丁宅榮 李松江

摘? 要：文章圍繞哈長城市群綜合科技服務(wù)，構(gòu)建了面向高端裝備制造業(yè)的個(gè)性化推薦服務(wù)。通過分析高端裝備制造業(yè)科技服務(wù)供需方需求，提出了面向高端裝備制造業(yè)個(gè)性化推薦服務(wù)的架構(gòu)思路，基于四個(gè)層面層層剖析其中的內(nèi)容與作用，闡述了架構(gòu)功能的原理與具體實(shí)現(xiàn)，從而實(shí)現(xiàn)向用戶精確、個(gè)性化推薦服務(wù)，有效改善信息傳播途徑資源重用率低下問題。

關(guān)鍵詞：哈長城市群;高端裝備;科技服務(wù)平臺(tái);推薦技術(shù);個(gè)性化推薦

中圖分類號(hào)：TP391.3;TP242? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(chǎn)業(yè)作為戰(zhàn)略性新興產(chǎn)業(yè)，以高端技術(shù)為引領(lǐng)，地處產(chǎn)業(yè)鏈核心，是推動(dòng)工業(yè)轉(zhuǎn)型升級(jí)的引擎，能夠顯著提升一個(gè)國家或地區(qū)的核心競(jìng)爭(zhēng)力，因此，高端裝備產(chǎn)業(yè)成為各個(gè)國家和地區(qū)的必爭(zhēng)之地。圍繞高端制造產(chǎn)業(yè)建立科技服務(wù)平臺(tái)能夠有效實(shí)現(xiàn)資源整合、共享和重用，提升高端裝備制造企業(yè)生產(chǎn)效率，強(qiáng)化科技創(chuàng)新與合作，積極推進(jìn)我國高端制造業(yè)發(fā)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(wù)過程中難以有效地實(shí)現(xiàn)供需方精準(zhǔn)對(duì)接。而以用戶為中心的智能推薦服務(wù)，通過分析用戶歷史交互行為，將用戶關(guān)注的信息主動(dòng)推送出來，有助于提升用戶的交互體驗(yàn)，實(shí)現(xiàn)精準(zhǔn)定位，滿足個(gè)性化需求[2]。為整合哈長城市群科技服務(wù)資源，長春理工大學(xué)參與了“哈長城市群綜合科技服務(wù)平臺(tái)研發(fā)與應(yīng)用示范”項(xiàng)目，對(duì)哈長城市群面向高端裝備制造領(lǐng)域的科技服務(wù)SaaS應(yīng)用進(jìn)行研發(fā)與部署。本文基于此，旨在分析高端裝備制造企業(yè)服務(wù)需求，構(gòu)建智能推薦服務(wù)體系架構(gòu)，實(shí)現(xiàn)供需方資源的精準(zhǔn)對(duì)接，從而進(jìn)一步提升科技服務(wù)質(zhì)量。

1? 個(gè)性化推薦概述

個(gè)性化推薦的主要功能是發(fā)揮網(wǎng)絡(luò)以及大數(shù)據(jù)的優(yōu)勢(shì)，進(jìn)行海量數(shù)據(jù)統(tǒng)計(jì)計(jì)算并篩選出有效信息，其本質(zhì)是匯聚不同個(gè)體特征重塑認(rèn)知、構(gòu)建模型再到精準(zhǔn)推薦的過程。WebWatchet、LIRA、Letizia這三大系統(tǒng)于1995年由美國學(xué)者所第一次展示，標(biāo)志著個(gè)性化服務(wù)系統(tǒng)的開始，之后我國對(duì)于個(gè)性化推薦技術(shù)的研究也逐漸興起。2000年，我國正式開始了個(gè)性化推薦系統(tǒng)的研究，并逐步從理論走向?qū)嵺`。國內(nèi)首個(gè)推薦系統(tǒng)科研團(tuán)隊(duì)百分點(diǎn)信息科技有限公司于2009年7月于北京成立，該團(tuán)隊(duì)專注于研究推薦引擎技術(shù)與解決方案，并在其推薦引擎技術(shù)與數(shù)據(jù)平臺(tái)上為國內(nèi)外多家知名電子商務(wù)網(wǎng)站提供實(shí)時(shí)的推薦服務(wù)。2011年9月，在2011百度世界大會(huì)上，李彥宏團(tuán)隊(duì)首先將搜索引擎以及推薦引擎與云計(jì)算并列為未來互聯(lián)網(wǎng)重要戰(zhàn)略規(guī)劃以及發(fā)展方向，百度的新首頁將逐步實(shí)現(xiàn)為用戶提供個(gè)性化地、智能地推薦出用戶喜歡的網(wǎng)站和常用APP的服務(wù)[3]。諸如淘寶商品推薦、京東商品推薦、瓜子網(wǎng)等二手交易平臺(tái)的智能推薦等等。個(gè)性化推薦服務(wù)的實(shí)踐為行業(yè)帶來服務(wù)質(zhì)量的提升：一方面，不同于“一對(duì)多”的搜索推薦服務(wù)，個(gè)性化推薦通過研究用戶平臺(tái)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(gè)性化需求的結(jié)果，貼合用戶的興趣偏好，屬于“一對(duì)一”式的科技信息推薦服務(wù)，即服務(wù)平臺(tái)所提供的個(gè)性化、精準(zhǔn)化的推薦服務(wù);另一方面，個(gè)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(guān)需求服務(wù)信息所耗費(fèi)的成本和精力，提升用戶平臺(tái)使用滿意度并且增強(qiáng)用戶對(duì)平臺(tái)服務(wù)的黏度。

個(gè)性化推薦服務(wù)的通用模型如圖1所示，由四個(gè)主要部分組成：用戶、用戶模型、個(gè)性化推薦算法以及推薦對(duì)象模型。個(gè)性化推薦服務(wù)由推薦系統(tǒng)負(fù)責(zé)采集用戶和所推薦對(duì)象的各種屬性和特征，構(gòu)建出用戶特征畫像，進(jìn)而建立起用戶模型，個(gè)性化推薦算法從用戶模型提供的數(shù)據(jù)中獲取數(shù)據(jù)并構(gòu)建出推薦對(duì)象模型，智能篩選出用戶可能感興趣的內(nèi)容并進(jìn)行推薦。

2? 供需方分析

2.1? 需求方分析

高端裝備是指技術(shù)含量高、資金投入量大、涉及領(lǐng)域多，通常情況下需要通過跨領(lǐng)域、跨行業(yè)、跨地區(qū)的合作才能完成的一類裝備。傳統(tǒng)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(yè)的設(shè)計(jì)流通需求，而新式的科技服務(wù)平臺(tái)因?yàn)榫哂匈Y源整合、復(fù)用以及個(gè)性化推薦等特點(diǎn)能夠解決這一矛盾。高端裝備制造產(chǎn)品的制造流程多種多樣，包括了來自專業(yè)設(shè)計(jì)公司進(jìn)行的基于互聯(lián)網(wǎng)與物聯(lián)網(wǎng)的研發(fā)設(shè)計(jì)、車間工廠進(jìn)行的生產(chǎn)流通等多種不同的部分;每部分都需要根據(jù)裝備具體的個(gè)性化需求進(jìn)行優(yōu)化設(shè)計(jì)并精進(jìn)生產(chǎn)工藝以達(dá)到大規(guī)模、低成本、個(gè)性化生產(chǎn)的目標(biāo)。構(gòu)建哈長城市群高端裝備制造業(yè)科技服務(wù)平臺(tái)個(gè)性化需求推薦服務(wù)，能夠更好地利用平臺(tái)交互數(shù)據(jù)，如搜索形成的個(gè)性化關(guān)鍵詞、用戶歷史交互行為偏好等，分析需求方的個(gè)性化需求，將匹配度最高的供應(yīng)方以推薦列表的形式呈現(xiàn)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(yīng)方的對(duì)接更加平滑，能夠極大地提升了用戶的使用效率。

2.2? 供應(yīng)方分析

介于在需求方分析中討論的高端裝備的特性，企業(yè)也無法保證可以獨(dú)立生產(chǎn)高端裝備，所以就需要多級(jí)供應(yīng)商的協(xié)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(yùn)輸設(shè)備及航空航天領(lǐng)域設(shè)備的制造，比如有軌電車的設(shè)計(jì)制造與拼接、小型通信衛(wèi)星的設(shè)計(jì)制造等。形形色色的供應(yīng)商都有著自己專精的技術(shù)，這同時(shí)也正是適應(yīng)不斷發(fā)展的個(gè)性化需求所必要的。在傳統(tǒng)的供需平臺(tái)上，眾多供應(yīng)方信息加上需求方發(fā)布的各式各樣的個(gè)性化需求服務(wù)，這些信息匯聚成一股龐大的信息洪流，使供應(yīng)方無法在其中精準(zhǔn)地獲取到有用的需求信息，加重了供應(yīng)方的負(fù)擔(dān)。而哈長城市群高端裝備制造業(yè)科技服務(wù)平臺(tái)提供的個(gè)性化推薦系統(tǒng)可以準(zhǔn)確地提取出需求中的個(gè)性化關(guān)鍵詞，與供應(yīng)商上傳的主營方向進(jìn)行匹配，將需求方主營業(yè)務(wù)下的需求信息智能地推送到供應(yīng)方界面，實(shí)現(xiàn)快速供需對(duì)接，實(shí)時(shí)更新，充分借助互聯(lián)網(wǎng)和大數(shù)據(jù)等新興信息技術(shù)匯聚制造資源和社會(huì)化的智慧資源的優(yōu)勢(shì)。

3? 高端裝備制造產(chǎn)業(yè)供需方個(gè)性化推薦系統(tǒng)架構(gòu)

哈長城市群高端裝備制造業(yè)科技服務(wù)平臺(tái)供需方個(gè)性化推薦系統(tǒng)架構(gòu)如圖2所示，其主要由四個(gè)部分組成：數(shù)據(jù)基礎(chǔ)層、數(shù)據(jù)處理層、軟件服務(wù)層以及用戶服務(wù)層。下文將分別對(duì)這四個(gè)部分進(jìn)行詳細(xì)介紹。

3.1? 數(shù)據(jù)基礎(chǔ)層

主要存儲(chǔ)供應(yīng)方以及需求方的個(gè)人信息以及交易記錄，其數(shù)據(jù)的組成與用戶畫像類似[4]。個(gè)人信息包括了供需雙方的基本信息，比如個(gè)人偏好、注冊(cè)資金、業(yè)務(wù)方向等一系列有意義的信息，可以為個(gè)性化推薦算法提供基礎(chǔ)的計(jì)算數(shù)據(jù)。交易記錄主要是包含了用戶的訂單信息，例如供應(yīng)方發(fā)布的主任務(wù)與子任務(wù)信息、需求方申請(qǐng)的任務(wù)信息等。這些數(shù)據(jù)可以直接或間接地表達(dá)出用戶對(duì)于某種類型的服務(wù)抱有較大偏好和需求，用來構(gòu)建用戶畫像，是應(yīng)用推薦算法計(jì)算的重要數(shù)據(jù)來源。

3.2? 數(shù)據(jù)處理層

基于數(shù)據(jù)基礎(chǔ)層提供的數(shù)據(jù)，通過構(gòu)建初級(jí)用戶模型的形式來將用戶基礎(chǔ)信息進(jìn)行封裝，為后續(xù)推薦算法提供數(shù)據(jù)支撐，服務(wù)中推薦算法包括基于協(xié)同過濾的算法、基于內(nèi)容過濾的算法、基于知識(shí)的智能推薦算法等。

（1）基于用戶的協(xié)同過濾的推薦算法?；趨f(xié)同過濾的推薦算法[5]通過研究供需方的網(wǎng)絡(luò)行為，對(duì)相似行為建立關(guān)聯(lián)性，并實(shí)施推薦?；谟脩舻膮f(xié)同過濾算法在哈長項(xiàng)目中具體思想是基于用戶對(duì)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(dāng)前用戶。將其計(jì)算方法主要為一個(gè)用戶對(duì)所有需求的偏好作為一個(gè)帶權(quán)向量，計(jì)算用戶之間的相似度。找到相似用戶后，根據(jù)鄰居的相似度權(quán)重以及他們對(duì)需求的偏好，預(yù)測(cè)當(dāng)前用戶未瀏覽過的需求，計(jì)算得到一個(gè)經(jīng)過權(quán)重排序的需求推薦列表。協(xié)同過濾推薦算法主要包括了聚類[6]和相似度計(jì)算[7]的機(jī)器學(xué)習(xí)算法。

（2）基于內(nèi)容過濾的推薦算法。基于內(nèi)容過濾的推薦算法[8]是指直接利用機(jī)器學(xué)習(xí)方法根據(jù)用戶評(píng)價(jià)對(duì)象的內(nèi)容學(xué)習(xí)用戶偏好，計(jì)算服務(wù)之間的相似程度，并實(shí)施推薦。在高端裝備制造業(yè)科技服務(wù)平臺(tái)中，通過分析供應(yīng)方歷史服務(wù)對(duì)象及業(yè)務(wù)，實(shí)施基于內(nèi)容過濾的推薦算法?；趦?nèi)容過濾的推薦算法一般有三個(gè)步驟：首先為每個(gè)服務(wù)需求抽取出一些特征來表示此服務(wù)需求;然后利用一個(gè)用戶過去對(duì)于服務(wù)需求偏好的特征數(shù)據(jù)，構(gòu)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(wù)需求的特征，為此用戶推薦一組相似度最高的服務(wù)需求。常用的基于內(nèi)容過濾的推薦算法有決策樹算法[9]、人工神經(jīng)網(wǎng)絡(luò)[10]算法等。

（3）基于知識(shí)的智能推薦算法。基于知識(shí)的智能推薦有兩種類型：基于約束的推薦，基于實(shí)例的推薦。基于約束的推薦比較依賴明確定義的推薦規(guī)則集合，由用戶指定自己的最初偏好，當(dāng)收集了足夠的有關(guān)用戶需求和偏好的信息后，會(huì)提供給用戶一組匹配的服務(wù)需求，用戶可以選擇要求系統(tǒng)解釋為什么會(huì)推薦某個(gè)服務(wù)需求。基于實(shí)例的推薦更多強(qiáng)調(diào)的是根據(jù)用戶最初的瀏覽記錄以及進(jìn)一步的評(píng)價(jià)分?jǐn)?shù)，來推薦出更多結(jié)果。

3.3? 軟件服務(wù)層

個(gè)性化推薦引擎具有智能化信息過濾以及個(gè)性化推送等主要功能，其主體功能便是經(jīng)由圖3框架來實(shí)現(xiàn)，分為三個(gè)模塊：數(shù)據(jù)模塊、過濾模塊以及排名模塊。

（1）數(shù)據(jù)模塊。用戶模型與推薦對(duì)象模型包含了提取出來的用戶行為特征、用戶數(shù)據(jù)特征、用戶偏好信息以及推薦服務(wù)特征等。在將數(shù)據(jù)傳輸?shù)竭^濾模塊前，會(huì)將數(shù)據(jù)進(jìn)行簡(jiǎn)要的處理，例如清洗缺失數(shù)據(jù)、根據(jù)用戶對(duì)某項(xiàng)服務(wù)的熱衷度進(jìn)行加權(quán)，以方便后面的模塊進(jìn)行計(jì)算。

（2）過濾模塊。過濾模塊接收數(shù)據(jù)模型傳輸過來的數(shù)據(jù)信息并對(duì)其進(jìn)行過濾處理，將曾經(jīng)推薦給用戶的、已經(jīng)過時(shí)的服務(wù)信息和不符合用戶需求的服務(wù)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(shù)個(gè)子模塊，不同的子模塊根據(jù)各自不同的原則進(jìn)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(wù)信息不會(huì)是單一的，使其具備多元性;不重復(fù)原則，其主要保證用戶在短時(shí)間內(nèi)不會(huì)被推薦到重復(fù)度高的內(nèi)容;基于用戶反饋，將用戶反饋上來的要求來進(jìn)行個(gè)性化排名，將用戶喜歡的類型的服務(wù)排名前置。

3.4? 用戶服務(wù)層

在用戶服務(wù)層中，主要有三種類型的角色：供應(yīng)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(tái)管理系統(tǒng)進(jìn)行對(duì)平臺(tái)的管理。供應(yīng)方角色進(jìn)入需求一覽界面時(shí)，個(gè)性化推薦系統(tǒng)便會(huì)啟動(dòng)，系統(tǒng)會(huì)從數(shù)據(jù)庫中提取出供應(yīng)方用戶的注冊(cè)信息，根據(jù)業(yè)務(wù)方向進(jìn)行邏輯判斷，通過個(gè)性化推薦引擎智能生成個(gè)性化服務(wù)推薦列表并展示到前臺(tái)界面上，供應(yīng)方用戶可以通過點(diǎn)擊詳情可以看到需求詳細(xì)信息，平臺(tái)給供應(yīng)方用戶提供了極其方便的個(gè)性化推薦服務(wù)，降低了供應(yīng)方用戶尋找信息的難度，有效提升了供應(yīng)方用戶效率。需求方用戶可以在平臺(tái)上發(fā)布需求，平臺(tái)會(huì)通過個(gè)性化推薦模塊根據(jù)需求方用戶的偏好信息以及發(fā)布需求的業(yè)務(wù)方向等為其計(jì)算適合該需求的供應(yīng)方，系統(tǒng)會(huì)排列出最適合的數(shù)名供應(yīng)方讓需求方來進(jìn)行挑選。不僅如此，平臺(tái)還采用了流程窗口化、模塊化的處理，簡(jiǎn)化了用戶的操作，使用戶的體驗(yàn)得到了有效提高。平臺(tái)功能界面如圖4、5所示。

當(dāng)用戶登錄后進(jìn)入哈長城市科技云高端裝備部分需求一覽界面，推薦系統(tǒng)會(huì)提取登錄用戶的注冊(cè)信息，判斷用戶的需求類型，然后結(jié)合用戶往期申請(qǐng)記錄以及瀏覽記錄提取出用戶的特征，進(jìn)而構(gòu)建出用戶特征畫像，根據(jù)基于內(nèi)容的過濾算法對(duì)數(shù)據(jù)庫中的需求數(shù)據(jù)進(jìn)行比對(duì)，將特征相似的需求生成需求推薦列表呈現(xiàn)給用戶。

需求方可以在優(yōu)質(zhì)企業(yè)界面查看優(yōu)質(zhì)的供應(yīng)方企業(yè)，每個(gè)供應(yīng)方企業(yè)會(huì)顯示經(jīng)過評(píng)價(jià)系統(tǒng)根據(jù)歷史評(píng)價(jià)等級(jí)統(tǒng)計(jì)出的分?jǐn)?shù)相對(duì)應(yīng)的星級(jí)數(shù)。智能推薦系統(tǒng)經(jīng)過提取登錄用戶的注冊(cè)信息以及交易記錄等信息，構(gòu)建出用戶特征畫像，然后基于用戶的協(xié)同過濾算法計(jì)算出與此用戶相似的用戶群體，統(tǒng)計(jì)該群體的整體瀏覽交易傾向，最后結(jié)合歷史評(píng)分計(jì)算后生成如圖5所示的優(yōu)質(zhì)企業(yè)推薦列表。

4? 結(jié)? 論

本文對(duì)面向高端裝備制造產(chǎn)業(yè)的科技服務(wù)的個(gè)性化推薦服務(wù)進(jìn)行了研究，對(duì)個(gè)性化推薦進(jìn)行了概要論述，分析了高端裝備制造產(chǎn)業(yè)供需方所遇到的問題，并基于個(gè)性化推薦服務(wù)以及哈長城市群科技平臺(tái)的優(yōu)勢(shì)給出了解決方案。通過構(gòu)建高端裝備制造產(chǎn)業(yè)的個(gè)性化推薦系統(tǒng)架構(gòu)圖以及對(duì)各層次進(jìn)行分析來詳盡地描述了個(gè)性化推薦服務(wù)的功能。高端裝備制造業(yè)個(gè)性化推薦系統(tǒng)為整個(gè)高端裝備制造業(yè)科技服務(wù)平臺(tái)提供了個(gè)性化推薦服務(wù)，有效地為供需方快速準(zhǔn)確地搜尋服務(wù)信息，提高了哈長城市群科技平臺(tái)資源的利用效率，有助于科技服務(wù)平臺(tái)給更多用戶帶來更優(yōu)質(zhì)的科技服務(wù)。

參考文獻(xiàn)：

[1] 石蕾，劉娟，王健.國家科技資源共享服務(wù)平臺(tái)對(duì)科技創(chuàng)新支撐作用的研究 [J].中國科技資源導(dǎo)刊，2017，49（6）：88-93.

[2] 于合龍，陳程程，林楠，等.互聯(lián)網(wǎng)+農(nóng)業(yè)科技服務(wù)云平臺(tái)構(gòu)建與農(nóng)業(yè)時(shí)空推薦算法研究 [J].吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，41（4）：495-504.

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

[4] 周俊杰，趙曉萌，方少亮，等.科技資源共享服務(wù)中用戶“畫像”研究 [J].中國科技資源導(dǎo)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(quán)相似度的推薦算法 [J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（6）：1616-1620.

[8] 沈華理.基于內(nèi)容和協(xié)同過濾相融合的推薦算法 [J].電腦知識(shí)與技術(shù)，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(jiǎn)介：丁宅榮（2000—），男，漢族，山東濰坊人，本科，主要研究方向：計(jì)算機(jī)科學(xué)與技術(shù);李松江（1984—），男，漢族，吉林吉林人，研究生導(dǎo)師，博士，主要研究方向：數(shù)據(jù)挖掘。