基于領域協同過濾的專家評審推薦方法

文/李松 宋時佳

1 引言

科技創新是科技進步的基礎和動力，近幾年來，科技部提出科技服務業是向社會提供智力服務和支撐的產業，并在“十二五”中指出現代科技服務是基于數據、運用先進科學及技術、分析方法的產業。在科技服務業存在的重要共性服務的提取及有效利用是當前研究的關鍵。然而，“碎片化”的服務資源具有多樣性和復雜性的特點，當前大數據時代為解決這類問題提供了可能。為實現創新、創業項目的順利、高效及合理評審，針對傳統的創新、創業項目中專家評審匹配度低、針對性差等問題，本文提出了基于區域協同過濾的專家評審智能推薦算法。通過實踐證明，基于區域協同過濾的專家評審智能推薦方法大大提高了專家評審的匹配度，加速了專家評審的效率和速度。

2 背景及意義

2.1 研究背景及意義

技術創新和產業變革成為科技服務業持續穩定發展的核心動力。基于大數據的科技服務業通過虛擬化資源和數據處理，提供基于模型的資源可持續利用，同時創新、創業項目的專家評審是一個關鍵環節，提高項目的匹配度能促進科技技術的快速轉移，提高科技資源的利用效率和傳播，加速科技成果的轉化，具有很大的現實和經濟意義。目前，我國產業結構調整已經進入改革關鍵期，“創新驅動”上升為國家戰略。科技服務業作為實現轉型升級的重要支撐，已成為中國經濟增長的新動力。通過對服務資源的虛擬化并有效利用，可以提高資源傳播速度，并通過數據挖掘提煉出數據背后的秘密，提高科技成果到生產力的轉變效率。

2.2 科技服務業研究現狀

表1：專家評分矩陣

表2：匹配相關性和滿意度對比

圖1：基于大數據分析的服務資源推薦

目前科技服務的創新資源主要被一些龍頭企業、高校及科研機構占有，服務資源相對“碎片化”，無法形成一個體系而成為信息孤島。資源的整合和有效利用并實現共享成為企業發展的前提。因此，通過當下的科學技術及大數據分析實現資源的共享成為研究的熱點：王宏起等人以黑龍江省科技創新創業共享服務平臺為實證研究對象，給出平臺未來發展對策建議；汪艷霞等人提出了“孵化-加速”三位一體耦合對接的科技服務資源集成路徑；梁曉星等人對制造任務的分解和制造資源的匹配方法進行研究。

3 基于領域協同過濾的專家評審推薦方法

如圖1所示，根據科技服務基于模式的不同，可以將服務資源的智能推薦方法分為基于內容、協同過濾、關聯規則、基于知識和基于需求五類方法。

圖2：專家評審流程

3.1 協同過濾方法

CF方法主要分為基于領域和基于模型的推薦兩種。基于模型的方法主要包括基于矩陣分解和潛在語義、基于貝葉斯和基于SVM三種方法。基于矩陣分解的方法如下：該算法首先將稀疏矩陣用均值填滿,然后利用矩陣分解將其分解為兩個矩陣相乘。

基于領域推薦的方法是利用的打分矩陣,計算item和item之間的相似度，再對相似度排序，最終得出推薦結果。相似度的度量公式如下：

其中，I(ij)是代表用戶i和用戶j共同評價過的物品,S(i,x)代表用戶i對物品x的評分。S’ 代表用戶i所有評分的平均分。本文根據創新、創業項目中的流程和專家評審特點，提出利用領域協同過濾的方法實現資源推薦。

3.2 基于用戶領域的協同過濾算法

協同過濾算法通過對專家歷史行為數據進行分析，挖掘出每個專家的研究領域，然后對專家群組進行劃分并推薦相關領域的項目進行評審。專家評審推薦的流程如圖2。

基于用戶領域的協同過濾算法步驟為：

（1）數據屬性表示：每個專家對項目領域的評價如表的矩陣形式，評價值越高說明匹配度越高。如表1所示。

（2）相似領域查找：基于公式3.1中的數據，用公式（2）計算出相似性。設定閾值t，依據各個用戶之間相似度大小排序。與目標用戶類似的前t個用戶的類似鄰居集，這是該推薦方法的核心。

（3）智能推薦：

3.3 實驗結果與數據分析

通過利用本文提出的基于領域的協同過濾推薦方法，對比來自八個領域的160名專家評審項目的所用時間及匹配滿意度，可以得出，通過使用基于本文的評審項目推薦方法，專家評審項目匹配度及評審效率明顯提高。調查如表2所示。

4 結語

本文通過基于協同過濾的專家評審推薦方法，提高了評審項目的匹配度和推薦結果滿意度，加速了科技服務資源利用及生產力的轉化速度。未來將進一步研究基于深度學習的有效資源利用方法。