【摘要】针对物流服务平台中入驻商家、平台客户难以根据自身需求选择合适的基本物流服务和增值物流服务问题ꎬ提出了考虑多用户需求的物流服务推荐方法ꎮ首先ꎬ分析入驻商家、平台客户对物流服务种类、时效、质量等要求ꎬ构建了多用户需求体系ꎮ随后ꎬ构建物流服务知识图谱ꎬ提出了基于Ｃｙｐｈｅｒ语言和ＡＨＰ的物流服务推荐和评估方法ꎮ最后ꎬ以某物流平台案例对上述方法进行验证ꎬ结果表明该方法能筛选出适合不同用户的个性化物流服务方案ꎬ且效率提升了８０％ꎬ具有较好的应用前景ꎮ

　　【关键词】物流服务;知识图谱;用户需求;层次分析法;服务推荐

　　１引言

　　随着电子商务的迅速发展ꎬ专门提供物流服务的平台应运而生ꎬ这些物流服务平台除提供最基础的物流基本服务外ꎬ还包括各类物流增值服务ꎬ极大地增强了便利ꎬ压缩了物流成本[１]ꎮ然而ꎬ物流服务平台的对象不仅包括入驻平台的商家ꎬ还包括在这些商家中购物的消费者ꎬ他们对物流服务有着各种的需求ꎬ如何从平台提供的各类物流服务中筛选出合适的服务ꎬ以满足入驻平台商家和消费者的需求ꎬ成为不容忽视的一个难点ꎮ

　　在物流服务的研究中ꎬＱｉｎＸ等研究了电子商务市场中销售模式与物流服务策略的最佳组合问题ꎬ通过比较四种场景来确定销售模式和物流服务策略之间的最佳组合ꎬ但没有考虑具体物流服务种类对销售模式的影响[２]ꎮＣｈｅｎＬ等研究了制造商和零售商如何在两种物流服务策略(即制造商提供的物流服务和零售商提供的物流服务)之间做出战略性决策问题ꎬ研究发现当零售商在没有公平性考虑的情况下提供物流服务时ꎬ可以实现“双赢”的结果ꎬ然而没有考虑其他用户如消费者的影响[３]ꎮＷａｎｇＸ等研究了区块链平台物流服务交易匹配ꎬ构建了区块链平台物流服务交易满意度评价指标体系ꎬ根据物流服务用户和提供者的评价指标进行匹配ꎬ设计的多目标优化模型及算法能让匹配更加准确ꎬ但缺少对物流服务中多个用户的考虑[4]ꎮ

　　在服务推荐的研究中ꎬ孙山鑫研究了面向快件物流领域的知识图谱构建和语义搜索方法ꎬ认为快递公司未能有效地挖掘用户的潜在需求ꎬ导致用户难以表达更多需求ꎬ快递公司也难以针对用户特性提供个性化服务ꎬ因此提出设计并实现一个面向普通用户和行业企业的快件物流服务语义搜索系统ꎬ将构建好的快件物流知识图谱运用到系统中ꎬ为普通用户提供在线的服务搜索功能[5]ꎮ冯旭提出了基于知识图谱的冷链物流政策问答系统研究ꎬ解决了如何有效地从海量数据中提取有效信息的问题[6]ꎮ李坚飞等通过构建知识图谱ꎬ对我国服务供应链的发展现状、演化趋势及热点问题进行了研究ꎬ对于充分把握现有的理论演进路径、研究热点及发展方向ꎬ提供了理论借鉴[7]ꎮ潘王蕾将知识图谱与情绪评分相结合进行服装个性化推荐ꎬ基于文献梳理与专家访谈ꎬ结合电商平台服饰特性调查ꎬ构建服饰知识图谱ꎬ并结合电商平台服饰的情感特征ꎬ构建服饰综合情感评分模型ꎬ进而将服饰知识图谱与情感分析模型相结合ꎬ构建服装个性化推荐系统[8]ꎮ

　　上述文献对物流服务与推荐的内容进行了研究ꎬ为本文物流服务推荐提供了支撑ꎬ但是现有文献没有考虑到多用户的需求ꎬ因此ꎬ本文考虑了物流服务平台入驻商家、物流服务平台客户的多用户服务需求ꎬ构建相应的需求体系ꎬ以某物流服务平台为数据来源ꎬ构建出相应的物流服务知识图谱ꎬ采用基于Cypher语言的物流服务推荐方法ꎬ筛选出初步的物流服务方案ꎬ最后采用层次分析法对物流服务方案进行优选ꎬ提供更加有针对性的个性化物流服务方案ꎮ

　　2方法框架

　　本文所提方法的具体流程如图1所示ꎬ主要包括:①多用户物流需求分析:分析商家和客户的物流服务需求ꎬ将数据存储在数据表格中ꎻ②物流服务知识图谱构建:用python导入表格数据形成关系型数据结构ꎬ存储于neo4j图数据库中ꎻ③物流服务推荐:采用基于Cypher和AHP的推荐方法进行物流服务方案推荐ꎮ

　　2.1多用户物流需求分析

　　物流市场中平台入驻商家需求和平台客户需求呈现个性化和多样化ꎬ平台入驻商家通常指在某个商业平台上注册并经营业务的商家ꎬ这些商家通过平台提供的服务或渠道ꎬ向消费者销售产品或提供服务ꎻ平台客户通常指使用或购买某个商业平台上商品或服务的个人ꎬ他们是平台经营者所服务的主要对象ꎬ通过平台的功能和服务来满足其需求或解决问题ꎮ通常ꎬ物流服务提供商在物流服务交易平台发布物流服务信息ꎬ客户在平台上发布物流需求信息ꎬ平台入驻商家接收客户物流需求信息ꎬ在物流服务平台上选择合适的物流服务提供商ꎬ物流服务交易流程图如图2所示[9]ꎮ

　　通常情况下ꎬ客户物流需求信息主要关注价格、时效、载重等ꎬ而商家物流需求信息除了关注客户物流需求外ꎬ还需要关注物流服务提供商信息ꎮ对于客户物流需求信息ꎬ以某物流服务提供平台为例ꎬ通过爬虫技术爬取该平台客户需求信息ꎬ提取出关键数据ꎬ选出所有需求数据中数量最多的前十五位ꎬ分别为运输时间、运输价格、运输地点、送货上门、包装服务、短信通知、上门接货、自行送货、代收货款、等通知放货、是否含有工本费、是否收取燃油附加费用、自行提货、签收回单、货物保价等ꎮ而对于商家物流需求信息ꎬ除了考虑客户物流需求信息外ꎬ通过文献资料、平台调研发现ꎬ当商家选择物流企业时ꎬ更倾向于选择信誉良好、知名品牌、规模大的企业[10]ꎮ因为信誉良好的企业通常能够提供更可靠、更安全的物流服务以及更好的售后物流保障服务ꎬ避免了可能的损失或延误ꎻ而品牌好的企业往往具有丰富的经验和专业的团队ꎬ他们能够提供更加专业、高效的物流服务ꎬ同时拥有完善的物流网络和先进的技术设备ꎬ能够提供更快速、更精准的配送服务[11]ꎬ这类企业往往对服务质量和用户体验有着严格的要求和管理ꎬ他们努力维护自己的品牌形象ꎬ确保每一位用户都能获得满意的服务ꎻ规模大的企业通常拥有更严格的质量控制和管理制度ꎬ确保每一个环节都符合标准和要求ꎬ这种制度化的管理方式使得用户能够更加放心地将货物交付给这些企业进行处理ꎮ

　　根据在物流服务过程中是否收取额外费用ꎬ将物流服务分为基本物流服务和增值物流服务ꎻ送货上门、包装服务、短信通知、上门接货、自行送货、代收货款、等通知放货、是否含有工本费、是否收取燃油附加费用、自行提货、签收回单、货物保价等通常会涉及到额外收费ꎬ将这十二类归类为增值物流服务ꎬ而运输时间、运输价格、运输地点等则归类为基本物流服务ꎬ因此将客户需求分为物流基本服务需求和物流增值服务需求ꎻ对于商家对物流服务提供商的规模、品牌、信誉的需求ꎬ可归类为企业形象需求[12]ꎬ根据以上构建多用户需求体系如图3所示ꎮ

　　2.2物流服务推荐方法

　　2.2.1物流服务知识图谱构建

　　物流服务知识图谱主要由模式层和数据层构成ꎬ模式层是通过自顶向下的方式预先通过文献资料、专家和平台三方面明确属性值ꎬ定义了实体属性之间的关系并进行知识体系构建ꎮ数据层是基于模式层ꎬ采用自底向上的方法构建ꎬ底层是对物流服务平台数据源进行信息获取ꎬ基于模式层所列出的元素和已定义的属性值展开知识抽取、知识融合和存储等过程ꎬ从而完成知识图谱的构建[13]ꎮ

　　在模式层的构建中ꎬ主要是对物流服务平台各物流公司提供的物流服务进行属性关系划分ꎬ明确各服务属性ꎮ通过上文多用户需求分析总结服务类型种类ꎬ从得到的表格数据中划分物流服务属性ꎬ明确属性值得到三元组<物流公司ꎬ属性ꎬ属性值>ꎬ完成知识体系的构建[14]ꎮ如图5所示ꎮ

　　在数据层中ꎬ爬取某物流服务平台的数据ꎬ存储于数据表格中ꎻ知识抽取包含实体抽取和关系抽取ꎬ根据知识获取部分可知ꎬ物流服务平台物流公司服务包含属性及属性值的表格ꎬ是对实体的结构化总结ꎮ结构化数据可以直接从中提取实体相关的属性及属性值ꎬ简化了知识抽取过程ꎬ提高了工作效率ꎮ根据模式层中物流公司实体属性的定义对网页中获取的知识进行实体关系抽取ꎬ剔除网页中的冗余信息和不相关信息ꎬ如“公司编号”等属性词ꎬ过滤后得到较为纯净的语料ꎬ构成<物流公司ꎬ属性ꎬ属性值>三元组数据ꎮ知识融合任务是对同类知识进行融合ꎬ对已有知识图谱进行补充、更新和去重ꎮ本论文以模式层物流服务知识体系中的属性值为理论标准ꎬ对于数据层中知识抽取得到的属性值呈现出同类的名词进行融合ꎬ从而保证知识图谱中的数据一致性和准确性ꎮ在知识存储中ꎬNeo4j作为基于文件的数据库ꎬ在运用过程中不需要启动数据库服务器ꎬ可直接在本地进行操作ꎬ有利于提高访问速度ꎮ本论文基于Python导入多用户需求分析中处理好的表格数据ꎬ形成关系型数据结构ꎬ运用Neo4j图数据库存储系统对结构化数据进行存储ꎬ将Python与Neo4j desktop联合使用ꎬ进行物流服务知识图谱的构建ꎬ通过表1中代码可实现对上述物流服务知识图谱的构建ꎮ

　　2.2.2基于知识图谱的物流服务方案推荐

　　物流服务知识图谱推荐主要根据多用户需求ꎬ推荐相关满足对应服务的物流公司ꎮ构建的知识图谱可以展示各物流公司的物流服务信息ꎬ但用户在面对众多的物流公司以及各种物流服务时ꎬ难以选择满足需求的物流服务公司ꎬ因此需要根据多用户需求对物流公司进行筛选ꎬ推荐流程如图６所示[１５]ꎮ

　　基于Ｎｅｏ４ｊ框架ꎬ采用Ｎｅｏ４ｊ内置的查询语言Ｃｙｐｈｅｒꎬ通过挖掘多用户需求设置需求条件ꎬ在构建的物流服务知识图谱数据库中初步筛选出满足客户物流服务需求的物流公司ꎬ查询部分代码如表２所示ꎮ

　　通过知识图谱的查询匹配功能ꎬ可初步筛选出满足多用户需求的物流公司ꎬ每个公司对应一种物流服务方案ꎬ输出结果为一个物流公司方案的为最优方案ꎻ对于输出结果有多个物流服务方案的ꎬ采用层次分析法对这些物流服务方案进行评价ꎬ最后通过打分排序ꎬ选出最优物流服务方案ꎮ

　　具体做法为将物流服务方案评价设为目标层ꎬ将企业形象、物流基本服务、物流增值服务设为准则层ꎬ而方案层则是构建的物流服务知识图谱中用查询算法初步筛选出的物流服务方案ꎬ最后通过判断矩阵的构造、计算相对权重、一致性检验、计算综合权重等步骤ꎬ对各个方案进行排序来为用户推荐最佳方案[１６]ꎮ

　　３应用分析

　　本文选择某物流服务平台作为实验对象ꎮ该平台是将配送、仓储、货运等各种类型物流公司结合起来的线上物流服务平台ꎬ为客户提供在线送货价格比较、在线下单、即时运输和售后服务等一站式的物流服务ꎬ该系统还实现了网上价格查询、网络浏览、网上下单、物流信息追踪等功能ꎮ平台主要为两类用户提供服务ꎬ首先就是那些对物流服务有需求的商家ꎬ平台能够很好地满足他们日益增长的物流需求ꎬ为他们提供更加有效、更加方便的在线物流下单购体验ꎬ在这里商家可以首先查询相关的物流和配送服务信息ꎬ然后直接在线下单给物流公司ꎻ其次是物流服务提供商ꎬ平台可以帮助他们获取订单ꎬ扩大市场份额ꎬ并帮助物流服务提供商优化流程和跟踪物流信息ꎮ目前ꎬ该平台已积累了顺丰物流、韵达快递、百世物流等多家第三方物流公司ꎬ虽然需要物流服务的商家可以通过该平台很容易地查找到物流企业所提供的物流服务ꎬ从而免去了诸如打电话询问等问题ꎮ但是ꎬ由于该平台覆盖了很多的物流服务ꎬ实际质量未知ꎬ而且物流增值服务的透明度不高ꎬ商家需要花费更多的时间和成本来筛选信息ꎮ因此ꎬ本章将基于该平台上的实际物流服务数据ꎬ并基于该数据集ꎬ利用知识图谱进行个性化物流服务推荐ꎬ并采用层次分析法评估推荐结果[１８－１９]ꎮ

　　３.１数据集

　　数据采集使用八爪鱼爬虫工具从物流服务平台抓取广州至深圳、广州至广州、广州至韶关、广州至珠海、广州至汕头、广州至佛山六条线路的物流服务数据ꎮ物流服务主要包括物流服务提供商名称、运输起点、运输终点、运输时效、运输方式、重货价格、轻货价格、运费起步价、增值服务信息等ꎮ经过重复值、异常值等处理最终得到实验所需２０１项物流服务方案ꎮ

　　３.２基于知识图谱的物流服务推荐方法

　　将爬取获得的数据ꎬ通过Ｎｅｏ４ｊ与Ｐｙｔｈｏｎ软件进行物流服务知识图谱构建ꎬ所构建的知识图谱主要包括以下内容:物流服务提供商名称、运输起点、运输终点、运输时效、重货价格、轻货价格、运费起步价、增值服务信息等ꎮ

　　３.３基于层次分析法的物流服务方案优选

       ３.３.１方案概况

　　通过构建好的物流服务知识图谱ꎬ利用查询算法可以筛选出符合要求的物流公司ꎬ本文以从“广州”到“佛山”为例ꎬ限制条件为运输时间两天以内(包含两天)ꎬ运费起步价小于２０元ꎬ运输货物单价为重货１元每公斤ꎬ需要提供的增值服务为“送货上门”ꎬ在知识图谱中筛选出符合条件的6家物流公司ꎬ分别为景光物流、信丰物流、加运美速递、天地华宇、盛辉物流、平安达腾飞快递等ꎮ

　　3.3.2层次结构模型

　　根据2.2.2提到的物流服务方案推荐方法ꎬ构建出的层次结构模型如图8所示ꎮ

　　其中ꎬB1为企业的规模、品牌、信誉等ꎬB2为运输时间、运输价格、运输地点等ꎬB3为增值服务中的上门接货、代收货款、短信通知、包装服务、燃油附加、自行送货、货物保价、送货上门、签收回单、工本费、等通知放货、自行提货等ꎮ

　　3.3.3层次总排序及一致性检验

　　本文邀请了若干名物流领域的专家ꎬ对不同指标层、不同指标之间的重要性等级通过九分制进行评判ꎮ利用SPSSPRO软件对判断构造矩阵和一致性矩阵的差异程度进行一致性检验ꎬ并计算各指标的相对权重ꎬ计算结果如表3所示ꎮ

　　计算各方案的目标权值ꎬC1、C2、C3、C4、C5、C6对目标层的权值分别为0.319、0.095、0.046、0.120、0.269、0.151ꎮ

　　根据方案得分结果ꎬ景光物流相比其他五个物流公司ꎬ在企业形象、物流基本服务、物流增值服务三个方面中综合得分最高ꎬ推荐景光物流为优先考虑的物流服务方案ꎮ

　　3.4讨论

　　为了验证本文所提方法的实用性ꎬ我们设置了一个对比实验进行分析ꎬ一组不用于构建物流服务推荐知识图谱ꎬ只用于物流服务平台的网页推荐ꎬ一组用于本文方法的推荐ꎮ客户需求设置为上文3.3.1中的条件ꎬ物流服务平台网页推荐结果如图10所示ꎮ

　　由图10可知平台网页推荐总共得出30个物流服务公司ꎬ用户需要花费大量时间去对这些物流公司进行判断ꎬ通过本文构建的物流服务知识图谱查询推荐得出的结果为6个物流服务公司ꎬ替用户筛选出了24个不满足用户需求的物流服务公司ꎬ效率提升了80%ꎬ最后运用层次分析法对6个物流服务公司方案进行评分排序ꎬ为用户推荐适合的物流服务方案ꎮ

　　同时为了验证该方法的有效性ꎬ我们对网页推荐的30个物流公司逐个进行了分析ꎬ分别在物流服务平台上查看该30个公司的运输时间、运输价格以及能够运输的地点ꎬ同时查看公司能够提供的增值服务种类ꎬ对于该30个公司的品牌、规模、信誉ꎬ则从公司官网验证ꎬ结果表明只有6个公司符合3.3.1中设置的条件ꎬ该6个公司与文章采用的方法推荐出的6个公司一致ꎮ

　　4总结

　　本文从物流服务提供平台入驻商家需求和客户需求角度出发ꎬ构建了多用户需求体系ꎬ提出了基于知识图谱和层次分析法的物流服务推荐方法ꎮ实验验证表明ꎬ相比传统方法ꎬ该方法效率提升了80%ꎮ该方法虽能帮助用户选择满足对应需求的物流服务ꎬ但通过知识图谱查询出初步物流服务方案后ꎬ考虑到企业形象评判中ꎬ难以用数据的形式表达出来ꎬ使用层次分析法进行了一个筛选ꎬ会带来一定的主观性ꎬ未来将考虑结合其他方法来消除主观影响ꎬ进一步增强我们研究的全面性和实用性ꎮ

[参考文献]

　　[１]徐顺顺.基于在线评论的生鲜电商物流服务质量评价研究[Ｄ].上海:东华大学ꎬ２０２３.

　　[２]ＱｉｎＸꎬＬｉｕＺꎬＴｉａｎＬ.Ｔｈｅｏｐｔｉｍａｌｃｏｍｂｉｎａｔｉｏｎｂｅｔｗｅｅｎｓｅｌｌｉｎｇｍｏｄｅａｎｄｌｏｇｉｓｔｉｃｓｓｅｒｖｉｃｅｓｔｒａｔｅｇｙｉｎａｎｅ－ｃｏｍｍｅｒｃｅｍａｒｋｅｔ[Ｊ].ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅｓｅａｒｃｈꎬ２０２１ꎬ２８９(２):６３９－６５１.

　　[３]ＣｈｅｎＬꎬＤｏｎｇＴꎬＰａｎｇＭꎬｅｔａｌ.Ｌｏｇｉｓｔｉｃｓｓｅｒｖｉｃｅｓｔｒａｔｅｇｙｆｏｒｅ－ｃｏｍｍｅｒｃｅｓｕｐｐｌｙｃｈａｉｎ:Ｉｎｔｅｒａｃｔｉｖｅｉｍｐａｃｔｓｏｆｃｏｓｔｒｅｄｕｃｔｉｏｎｅｆｆｏｒｔａｎｄｆａｉｒｎｅｓｓｃｏｎｃｅｒｎ[Ｊ].ＭａｎａｇｅｒｉａｌａｎｄＤｅｃｉｓｉｏｎＥｃｏｎｏｍｉｃｓꎬ２０２４ꎬ４５(２):１０６７－１０８９.

　　[４]ＷａｎｇＸꎬＺｈａｏＣꎬＷａｎｇＹꎬｅｔａｌ.Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌａｎｄａｌｇｏｒｉｔｈｍｏｆｌｏｇｉｓｔｉｃｓｓｅｒｖｉｃｅｔｒａｎｓａｃｔｉｏｎｍａｔｃｈｉｎｇｏｎｂｌｏｃｋｃｈａｉｎｐｌａｔｆｏｒｍ[Ｊ].ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔａｔｉｏｎａｌＭｅｔｈｏｄｓ　ｉｎＳｃｉｅｎｃｅｓａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬ２０２１ꎬ２１(６):１８４３－１８５５.

　　[５]孙山鑫.面向快件物流领域的知识图谱构建和语义搜索方法研究[Ｄ].哈尔滨:哈尔滨工业大学ꎬ２０２０.

　　[６]冯旭.基于知识图谱的冷链物流政策问答系统研究[Ｄ].西安:西安电子科技大学ꎬ２０２３.

　　[７]李坚飞ꎬ黄福华ꎬ任理.服务供应链领域研究热点与前沿的知识图谱—基于ＣｉｔｅＳｐａｃｅⅣ的计量分析[Ｊ].商学研究ꎬ２０１８ꎬ２５(０６):７０－７９.

　　[８]潘王蕾.融合知识图谱和情感评分的连衣裙个性化推荐[Ｄ].杭州:浙江理工大学ꎬ２０２１.

　　[９]王义勇.基于Ｓｐａｒｋ框架的智慧物流服务推荐系统研究[Ｊ].信息与电脑(理论版)ꎬ２０２１ꎬ３３(２０):１１３－１１５.

　　[１０]贾贺ꎬ刘辉ꎬ卜新魁ꎬ等.基于知识图谱的泵站运行方案智能推荐与优化[Ｊ].人民黄河ꎬ２０２４ꎬ４６(０４):１２５－１３０.

　　[１１]王帆.基于主成分分析法的电商物流供应商评价选择优化研究[Ｊ].物流工程与管理ꎬ２０２２ꎬ４４(４):７７－８０.

　　[１２]伍娟娟.基于非负矩阵分解的个性化物流配送服务推荐研究[Ｄ].长沙:中南林业科技大学ꎬ２０２１.

　　[１３]牟进进ꎬ王淑云.跨境电商供应链物流增值服务的优化决策[Ｊ/ＯＬ].中国管理科学ꎬ１－１３.

　　[１４]潘王蕾.融合知识图谱和情感评分的连衣裙个性化推荐[Ｄ].杭州:浙江理工大学ꎬ２０２１.

　　[１５]陈佳媛ꎬ张璐.基于主成分分析法的城市物流竞争力评价及物流网络优化路径研究—以广东省为例[Ｊ].上海市经济管理干部学院学报ꎬ２０２４ꎬ２２(０２):２８－４５.

　　[１６]赵婉如ꎬ赵璐铭ꎬ刘芳ꎬ等.基于ＡＨＰ－ＤＥＭＡＴＥＬ的公路大件运输事故风险因素分析[Ｊ].物流工程与管理２０２４ꎬ４６(０６):８７－９０.

　　[１７]沈燕红ꎬ黄静ꎬ张莎莉ꎬ等.基于ＦＡＨＰ和云模型的智能制造企业数字化成熟度评价研究[Ｊ].物流工程与管理ꎬ２０２４ꎬ４６(０４):８９－９２＋７５.

　　[１８]翟慧慧.用户不完全信息下物流平台增值服务投资策略研究[Ｄ].芜湖:安徽工程大学ꎬ２０２３.