周朝進(jìn) ，王玉珍

(1．蘭州財(cái)經(jīng)大學(xué) 信息工程學(xué)院,甘肅 蘭州,730020；2.蘭州財(cái)經(jīng)大學(xué) 甘肅商務(wù)發(fā)展研究中心,甘肅 蘭州,730020)

基于改進(jìn)協(xié)同過濾算法的農(nóng)產(chǎn)品個(gè)性化推薦研究

周朝進(jìn)1，王玉珍2

(1．蘭州財(cái)經(jīng)大學(xué) 信息工程學(xué)院,甘肅 蘭州,730020；2.蘭州財(cái)經(jīng)大學(xué) 甘肅商務(wù)發(fā)展研究中心,甘肅 蘭州,730020)

隨著農(nóng)村電子商務(wù)的發(fā)展，農(nóng)產(chǎn)品電商也慢慢進(jìn)入人們的生活，在國家“互聯(lián)網(wǎng)+”戰(zhàn)略的推動下，農(nóng)產(chǎn)品電子商務(wù)得到了快速發(fā)展，與此同時(shí)用戶的個(gè)性化需求也漸漸地成為一種趨勢。為了滿足消費(fèi)者的個(gè)性化的需求，提出針對農(nóng)產(chǎn)品的改進(jìn)協(xié)同過濾算法，其方法結(jié)合k-means算法，從而對聚類后的每個(gè)簇中的用戶進(jìn)行個(gè)性化推薦，此算法不僅可滿足用戶的個(gè)性化需求，而且在推薦產(chǎn)品的準(zhǔn)確度和時(shí)間上有了較大的改善，進(jìn)而幫助商家進(jìn)行精準(zhǔn)營銷，提高農(nóng)民收入。

k-means聚類；協(xié)同過濾；農(nóng)產(chǎn)品；改進(jìn)協(xié)同過濾

農(nóng)產(chǎn)品電子商務(wù)在我國起步比較晚，但用戶對產(chǎn)品的個(gè)性化需求緊跟時(shí)代的步伐，為了滿足其對農(nóng)產(chǎn)品個(gè)性化的需求，各個(gè)平臺都在嘗試推出不同產(chǎn)品的推薦來滿足用戶的需要，從而促進(jìn)產(chǎn)品的銷售。所以研究人員在如何提高推薦的精確度和時(shí)間的有效性方面做了很大的努力，并且已經(jīng)形成一定的研究成果，如：鄭云飛等人，探討了當(dāng)前應(yīng)用最為廣泛的協(xié)同過濾推薦技術(shù)，針對農(nóng)產(chǎn)品的特點(diǎn)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于用戶的農(nóng)產(chǎn)品電子商務(wù)協(xié)同過濾推薦系統(tǒng)[1]；陳龍飛、趙雪對個(gè)性化推薦系統(tǒng)的優(yōu)缺點(diǎn)[2]進(jìn)行了詳細(xì)描述分析，但由于缺乏數(shù)據(jù)，無法進(jìn)行實(shí)例驗(yàn)證；許瑞瑞以茶產(chǎn)品為電子商務(wù)個(gè)性化推薦研究對象，考慮商品評分的同時(shí)融合了商品的標(biāo)簽，實(shí)現(xiàn)了對茶產(chǎn)品的個(gè)性化推薦，并從積極和消極兩個(gè)維度來計(jì)算用戶相似性，解決數(shù)據(jù)的稀疏性問題，最后通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，提高了茶產(chǎn)品的推薦精準(zhǔn)性[3]；范順忠,陳浩對基于用戶的協(xié)同過濾算法進(jìn)行改進(jìn)，設(shè)計(jì)一種融合專家選擇和在線推薦的菜品推薦系統(tǒng),通過在候選菜品選擇時(shí)引入時(shí)間敏感因子和協(xié)同過濾中引入時(shí)間遺忘因子，改進(jìn)興趣感知算法和菜品偏好預(yù)測效果,使得在推薦的準(zhǔn)確性和效率方面有明顯改進(jìn)[4]；丁卯結(jié)合時(shí)間權(quán)重的懲罰系數(shù)的協(xié)同過濾算法，使得評分時(shí)間越接近的用戶在相似性計(jì)算時(shí)獲得更大的權(quán)重，將隱語義模型和近鄰算法相結(jié)合的協(xié)同過濾算法，在減小時(shí)間復(fù)雜度的同時(shí)，提高了可擴(kuò)展性[5]；P Melville,RJ Mooney等人提出將基于內(nèi)容的預(yù)測和協(xié)同過濾進(jìn)行結(jié)合，使得這總混合協(xié)同過濾的推薦算法的效果更好[6]；李國提出融合聚類和協(xié)同過濾的個(gè)性化推薦算法，避免了在整個(gè)用戶項(xiàng)目評分矩陣空間上計(jì)算鄰居相似性,縮小最近鄰居查找空間維度,增強(qiáng)算法的可擴(kuò)展性[7]；許艷茹,王玉珍對slopone協(xié)同過濾算法進(jìn)行了改進(jìn),在運(yùn)用項(xiàng)目相似度的基礎(chǔ)上,加入了動態(tài)閾值,查找項(xiàng)目的最近鄰集，最后通過近鄰集預(yù)測各項(xiàng)目的評分,即保證了目標(biāo)項(xiàng)目與鄰近項(xiàng)目的相似度，不影響評分精確度，又提高推薦的準(zhǔn)確性[8]。劉英提出了一種結(jié)合用戶評論的內(nèi)容推薦算法,通過挖掘網(wǎng)站中產(chǎn)品的用戶評論內(nèi)容,應(yīng)用不同的特征集合,降低文本向量的維度,最后采用準(zhǔn)確率、召回率和F-Measure指標(biāo)對該推薦系統(tǒng)進(jìn)行了評價(jià),大幅度改善了推薦的質(zhì)量[9]。由此可見，推薦系統(tǒng)的發(fā)展越來越受到重視,即為用戶提供合適的商品推薦,又幫助提高電子商務(wù)系統(tǒng)的服務(wù)質(zhì)量[10]，所以，個(gè)性化推薦不僅有利于用戶本身，更得益于商家，加上農(nóng)產(chǎn)品自己的屬性以及用戶對綠色食品的個(gè)性化需求，使得對農(nóng)產(chǎn)品個(gè)性化推薦研究成為一種必然性。

綜上所述，目前該領(lǐng)域研究成果主要集中在應(yīng)用領(lǐng)域?yàn)橐恍O具有特色的農(nóng)產(chǎn)品或者只是對農(nóng)產(chǎn)品電子商務(wù)做一些簡單的述評，在實(shí)證分析的研究成果較少，因此文中提出一種基于改進(jìn)的協(xié)同過濾算法進(jìn)行農(nóng)產(chǎn)品推薦，利用聚類算法使得相似用戶在同一個(gè)簇中，并對其中的用戶進(jìn)行推薦。這種算法提高了推薦的準(zhǔn)確性和速度，幫助商家進(jìn)行精準(zhǔn)營銷，精確滿足用戶需求的多變性，并在很大程度上改善農(nóng)戶的生活，促進(jìn)農(nóng)產(chǎn)品電子商務(wù)的發(fā)展。

1 改進(jìn)協(xié)同過濾算法設(shè)計(jì)

由于文中改進(jìn)的算法是在協(xié)同過濾算法的基礎(chǔ)之上進(jìn)行的，所以重點(diǎn)介紹一下協(xié)同過濾推薦中基于用戶的和基于內(nèi)容的這兩種算法之間的區(qū)別，如表1所示。

表1 UserCF和ItemCF優(yōu)缺點(diǎn)對比Table 1 Comparison of advantages and disadvantages between UserCF and ItemCF

針對上表中的信息可知，不管是基于用戶的還是基于內(nèi)容的協(xié)同過濾推薦算法，其數(shù)據(jù)的稀疏性[11-12]是一個(gè)弊端。根據(jù)有關(guān)數(shù)據(jù)顯示，數(shù)據(jù)的稀疏性可達(dá)90%以上，這對推薦的準(zhǔn)確度有較大的影響。所以為了解決稀疏性的難題，提高推薦的準(zhǔn)確度，文章先對稀疏性數(shù)據(jù)進(jìn)行聚類，保證相似用戶在同一個(gè)簇中，提高用戶之間的相似度，從而有效地避免稀疏性難題，提高推薦的準(zhǔn)確度。

1.1 改進(jìn)協(xié)同過濾算法的基本思想

文中算法的基本思想是：通過k-means方法[13]根據(jù)用戶的某個(gè)屬性把用戶進(jìn)行聚類，聚類的結(jié)果就是把具有相似屬性的用戶分到同一個(gè)簇中，以便查找時(shí)的方便快捷，然后對簇中的用戶進(jìn)行推薦。首先根據(jù)用戶名找到此用戶屬于的簇類，然后通過這個(gè)簇，找到同一個(gè)簇中其他相似的用戶，其次計(jì)算這些用戶所購買物品的相似度，最后把相似度較高的前幾個(gè)產(chǎn)品推薦給該用戶。

1.2 改進(jìn)協(xié)同過濾算法的構(gòu)建

改進(jìn)協(xié)同過濾算法的基本流程如圖1所示：

1.3 驗(yàn)證該算法的優(yōu)越性

為了驗(yàn)證改進(jìn)算法的優(yōu)越性，通過與基于項(xiàng)目的協(xié)同過濾推薦在推薦的準(zhǔn)確度和推薦的運(yùn)行時(shí)間兩方面進(jìn)行比較，得出其中的差異性，實(shí)驗(yàn)結(jié)果如下所示。

(1)源數(shù)據(jù)收集

文中研究數(shù)據(jù)為某商務(wù)網(wǎng)站中農(nóng)產(chǎn)品的用戶訂單信息，部分?jǐn)?shù)據(jù)如下表2所示。

圖1 改進(jìn)協(xié)同過濾算法的基本流程圖Fig.1 Basic flowchart of improved collaborative filtering algorithm

用戶ID真實(shí)姓名所在地區(qū)物品年齡1067周穎 平?jīng)鍪胁莞柿?281067周穎 平?jīng)鍪挟?dāng)歸 281067周穎 平?jīng)鍪醒笫[ 281073楊鵬飛平?jīng)鍪修?321073楊鵬飛平?jīng)鍪型炼?328239柳繼先平?jīng)鍪芯肥卟?56236張潔 平?jīng)鍪刑O果 466236張潔 平?jīng)鍪芯肥卟?66236張潔 平?jīng)鍪写竺?463729孫文凱平?jīng)鍪刑O果 303729孫文凱平?jīng)鍪芯肥卟?03202王小平定西市蘋果 443202王小平定西市辣椒 44……………

(2)數(shù)據(jù)預(yù)處理

通過分析將農(nóng)產(chǎn)品類別大致可以分為養(yǎng)生類、主食類 、雞蛋肉類、蔬菜類、水果類和干果類，部分?jǐn)?shù)據(jù)如表3、表4、表5所示。

表3 養(yǎng)生類別Table 3 Health category

表4 主食類別Table 4 Staple food category

表5 雞蛋肉類別Table 5 Egg and meat category

根據(jù)對農(nóng)產(chǎn)品類別分類，將數(shù)據(jù)標(biāo)準(zhǔn)化之后形成用戶物品表，如表6所示。

表6 用戶物品表Table 6 User items table

(3)算法優(yōu)越性檢驗(yàn)

分別使用改進(jìn)后的算法和傳統(tǒng)的基于內(nèi)容的協(xié)同過濾算法，作用于標(biāo)準(zhǔn)化之后的數(shù)據(jù)，得出其中的差異性，如下所示。

①推薦的準(zhǔn)確度(如圖2和圖3所示)

圖2 改進(jìn)的推薦精確度 圖3 傳統(tǒng)的推薦精確度Fig.2 Improved recommended accuracy Fig.3 Traditional recommended accuracy

根據(jù)上圖對比，兩次準(zhǔn)確度最高的都是22號玉米，但是準(zhǔn)確度明顯是聚類之后改進(jìn)的算法推薦的結(jié)果更好一點(diǎn)，相似度從85.76%上升到89.44%。雖然兩次實(shí)驗(yàn)都是推薦前10個(gè)農(nóng)產(chǎn)品，但是推薦的農(nóng)產(chǎn)品卻不盡相同，但是相比相同的農(nóng)產(chǎn)品，25號粉條的相似度從56.20%上升到61.24%，有了較大的提高；最后根據(jù)對比實(shí)驗(yàn)可知，推薦的第10個(gè)農(nóng)產(chǎn)品的準(zhǔn)確度上升到44.72%，推薦準(zhǔn)確度最低的農(nóng)產(chǎn)品的相似度也稍微的進(jìn)行了改善。由此可見，改進(jìn)協(xié)同過濾推薦算法推薦的效果相比于傳統(tǒng)的、沒有改進(jìn)的基于項(xiàng)目的系協(xié)同過濾算法，推薦更好，準(zhǔn)確度更高。

②推薦的運(yùn)行時(shí)間(如表7所示)

表7 運(yùn)行時(shí)間對比Table 7 Running time comparisons between items and improvements

根據(jù)多次的實(shí)驗(yàn)結(jié)果可知，每次傳統(tǒng)實(shí)驗(yàn)的運(yùn)行時(shí)間都比改進(jìn)之后的運(yùn)行時(shí)間要長，且根據(jù)前10次的實(shí)驗(yàn)結(jié)果可知，傳統(tǒng)推薦的最小運(yùn)行時(shí)間要比聚類之后推薦的運(yùn)行時(shí)間要長，即0.03216378524393804>0.02484900887338881。之所以改進(jìn)后推薦的運(yùn)行時(shí)間會縮短，原因就在于，改進(jìn)后的推薦每次計(jì)算物品之間相似度的時(shí)候，都是在同一個(gè)簇類進(jìn)行農(nóng)產(chǎn)品相似度的計(jì)算，既提高推薦的準(zhǔn)確度，又縮短了運(yùn)行時(shí)間。而傳統(tǒng)的基于項(xiàng)目的協(xié)同過濾推薦是基于所有數(shù)據(jù)進(jìn)行計(jì)算物品之間的相似度，即要掃描整個(gè)數(shù)據(jù)庫，所以耗費(fèi)的時(shí)間自然會多點(diǎn)。

綜上所述，根據(jù)兩次對比實(shí)驗(yàn)的分析，可知改進(jìn)的協(xié)同過濾的推薦算法相比于傳統(tǒng)的基于項(xiàng)目的協(xié)同過濾推薦算法在推薦的準(zhǔn)確度和運(yùn)行時(shí)間上有了所改善，對滿足用戶的個(gè)性化需求和農(nóng)產(chǎn)品電子商務(wù)的發(fā)展方面起到了較大的作用。

2 改進(jìn)協(xié)同過濾算法在農(nóng)產(chǎn)品個(gè)性化推薦中的應(yīng)用

2.1 源數(shù)據(jù)收集及數(shù)據(jù)預(yù)處理

源數(shù)據(jù)為某商務(wù)網(wǎng)站中農(nóng)產(chǎn)品的信息，并對其進(jìn)行數(shù)據(jù)預(yù)處理，使其標(biāo)準(zhǔn)化。

2.2 算法實(shí)現(xiàn)過程

由于研究對象是農(nóng)產(chǎn)品，種類較少，用戶較多，所以文章采用的是對基于項(xiàng)目的協(xié)同過濾進(jìn)行改進(jìn)，進(jìn)而對某個(gè)用戶進(jìn)行農(nóng)產(chǎn)品的推薦。首先對搜集到的用戶基本數(shù)據(jù)進(jìn)行基本觀察和總結(jié)，再根據(jù)本改進(jìn)的協(xié)同過濾算法，對用戶的年齡屬性進(jìn)行K-means聚類，將具有相似年齡段的用戶聚在同一個(gè)簇中，推薦時(shí)，計(jì)算用戶所在簇中的其他相似用戶的農(nóng)產(chǎn)品之間的相似度，把相似度最高的前10個(gè)農(nóng)產(chǎn)品推薦給用戶。

2.2.1 k-means聚類

文中使用k-means算法對數(shù)據(jù)中年齡屬性進(jìn)行聚類，并將用戶年齡的分布大致分為3個(gè)簇，分別是：26-35歲的用戶，熟練應(yīng)用農(nóng)產(chǎn)品電商；36-45歲的用戶，初次使用網(wǎng)絡(luò)購買農(nóng)產(chǎn)品；46-55歲用戶，嘗試使用網(wǎng)絡(luò)，即文中設(shè)定k-means 中的參數(shù)K=3。

使用工具對預(yù)處理后的數(shù)據(jù)進(jìn)行聚類，得出的實(shí)驗(yàn)結(jié)果如下圖4所示。

圖4 聚類實(shí)驗(yàn)結(jié)果Fig.4 Clustering experiment results

經(jīng)過多次實(shí)驗(yàn)，圖4的實(shí)驗(yàn)效果與實(shí)際較符合。即用不同的標(biāo)號標(biāo)記不同的簇，并給予同一個(gè)簇中相似用戶同一個(gè)標(biāo)號，最后把標(biāo)號添加到標(biāo)準(zhǔn)數(shù)據(jù)中。令26-35歲的用戶簇為1，36-45歲的用戶簇為2，46-55歲的用戶簇為3。即標(biāo)準(zhǔn)數(shù)據(jù)部分顯示如表8所示。

表8 聚類之后的數(shù)據(jù)Table 8 Data after clustering

續(xù)表

用戶編號用戶年齡物品編號簇類編號355623355413446623446413…………

2.2.2 個(gè)性化推薦

(1)推薦步驟

①找到對所推薦用戶所屬于的簇類標(biāo)號；

②根據(jù)這個(gè)標(biāo)號找到屬于同一個(gè)簇的所有相似用戶；

③求出相似用戶所購買農(nóng)產(chǎn)品的相似性；

④向用戶推薦與他過去購買的農(nóng)產(chǎn)品相似度較大的前10個(gè)農(nóng)產(chǎn)品；

(2)實(shí)驗(yàn)結(jié)果

①向用戶標(biāo)號為“2”的用戶推薦農(nóng)產(chǎn)品；

②得出所推薦的農(nóng)產(chǎn)品以及其相似度；如圖5所示

圖5 推薦農(nóng)產(chǎn)品及其相似度Fig.5 Recommended agricultural products and their similarity

③結(jié)果分析。

由圖5可知，向用戶2推薦的農(nóng)產(chǎn)品有玉米、胡麻油、粉條、櫻桃、蘋果、杏子、紅棗、洋蔥、玫瑰、黃瓜等。根據(jù)原始數(shù)據(jù)我們可知用戶2曾經(jīng)購買過農(nóng)產(chǎn)品有蕨痳、土豆、百合、西瓜籽、黃芪、雜糧粥、精品蔬菜。我們都知道土豆不僅可以當(dāng)作食也可以作為蔬菜，并有很高的營養(yǎng)價(jià)值，現(xiàn)實(shí)生活中的好多東西如薯?xiàng)l、粉條都是以土豆為原材料，而與它相似度最大的是玉米，玉米也具有很大的營養(yǎng)價(jià)值，并且有時(shí)也可以直接當(dāng)作主食食用；還具有較高相似度的是粉條，它和土豆也相似，因?yàn)榇蠖鄶?shù)粉條都是土豆做的；推薦的前三個(gè)農(nóng)產(chǎn)品有個(gè)共同的特性就是在現(xiàn)實(shí)生活中食用頻率比較大。既然用戶2買了百合、西瓜籽等干果，那么推薦的農(nóng)產(chǎn)品里面也推薦了玫瑰干；所推薦的洋蔥、黃瓜與購買的精品蔬菜有很大的相似性，都是蔬菜類的；用戶2買的雜糧粥與玉米、紅棗相關(guān)性較大；櫻桃、蘋果、杏子與用戶的蔬菜都是補(bǔ)充人體的維生素的，具有較大的相似性。

根據(jù)實(shí)驗(yàn)結(jié)果與現(xiàn)實(shí)分析相結(jié)合，我們發(fā)現(xiàn)實(shí)驗(yàn)結(jié)果基本符合現(xiàn)實(shí)需求，并較滿足用戶的個(gè)性化需求的要求，而且推薦的準(zhǔn)確性也比較好，所以文中研究的個(gè)性化農(nóng)產(chǎn)品的推薦還是很有必要的，即為農(nóng)產(chǎn)品電子商務(wù)增加了入駐流量，也滿足了用戶的個(gè)性化需求，并且提高了推薦的準(zhǔn)確性，從而為供應(yīng)商提供營銷策略，改善農(nóng)民的生活質(zhì)量，提高他們的收入。

3 總結(jié)

文中提出的改進(jìn)協(xié)同過濾推薦算法，即利用聚類算法，把具有相似屬性的用戶放在同一簇中，然后，針對某一個(gè)簇中的用戶群進(jìn)行農(nóng)產(chǎn)品相似度的計(jì)算，最后得到所推薦的農(nóng)產(chǎn)品。此文構(gòu)建的算法在某種程度上提高了推薦的準(zhǔn)確度，有效避免搜索整個(gè)數(shù)據(jù)庫的局限性，使得算法在處理大規(guī)模數(shù)據(jù)集時(shí)，提高了推薦的運(yùn)行時(shí)間。不僅可以為賣家提供一個(gè)了解用戶需求的路徑，而且可以提高農(nóng)民的收入，改善他們的生活，最后并從一定程度上促進(jìn)了農(nóng)產(chǎn)品電子商務(wù)的發(fā)展。

[1]鄭云飛，夏帥，譚武坤．基于用戶的農(nóng)產(chǎn)品協(xié)同過濾推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]．農(nóng)業(yè)網(wǎng)絡(luò)信息，2014，(09)：49-53．

[2]陳龍飛，趙雪．關(guān)于農(nóng)資產(chǎn)品個(gè)性化推薦的研究[J]．電子世界，2013，(24)：258-259．

[3]許瑞瑞．融合標(biāo)簽和評分的茶產(chǎn)品個(gè)性化推薦研究[D].合肥:安徽農(nóng)業(yè)大學(xué)，2015．

[4]范順忠，陳浩．基于興趣感知和時(shí)間因子的個(gè)性化菜品推薦[J /OL]．計(jì)算機(jī)應(yīng)用研究，2018，35(2)：[2017-03-15](預(yù)排期卷)．http://www.arocmag.com/article/02-2018-02-060.html．

[5]丁卯.基于協(xié)同過濾的推薦系統(tǒng)研究[D]．天津：河北工業(yè)大學(xué),2014．

[6]MELVILLE P,MOONEY RJ,NAGARAJAN R.Content-boosted collaborative filtering for improved recommendations[J].Eighteenth National Conference on Artificial Intelligence，2002：187-192．

[7]李國．基于聚類和協(xié)同過濾的個(gè)性化推薦算法研究[D]．昆明：昆明理工大學(xué)，2012．

[8]許艷茹，王玉珍.基于動態(tài)閾值的協(xié)同過濾算法研究[J].邵陽學(xué)院學(xué)報(bào)(自然科學(xué)版),2017,14(5):27-33.

[9]劉英．基于用戶評論的個(gè)性化產(chǎn)品推薦系統(tǒng)[D]．北京：北京郵電大學(xué)，2015．

[10]王小亮．基于協(xié)同過濾的個(gè)性化推薦算法的優(yōu)化和應(yīng)用[D]．杭州：浙江工商大學(xué)，2010．

[11]鄧曉懿，金淳，韓慶平，等．基于情境聚類和用戶評級的協(xié)同過濾推薦模型[J].系統(tǒng)工程理論與實(shí)踐,2013，(11):2945-2953.

[12]路春霞．個(gè)性化推薦中協(xié)同過濾算法研究[D]．北京：北京交通大學(xué)，2016．

[13]王道平．我國農(nóng)產(chǎn)品物流模式的實(shí)證研究—基于各省市的聚類分析法[J].財(cái)經(jīng)問題研究，2011,(2):108-113．

ResearchonPersonalizedRecommendationofAgriculturalProductBasedonImprovedCollaborativeFilteringAlgorithm

ZHOU Chaojin1,WANG Yuzhen2

(1.School of Information Engineering,Lanzhou University of Finance and Economics,Lanzhou 730020,China;2.Gansu Business Development Research Center,Lanzhou University of Finance and Economics,Lanzhou 730020,China)

k-means clustering;collaborative filtration;agricultural products;improved collaborative filtration

1672-7010(2017)06-0023-09

TP391.9

A

2017-09-19

蘭州財(cái)經(jīng)大學(xué)甘肅商務(wù)發(fā)展研究中心項(xiàng)目(JYYY201506)

周朝進(jìn)(1991-)，女，甘肅白銀人，碩士研究生，從事數(shù)據(jù)挖掘、電子商務(wù)研究；E-mail：2293196078@qq.com

王玉珍(1970-)，女，教授，碩士，從事數(shù)據(jù)挖掘、電子商務(wù)研究；E-mail：wyz70214@163.com

Received：With the development of rural electronic commerce,agricultural products manufacturers also slowly into people’s lives,under the impetus of the national “Internet +” strategy,the electronic commerce of agricultural products has been developed rapidly,at the same time,the personalized demand of the users has gradually become a trend.In order to meet the personalized needs of consumers,this paper proposed an improved collaborative filtering algorithm for agricultural products,using K-means clustering to cluster users,personalized recommendation for users in each cluster,the proposed algorithm not only improves the platform construction,satisfies the user’s demand,but also improves the accuracy and the time of the recommended product,and then helps the merchant to carry on the accurate marketing,enhances the farmer income.