基于BP神經網絡-協同過濾的云制造供應商推薦系統

趙曉宇

摘要：為更加準確的為制造服務需求方推薦制造服務供應商，提高云制造平臺的運行效率，本文將BP神經網絡與協同過濾算法相結合，構造了一個制造服務供應商推薦系統。系統結合了神經網絡強大的非線性擬合能力以及協同過濾推薦算法的可解釋性，從而更加精準的為制造服務需求方提供推薦服務。最終發現，本文提出的系統推薦準確率要優于傳統的協同過濾推薦算法。

Abstract： In order to recommend manufacturing service providers for manufacturing service demanders more accurately and improve the operational efficiency of cloud manufacturing platform， a manufacturing service provider recommendation system is constructed by combining BP neural network with collaborative filtering algorithm. The system combines the strong non-linear fitting ability of neural network and the interpretability of collaborative filtering recommendation algorithm， so as to provide more accurate recommendation services for manufacturing service demanders. Finally， it is found that the proposed system recommendation accuracy is better than the traditional collaborative filtering recommendation algorithm.

關鍵詞：云制造;BP神經網絡;協同過濾;推薦

Key words： cloud manufacturing;BP neural network;collaborative filtering;recommendation

中圖分類號：TP391.3 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）20-0128-03

0 ?引言

智能制造是實現制造企業信息化的重要途徑之一，而云制造是實現智能制造的一個重要方式。云制造主要運用互聯網技術搭建一個制造資源共享云平臺，平臺將匯集制造企業的剩余制造資源、制造能力，并將其提供給制造資源需求者。這種制造方式可以有效地降低制造資源需求方的制造成本，同時也能夠充分利用制造資源供應商的剩余制造資源。

制造服務推薦是云平臺的功能之一，快速準確地為制造資源需求方推薦制造資源供應商能夠有效提高云平臺的運作效率，同時也能夠極大的提升云平臺的用戶體驗。因此，提升云平臺制造資源供應商推薦準確率對于云平臺良好運營至關重要。

1 ?環境描述

在現實生活中，商品種類繁多，消費者往往只購買過其中一部分商品。然而，在其未購買過的商品中也許會存在符合消費者需求的某種商品，為了避免消費者錯過符合其需求的商品，應當為消費者進行合理準確的商品推薦。推薦已經逐漸成為了商品交易系統的一項基本功能，例如天貓、京東等電商平臺均已集成了商品推薦功能。

本文的目標是構建一個推薦系統，通過構建的推薦系統能夠更加精確的將制造服務供應商推薦至制造服務需求方出。精準的推薦能夠減少交易的時間成本，提高交易效率，另一方面也能夠增加云制造平臺用戶的用戶體驗，進而保證云平臺的良好運營。

本文假設存在一個云制造平臺，且平臺上具有多個參與者以及多種制造服務。當某一制造服務需求方購買其需求的制造服務后，需對制造服務供應商的當前次制造服務進行評分，評分角度應從制造平臺所設定的多個指標所出發。當用戶再次購買制造服務時，系統根據歷史數據為其進行制造服務供應商的推薦。

本文的研究背景正是基于這樣一種環境，符號描述如下所示：

①平臺參與者：m1，m2，m3，…，mN，其中mi為第i個參與則，其既可以作為制造服務供應商，也可以做作為造服務需求方。

②制造服務種類：s1，s2，s3，…，sp平臺共有p種制造服務，其中si為第i種制造服務。

③評價指標：i1，i2，i3，…，im，為m個評價指標，當制造服務交易完成后，制造服務需求方可以從這些指標出發，對當前制造服務供應商此次制造服務進行評分，分值為1～10分。

④Tb：每個平臺參與者作為制造服務sb供應商時，在各個指標上被評分的均值。如果制造服務供應商沒有該項制造服務，則其各個指標評分為均為0，如表1所示。

其中，vij表示第i個平臺參與者作為制造服務sb的供應商在第j個指標上的平均得分。

⑤Bb：制造服務sb的交易矩陣，如表2所示。

其中，tij表示mi購買mj的sb制造服務的次數。

⑥IDab：表示ma在購買制造服務sb的側重指標集合，例如IDab={i2，i5，i7}表示ma在購買服務sb時側重于i2，i5，i7這三個指標。

⑦Mb：表示所有供應商的sb制造服務在IDab指標上的平均得分，假設IDab=k，則Mb如表3所示。

顯然，表3為表1的一個子集。

⑧Eab：表中數值為ma提供過sb制造服務的供應商在側重指標IDab上的平均得分，假設側重指標總共有K個，Eab如表4所示。

最后一列為ma購買當前sb服務供應商的sb制造服務的次數，代表了ma對當前sb制造服務供應商的喜好程度。顯然表4為表3的一個子集。

2 ?模型構建

假設制造服務需求方為ma，所需求的制造服務種類為制造服務sb。針對ma的需求，通過模型計算，最終將制造服務sb供應商推薦優先級進行排序，之后推薦至制造服務sb需求方ma處。

2.1 BP神經網絡的構建

神經網絡是機器學習中常用的一種預測模型，由于隱層以及激活函數的存在，使得神經網絡具有了超強的非線性擬合能力。神經網絡既可以解決分類問題，也可以解決回歸問題，本文將運用神經網絡解決回歸問題。

本文首先構建一個三層bp神經網絡，將Eab作為神經網絡的訓練數據，每一行為一個樣本。Eab的第一列至倒數第二列為樣本特征數據，最后一列為樣本標記。

神經網絡輸入層神經元個數為IDab（IDab中元素的個數）個，隱層神經元個數為超參數需要進行進一步調節，輸出層神經元個數為1，最終輸出ma對當前制造服務供應商的喜好程度。神經網絡結構如圖1所示。

將某個制造服務sb供應商在IDab上的平均得分輸入至訓練后的神經網絡，輸出ma為對當前供應商的喜好程度。將表3再次輸入訓練好的神經網絡即可得到ma對于每個制造服務sb供應商的喜好程度，從中選出喜好程度最大的制造服務sb供應商記為mmax。

2.2 協同過濾推薦

協同過濾推薦算法是一種經典的推薦算法，其分為基于用戶的協同過濾算法以及基于物品的協同過濾算法，本文采用基于物品的協同過濾算法。

基于物品的協同過濾算法的核心思想為找到與目標用戶所喜好物品相似的物品推薦給目標用戶。如圖2所示，喜歡物品A的用戶都喜歡物品C，因此判定物品A與物品C較為相似，而ma喜歡物品A，因此可將物品C推薦給ma。

本文中需要運用表2找出與供應商mmax最相似的sb服務供應商，并按照相似程度進行排序，將相似度排名前q位的制造服務供應商推薦給ma。

3 ?算例分析

考慮在一個云平臺上共有100家企業，記為m1，m2，…m100;云平臺上總共有20種制造服務，記為s1，s2，s3，…，s20;20個評價指標，記為i1，i2，i3，…，i20。通過尋找100個具有相關專業背景的本科生作為云平臺參與者進行情境模擬，并獲取相關數據。

現制造服務需求方m15需要購買制造服務s3，T3如表5所示。

之后，運用python編程語言，通過第三方深度學習框架tensorflow進行神經網絡的搭建，接著將E153中的數據進行隨機劃分，其中25%的數據作為測試集用于模型測試，剩余75%的數據作為訓練集用作模型訓練，訓練過程中訓練集及測試集損失函數值如圖3所示。

通過神經網絡訓練過程中訓練集以及測試集的損失函數值的變化趨勢可以看出神經網絡迭代訓練至5000次時已經收斂。與此同時還可以看出，測試集損失要低于訓練集損失，也就表明模型具有一定的泛化能力。

之后，將M3再次輸入神經網絡獲得m15對于所有供應商的喜好程度，其中喜好程度最大的供應商為m65，其喜好程度為30.20369。

式中d（x，y）表示x，y之間的歐氏距離。顯然，歐氏距離越大則相似度越小。未對m15提供過制造服務s3的制造服務供應商按照與m65的相似度進行排序，將相似度排名前10位的制造服務供應商推薦至制造服務需求方，相似度從大到小前10名的制造服務供應商依次為m65，m34，m32，m6，m45，m83，m91，m41，m22，m82，隨后將其推薦至制造服務s3需求方m15處。

最終通過10次試驗對比發現bp神經網絡-協同過濾算法的推薦準確率要優于單純使用協同過濾算法，如圖4所示。

4 ?結論

為了提高云制造供應商推薦準確率，本文通過將神經網絡與協同過濾算法相結合，構建了一個云制造供應商推薦系統。推薦系統綜合了神經網絡的非線性擬合能力以及協同過濾算法的可解釋性。所提出的推薦系統的具體工作流程為：①運用歷史數據以及所構造的神經網絡可以預測得知制造服務需求方對于制造服務供應商的喜好程度。②獲取制造服務需求方喜好程度最高的制造服務供應商并計算其與其他供應商的相似度。③隨后按相似度從高到低對供應商進行排序，將相似度較高的制造服務供應商推薦至制造服務需求方。最后，運用提出的系統進行了算例分析，通過模擬100家制造企業之間的交易來獲取數據。運用所得數據對神經網絡進行訓練，最終為制造服務需求方進行供應商推薦。通過10次實驗發現，本文提出的系統推薦準確率均高于單獨使用協同過濾算法的推薦準確率。

參考文獻：

[1]馬言春，彭志平.基于市場機制的云服務管理研究[J].計算機技術與發展，2012（3）：214-216.

[2]王宗武.基于用戶聚類的協同推薦算法研究[D].廣東工業大學，2013.

[3]高睿.基于深度神經網絡的視頻個性化推薦系統研究[D].深圳大學，2017.

[4]孫曉琳.云制造環境下供應商匹配方法研究[D].2016.

[5]印桂生，崔曉暉，馬志強.遺忘曲線的協同過濾推薦模型[J]. 哈爾濱工程大學學報，2012，33（01）：85-90.

[6]榮輝桂，火生旭，胡春華，等.基于用戶相似度的協同過濾推薦算法[J].通信學報，2014（2）.

[7]練緒寶.基于排序學習和卷積神經網絡的推薦算法研究[D].大連理工大學，2016.

[8]程磊，高茂庭.基于深度神經網絡的推薦算法[J].現代計算機（專業版），2018（22）：5-9.