面向高端装备制造业的个性化推荐服务研究

丁宅荣 李松江

摘  要：文章围绕哈长城市群综合科技服务，构建了面向高端装备制造业的个性化推荐服务。通过分析高端装备制造业科技服务供需方需求，提出了面向高端装备制造业个性化推荐服务的架构思路，基于四个层面层层剖析其中的内容与作用，阐述了架构功能的原理与具体实现，从而实现向用户精确、个性化推荐服务，有效改善信息传播途径资源重用率低下问题。

关键词：哈长城市群;高端装备;科技服务平台;推荐技术;个性化推荐

中图分类号：TP391.3;TP242       文献标识码：A 文章编号：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

高端装备制造产业作为战略性新兴产业，以高端技术为引领，地处产业链核心，是推动工业转型升级的引擎，能够显著提升一个国家或地区的核心竞争力，因此，高端装备产业成为各个国家和地区的必争之地。围绕高端制造产业建立科技服务平台能够有效实现资源整合、共享和重用，提升高端装备制造企业生产效率，强化科技创新与合作，积极推进我国高端制造业发展[1]。随着信息量的急剧增长，用户获取的信息面临着过载的问题，使得在服务过程中难以有效地实现供需方精准对接。而以用户为中心的智能推荐服务，通过分析用户历史交互行为，将用户关注的信息主动推送出来，有助于提升用户的交互体验，实现精准定位，满足个性化需求[2]。为整合哈长城市群科技服务资源，长春理工大学参与了“哈长城市群综合科技服务平台研发与应用示范”项目，对哈长城市群面向高端装备制造领域的科技服务SaaS应用进行研发与部署。本文基于此，旨在分析高端装备制造企业服务需求，构建智能推荐服务体系架构，实现供需方资源的精准对接，从而进一步提升科技服务质量。

1  个性化推荐概述

个性化推荐的主要功能是发挥网络以及大数据的优势，进行海量数据统计计算并筛选出有效信息，其本质是汇聚不同个体特征重塑认知、构建模型再到精准推荐的过程。WebWatchet、LIRA、Letizia这三大系统于1995年由美國学者所第一次展示，标志着个性化服务系统的开始，之后我国对于个性化推荐技术的研究也逐渐兴起。2000年，我国正式开始了个性化推荐系统的研究，并逐步从理论走向实践。国内首个推荐系统科研团队百分点信息科技有限公司于2009年7月于北京成立，该团队专注于研究推荐引擎技术与解决方案，并在其推荐引擎技术与数据平台上为国内外多家知名电子商务网站提供实时的推荐服务。2011年9月，在2011百度世界大会上，李彦宏团队首先将搜索引擎以及推荐引擎与云计算并列为未来互联网重要战略规划以及发展方向，百度的新首页将逐步实现为用户提供个性化地、智能地推荐出用户喜欢的网站和常用APP的服务[3]。诸如淘宝商品推荐、京东商品推荐、瓜子网等二手交易平台的智能推荐等等。个性化推荐服务的实践为行业带来服务质量的提升：一方面，不同于“一对多”的搜索推荐服务，个性化推荐通过研究用户平台历史交互信息，获取用户不同层次的需求，生成更贴近于用户的个性化需求的结果，贴合用户的兴趣偏好，属于“一对一”式的科技信息推荐服务，即服务平台所提供的个性化、精准化的推荐服务;另一方面，个性化推荐可以帮助用户提高查找效率，降低用户用于搜索相关需求服务信息所耗费的成本和精力，提升用户平台使用满意度并且增强用户对平台服务的黏度。

个性化推荐服务的通用模型如图1所示，由四个主要部分组成：用户、用户模型、个性化推荐算法以及推荐对象模型。个性化推荐服务由推荐系统负责采集用户和所推荐对象的各种属性和特征，构建出用户特征画像，进而建立起用户模型，个性化推荐算法从用户模型提供的数据中获取数据并构建出推荐对象模型，智能筛选出用户可能感兴趣的内容并进行推荐。

2  供需方分析

2.1  需求方分析

高端装备是指技术含量高、资金投入量大、涉及领域多，通常情况下需要通过跨领域、跨行业、跨地区的合作才能完成的一类装备。传统的信息媒介的资源聚合度以及效率普遍较低，无法满足高端装备制造业的设计流通需求，而新式的科技服务平台因为具有资源整合、复用以及个性化推荐等特点能够解决这一矛盾。高端装备制造产品的制造流程多种多样，包括了来自专业设计公司进行的基于互联网与物联网的研发设计、车间工厂进行的生产流通等多种不同的部分;每部分都需要根据装备具体的个性化需求进行优化设计并精进生产工艺以达到大规模、低成本、个性化生产的目标。构建哈长城市群高端装备制造业科技服务平台个性化需求推荐服务，能够更好地利用平台交互数据，如搜索形成的个性化关键词、用户历史交互行为偏好等，分析需求方的个性化需求，将匹配度最高的供应方以推荐列表的形式呈现给需求方，降低了需求方在海量冗余信息中寻找符合其要求的信息的难度，使需求方与供应方的对接更加平滑，能够极大地提升了用户的使用效率。

2.2  供应方分析

介于在需求方分析中讨论的高端装备的特性，企业也无法保证可以独立生产高端装备，所以就需要多级供应商的协助。由于高端装备的覆盖面十分庞大，小到微电子的制造，大到交通运输设备及航空航天领域设备的制造，比如有轨电车的设计制造与拼接、小型通信卫星的设计制造等。形形色色的供应商都有着自己专精的技术，这同时也正是适应不断发展的个性化需求所必要的。在传统的供需平台上，众多供应方信息加上需求方发布的各式各样的个性化需求服务，这些信息汇聚成一股庞大的信息洪流，使供应方无法在其中精准地获取到有用的需求信息，加重了供应方的负担。而哈长城市群高端装备制造业科技服务平台提供的个性化推荐系统可以准确地提取出需求中的个性化关键词，与供应商上传的主营方向进行匹配，将需求方主营业务下的需求信息智能地推送到供应方界面，实现快速供需对接，实时更新，充分借助互联网和大数据等新兴信息技术汇聚制造资源和社会化的智慧资源的优势。

3  高端装备制造产业供需方个性化推荐系统架构

哈长城市群高端装备制造业科技服务平台供需方个性化推荐系统架构如图2所示，其主要由四个部分组成：数据基础层、数据处理层、软件服务层以及用户服务层。下文将分别对这四个部分进行详细介绍。

3.1  数据基础层

主要存储供应方以及需求方的个人信息以及交易记录，其数据的组成与用户画像类似[4]。个人信息包括了供需双方的基本信息，比如个人偏好、注册资金、业务方向等一系列有意义的信息，可以为个性化推荐算法提供基础的计算数据。交易记录主要是包含了用户的订单信息，例如供应方发布的主任务与子任务信息、需求方申请的任务信息等。这些数据可以直接或间接地表达出用户对于某种类型的服务抱有较大偏好和需求，用来构建用户画像，是应用推荐算法计算的重要数据来源。

3.2  数据处理层

基于数据基础层提供的数据，通过构建初级用户模型的形式来将用户基础信息进行封装，为后续推荐算法提供数据支撑，服务中推荐算法包括基于协同过滤的算法、基于内容过滤的算法、基于知識的智能推荐算法等。

（1）基于用户的协同过滤的推荐算法。基于协同过滤的推荐算法[5]通过研究供需方的网络行为，对相似行为建立关联性，并实施推荐。基于用户的协同过滤算法在哈长项目中具体思想是基于用户对需求的偏好找到相似用户，然后将相似用户浏览的需求推荐给当前用户。将其计算方法主要为一个用户对所有需求的偏好作为一个带权向量，计算用户之间的相似度。找到相似用户后，根据邻居的相似度权重以及他们对需求的偏好，预测当前用户未浏览过的需求，计算得到一个经过权重排序的需求推荐列表。协同过滤推荐算法主要包括了聚类[6]和相似度计算[7]的机器学习算法。

（2）基于内容过滤的推荐算法。基于内容过滤的推荐算法[8]是指直接利用机器学习方法根据用户评价对象的内容学习用户偏好，计算服务之间的相似程度，并实施推荐。在高端装备制造业科技服务平台中，通过分析供应方历史服务对象及业务，实施基于内容过滤的推荐算法。基于内容过滤的推荐算法一般有三个步骤：首先为每个服务需求抽取出一些特征来表示此服务需求;然后利用一个用户过去对于服务需求偏好的特征数据，构建出此用户的喜好特征;最后通过比较上一步得到的用户喜好特征与候选的服务需求的特征，为此用户推荐一组相似度最高的服务需求。常用的基于内容过滤的推荐算法有决策树算法[9]、人工神经网络[10]算法等。

（3）基于知识的智能推荐算法。基于知识的智能推荐有两种类型：基于约束的推荐，基于实例的推荐。基于约束的推荐比较依赖明确定义的推荐规则集合，由用户指定自己的最初偏好，当收集了足够的有关用户需求和偏好的信息后，会提供给用户一组匹配的服务需求，用户可以选择要求系统解释为什么会推荐某个服务需求。基于实例的推荐更多强调的是根据用户最初的浏览记录以及进一步的评价分数，来推荐出更多结果。

3.3  软件服务层

个性化推荐引擎具有智能化信息过滤以及个性化推送等主要功能，其主体功能便是经由图3框架来实现，分为三个模块：数据模块、过滤模块以及排名模块。

（1）数据模块。用户模型与推荐对象模型包含了提取出来的用户行为特征、用户数据特征、用户偏好信息以及推荐服务特征等。在将数据传输到过滤模块前，会将数据进行简要的处理，例如清洗缺失数据、根据用户对某项服务的热衷度进行加权，以方便后面的模块进行计算。

（2）过滤模块。过滤模块接收数据模型传输过来的数据信息并对其进行过滤处理，将曾经推荐给用户的、已经过时的服务信息和不符合用户需求的服务信息筛选出来过滤掉，降低了展示给用户信息的冗余程度。

（3）排名模块。排名模块包含了数个子模块，不同的子模块根据各自不同的原则进行整合排序，新鲜原则保证了推荐给用户的信息是新颖的，可以更好地满足用户的需求;多元化原则保证了推荐给用户的服务信息不会是单一的，使其具备多元性;不重复原则，其主要保证用户在短时间内不会被推荐到重复度高的内容;基于用户反馈，将用户反馈上来的要求来进行个性化排名，将用户喜欢的类型的服务排名前置。

3.4  用户服务层

在用户服务层中，主要有三种类型的角色：供应方角色、需求方角色以及管理员角色。管理员角色通过哈长城市群科技平台管理系统进行对平台的管理。供应方角色进入需求一览界面时，个性化推荐系统便会启动，系统会从数据库中提取出供应方用户的注册信息，根据业务方向进行逻辑判断，通过个性化推荐引擎智能生成个性化服务推荐列表并展示到前台界面上，供应方用户可以通过点击详情可以看到需求详细信息，平台给供应方用户提供了极其方便的个性化推荐服务，降低了供应方用户寻找信息的难度，有效提升了供应方用户效率。需求方用户可以在平台上发布需求，平台会通过个性化推荐模块根据需求方用户的偏好信息以及发布需求的业务方向等为其计算适合该需求的供应方，系统会排列出最适合的数名供应方让需求方来进行挑选。不仅如此，平台还采用了流程窗口化、模块化的处理，简化了用户的操作，使用户的体验得到了有效提高。平台功能界面如图4、5所示。

当用户登录后进入哈长城市科技云高端装备部分需求一览界面，推荐系统会提取登录用户的注册信息，判断用户的需求类型，然后结合用户往期申请记录以及浏览记录提取出用户的特征，进而构建出用户特征画像，根据基于内容的过滤算法对数据库中的需求数据进行比对，将特征相似的需求生成需求推荐列表呈现给用户。

需求方可以在优质企业界面查看优质的供应方企业，每个供应方企业会显示经过评价系统根据历史评价等级统计出的分数相对应的星级数。智能推荐系统经过提取登录用户的注册信息以及交易记录等信息，构建出用户特征画像，然后基于用户的协同过滤算法计算出与此用户相似的用户群体，统计该群体的整体浏览交易倾向，最后结合历史评分计算后生成如图5所示的优质企业推荐列表。

4  结  论

本文对面向高端装备制造产业的科技服务的个性化推荐服务进行了研究，对个性化推荐进行了概要论述，分析了高端装备制造产业供需方所遇到的问题，并基于个性化推荐服务以及哈长城市群科技平台的优势给出了解决方案。通过构建高端装备制造产业的个性化推荐系统架构图以及对各层次进行分析来详尽地描述了个性化推荐服务的功能。高端装备制造业个性化推荐系统为整个高端装备制造业科技服务平台提供了个性化推荐服务，有效地为供需方快速准确地搜寻服务信息，提高了哈长城市群科技平台资源的利用效率，有助于科技服务平台给更多用户带来更优质的科技服务。

参考文献：

[1] 石蕾，刘娟，王健.国家科技资源共享服务平台对科技创新支撑作用的研究 [J].中国科技资源导刊，2017，49（6）：88-93.

[2] 于合龙，陈程程，林楠，等.互联网+农业科技服务云平台构建与农业时空推荐算法研究 [J].吉林农业大学学报，2019，41（4）：495-504.

[3] 赵良辉，熊作贞.电子商务推荐系统综述及发展研究 [J].电子商务，2013（12）：58-60.

[4] 周俊杰，赵晓萌，方少亮，等.科技资源共享服务中用户“画像”研究 [J].中国科技资源导刊，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] 张璠，李为相，李为.基于从众心理矩阵和加权相似度的推荐算法 [J].计算机工程与设计，2019，40（6）：1616-1620.

[8] 沈华理.基于内容和协同过滤相融合的推荐算法 [J].电脑知识与技术，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：丁宅荣（2000—），男，汉族，山东潍坊人，本科，主要研究方向：计算机科学与技术;李松江（1984—），男，汉族，吉林吉林人，研究生导师，博士，主要研究方向：数据挖掘。