基于BP神经网络算法的农产品跨境电商人才培养方案设计与应用

2020-06-29马百皓

微型电脑应用 2020年5期

马百皓

摘要：在经过广泛调研专业农产品跨境电商人才的知识体系和技能的基础上，总结分析专业农产品跨境电商人才具备的9大重要特征。利用这些特征量化收集得到的652份样本数据，建立基于BP神经网络的农产品跨境电商人才培养算法模型。实际应用结果表明，采用十字交叉验证方法进行验证，分类的准确度达到了95%，相比传统的KNN分类算法，分类精确度较高，节省了评估农产品跨境电商人才具有不同水准的人力物力，同时可以针对不同类别的跨境电商人才，提供精准培养，避免资源浪费。

关键词：BP神经网络;农产品;跨境电商;培养方案

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

跨境電商是不同国家之间的买卖双方借助互联网的电子商务平台来实现商品交易的一种新型的商贸方式，主要是将传统的进出口面对面交易方式转型为国际贸易电子化、网络化[1]。随着我国“一带一路”政策的落实，我国农产品跨境电商业务将会得到进一步的发展[2]，扩大农产品的发展渠道。《2018年信息经济报告》指出，预估到2018年年底，全球的农产品跨境电子商务将会占世界总贸易金额的30%～40%，而且将会按照较好的势头继续增长[3]，因此对农产品跨境电商人才的培养亦时不我待。

本文提出了一种农产品跨境电商人才培养算法模型，通过对专业的农产品跨境电商人才进行调研，获得农产品跨境电商人才的代表性知识结构特征，统计得出认同度较高的特征作为农产品跨境电商人才培养的分类重要指标;对量化的特征进行评估处理，采用BP神经网络对特征进行分类研究。相对传统KNN分类算法，采用BP神经网络对特征进行分类研究。以期为不同知识结构的农产品跨境电商人才提供不同的培养方案的能力提供参考。

1 农产品跨境电商人才培养模型构建

随着跨境电商行业成为贸易的主流，致使农产品跨境电商人才供不应求，为了高效评估跨境电商人才应该具备的知识体系和真实水准，往往需要消耗大量的人力和物力去评估，而得到的评估结果具有不可解释性。

特别对外资企业而言，在新兴的跨境电商大环境下，对电子商务人才的需求居高不下，急需专业型的跨境电子商务人才来加快企业的贸易与发展，但如何培养这些专业型的跨境电子商务人才成为了令人头疼的问题。一般情况下，农产品跨境电商行业的从业人员应该能熟练掌握计算机的基本操作，同时还能熟练使用英语与客户进行沟通交流，对农产品的保存、加工、检疫等流程做到了如指掌，了解有关跨境电子商务方面的财务管理以及市场的营销知识。针对不同农产品跨境电商人才，其掌握的知识结构是不一样的，需要针对不同种类的农产品跨境电商人才撰写不同的人才培养方案，而如何有选择性地提取农产品跨境电商的知识结构代表特征，如何进行高效的农产品跨境电商分类是培养高水平的跨境电商人才的重中之重。

1.1 农产品跨境电商人才特征选取

由于农产品跨境电商人才是一种复合型的人才，其具备的知识结构是由多方面构成的，既包含计算机技术的成分，同时也具备英语、商务、沟通、业务等不同的技能，如何在众多的技能中选择能够典型代表农产品跨境电商人才的特征作为分类的特征维度成为了模型构建的第一步[4]。

本文通过问卷调查和访谈法相结合的方式，对从业的农产品跨境电商专业人员展开了调查分析，目的是通过对这些专业人员的知识结构分析，找出刻画跨境电商专业人才的素质特征有哪些[1]。一共对专业的农产品跨境电商人员发下了1 000分调查问卷，这些专业的农产品跨境电商人员部分来自于淘宝、天猫、京东的销售人员，剩下来自于跨境电商公司，从事胶黏剂跨境工作3年以上，拥有丰富的经验，回收调查问卷962份，调查问卷的回收率为96.2%，具有代表性。

在对回收的调查问卷进行数据整理分析的结果中，通过分析调查问卷上的问题重要程度的比例，可以发现胜任农产品跨境电商人才需要具备的知识体系结构和特征，总体的调查结果分析表，如表1所示。

通过对上述962份调查问卷的调查结果分析，专业的农产品跨境电商人才普遍赞同“英语沟通能力”是非常重要的，“客户需求能力分析”能力是最不重要的。通过对表1的统计结果进行特征选取，手动选取重要程度超过80%的作为代表特征，这些特征依次为：“外语读写能力”、“外语沟通能力”、“店铺设计能力”、“在线交易流程熟悉度”、“外贸业务熟悉程度”、“潜在客户接触能力”、“海外市场零售的敏感度”、“互联网思维营销能力”以及“团队协作能力”。

通过选取以上的9个特征后，需要收集训练数据。在收集训练数据的阶段，选择某高职院校对外电商专业的652名学生，通过统计他们在这些课程方面的成绩和深入了解相关特征的属性值，将这些特征的值量化在[0，100]内，分数越高，表明在相关的属性特征上越优秀。训练数据的目标分类分为A、B、C 3个不同的类别，采用one-hot的方法进行标注，这3个类别分别代表“良好”、“及格”和“不及格”水平，针对“良好”的跨境电商人才只需提供少量的专业知识辅导，对于“及格”的跨境电商人才需要提供较多的专业知识辅导和资源，对于“不及格”的跨境电商人才需要倾泻大量的专业知识和人力、物力进行培养。

为了使得使用这652个有效数据进行BP神经网络的训练与评估，采用十字交叉验证[5]法将652条数据按照训练集：测试集的7：3比例进行划分，最后测出10次的交叉验证平均正确率的值作为评价指标。

1.2 农产品跨境电商人才分类模型

采用一个五层的BP神经网络[6-8]模型作为初始的分类模型，这个模型具有输入层为9个维度，输出层为3个维度的特征，中间隐层采用3层神经网络，维度分别是400、300和100。基于BP神经网络的农产品跨境电商人才分类算法模型的建立包括BP神经网络的构建、BP神经网络的训练和BP神经网络分类三步，具体的算法流程图，如图1所示。

从图1神经网络分类算法模型流程图可以看出，对于电商人才的分类，需要先构建BP分类神经网络，然后依据训练数据集对神经单元的参数进行训练，迭代至满足相应的条件停止，保存模型参数，然后对测试的数据集进行分类。

1.2.1 BP神经网络的构建

构建的BP神经网络从输入到输出的维度分别为（9，400，300，100，3），构造的神经网络模型，如图2所示。

图2中的隐藏层包含了3层的神经网络模型，构造的BP神经网络由1个输入层，3个隐藏层和1个输出层组成。对于第二层神经网络中的每一个神经节点来说，对于第一层输入的数据，经过线性变换，如式（1）所示。

如果隐藏层不采用激活函数，构造的BP神经网络模型将会是一个线性模型，只是简单具备数据的线性拟合能力，无法具备逼近真实的分类函数能力[9]，选用的激活函数为Sigmoid激活函数[10]，如式（2）所示。

BP神经网络的目标就是调整权重值和偏置值使得损失函数变小，求得损失函数最小值时对应的各个神经元的参数。

1.2.2 BP神经网络的训练

BP神经网络的训练阶段其实就是正向传播过程的调参过程，选用的梯度下降算法。在梯度下降算法的过程中，所有的训练模式都先提供一次，然后将对应的权值更新相加，只有这时网络里的实际权值才开始更新。这个过程将一直迭代知道某停止准则满足，相应的停止准则一般选为迭代的轮次数。

经过算法的推导，可以采用以下的式（6）、式（7）更新w（l）ij，b（l）i，2≤l≤L。

2 模型应用

实验的环境采用的是Windows10的操作系统，CPU型号为Intel（R） Core（TM） i7-8750H@2.20 GHz 2.1 GHz，内存为8 G，算法的实现采用的是基于Pytorch深度学习框架的Python语言实现的。在实验的过程中，按照1.1的十字交叉验证方法，每次随机按照0.7的比例选取456条数据作为训练数据，剩余的196条数据作为验证数据，实验进行10次，取10次的验证数据的准确度作为平均的准确率。实验的BP神经网络的学习率设置为α=0.28，迭代的次数设置epochs=1000，之所以选择学习率α=0.28，是因为在此参数下，对精确度影响较低，而迭代速度较快，能尽快地收敛。实验的结的损失函数趋势图，如图3所示。

有图3的实验数据可以看出，当迭代的次数大致达到800次的时候，模型的损失函数基本上达到了收敛的水平，待模型稳定后，就可以对模型进行验证数据的测试了，验证集测试的结果，如表2所示。

与传统的机器学习分类KNN算法[15]的比对结果，如表3所示。

经过十字交叉法的验证，本文基于BP神经网络提出的农产品跨境电商人才算法培养模型的分类准确率可以达到平均的95%，达到了实用的水平，相比传统的机器学习KNN分类算法，平均分类准确率有了很大的提升;同时对于A类的农产品跨境电商人才的培养只需提供少量的专业知识辅助就达到专业的跨境电商人才水平，省去了专门进行评估耗时耗力的方法;相反，对于C类农产品跨境电商人才，需要花费大量的资源培养外语、商务、沟通和计算机的水平，才有可能成为专业的农产品跨境电商人才。

3 总结

在经过广泛调查专业的农产品跨境电商人才所具备的职业素养和知识体系：

（1）提出了专业的农产品跨境电商人才所具备的“外语读写能力”“外语沟通能力”“店鋪设计能力”“在线交易流程熟悉度”“外贸业务熟悉程度”“潜在客户接触能力”“海外市场零售的敏感度”“互联网思维营销能力”以及“团队协作能力”9个最重要的特征;

（2）設计了采用BP神经网络进行农产品跨境电商人才分类模型。采用十字交叉验证跨境电商专业培养的652条数据进行验证，分类的准确度达到了95%。

农产品跨境电商人才模型节省了评估农产品跨境电商人才具有不同水准的人力物力，同时可以针对不同类别的农产品跨境电商人才，提供精准的培养，避免了资源的浪费。

参考文献

[1] 苏曼.跨境电商专业人才胜任素质模型研究[J].高等工程教育研究，2016（3）：170-174.

[2] 严淑芬，王志和.“一带一路”背景下我国农产品跨境电商发展现状及策略研究[J].电子商务，2019（6）：37-39.

[3] 张丹. 吸引力不断增强的中国市场[N]. 解放军报，2019-10-30（04）.

[4] 帅如. 以提升用户信任为导向的跨境电商服务设计研究[D].上海：华东理工大学，2018.

[5] 吴陈，张明华.基于最优朴素贝叶斯分类器的个人信用预测[J].江苏科技大学学报（自然科学版），2012，26（4）：376-380.

[6] 胡红萍，白黄琴，白艳萍，等.基于改进的遗传算法与人工神经网络的类流感的预测[J/OL].中北大学学报（自然科学版），2019（6）：1-8.（电子版，需提供网页）