馬百皓

摘 要：在經(jīng)過廣泛調(diào)研專業(yè)農(nóng)產(chǎn)品跨境電商人才的知識體系和技能的基礎(chǔ)上，總結(jié)分析專業(yè)農(nóng)產(chǎn)品跨境電商人才具備的9大重要特征。利用這些特征量化收集得到的652份樣本數(shù)據(jù)，建立基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品跨境電商人才培養(yǎng)算法模型。實際應(yīng)用結(jié)果表明，采用十字交叉驗證方法進行驗證，分類的準確度達到了95%，相比傳統(tǒng)的KNN分類算法，分類精確度較高，節(jié)省了評估農(nóng)產(chǎn)品跨境電商人才具有不同水準的人力物力，同時可以針對不同類別的跨境電商人才，提供精準培養(yǎng)，避免資源浪費。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);農(nóng)產(chǎn)品;跨境電商;培養(yǎng)方案

Abstract：Based on extensive research on the knowledge system and skills of adhesive cross-border e-commerce talents， this article summarizes and analyzes nine important characteristics of cross-border e-commerce talents for chemical products. These characteristics are used to quantify the 652 sample data collected， and an adhesive cross-border electric business talent training algorithm model based on BP neural network is established. The actual application results show that the cross-validation method can be used for verification， and the classification accuracy reaches 95%. Compared with the traditional KNN classification algorithm， the classification accuracy is higher， which saves the evaluation of adhesive cross-border electricity talents to have different levels. The manpower and material resources can also provide accurate training for different types of cross-border e-commerce talents and avoid waste of resources.

Key words：BP neural network;agricultural products;cross-border e-commerce;training plan

0 引言

跨境電商是不同國家之間的買賣雙方借助互聯(lián)網(wǎng)的電子商務(wù)平臺來實現(xiàn)商品交易的一種新型的商貿(mào)方式，主要是將傳統(tǒng)的進出口面對面交易方式轉(zhuǎn)型為國際貿(mào)易電子化、網(wǎng)絡(luò)化[1]。隨著我國“一帶一路”政策的落實，我國農(nóng)產(chǎn)品跨境電商業(yè)務(wù)將會得到進一步的發(fā)展[2]，擴大農(nóng)產(chǎn)品的發(fā)展渠道?！?018年信息經(jīng)濟報告》指出，預(yù)估到2018年年底，全球的農(nóng)產(chǎn)品跨境電子商務(wù)將會占世界總貿(mào)易金額的30%～40%，而且將會按照較好的勢頭繼續(xù)增長[3]，因此對農(nóng)產(chǎn)品跨境電商人才的培養(yǎng)亦時不我待。

本文提出了一種農(nóng)產(chǎn)品跨境電商人才培養(yǎng)算法模型，通過對專業(yè)的農(nóng)產(chǎn)品跨境電商人才進行調(diào)研，獲得農(nóng)產(chǎn)品跨境電商人才的代表性知識結(jié)構(gòu)特征，統(tǒng)計得出認同度較高的特征作為農(nóng)產(chǎn)品跨境電商人才培養(yǎng)的分類重要指標;對量化的特征進行評估處理，采用BP神經(jīng)網(wǎng)絡(luò)對特征進行分類研究。相對傳統(tǒng)KNN分類算法，采用BP神經(jīng)網(wǎng)絡(luò)對特征進行分類研究。以期為不同知識結(jié)構(gòu)的農(nóng)產(chǎn)品跨境電商人才提供不同的培養(yǎng)方案的能力提供參考。

1 農(nóng)產(chǎn)品跨境電商人才培養(yǎng)模型構(gòu)建

隨著跨境電商行業(yè)成為貿(mào)易的主流，致使農(nóng)產(chǎn)品跨境電商人才供不應(yīng)求，為了高效評估跨境電商人才應(yīng)該具備的知識體系和真實水準，往往需要消耗大量的人力和物力去評估，而得到的評估結(jié)果具有不可解釋性。

特別對外資企業(yè)而言，在新興的跨境電商大環(huán)境下，對電子商務(wù)人才的需求居高不下，急需專業(yè)型的跨境電子商務(wù)人才來加快企業(yè)的貿(mào)易與發(fā)展，但如何培養(yǎng)這些專業(yè)型的跨境電子商務(wù)人才成為了令人頭疼的問題。一般情況下，農(nóng)產(chǎn)品跨境電商行業(yè)的從業(yè)人員應(yīng)該能熟練掌握計算機的基本操作，同時還能熟練使用英語與客戶進行溝通交流，對農(nóng)產(chǎn)品的保存、加工、檢疫等流程做到了如指掌，了解有關(guān)跨境電子商務(wù)方面的財務(wù)管理以及市場的營銷知識。針對不同農(nóng)產(chǎn)品跨境電商人才，其掌握的知識結(jié)構(gòu)是不一樣的，需要針對不同種類的農(nóng)產(chǎn)品跨境電商人才撰寫不同的人才培養(yǎng)方案，而如何有選擇性地提取農(nóng)產(chǎn)品跨境電商的知識結(jié)構(gòu)代表特征，如何進行高效的農(nóng)產(chǎn)品跨境電商分類是培養(yǎng)高水平的跨境電商人才的重中之重。

1.1 農(nóng)產(chǎn)品跨境電商人才特征選取

由于農(nóng)產(chǎn)品跨境電商人才是一種復(fù)合型的人才，其具備的知識結(jié)構(gòu)是由多方面構(gòu)成的，既包含計算機技術(shù)的成分，同時也具備英語、商務(wù)、溝通、業(yè)務(wù)等不同的技能，如何在眾多的技能中選擇能夠典型代表農(nóng)產(chǎn)品跨境電商人才的特征作為分類的特征維度成為了模型構(gòu)建的第一步[4]。

本文通過問卷調(diào)查和訪談法相結(jié)合的方式，對從業(yè)的農(nóng)產(chǎn)品跨境電商專業(yè)人員展開了調(diào)查分析，目的是通過對這些專業(yè)人員的知識結(jié)構(gòu)分析，找出刻畫跨境電商專業(yè)人才的素質(zhì)特征有哪些[1]。一共對專業(yè)的農(nóng)產(chǎn)品跨境電商人員發(fā)下了1 000分調(diào)查問卷，這些專業(yè)的農(nóng)產(chǎn)品跨境電商人員部分來自于淘寶、天貓、京東的銷售人員，剩下來自于跨境電商公司，從事膠黏劑跨境工作3年以上，擁有豐富的經(jīng)驗，回收調(diào)查問卷962份，調(diào)查問卷的回收率為96.2%，具有代表性。

在對回收的調(diào)查問卷進行數(shù)據(jù)整理分析的結(jié)果中，通過分析調(diào)查問卷上的問題重要程度的比例，可以發(fā)現(xiàn)勝任農(nóng)產(chǎn)品跨境電商人才需要具備的知識體系結(jié)構(gòu)和特征，總體的調(diào)查結(jié)果分析表，如表1所示。

通過對上述962份調(diào)查問卷的調(diào)查結(jié)果分析，專業(yè)的農(nóng)產(chǎn)品跨境電商人才普遍贊同“英語溝通能力”是非常重要的，“客戶需求能力分析”能力是最不重要的。通過對表1的統(tǒng)計結(jié)果進行特征選取，手動選取重要程度超過80%的作為代表特征，這些特征依次為：“外語讀寫能力”、“外語溝通能力”、“店鋪設(shè)計能力”、“在線交易流程熟悉度”、“外貿(mào)業(yè)務(wù)熟悉程度”、“潛在客戶接觸能力”、“海外市場零售的敏感度”、“互聯(lián)網(wǎng)思維營銷能力”以及“團隊協(xié)作能力”。

通過選取以上的9個特征后，需要收集訓(xùn)練數(shù)據(jù)。在收集訓(xùn)練數(shù)據(jù)的階段，選擇某高職院校對外電商專業(yè)的652名學生，通過統(tǒng)計他們在這些課程方面的成績和深入了解相關(guān)特征的屬性值，將這些特征的值量化在[0，100]內(nèi)，分數(shù)越高，表明在相關(guān)的屬性特征上越優(yōu)秀。訓(xùn)練數(shù)據(jù)的目標分類分為A、B、C 3個不同的類別，采用one-hot的方法進行標注，這3個類別分別代表“良好”、“及格”和“不及格”水平，針對“良好”的跨境電商人才只需提供少量的專業(yè)知識輔導(dǎo)，對于“及格”的跨境電商人才需要提供較多的專業(yè)知識輔導(dǎo)和資源，對于“不及格”的跨境電商人才需要傾瀉大量的專業(yè)知識和人力、物力進行培養(yǎng)。

為了使得使用這652個有效數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與評估，采用十字交叉驗證[5]法將652條數(shù)據(jù)按照訓(xùn)練集：測試集的7：3比例進行劃分，最后測出10次的交叉驗證平均正確率的值作為評價指標。

1.2 農(nóng)產(chǎn)品跨境電商人才分類模型

采用一個五層的BP神經(jīng)網(wǎng)絡(luò)[6-8]模型作為初始的分類模型，這個模型具有輸入層為9個維度，輸出層為3個維度的特征，中間隱層采用3層神經(jīng)網(wǎng)絡(luò)，維度分別是400、300和100?；贐P神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品跨境電商人才分類算法模型的建立包括BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和BP神經(jīng)網(wǎng)絡(luò)分類三步，具體的算法流程圖，如圖1所示。

從圖1神經(jīng)網(wǎng)絡(luò)分類算法模型流程圖可以看出，對于電商人才的分類，需要先構(gòu)建BP分類神經(jīng)網(wǎng)絡(luò)，然后依據(jù)訓(xùn)練數(shù)據(jù)集對神經(jīng)單元的參數(shù)進行訓(xùn)練，迭代至滿足相應(yīng)的條件停止，保存模型參數(shù)，然后對測試的數(shù)據(jù)集進行分類。

1.2.1 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)從輸入到輸出的維度分別為（9，400，300，100，3），構(gòu)造的神經(jīng)網(wǎng)絡(luò)模型，如圖2所示。

圖2中的隱藏層包含了3層的神經(jīng)網(wǎng)絡(luò)模型，構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)由1個輸入層，3個隱藏層和1個輸出層組成。對于第二層神經(jīng)網(wǎng)絡(luò)中的每一個神經(jīng)節(jié)點來說，對于第一層輸入的數(shù)據(jù)，經(jīng)過線性變換，如式（1）所示。

如果隱藏層不采用激活函數(shù)，構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)模型將會是一個線性模型，只是簡單具備數(shù)據(jù)的線性擬合能力，無法具備逼近真實的分類函數(shù)能力[9]，選用的激活函數(shù)為Sigmoid激活函數(shù)[10]，如式（2）所示。

BP神經(jīng)網(wǎng)絡(luò)的目標就是調(diào)整權(quán)重值和偏置值使得損失函數(shù)變小，求得損失函數(shù)最小值時對應(yīng)的各個神經(jīng)元的參數(shù)。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段其實就是正向傳播過程的調(diào)參過程，選用的梯度下降算法。在梯度下降算法的過程中，所有的訓(xùn)練模式都先提供一次，然后將對應(yīng)的權(quán)值更新相加，只有這時網(wǎng)絡(luò)里的實際權(quán)值才開始更新。這個過程將一直迭代知道某停止準則滿足，相應(yīng)的停止準則一般選為迭代的輪次數(shù)。

經(jīng)過算法的推導(dǎo)，可以采用以下的式（6）、式（7）更新w（l）ij，b（l）i，2≤l≤L。

2 模型應(yīng)用

實驗的環(huán)境采用的是Windows10的操作系統(tǒng)，CPU型號為Intel（R） Core（TM） i7-8750H@2.20 GHz 2.1 GHz，內(nèi)存為8 G，算法的實現(xiàn)采用的是基于Pytorch深度學習框架的Python語言實現(xiàn)的。在實驗的過程中，按照1.1的十字交叉驗證方法，每次隨機按照0.7的比例選取456條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余的196條數(shù)據(jù)作為驗證數(shù)據(jù)，實驗進行10次，取10次的驗證數(shù)據(jù)的準確度作為平均的準確率。實驗的BP神經(jīng)網(wǎng)絡(luò)的學習率設(shè)置為α=0.28，迭代的次數(shù)設(shè)置epochs=1000，之所以選擇學習率α=0.28，是因為在此參數(shù)下，對精確度影響較低，而迭代速度較快，能盡快地收斂。實驗的結(jié)的損失函數(shù)趨勢圖，如圖3所示。

有圖3的實驗數(shù)據(jù)可以看出，當?shù)拇螖?shù)大致達到800次的時候，模型的損失函數(shù)基本上達到了收斂的水平，待模型穩(wěn)定后，就可以對模型進行驗證數(shù)據(jù)的測試了，驗證集測試的結(jié)果，如表2所示。

與傳統(tǒng)的機器學習分類KNN算法[15]的比對結(jié)果，如表3所示。

經(jīng)過十字交叉法的驗證，本文基于BP神經(jīng)網(wǎng)絡(luò)提出的農(nóng)產(chǎn)品跨境電商人才算法培養(yǎng)模型的分類準確率可以達到平均的95%，達到了實用的水平，相比傳統(tǒng)的機器學習KNN分類算法，平均分類準確率有了很大的提升;同時對于A類的農(nóng)產(chǎn)品跨境電商人才的培養(yǎng)只需提供少量的專業(yè)知識輔助就達到專業(yè)的跨境電商人才水平，省去了專門進行評估耗時耗力的方法;相反，對于C類農(nóng)產(chǎn)品跨境電商人才，需要花費大量的資源培養(yǎng)外語、商務(wù)、溝通和計算機的水平，才有可能成為專業(yè)的農(nóng)產(chǎn)品跨境電商人才。

3 總結(jié)

在經(jīng)過廣泛調(diào)查專業(yè)的農(nóng)產(chǎn)品跨境電商人才所具備的職業(yè)素養(yǎng)和知識體系：

（1） 提出了專業(yè)的農(nóng)產(chǎn)品跨境電商人才所具備的“外語讀寫能力”“外語溝通能力”“店鋪設(shè)計能力”“在線交易流程熟悉度”“外貿(mào)業(yè)務(wù)熟悉程度”“潛在客戶接觸能力”“海外市場零售的敏感度”“互聯(lián)網(wǎng)思維營銷能力”以及“團隊協(xié)作能力”9個最重要的特征;

（2） 設(shè)計了采用BP神經(jīng)網(wǎng)絡(luò)進行農(nóng)產(chǎn)品跨境電商人才分類模型。采用十字交叉驗證跨境電商專業(yè)培養(yǎng)的652條數(shù)據(jù)進行驗證，分類的準確度達到了95%。

農(nóng)產(chǎn)品跨境電商人才模型節(jié)省了評估農(nóng)產(chǎn)品跨境電商人才具有不同水準的人力物力，同時可以針對不同類別的農(nóng)產(chǎn)品跨境電商人才，提供精準的培養(yǎng)，避免了資源的浪費。

參考文獻

[1] 蘇曼.跨境電商專業(yè)人才勝任素質(zhì)模型研究[J].高等工程教育研究，2016（3）：170-174.

[2] 嚴淑芬，王志和.“一帶一路”背景下我國農(nóng)產(chǎn)品跨境電商發(fā)展現(xiàn)狀及策略研究[J].電子商務(wù)，2019（6）：37-39.

[3] 張丹. 吸引力不斷增強的中國市場[N]. 解放軍報，2019-10-30（04）.

[4] 帥如. 以提升用戶信任為導(dǎo)向的跨境電商服務(wù)設(shè)計研究[D].上海：華東理工大學，2018.

[5] 吳陳，張明華.基于最優(yōu)樸素貝葉斯分類器的個人信用預(yù)測[J].江蘇科技大學學報（自然科學版），2012，26（4）：376-380.

[6] 胡紅萍，白黃琴，白艷萍，等.基于改進的遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的類流感的預(yù)測[J/OL].中北大學學報（自然科學版），2019（6）：1-8.（電子版，需提供網(wǎng)頁）

[7] 章曉峰，李光，肖帆，等.基于BP神經(jīng)網(wǎng)絡(luò)的包裝分揀機器人視覺標定算法[J].包裝學報，2019（4）：1-8.

[8] 臧慶凱，李春貴，鐘宛余.基于三個并行BP神經(jīng)網(wǎng)絡(luò)的機器人逆運動學求解[J].計算機測量與控制，2012，20（8）：2244-2247.

[9] 段秀玉. 基于遷移學習的情感分類研究與應(yīng)用[D]. 北京：北京郵電大學，2019.

[10] 吳炎，杜棟.基于改進BP神經(jīng)網(wǎng)絡(luò)對江蘇省糧食產(chǎn)量的仿真預(yù)測[J].微型電腦應(yīng)用，2009，25（6）：1-4.

[11] 賀揚，成凌飛，張培玲，等.一種新型激活函數(shù)：提高深層神經(jīng)網(wǎng)絡(luò)建模能力[J].測控技術(shù)，2019，38（4）：50-53.

[12] 富宇，李倩，劉澎.改進的BP神經(jīng)網(wǎng)絡(luò)算法的研究與應(yīng)用[J].計算機與數(shù)字工程，2019，47（5）：1037-1041.

[13] 蔣銳鵬，姑麗加瑪麗·麥麥提艾力，安麗娜.基于長短期記憶神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別[J].計算機技術(shù)與發(fā)展，2020（2）：1-6.

[14] 趙小強，張和慧.基于交叉熵的改進NPE間歇過程故障檢測算法[J].控制與決策：1-7.

[15] 陳來.Knn算法在互聯(lián)網(wǎng)涉警輿情分析系統(tǒng)的應(yīng)用研究[J].通訊世界，2019，26（12）：165-167.

（收稿日期：2019.08.27）