面向高端裝備制造業的個性化推薦服務研究

丁宅榮 李松江

摘? 要：文章圍繞哈長城市群綜合科技服務，構建了面向高端裝備制造業的個性化推薦服務。通過分析高端裝備制造業科技服務供需方需求，提出了面向高端裝備制造業個性化推薦服務的架構思路，基于四個層面層層剖析其中的內容與作用，闡述了架構功能的原理與具體實現，從而實現向用戶精確、個性化推薦服務，有效改善信息傳播途徑資源重用率低下問題。

關鍵詞：哈長城市群;高端裝備;科技服務平臺;推薦技術;個性化推薦

中圖分類號：TP391.3;TP242? ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）17-0145-04

Abstract：This paper constructs a personalized recommendation service for high-end equipment manufacturing industry based on the comprehensive science and technology services of Harbin-Changchun megalopolis. By analyzing the demand of high-end equipment manufacturing industry for science and technology service providers，this paper puts forward the idea of personalized recommendation service architecture for high-end equipment manufacturing industry. Based on four levels of analysis of its content and role，this paper expounds the functional principle and specific implementation of the architecture，so as to achieve accurate and personalized recommendation service for users，and effectively improve the low reuse rate of information dissemination resources.

Keywords：Harbin-Changchun megalopolis;high-end equipment;technology service platform;recommendation technology;personalized recommendation

0? 引? 言

高端裝備制造產業作為戰略性新興產業，以高端技術為引領，地處產業鏈核心，是推動工業轉型升級的引擎，能夠顯著提升一個國家或地區的核心競爭力，因此，高端裝備產業成為各個國家和地區的必爭之地。圍繞高端制造產業建立科技服務平臺能夠有效實現資源整合、共享和重用，提升高端裝備制造企業生產效率，強化科技創新與合作，積極推進我國高端制造業發展[1]。隨著信息量的急劇增長，用戶獲取的信息面臨著過載的問題，使得在服務過程中難以有效地實現供需方精準對接。而以用戶為中心的智能推薦服務，通過分析用戶歷史交互行為，將用戶關注的信息主動推送出來，有助于提升用戶的交互體驗，實現精準定位，滿足個性化需求[2]。為整合哈長城市群科技服務資源，長春理工大學參與了“哈長城市群綜合科技服務平臺研發與應用示范”項目，對哈長城市群面向高端裝備制造領域的科技服務SaaS應用進行研發與部署。本文基于此，旨在分析高端裝備制造企業服務需求，構建智能推薦服務體系架構，實現供需方資源的精準對接，從而進一步提升科技服務質量。

1? 個性化推薦概述

個性化推薦的主要功能是發揮網絡以及大數據的優勢，進行海量數據統計計算并篩選出有效信息，其本質是匯聚不同個體特征重塑認知、構建模型再到精準推薦的過程。WebWatchet、LIRA、Letizia這三大系統于1995年由美國學者所第一次展示，標志著個性化服務系統的開始，之后我國對于個性化推薦技術的研究也逐漸興起。2000年，我國正式開始了個性化推薦系統的研究，并逐步從理論走向實踐。國內首個推薦系統科研團隊百分點信息科技有限公司于2009年7月于北京成立，該團隊專注于研究推薦引擎技術與解決方案，并在其推薦引擎技術與數據平臺上為國內外多家知名電子商務網站提供實時的推薦服務。2011年9月，在2011百度世界大會上，李彥宏團隊首先將搜索引擎以及推薦引擎與云計算并列為未來互聯網重要戰略規劃以及發展方向，百度的新首頁將逐步實現為用戶提供個性化地、智能地推薦出用戶喜歡的網站和常用APP的服務[3]。諸如淘寶商品推薦、京東商品推薦、瓜子網等二手交易平臺的智能推薦等等。個性化推薦服務的實踐為行業帶來服務質量的提升：一方面，不同于“一對多”的搜索推薦服務，個性化推薦通過研究用戶平臺歷史交互信息，獲取用戶不同層次的需求，生成更貼近于用戶的個性化需求的結果，貼合用戶的興趣偏好，屬于“一對一”式的科技信息推薦服務，即服務平臺所提供的個性化、精準化的推薦服務;另一方面，個性化推薦可以幫助用戶提高查找效率，降低用戶用于搜索相關需求服務信息所耗費的成本和精力，提升用戶平臺使用滿意度并且增強用戶對平臺服務的黏度。

個性化推薦服務的通用模型如圖1所示，由四個主要部分組成：用戶、用戶模型、個性化推薦算法以及推薦對象模型。個性化推薦服務由推薦系統負責采集用戶和所推薦對象的各種屬性和特征，構建出用戶特征畫像，進而建立起用戶模型，個性化推薦算法從用戶模型提供的數據中獲取數據并構建出推薦對象模型，智能篩選出用戶可能感興趣的內容并進行推薦。

2? 供需方分析

2.1? 需求方分析

高端裝備是指技術含量高、資金投入量大、涉及領域多，通常情況下需要通過跨領域、跨行業、跨地區的合作才能完成的一類裝備。傳統的信息媒介的資源聚合度以及效率普遍較低，無法滿足高端裝備制造業的設計流通需求，而新式的科技服務平臺因為具有資源整合、復用以及個性化推薦等特點能夠解決這一矛盾。高端裝備制造產品的制造流程多種多樣，包括了來自專業設計公司進行的基于互聯網與物聯網的研發設計、車間工廠進行的生產流通等多種不同的部分;每部分都需要根據裝備具體的個性化需求進行優化設計并精進生產工藝以達到大規模、低成本、個性化生產的目標。構建哈長城市群高端裝備制造業科技服務平臺個性化需求推薦服務，能夠更好地利用平臺交互數據，如搜索形成的個性化關鍵詞、用戶歷史交互行為偏好等，分析需求方的個性化需求，將匹配度最高的供應方以推薦列表的形式呈現給需求方，降低了需求方在海量冗余信息中尋找符合其要求的信息的難度，使需求方與供應方的對接更加平滑，能夠極大地提升了用戶的使用效率。

2.2? 供應方分析

介于在需求方分析中討論的高端裝備的特性，企業也無法保證可以獨立生產高端裝備，所以就需要多級供應商的協助。由于高端裝備的覆蓋面十分龐大，小到微電子的制造，大到交通運輸設備及航空航天領域設備的制造，比如有軌電車的設計制造與拼接、小型通信衛星的設計制造等。形形色色的供應商都有著自己專精的技術，這同時也正是適應不斷發展的個性化需求所必要的。在傳統的供需平臺上，眾多供應方信息加上需求方發布的各式各樣的個性化需求服務，這些信息匯聚成一股龐大的信息洪流，使供應方無法在其中精準地獲取到有用的需求信息，加重了供應方的負擔。而哈長城市群高端裝備制造業科技服務平臺提供的個性化推薦系統可以準確地提取出需求中的個性化關鍵詞，與供應商上傳的主營方向進行匹配，將需求方主營業務下的需求信息智能地推送到供應方界面，實現快速供需對接，實時更新，充分借助互聯網和大數據等新興信息技術匯聚制造資源和社會化的智慧資源的優勢。

3? 高端裝備制造產業供需方個性化推薦系統架構

哈長城市群高端裝備制造業科技服務平臺供需方個性化推薦系統架構如圖2所示，其主要由四個部分組成：數據基礎層、數據處理層、軟件服務層以及用戶服務層。下文將分別對這四個部分進行詳細介紹。

3.1? 數據基礎層

主要存儲供應方以及需求方的個人信息以及交易記錄，其數據的組成與用戶畫像類似[4]。個人信息包括了供需雙方的基本信息，比如個人偏好、注冊資金、業務方向等一系列有意義的信息，可以為個性化推薦算法提供基礎的計算數據。交易記錄主要是包含了用戶的訂單信息，例如供應方發布的主任務與子任務信息、需求方申請的任務信息等。這些數據可以直接或間接地表達出用戶對于某種類型的服務抱有較大偏好和需求，用來構建用戶畫像，是應用推薦算法計算的重要數據來源。

3.2? 數據處理層

基于數據基礎層提供的數據，通過構建初級用戶模型的形式來將用戶基礎信息進行封裝，為后續推薦算法提供數據支撐，服務中推薦算法包括基于協同過濾的算法、基于內容過濾的算法、基于知識的智能推薦算法等。

（1）基于用戶的協同過濾的推薦算法。基于協同過濾的推薦算法[5]通過研究供需方的網絡行為，對相似行為建立關聯性，并實施推薦。基于用戶的協同過濾算法在哈長項目中具體思想是基于用戶對需求的偏好找到相似用戶，然后將相似用戶瀏覽的需求推薦給當前用戶。將其計算方法主要為一個用戶對所有需求的偏好作為一個帶權向量，計算用戶之間的相似度。找到相似用戶后，根據鄰居的相似度權重以及他們對需求的偏好，預測當前用戶未瀏覽過的需求，計算得到一個經過權重排序的需求推薦列表。協同過濾推薦算法主要包括了聚類[6]和相似度計算[7]的機器學習算法。

（2）基于內容過濾的推薦算法。基于內容過濾的推薦算法[8]是指直接利用機器學習方法根據用戶評價對象的內容學習用戶偏好，計算服務之間的相似程度，并實施推薦。在高端裝備制造業科技服務平臺中，通過分析供應方歷史服務對象及業務，實施基于內容過濾的推薦算法。基于內容過濾的推薦算法一般有三個步驟：首先為每個服務需求抽取出一些特征來表示此服務需求;然后利用一個用戶過去對于服務需求偏好的特征數據，構建出此用戶的喜好特征;最后通過比較上一步得到的用戶喜好特征與候選的服務需求的特征，為此用戶推薦一組相似度最高的服務需求。常用的基于內容過濾的推薦算法有決策樹算法[9]、人工神經網絡[10]算法等。

（3）基于知識的智能推薦算法。基于知識的智能推薦有兩種類型：基于約束的推薦，基于實例的推薦。基于約束的推薦比較依賴明確定義的推薦規則集合，由用戶指定自己的最初偏好，當收集了足夠的有關用戶需求和偏好的信息后，會提供給用戶一組匹配的服務需求，用戶可以選擇要求系統解釋為什么會推薦某個服務需求。基于實例的推薦更多強調的是根據用戶最初的瀏覽記錄以及進一步的評價分數，來推薦出更多結果。

3.3? 軟件服務層

個性化推薦引擎具有智能化信息過濾以及個性化推送等主要功能，其主體功能便是經由圖3框架來實現，分為三個模塊：數據模塊、過濾模塊以及排名模塊。

（1）數據模塊。用戶模型與推薦對象模型包含了提取出來的用戶行為特征、用戶數據特征、用戶偏好信息以及推薦服務特征等。在將數據傳輸到過濾模塊前，會將數據進行簡要的處理，例如清洗缺失數據、根據用戶對某項服務的熱衷度進行加權，以方便后面的模塊進行計算。

（2）過濾模塊。過濾模塊接收數據模型傳輸過來的數據信息并對其進行過濾處理，將曾經推薦給用戶的、已經過時的服務信息和不符合用戶需求的服務信息篩選出來過濾掉，降低了展示給用戶信息的冗余程度。

（3）排名模塊。排名模塊包含了數個子模塊，不同的子模塊根據各自不同的原則進行整合排序，新鮮原則保證了推薦給用戶的信息是新穎的，可以更好地滿足用戶的需求;多元化原則保證了推薦給用戶的服務信息不會是單一的，使其具備多元性;不重復原則，其主要保證用戶在短時間內不會被推薦到重復度高的內容;基于用戶反饋，將用戶反饋上來的要求來進行個性化排名，將用戶喜歡的類型的服務排名前置。

3.4? 用戶服務層

在用戶服務層中，主要有三種類型的角色：供應方角色、需求方角色以及管理員角色。管理員角色通過哈長城市群科技平臺管理系統進行對平臺的管理。供應方角色進入需求一覽界面時，個性化推薦系統便會啟動，系統會從數據庫中提取出供應方用戶的注冊信息，根據業務方向進行邏輯判斷，通過個性化推薦引擎智能生成個性化服務推薦列表并展示到前臺界面上，供應方用戶可以通過點擊詳情可以看到需求詳細信息，平臺給供應方用戶提供了極其方便的個性化推薦服務，降低了供應方用戶尋找信息的難度，有效提升了供應方用戶效率。需求方用戶可以在平臺上發布需求，平臺會通過個性化推薦模塊根據需求方用戶的偏好信息以及發布需求的業務方向等為其計算適合該需求的供應方，系統會排列出最適合的數名供應方讓需求方來進行挑選。不僅如此，平臺還采用了流程窗口化、模塊化的處理，簡化了用戶的操作，使用戶的體驗得到了有效提高。平臺功能界面如圖4、5所示。

當用戶登錄后進入哈長城市科技云高端裝備部分需求一覽界面，推薦系統會提取登錄用戶的注冊信息，判斷用戶的需求類型，然后結合用戶往期申請記錄以及瀏覽記錄提取出用戶的特征，進而構建出用戶特征畫像，根據基于內容的過濾算法對數據庫中的需求數據進行比對，將特征相似的需求生成需求推薦列表呈現給用戶。

需求方可以在優質企業界面查看優質的供應方企業，每個供應方企業會顯示經過評價系統根據歷史評價等級統計出的分數相對應的星級數。智能推薦系統經過提取登錄用戶的注冊信息以及交易記錄等信息，構建出用戶特征畫像，然后基于用戶的協同過濾算法計算出與此用戶相似的用戶群體，統計該群體的整體瀏覽交易傾向，最后結合歷史評分計算后生成如圖5所示的優質企業推薦列表。

4? 結? 論

本文對面向高端裝備制造產業的科技服務的個性化推薦服務進行了研究，對個性化推薦進行了概要論述，分析了高端裝備制造產業供需方所遇到的問題，并基于個性化推薦服務以及哈長城市群科技平臺的優勢給出了解決方案。通過構建高端裝備制造產業的個性化推薦系統架構圖以及對各層次進行分析來詳盡地描述了個性化推薦服務的功能。高端裝備制造業個性化推薦系統為整個高端裝備制造業科技服務平臺提供了個性化推薦服務，有效地為供需方快速準確地搜尋服務信息，提高了哈長城市群科技平臺資源的利用效率，有助于科技服務平臺給更多用戶帶來更優質的科技服務。

參考文獻：

[1] 石蕾，劉娟，王健.國家科技資源共享服務平臺對科技創新支撐作用的研究 [J].中國科技資源導刊，2017，49（6）：88-93.

[2] 于合龍，陳程程，林楠，等.互聯網+農業科技服務云平臺構建與農業時空推薦算法研究 [J].吉林農業大學學報，2019，41（4）：495-504.

[3] 趙良輝，熊作貞.電子商務推薦系統綜述及發展研究 [J].電子商務，2013（12）：58-60.

[4] 周俊杰，趙曉萌，方少亮，等.科技資源共享服務中用戶“畫像”研究 [J].中國科技資源導刊，2019，51（4）：59-68+77.

[5] YIN N. A Big Data Analysis Method Based on Modified Collaborative Filtering Recommendation Algorithms [J]. Open Physics，2019，17（1）：966-974.

[6] YU Z Y，WANG J D，ZHANG H W，et al. Services recommended trust algorithm based on cloud model attributes weighted clustering [J]. Automatic Control and Computer Sciences，2016，50（4）：260-270.

[7] 張璠，李為相，李為.基于從眾心理矩陣和加權相似度的推薦算法 [J].計算機工程與設計，2019，40（6）：1616-1620.

[8] 沈華理.基于內容和協同過濾相融合的推薦算法 [J].電腦知識與技術，2018，14（2）：232-234+282.

[9] GAO J. Research on Goods Recommendation Strategy Based on Decision Tree [J]. Applied Mechanics and Materials，2014，3634：2718-2721.

[10] MYLAVARAPU B K. Collaborative Filtering and Artificial Neural Network Based Recommendation System for Advanced Applications [J]. Journal of Computer and Communications，2018，6（12）：1-14.

作者簡介：丁宅榮（2000—），男，漢族，山東濰坊人，本科，主要研究方向：計算機科學與技術;李松江（1984—），男，漢族，吉林吉林人，研究生導師，博士，主要研究方向：數據挖掘。