欢某个冷门商品的用户的相似度可能会更高一点。
3) 算法中没有考虑到用户活跃度和推荐结果间的关系。而事实上,人们更加倾向于有丰富购物经验的VIP用户的推荐。但该算法中没有体现VIP用户的推荐权值。
2 算法改进思路
2.1 用户活跃度和商品流行度对推荐结果的影响
用户行为对于商务网站来说是很重要的,如购买或未购买,购买后的反馈信息是正面的还是负面的,等等。推荐系统的目的是要找出用户可能感兴趣的商品,而不是对这个商品会评多少分的问题。因为只有知道用户有没有购买的意向,才会有用户给这个商品打多少分[3]。因此,在选择相似用户过程中,应该尽可能选择都对某类或某几类商品有正面反馈的用户。正是基于这样的考虑,可以对传统的基于用户的协同过滤算法进行修改。修改的思路是从两方面考虑,一是用户相似度的计算方法,二是计算用户兴趣度时适当考虑VIP用户的权值。
用户活跃度是用来反映用户参与电子商务系统的积极程度。可以把购买记录相对较多的用户设定为VIP用户,而把新用户称为不活跃的用户。不同用户喜欢的商品流行度也是不同的。新用户喜欢浏览热门商品,而老用户会更倾向于浏览冷门的商品[4]
2.2推荐公式的改进
推荐算法中推荐公式的改进分两个方面,一个是计算相似度的改进,另一个是计算用户对商品的兴趣度的改进。
1) 计算相似度的改进。为提高推荐算法的性能,必须要考虑长尾分布的影响。也就是说,要尽可能降低两个用户喜欢的商品中包含有热门商品的作用。比如说,两个同时购买了《新华字典》的用户并不能说明他们的兴趣相同。因为《新华字典》是一本经常使用的工具书,绝大多数国内用户都会购买并使用过。但如果这两个用户都同时购买了《ASP.NET程序设计》这本书时,那可以认为他们的兴趣比较相近,因为只有学计算机软件或应用专业的才会去买这本书。为此,可以在计算相似度时消除双方都购买了热门商品的影响[5]。对于给定用户u和用户v,计算相似度的公式可以改进如下:
其中,N(u)表示用户u曾经有过正反馈的商品集合,N(v)为用户v曾经有过正反馈的商品集合。公式中增加了1/（log 1 +N|| (i)）用来惩罚了用户u和用户v共同兴趣列表中热门商品对他们相似度的影响。
2) 计算用户兴趣度的改进。活跃度较高的用户推荐的商品的可信度也较高。为此,可对VIP用户的评分进行加权处理。加权的设计不能影响原本数据的真实性,也就是不能改变某个用户的原始数据。这里的加权仅仅是对VIP用户更多贡献的体现。原本是5分的可以加百分之几的权值进行计算,从而对结果产生一定的影响。
而用户兴趣度的计算公式可以改为:
其中,S(u, K)包含和用户u兴趣最接近的K个用户,N(i)是对商品i有过正面反馈行为的用户集合,wuv是用户u和用户v的兴趣相似度,rvi代表用户v对物品i的兴趣度。对于普通用户来说,它取值为1,对于VIP用户来说,可以增加适当权值参与计算。改进算法的执行流程如图1所示:
3 实验测试与结果
3.1 测试指标的选择
1) 评分预测。所谓评分预测就是预测用户对其未评分过商品的评分行为。评分预测的预测准确度一般通过均方根误差(RMSE)和平均绝对误差(MAE)计算。对于测试集中的一个用户u和商品i,令rui是用户u对商品i的实际评分,而是推荐算法给出的预测评分,那么RMSE的定义为:
而平均绝对误差(MAE)采用绝对值计算误差,它的定义为:
2) Top N推荐。Top N推荐是指网站提供给用户的一个个性化的推荐列表。Top N推荐的预测准确率通常使用准确率(Precision)/召回率(Recall)度量。令R(u)是根据用户行为集上的推荐列表,而T(u)是用户在测试集上的行为列表。则推荐结果的召回率定义为:
推荐结果的准确率定义为:
有时候,为了全面评测Top N推荐的准确率和召回率,一般会选取不同的推荐列表长度N,计算出一组准确率/召回率,然后画出准确率/召回率曲线(precision/recall curve)。
3) 覆盖率。覆盖率(Coverage)指的是推荐系统能够推荐出来的商品占总商品集合的比例。它反映了一个推荐系统对商品长尾的发掘能力。设系统的用户集合为U,推荐系统给每个用户推荐一个长度为N的商品列表R(u)。那么推荐系统的覆盖率可以通过下面的公式计算:
上面的定义告诉我们,覆盖率对于商品供应商来说是比较关注的指标。因为供应商会关心他们提供的商品有多少被推荐给了用户。一个好的推荐系统不仅要有比较高的用户满意度,也要有较高的覆盖率。为了更细致地描述推荐系统发掘长尾的能力,需要统计推荐列表中不同商品出现次数的分布。如果所有的商品都出现在推荐列表中,且出现的次数差不多,那么推荐系统发掘长尾的能力就很好。因此,可以通过研究商品在推荐列表中出现次数的分布描述推荐系统挖掘长尾的能力。在信息论和经济学中,定义覆盖率可以用两个指标进行:信息熵和基尼系数。信息熵的定义如下:
其中,这里p(i)是商品i的流行度除以所有商品流行度之和。基尼系数的定义如下:
其中,ij是按照商品流行度p()从小到大排序的商品列表中第j个商品。
3.2 实验设计
1) 实验采用的数据集。算法性能测试采用Group Lens提供的Movie Lens数据集,Movie Lens数据集是专门用于推荐算法研究和测试使用。Movie Lens数据集共有3个版本,其数据集大小分别100K,1M和10M。本系统采用的是1M规模的数据集,它里面包含6000多用户对4000多部电影的100万条评分记录。用户给电影评分为5个不同等级(1~5分)。
2) 实验过程设计
1把数据集随机分为均匀分布的M份(本文取M=8) ,选择一份作为测试集,而把剩下的M-1份作为训练集;
2在训练集上建立用户兴趣模型,并在测试集上对用户行为进行预测,统计出相应的评测指标;
3为了保证评测指标并不是过拟合的结果,需要进行M次实验,并且每次都使用不同的测试集。然后将M次实验测出的评测指标的平均值作为最终的评测指标。
3.3实验结果分析
算法的性能指标采用准确率(Precision)、召回率(Recall)、覆盖率(Coverage)和流行度(popularity)。考虑到测试的便利,算法测试程序采用Python语言编写。
传统算法的测试结果如表1所示:
从结果中可以看出,当推荐个数K为80时,算法取得较好的性能。同样当K=80为例,它与改进后算法的测试结果比对如表2所示。
从测试结果可以发现,改进后的算法在各项指标上都优于传统的算法。
4 总结
综上所述,商品流行度和用户活跃度对个性化推荐系统的性能产生一定的影响。在设计推荐算法时必须很好的考虑这两个因素。尽可能减少热门商品对用户产生的影响,同时要加强VIP用户对推荐系统的作用。
商品流行度 篇2
1 概述
1.1 技术依据
JJF 1244—2010《食品和化妆品包装计量检验规则》。
1.2 测量标准器
0~300 mm游标卡尺, 最大允许误差为±0.10 mm。
1.3 被测对象
长方体的商品包装。
1.4 数学模型
由商品过度包装计算公式, 得数学模型
式中,
X———包装空隙率, %;
V0———食品和化妆品销售包装体积, mm3;
Vn———食品和化妆品初始包装体积, mm3;
k———食品和化妆品包装必要空间系数, k=0.6。
2 标准不确定度评定
2.1 由测量重复性引入的标准不确定度分量
2.1.1测量数据
商品的销售包装长、宽、高分别为l1、w1和h1;商品初始包装长、宽、高分别为l2、w2和h2。销售包装和初始包装的测量数据如表1和表2所示。
mm
mm
2.1.2销售包装不确定度分析
由标准偏差公式
2.1.3初始包装不确定度分析
由标准偏差公式
2.1.4销售包装和初始包装的合成相对不确定度
销售包装和初始包装的合成相对不确定度
可得相对不确定度分量
2.3合成相对标准不确定度
合成相对标准不确定度
5 结束语
商品过度包装问题有消费者不正确消费观念的影响, 也有不良社会风气的影响, 解决这个问题, 还要靠全社会的共同努力。消费者从根本观念上发生转变, 生产经营者也必然随之转变, 全民共同加强环境保护意识与社会责任意识, 才能更好地适应全球“绿色包装”的大趋势。
参考文献
[1]JJF 1244—2010食品和化妆品包装计量检验[S].
商品混凝土坍落度损失控制 篇3
关键词：混凝土,坍落度,损失,外加剂
将混凝土集中搅拌后运输到浇筑现场的施工方式, 改变了传统的混凝土结构施工模式, 提高了混凝土浇筑效率, 标志着混凝土行业发展到了一个新的阶段。但是商品混凝土在发展中, 仍有许多关键技术亟待解决, 商品混凝土坍落度经时损失过快就是其中一个重要的问题。本文从混凝土坍落度经时损失机理出发, 提出了解决该问题的一些措施, 供同行参考。
1 混凝土坍落度经时损失机理
水泥颗粒分散、凝聚, 是水泥浆体流动性变化的内因, 而水泥浆体流动性变化将最终导致混凝土拌合物坍落度的变化, 水泥颗粒凝聚导致坍落度减小, 反之若水泥颗粒分散则坍落度增大[1]。
2 混凝土坍落度经时损失影响主要因素
商品混凝土坍落度经时损失控制, 是研究的热点, 文献[1]~[8]均对此进行了报道, 目前一致认为影响商品混凝土坍落度损失的因素主要有水泥、集料、外加剂及施工环境等。
2. 1 水泥对新拌混凝土坍落度损失的影响
水泥的细度和矿物成分的种类及其含量对混凝土坍落度影响较大。水是混凝土拌合物组成原料中, 唯一的一个液相组成, 它在混凝土拌合物中的即时含量是影响混凝土拌合物坍落度的重要因素。水进入混凝土拌合物后, 与水泥发生水化反应, 导致自由水减少, 同时形成水化产物固体, 致使混凝土拌合物流动性降低。水泥水化越快, 自由水减少就越快, 水化产物形成速度也越快, 坍落度损失就越大。水泥细度对水化速度影响较大, 水泥越细, 水泥比表面积越大, 因而与水接触越充分, 则水化反应的速度越快, 消耗的水分就越多, 则混凝土拌合物中液相减小就越多, 坍落度就越小, 其损失当然越快; 此外, 水泥越细, 相同条件下, 水泥颗粒数量就越多, 水泥颗粒间距离也就越小, 水化反应中, 水泥颗粒越容易被连接起来, 凝聚成更大的颗粒, 坍落度就变得越小。显然, 水泥太细时, 容易导致混凝土拌合物产生较大的坍落度损失。
水泥中的主要矿物成分是C3A, C4AF, C3S, C2S。在相同条件下, 这四种物质对减水剂的吸附能力不尽相同, 一般C3A最强、C4AF次之、C3S一般、C2S最差。如果所用水泥中含有较多的C3A和C4AF, 则二者将会吸附绝大部分的减水剂, 相应地C3S和C2S的吸附量微乎其微, 然而后两者是水泥的重要组成部分, 且所占质量比较大, 这种情况会导致混凝土拌合物产生严重的坍落度损失。显然, 水泥中C3A, C4AF含量较高的混凝土坍落度损失较大, 反之较小。
2. 2 砂石对混凝土拌合物坍落度损失的影响
正常情况下, 砂石集料不参与水化反应但集料颗粒对水具有吸附性[1]。加入混凝土拌合物前, 水分子可以自由运动, 但当水被加入混凝土拌合物后, 便有一部分水分子被吸附到砂石表面, 水分子的自由运动受到了限制, 不能自由运动, 不能参与水化反应, 导致生成的水泥浆体数量减少, 进而降低了混凝土的流动性, 坍落度损失加剧。此外, 砂石对混凝土拌合物坍落度损失的影响与其吸水率密切相关。若砂石吸水较快, 其吸水过程较为短暂, 如果搅拌过程中砂石完成了吸水, 那么该集料仅仅影响混凝土拌和需水量, 但是如果集料吸水慢, 拌合后几小时才能完成, 则势必引起坍落度损失。因而, 必须通过试验来确定集料的吸水性和速度, 以确定它是影响拌和用水量, 还是会导致拌合物坍落度的损失。
2. 3 碱含量对混凝土拌合物坍落度损失的影响
如果水泥中含有大量的碱 ( 超过规范要求) , 那么其便会与砂石中的二氧化硅发生化学反应, 生成碱硅酸盐凝胶, 该凝胶具有膨胀性, 它不但会导致混凝土的开裂, 试验表明: 它还会减弱减水剂对水泥浆体的塑化作用, 导致水泥浆体流动性越来越弱, 凝结时间急剧缩短。水泥中碱含量对混凝土拌合物性能的影响与减水剂用量相关, 减水剂较少时, 大部分减水剂被碱中和, 混凝土拌合物坍落度损失严重; 减水剂较多时, 混凝土拌合物会产生离析和泌水。试验表明: 碱含量位于0. 4% ~ 0. 8% 以内时, 其对外加剂与水泥间的适应性影响很小, 可以忽略, 在国家标准中, 低碱水泥的碱含量不得大于0. 6% , 为了降低碱含量对混凝土拌合物性能的影响, 水泥碱含量宜控制在0. 4% ~ 0. 6% 以内。
3 结语
太细的水泥易造成坍落度损失较大, 水泥含有较多C3A, C4AF时, 其坍落度损失较大, 反之较小。集料对新拌混凝土坍落度损失的影响与吸水速度有关。混凝土搅拌前应该通过试验确定集料的吸水情况, 同时用于混凝土拌和的水泥的碱含量宜控制在0. 4% ~ 0. 6% 以内。
高效减水剂和缓凝剂添加到商品混凝土中用于减缓坍落度损失时, 它们的掺加量均有一个最优值, 具体配置商品混凝土时应当通过试验确定。运输环境温度对混凝土坍落度损失也影响较大, 在商品混凝土生成过程中, 需要根据客户需求和工地距离, 气温等因素, 综合考虑商品混凝土的配合比和外加剂用量。
参考文献
[1]张登祥, 杨伟军.预拌混凝土坍落度损失机理及控制技术研究[J].中外公路, 2009, 29 (1) :188-191.
[2]仲以林, 尤启俊, 黎韬, 等.解决商品混凝土坍落度经时损失的措施分析[J].广东建材, 2004 (10) :3.
[3]阎培渝, 郑峰.水泥基材料的水化动力学模型[J].硅酸盐学报, 2006, 34 (5) :62-63.
[4]覃明勇.夏季控制商品混凝土坍落度损失的措施[J].广东建材, 2004 (8) :18-19.
[5]丘卫昌.商品混凝土坍落度经时损失及控制[J].福建建材, 2008, 105 (4) :27-29.
[6]马振河.商品混凝土坍落度损失及其抑制的研究[J].混凝土, 1993 (6) :30-33.
[7]刘丽丽.商品混凝土坍落度损失的控制[J].山西建筑, 2004, 30 (7) :50-51.
[8]李晓媛, 程志平, 李建军.商品混凝土坍落度控制的研究[J].西部探矿工程, 2005, 17 (2) :181-182.