面向大型科学工程协同工作的信息推荐

2016-12-15 13:23张鼎霖
环境技术 2016年5期
关键词:协同工作科研人员协同

张鼎霖,成 勋,赵 强

(中国工程物理研究院 计算机应用研究所,绵阳 621900)

面向大型科学工程协同工作的信息推荐

张鼎霖,成 勋,赵 强

(中国工程物理研究院 计算机应用研究所,绵阳 621900)

大型科学工程因其庞大的规模使得其在研制时必须是多专业、多部门、多人员协同工作。其研制周期内产生的多维度且格式复杂的海量数据信息让科研人员陷入“信息过载”中,不能很好的利用这些数据。将信息推荐技术应用在大型科学工程的协同研制工作中,提出了面向4D协同信息的推荐模型,并设计了一个面向大型科学工程协同工作的信息推荐系统。该系统通过基于4D技术的信息可视化展示方式向大型科学工程研发人员实时、连续地推荐他们需要的信息,提高研发人员的工作效率。

大型科学工程;协同工作;信息推荐

引言

大型科学工程既是许多学科领域开展创新研究不可缺少的技术和手段支撑,也是科学技术高度发展的综合体现和彰显国家科技实力的重要标志。大型科学工程由于自身规模巨大、设计参与人员多、涉及学科广等特性,在工程建设过程中需要大量科技资源集成和多单位协同工作。在工程研制的各阶段都会产生多维度且格式复杂的海量数据信息,让设计人员陷入“信息过载”[1]的困境,虽然搜索引擎、信息检索等技术可以在一定程度上缓解这个问题,但仍不能解决个体角色差异、需求差异所带来的偏好差异问题。另外,传统检索方式通常是基于多级菜单的自主选择,操作繁杂,速度慢。工程信息的多维度和复杂格式让检索时的关键字选取很难确定,造成检索结果往往不能满足用户需求。

协同过滤推荐共享了其他人的经验,可以避免内容分析的不完全和不精确,而且能够基于一些复杂的,难以格式化表达的概念进行过滤。对于面向大型科学工程协同工作的信息推荐系统来说,这些特性正是系统所需要的。但协同过滤推荐算法也并不是完全适用,这主要是大型科学工程协同工作中信息的利用频率远远低于现在主流电商平台上商品的购买频率。对于协同过滤推荐算法来说,就面临着一个“数据稀疏”的问题。另外,大型科学工程协同工作中涉及的数据维度广,格式复杂,并且和装置3D模型之间有着紧密的耦合关系。因此,必须融合其它的过滤算法来增加新的过滤因素,并且调整数据组织和表达方法来解决上述问题。

本文面向大型科学工程,基于4D协同信息推荐模型设计了一个混合推荐系统,并通过4D技术的可视化展示方式向大型科学工程研发人员实时、连续地推荐他们需要的信息,提高研发人员工作效率。

1 面向4D协同信息的推荐模型

1.1 构建4D协同信息推荐模型

面向大型科学工程研发的协同工作需要建立一个统一的设计标准,作为工程协同设计过程中协同信息交流与交换的载体[2]。如图1所示,4D协同信息模型基于轻量化3D模型对工程建设全生命周期中各种信息进行了结构化集成,也建立了3D整体模型和工程研制进度计划的链接关系。因此,4D协同信息模型可以作为大型科学工程协同工作中协同信息交流与交换的载体。信息推荐模型根据用户信息及偏好模型从工程建设全生命周期的各种信息中自动选择符合用户兴趣的内容推荐给用户,满足用户的个性化需求。4D协同信息推荐模型是4D协同信息模型和信息推荐模型的有机结合,能够连接项目生命周期不同阶段的数据、过程和资源,更好的支持项目生命周期中动态的工程信息创建、管理和共享;采用4D信息展示的方式,更好的实现大型科学工程协同工作中信息的精准推荐服务。

1.2 推荐的流程

图1 4D协同信息推荐模型产生过程

图2 推荐系统工作流程

推荐流程如图2所示。首先对数据进行抽取、转换、清洗等操作,从异构、多源、含噪声的数据库中提取科研人员信息和偏好信息,包括科研人员的专业、任务、单位、岗位和权限等信息,建立用户模型;同时从知识库中提取知识信息建立4D协同信息模型,然后通过协同过滤引擎和为了解决“数据稀疏”问题而加入的静态规则引擎和关联规则引擎产生初始推荐集。

初始推荐集是根据用户偏好信息得到的推荐结果。对于大型科学工程的科研人员来说,每个人都有自己的专业、岗位和权限。通过引入专业方向过滤(光学、机械、电气、控制等),岗位过滤(计划、管理、设计、工艺、安装、检测等)和环境感知过滤(账号权限、关联应用等)来对初始推荐集信息进行过滤。

经过过滤后的推荐结果通常也可以直接展示给科研人员,但如果综合考虑适用性、多样性、时间等因素对它们进行排名,则可以更好地提升用户体验。经过排名阶段后的推荐结果列表以结合3D模型的可视化形式展示给科研人员,并且科研人员对系统推荐的工程信息进行评价,推荐系统根据评价意见更新用户模型和修改推荐策略。

1.3 关键技术

本节根据推荐系统工作流程,重点对推荐系统中的用户偏好、混合推荐算法、推荐信息可视化进行分析。

1)用户偏好

推荐系统中推荐过程的第一步就是获取每个用户的偏好[3]。一般认为,偏好描述的是决策者对两个或多个项目 的排序关系[4]。目前用户偏好获取方法主要分为显式偏好获取和隐式偏好获取。显式偏好获取需要用户显式的提供偏好信息,这些偏好信息通常用给定区间上的评分来表示;隐式偏好获取方法不需要用户显式地提供偏好信息,而是利用用户的历史行为数据来挖掘用户偏好。

2) 混合推荐算法

基于协同过滤对于未获得足够的评分信息的新项目难以实现推荐。因此设计实际的推荐系统往往需要不同的算法组合,针对应用的特性与要求提出混合推荐算法,构建基于多种推荐机制和策略的混合推荐。混合推荐通常是基于协同过滤和内容的,其他的组合类型也有。混合的思路主要包括:加权组合、动态切换、混合、特征组合、级联、特征放大、元层次组合。

3) 推荐信息可视化

通过对装置装备的子系统和各个部组件的分类和分析,提取出能够反映其空间几何特征的关键属性,可在三维图形平台上构造其3D实体模型,并可以从任意位置和角度对3D模型进行动态显示变换,以实现工程的3D可视化。将工程设计和建造过程中相关的各类设计和管理信息,如:构件尺寸信息、质量管理信息、资源需求信息、资金使用情况、施工场地布置信息等都结合到装置3D的模型中,通过3D图解、颜色映射、LOD (Level of Details)等可视化技术实现工程研制信息和状态的4D可视化。

2 4D协同信息推荐系统原型的设计

2.1 系统实现整体架构

面向大型科学工程协同工作的信息推荐系统实现的整体架构如图3所示。

1)数据源。提供4D协同信息推荐模型所需数据支撑。数据源包括设计(概念设计)阶段通过三维设计软件做出的装置3D图形,科研项目管理软件中的管理数据,计划进度软件中的计划进度数据以及其它外部软件管理的相关数据。

2)接口层。利用自主研发的模型转换与轻量化工具,提供了3D CAD格式模型解析和文件导入导出、数据库存储及访问、访问权限控制以及多用户并发访问管理等功能,可将来自不同数据源和不同格式的模型及信息通过数据集成的方式传输到系统,实现了不同系统信息的交换、集成和应用。

3)数据层。数据层包括用户模型和信息模型,其中用户模型由科研人员基础资料、科研人员行为及偏好等内容构成。信息模型包括信息元数据和反馈评价信息等。数据源中的数据通过抽取、解析、接口转换等操作,可以获得用户属性集合和信息属性集,进而生成用户特征向量和信息特征向量。

4)平台层。平台层对系统的各个模型的集成与管理,保障各项功能模块的顺利实现,是应用层与数据层之间纽带,包括了多维可视化平台、数据集成与管理平台。

5)推荐引擎层。该层是整个推荐系统的核心,它将算法和策略包装成能独立的推荐引擎,对信息模型完成相似度计算、偏好预测和关联分析等计算任务。基于协同过滤技术来实现个性化推荐引擎,在非个性化推荐引擎方面,实现了静态规则推荐引擎和关联规则推荐引擎。

6)应用层。位于最顶层,是用户与系统交互的接口,包括常见的配置、管理、交互和展示。其允许配置混合推荐模型的参数和混合方式,保证推荐系统的灵活性。

2.2 推荐系统模块设计介绍

如图4所示,系统包含系统界面/接口模块、用户建模模块及推荐算法模块,具体来说,系统包括以下几个功能模块:

1)系统界面/接口模块

图3 系统总体技术架构

系统界面/接口模块用于实现科研人员和系统的人机交互。在推荐系统平台上工作时,推荐系统通过系统界面向科研人员推荐信息,科研人员则通过系统界面对推荐结果进行评价。

2)用户建模模块

用户建模模块负责对源数据进行分析与处理,清除噪音数据。挖掘用户信息中能够表达科研人员的需求、兴趣和使用习惯的部分,并以特定形式表示和学习用户模型。为了保证用户模型的准确性和实效性,用户建模模块还要负责收集科研人员的反馈信息,实现对用户模型的实时或周期性更新。

3)推荐算法模块

推荐算法模块是推荐系统的核心模块,实现用户模型与信息对象模型之间的匹配,根据推荐引擎对信息项目进行评分预测,并根据预测评分生成相应的推荐信息项目集合通过系统界面展示给用户。

3 总结

图4 推荐系统模块设计

在大型科学工程协同工作中应用信息推荐技术需要考虑两方面:一方面要实现面向工程全生命周期的信息管理;另一方面工程所产生的信息维度比电商维度更广,信息格式比网站更复杂,信息展示方式上与对象三维空间耦合更紧。基于此本文提出了一个应用于大型科学工程协同工作,面向4D协同信息的推荐模型。将4D协同信息模型与信息推荐模型结合进行有机组合。推荐系统运用混合推荐策略得到初始推荐集,再经过岗位过滤和环境感知过滤处理,最后综合考虑适用性、多样性、时间等因素对推荐结果进行排名,将推荐结果通过4D技术的可视化展示方式呈现给工程研发人员,减轻他们“信息过载”的压力,提高工作效率。

[1] Adomavicius G, Tuzhilin A.Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions[J].IEEE Transactions on Knowledge & Data Engineering, 2005, 17(6):734-749.

[2] Cheng X, Cao K, Zhao Q.Application of 4D-VR Technology in the Management of Large-Scaled Scientific Project [M].Berlin: Springer International Publishing, 2014: 26-40.

[3] Garcia I, Pajares S, Sebastia L, Onaindia E.Perference elicitation techniques for group recommender systems [J].Information Science,2012,189(8):155-175.

[4] 王立才,孟祥武,张玉洁.上下文感知推荐系统[J].软件学报, 2012, 23(1):1-20.

张鼎霖,男,1991年生,硕士,主要研究领域为数字化工程.成勋,男,1987年生,工程师,主要研究领域为数字化工程。

赵强,男,1959年生,研究员,硕士生导师,主要研究领域为数字化工程、信息安全。

图8 可靠性实验平台的实物照片

5)基于LABVIEW的编程和组态软件应用实现了各个工位的电流、电压、温度、时间、真空度等多项检测量的显示存储和操作;

6)基于程序控制的UPS断电延时保护等

图8是该平台的实物照片。

参考文献:

[1]王昆、张宗峰 超导用轻型斯特林制冷机可靠性测试系统投标方案.

[2]郭庆堂.实用制冷工程设计手册[M].北京:中国建筑工业出版社1996, 841-857.

[3]马学焕,石国丽,姜春.VM800型热真空试验设备的研制[J].哈尔滨机械工程师, 2012(7):173-175.

[4]赵帅,张宗峰.1000L快速温度变化试验箱控制系统设计[J].合肥:低温与超导, 2014(2):48-51.

[5]达道安.真空设计手册[M].北京:国防工业出版社, 1991.

[6] VAT公司真空阀门选型手册《vacuum valves 2016》.

[7] Agilent Vacuum Products Catalog 2011.

作者简介:

马学焕(1964-),男,高级工程师,主要从事低温制冷、真空及环境试验设备等领域的研制工作。

Information Recommendation on the Collaborative Work of Key Scientifi c Engineering

ZHANG Ding-Lin, CHENG Xun, ZHAO Qiang
(Computer Science and Application Institute of China Academy of Engineering Physics, Mianyang 621900)

Key scientific engineering involves in the cooperation of researchers of different disciplines and departments because of its vast scale.The multi-dimensional and complex data which is produced in the life-circle of the development of the project trapped the researchers in the“information overload” without efficient usage of the data.In this paper, we apply the information recommendation technology in the collaborative research and development of key scientific engineering, and propose a recommendation model for 4D collaborative information.Based on the model, we design an information recommendation system for collaborative work of key scientific engineering.The system continuously recommends the real-life information needed to the researchers through the information visualization based on the 4D technology, and promote the efficiency.

key scientific engineering; collaborative work; information recommendation

TP391.9

T

1004-7204(2016)05-0140-05

本课题得到国家重大科技专项(2013ZX04006022 -102 -002)资助。

猜你喜欢
协同工作科研人员协同
科技部等五部门联合发文开展减轻青年科研人员负担专项行动
科研人员揭示油桃果实表皮不长毛的奥秘
家校社协同育人 共赢美好未来
科研人员破译黑猪肉特征风味物质
蜀道难:车与路的协同进化
广东公安科研人员风采
“四化”协同才有出路
基于BIM体系的造价管理优化研究
三医联动 协同创新
地理信息系统与勘探开发协同工作平台建设方案