海工裝備案例庫知識推薦方法研究

楊晨 劉亮亮 張再躍

摘 要：針對傳統(tǒng)推薦方法無法獲取有效語義信息的問題，提出了一種基于本體的案例推薦計算方法，通過該方法讓本體參與案例推薦計算。構(gòu)建了海工裝備案例本體，進一步提高了海工裝備案例的信息利用率。實驗證明，該方法較傳統(tǒng)基于內(nèi)容的推薦方法在準確率和召回率上分別提高了1%和5%。同時，構(gòu)建的海工裝備案例本體也為海工裝備案例知識管理研究提供了語義基礎(chǔ)。

關(guān)鍵詞：本體構(gòu)建;案例表示;案例推薦

DOI：10. 11907/rjdk. 191489 開放科學(xué)（資源服務(wù)）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2020）002-0018-05

英標：Research on Recommended Method of Knowledge of Offshore Equipment Case Library

英作：YANG Chen1， LIU Liang-liang2， ZHANG Zai-yue1

英單：（1. School of Computer Science， Jiangsu University of Science and Technology， Zhenjiang 212003，China;2. School of Statistics and Information， Shanghai University of International Business and Economics， Shanghai 201620，China）

Abstract： Aiming at the problem that the traditional recommendation method can not obtain the effective extraction of semantic information， this paper proposes an ontology-based case recommendation calculation method， which allows the ontology to participate in the case recommendation calculation. The body of the offshore equipment case was constructed， which further improved the information utilization rate of the offshore equipment case. Experiments show that the proposed method improves the accuracy and recall rate by 1% and 5%， respectively， compared with the traditional content-based recommendation method. At the same time， the civil engineering equipment case ontology constructed by this paper also provides a semantic basis for the research of marine equipment case knowledge management.

Key Words： ontology construction; case representation; case recommendation

0 引言

隨著海洋工程裝備企業(yè)（以下簡稱海工裝備企業(yè)）規(guī)模的擴大，企業(yè)內(nèi)海工裝備案例也相應(yīng)增加，導(dǎo)致企業(yè)員工無法快速找到自己感興趣的案例。因此，針對海工裝備案例的推薦成為一項重要研究內(nèi)容。

推薦系統(tǒng)可以在不同的場景下對用戶進行推薦[1]，從而很好地幫助用戶找到自己感興趣的事物，減少尋找這些事物所需要的時間和精力。商品推薦是推薦系統(tǒng)最早的應(yīng)用場景，亞馬遜商城在1998年上線了基于協(xié)同過濾算法的推薦系統(tǒng)[2]，并取得了巨大的商業(yè)成功。推薦算法是推薦系統(tǒng)運作的核心，主流的推薦算法有基于內(nèi)容的推薦[3-5]、基于協(xié)同過濾的推薦[6-8]以及基于關(guān)聯(lián)規(guī)則的推薦[9-10]，這些推薦算法為電影、圖書、金融信息等領(lǐng)域提供了推薦系統(tǒng)構(gòu)建的解決方案，但是同時這些推薦算法也存在一些缺陷[11]：①不能描述項目（即被推薦內(nèi)容）的語義信息，導(dǎo)致推薦效果差;②在項目共享和重用方面存在不足。

作為知識工程的一個重要工具，本體在提高領(lǐng)域知識信息化、改善知識表示與分析等方面具有巨大優(yōu)勢，能很好地解決傳統(tǒng)推薦方法存在的缺陷[12]。近年來，將本體技術(shù)應(yīng)用于推薦系統(tǒng)的研究越來越多。通過分析旅游信息等手段，Choi C [13]等構(gòu)建了旅游本體，并提出了基于本體的語義Web旅行推薦系統(tǒng)構(gòu)建方案，解決了傳統(tǒng)旅游信息平臺在推薦功能上的不足;吳永亮[14]等通過對地質(zhì)數(shù)據(jù)的關(guān)系、概念、屬性、規(guī)則及對應(yīng)實例的詳細分析，構(gòu)建了地質(zhì)數(shù)據(jù)本體（礦產(chǎn)資源預(yù)測部分），并開展了基于此本體的檢索應(yīng)用實踐。針對當(dāng)前E-learning（計算機及網(wǎng)絡(luò)信息學(xué)習(xí)活動）應(yīng)用個性化資源推薦能力差、信息無法自動提取以及語義分析不成熟等問題，黃海江[15]等提出了一種基于文本信息的本體構(gòu)建方法，通過收集文本、抽取領(lǐng)域詞匯以及概念聚類等步驟構(gòu)建E-learning領(lǐng)域本體，并將該本體引入到個性化學(xué)習(xí)服務(wù)推薦系統(tǒng)中，能很好地滿足用戶對相關(guān)學(xué)習(xí)信息的需求。

本文將本體技術(shù)引入海工裝備企業(yè)，作為反映信息資源屬性關(guān)系的模型，進行海洋工程裝備案例本體構(gòu)建，最終實現(xiàn)以海工裝備案例本體為基礎(chǔ)的知識推薦方法，以解決傳統(tǒng)推薦方法中語義缺乏導(dǎo)致的推薦結(jié)果差、結(jié)構(gòu)化程度低等問題。

1 海工裝備案例本體構(gòu)建

1.1 海工裝備案例表示

構(gòu)建海工裝備案例本體的目標是獲取、描述海工裝備案例領(lǐng)域知識，對領(lǐng)域內(nèi)的概念進行總結(jié)。從不同層次以形式化的方式給出概念之間相互關(guān)系的明確定義[16]，建立海工裝備案例領(lǐng)域知識體系。根據(jù)海工裝備案例的作用和內(nèi)容特點，將海工裝備案例本體分成3個不同的類，包括設(shè)計優(yōu)化類案例、經(jīng)驗類案例和設(shè)計檢查表類案例。部分海工裝備案例本體層次結(jié)構(gòu)如圖1所示。

通過分析已有案例文檔，可將海工裝備案例描述如式（1）所示。

其中，[Ooec]（Offshore Equipment Case Ontology）表示海工裝備案例本體;[Coec]（Offshore Equipment Case Concepts）表示海工裝備案例概念的集合;[Aoec]（Offshore Equipment Case Attributes）表示屬性的集合，代表海工裝備案例本身的屬性，這些屬性可以全面地描述海工裝備案例的概念;[Ioec]（Offshore Equipment Case Instance）表示實例的集合，是海工裝備案例概念的實例化。

（1）概念（[Coec]）。根據(jù)圖1展示的海工裝備案例本體層次，可以將海工裝備案例本體分為三大類，根據(jù)使用場景和針對目標的不同可以細分為更多子類，這些子類包括很多概念，例如技術(shù)管理經(jīng)驗類案例包括技術(shù)中心內(nèi)部經(jīng)驗案例、生產(chǎn)管理經(jīng)驗案例和維修管理經(jīng)驗案例等。技術(shù)中心內(nèi)部經(jīng)驗案例包括技術(shù)中心內(nèi)部溝通經(jīng)驗案例、技術(shù)文檔規(guī)范經(jīng)驗案例和內(nèi)部培訓(xùn)經(jīng)驗案例等。這些概念構(gòu)成了海工裝備案例本體的概念集合。

（2）屬性（[Aoec]）。對于一個海工裝備案例，通常會包含3類信息：案例描述、案例內(nèi)容及案例總結(jié)。在設(shè)計優(yōu)化類案例中，案例描述信息包含案例名稱、綜合等級、案例類別、主要貢獻人、創(chuàng)建日期以及來源等屬性，原設(shè)計方案、優(yōu)化設(shè)計方案、優(yōu)化項目名稱等屬性屬于案例內(nèi)容信息，優(yōu)化設(shè)計成果屬于案例總結(jié)信息;在經(jīng)驗類案例中，案例描述信息包括創(chuàng)建人、創(chuàng)建時間、修改時間、來源類型以及來源名稱等屬性，問題描述及舉例、解決方法等屬性屬于案例內(nèi)容信息，建議等屬性屬于案例總結(jié)信息。

（3）實例（[Ioec]）。在海工裝備案例本體中，實例是不可或缺的。將本體中的概念進行實例化，是進行海工裝備案例本體應(yīng)用的重要步驟。以海工裝備案例本體中的設(shè)計優(yōu)化類案例子類為例，該子類的實例包括照明系統(tǒng)設(shè)計優(yōu)化、消防系統(tǒng)設(shè)計優(yōu)化、欄桿設(shè)計優(yōu)化、斜體扶手設(shè)計優(yōu)化等。不同概念都有各自的實例，這些實例的集合構(gòu)成了海工裝備案例本體的實例集。

1.2 海工裝備案例本體構(gòu)建

本文根據(jù)海工裝備案例系統(tǒng)內(nèi)知識推薦需求，確定海工裝備案例所涉及的概念、屬性和實例后，利用本體建模實現(xiàn)軟件Protégé構(gòu)建海工裝備案例本體。

（1）類的構(gòu)建和定義。海工裝備案例本體中的概念對應(yīng)Protégé中的類，可以在Protégé的Classes標簽內(nèi)定義海工裝備案例本體中的類。Class面板左側(cè)為類結(jié)構(gòu)層次圖，以結(jié)構(gòu)樹形式展現(xiàn)，右側(cè)為類注釋及類描述。海工裝備案例本體類樹形結(jié)構(gòu)如圖2所示。

Protégé內(nèi)默認最高父類為Thing，其它所有類均為其子類。本文在最高父類Thing下建立了父類Offshore Equipement_Case以及子類Experience_Case和Design Optimization_Case。類和類之間的父子關(guān)系通過OWL中的subclass實現(xiàn)，比如：

（2）屬性定義和構(gòu)建。在完成（1）中相應(yīng)類的構(gòu)建后，需要對這些類的屬性進行構(gòu)建和定義。在Protégé里有兩張屬性標簽，分別為Object Properties（對象屬性）和Data Properties（數(shù)據(jù)屬性）。

對象屬性一般用于描述對象（類）之間的屬性關(guān)系，可以用該屬性標簽構(gòu)建和定義類之間的關(guān)系。部分對象屬性如圖3所示。

其中，HasPart和IsPartOf描述的是類之間包含與被包含的關(guān)系，比如海工裝備案例包含經(jīng)驗案例和設(shè)計優(yōu)化案例兩個子類;HasAttribute和IsAttributeOf描述的是類之間的屬性從屬關(guān)系，比如C IsAttributeOf D，表明C是D的一個屬性。HasInstance和IsInstanceOf描述的是抽象與具體的關(guān)系，比如I型鉆井平臺是設(shè)計優(yōu)化案例中優(yōu)化裝備的實例化。

數(shù)據(jù)屬性是本體類中概念自身的所有屬性，描述的是概念與數(shù)據(jù)類型值之間的關(guān)系。例如設(shè)計優(yōu)化案例的數(shù)據(jù)屬性包括案例名稱、綜合等級、案例類別、主要貢獻人、創(chuàng)建日期、優(yōu)化項目名稱等。部分數(shù)據(jù)屬性如圖4所示。

（3）實例構(gòu)建。通過構(gòu)建實例，能夠增加海工裝備案例本體的描述粒度，提高本體的應(yīng)用程度。以海工裝備案例本體中的設(shè)計優(yōu)化類案例子類為例，通過Individuals標簽添加“Fire System Design Optimization”“Lighting System Design Optimization”和“Railing Design Optimization”3個實例（即消防系統(tǒng)設(shè)計優(yōu)化、照明系統(tǒng)設(shè)計優(yōu)化、欄桿設(shè)計優(yōu)化），在實例描述中添加類型“Type”為“Design_Optimization_Case”（即設(shè)計優(yōu)化類案例），最終完成設(shè)計優(yōu)化類案例實例化，部分實例如圖5所示。

2 基于本體的案例推薦

2.1 案例概念相似度計算

案例概念是案例本體的主要組成部分，通過計算案例概念之間的相似度，可以很好地了解案例概念之間的相關(guān)程度，為基于本體的案例推薦打下基礎(chǔ)。本文以本體的形式對海工裝備案例進行表達，具有概念層次性，因此可以將每個案例概念看成是一個節(jié)點，通過計算節(jié)點間的距離獲取節(jié)點間相似度，即案例概念間相似度。根據(jù)Wu and Palmer法[17]，在海工裝備本體知識樹中，兩個概念之間必定存在公共祖先節(jié)點（如根節(jié)點），且路徑可能不止一條。計算如式（2）。

其中，[D1]和[D2]為從概念[c1]和概念[c2]到它們最近公共祖先節(jié)點[c3]的路徑長度，[D3]為該祖先節(jié)點[c3]到根節(jié)點的最短路徑，且[（c1，c2，c3）∈Coec]。為了計算方便，默認邊距距離統(tǒng)一。通過計算公式可以看出，案例概念間距離（路徑）越近，它們之間的相似度就越高。

2.2 案例屬性相似度計算

在通過案例概念相似度計算后，可以得到一組初選案例集并進入屬性匹配階段。海工裝備案例本體包含多種屬性，這些屬性的內(nèi)容反映了海工案例中最本質(zhì)的信息，通過案例間屬性相似度計算，可以獲得與源案例（原始案例）相似程度更高的案例集。

設(shè)案例集為[S={S1，S2，？，Sn}]（其中[n]為案例個數(shù)）。假設(shè)案例[Si]有[m]個屬性（其中[i=1，2，3，？，n]），則案例[Si]的案例屬性集可以表示為[SiX={X1，X2，？，Xm}]。通過分詞器對案例屬性進行分詞處理，然后除去停用詞，得到處理后的案例[Si′={X'1，X'2，？，X'm}]。

使用Word2vec[18]將案例[Si'（i=1，2，？，n）]映射到一個低維實值的向量空間中去，得到案例[Si']的屬性向量[Xi''=][{φ1，φ2，？，φn}（i=1，2，？，m）]。

假設(shè)案例[S1]和案例[S2]的屬性向量分別為[Xk''={ω1，][ω2，？，ωn}]和[Xj''={φ1，φ2，？，φn}]，其中[ωi]和[φi]分別表示屬性[Xk']和[Xj']在第i維的向量值，[Xk'']和[Xj'']分別表示屬性[Xk']和[Xj']由Word2vec處理成的詞向量，則案例[S1]和[S2]的案例屬性相似度可表達為式（3）。

2.3 案例相似度融合

在得到案例概念相似度和案例屬性相似度后，再通過權(quán)值加權(quán)的方法得到這兩個案例之間的綜合相似度。假設(shè)案例概念相似度的權(quán)值為[α]，案例屬性相似度的權(quán)值為[β（0β1）]，[α+β=1]。則本體中任意兩個案例實例的相似度為：

其中，[Sim1（c1，c2）]為案例概念相似度，[Sim2（S1，S2）]為案例屬性相似度，[Sim（S1，S2）]為案例綜合相似度。

3 實驗及結(jié)果分析

3.1 實驗數(shù)據(jù)

本文實驗測試數(shù)據(jù)為某大型海工裝備企業(yè)提供的海工裝備案例文檔合集，該文檔合集包括了多種類型的海工裝備案例文檔。這些文檔按作用不同可分為兩大類：設(shè)計優(yōu)化類和經(jīng)驗類，設(shè)計優(yōu)化類可以細分為優(yōu)化布置類、系統(tǒng)功能優(yōu)化類和細節(jié)優(yōu)化類;經(jīng)驗類也可以細分為技術(shù)管理經(jīng)驗類和項目準備前經(jīng)驗類，每個類別中包含400個文檔。由于海工裝備案例文檔中含有一些停用詞和無關(guān)內(nèi)容，因此實驗前要對這些文檔進行預(yù)處理，并用這些預(yù)處理后的文檔構(gòu)建成一個系統(tǒng)的案例庫，然后進行實驗。

3.2 實驗過程

實驗開始前對案例庫中的案例進行人工篩選，找出每個案例對應(yīng)的5個推薦案例（內(nèi)容和概念上最相近的5個案例），并將每個案例的篩選結(jié)果存入數(shù)據(jù)庫。本實驗以案例庫中的案例為數(shù)據(jù)來源，從案例庫中抽出若干案例，然后將這些案例作為測試樣本投入到系統(tǒng)中進行推薦。最后將輸入案例與案例庫中其它案例的案例概念相似度和案例屬性相似度進行融合計算，為簡化計算，設(shè)式（4）中的權(quán)值[α]和[β]均為0.5。將計算得到的相似度按大小排序，選取與輸入案例相似度最高的5個案例作為推薦結(jié)果。

3.3 評價指標

本文實驗采用準確率（Precision），召回率（Recall）和F1值（F1-measure）作為性能評價指標。相關(guān)計算如下：

其中，[True_recommend]表示輸出的推薦結(jié)果與人工篩選結(jié)果相同的個數(shù)，[T_result]表示輸出的所有推薦結(jié)果，[T_all]表示系統(tǒng)中所有案例的個數(shù)。

3.4 實驗方法

本文將本體技術(shù)引入推薦系統(tǒng)構(gòu)建中，可以很好地描述海工裝備領(lǐng)域相關(guān)知識，捕捉案例內(nèi)重要語義信息，而傳統(tǒng)基于內(nèi)容的推薦方法[19]則缺乏對案例中語義信息的考慮。因此，本文采用基于內(nèi)容的推薦方法作為對比實驗，實驗過程如下：首先采用TF-IDF算法[20]計算出每個案例中每個詞的TF-IDF值，然后用這些TF-IDF值作為元素形成案例的特征向量。

其中，[TFij]表示第[j]個案例中第[i]個詞出現(xiàn)的頻率，[N]表示案例集合的案例數(shù)，[nj]表示含詞條[j]的案例個數(shù)。

最后用余弦相似性計算案例相似度，選擇相似度最高的5個案例作為推薦案例。余弦相似性計算如下：

其中，[s1、s2]分別表示案例，[v1、v2]分別表示案例[s1、s2]的特征向量。

3.5 實驗結(jié)果

抽取系統(tǒng)內(nèi)的案例作為實驗數(shù)據(jù)進行實驗，以驗證本文方法的有效性。分別進行10、20、30個案例的推薦實驗，獲取不同方法下的準確率、召回率和F1值，實驗結(jié)果如表2所示。

由實驗對比結(jié)果可以看出，本文推薦方法與傳統(tǒng)基于內(nèi)容的推薦方法相比，在準確率、召回率等方面均較高，能夠更好地為使用者提供推薦服務(wù)，這也說明本文構(gòu)建的本體能更好地描述海工裝備案例中的潛在知識，捕捉案例內(nèi)重要語義信息，為推薦效果提升提供重要支撐。同時，實驗對比結(jié)果也說明將本體引入案例推薦計算方法中具有一定優(yōu)勢。

4 結(jié)語

案例推薦是傳統(tǒng)案例信息運用的新形式，是解決企業(yè)信息資源獲取問題的一種方案。針對案例推薦在語義信息利用方面的不足，本文引入了本體技術(shù)，構(gòu)建了海工裝備案例本體，讓海工裝備案例中的隱性知識在推薦過程中發(fā)揮作用，有效地改善了案例推薦效果。實驗表明，基于本體的海工裝備案例推薦方法優(yōu)于傳統(tǒng)基于內(nèi)容的推薦方法，能有效提高案例推薦的準確率和召回率，為傳統(tǒng)工業(yè)領(lǐng)域的知識信息利用提供了一種新思路。

參考文獻：

[1] 常亮，曹玉婷，孫文平，等. 旅游推薦系統(tǒng)研究綜述[J]. 計算機科學(xué)，2017（10）：1-6.

[2] LINDEN G，SMITH B，YORK J. Amazon.com recommendations： Item-to-Item collaborative filtering[J]. IEEE Internet Computing， 2003， 7（1）：76-80.

[3] GHAUTH K I，ABDULLAH N A. Learning materials recommendation using good learners' ratings and content-based filtering[J]. Educational Technology Research & Development， 2010， 58（6）：711-727.

[4] 商雪晶，孫承杰，林磊，等. 基于內(nèi)容相似度的書籍推薦技術(shù)研究[C]. 數(shù)字圖書館高層論壇2010年年會， 2010.

[5] TANISKIDOU E K， PAPADAKIS G， GIANNAKOPOULOS G， et al. Comparative analysis of content-based personalized microblog recommendations（Experiments and Analysis） [EB/OL].? https：//arxiv.org/abs/1901.05497v1，2019.

[6] 周麗娟，徐明升，張研研，等. 基于協(xié)同過濾的課程推薦模型[J]. 計算機應(yīng)用研究，2010，27（4）：1315-1318.

[7] 蘇楊茜. 協(xié)同過濾算法改進及研究[J]. 軟件導(dǎo)刊，2015（2）：74-77.

[8] TEWARI A S，PRIYANKA K. Book recommendation system based on collaborative filtering and association rule mining for college students[C]. International Conference on Contemporary Computing & Informatics，2015：135-138.

[9] 陳祖琴，張惠玲，葛繼科，等. 基于加權(quán)關(guān)聯(lián)規(guī)則挖掘的相關(guān)文獻推薦[J].? 數(shù)據(jù)分析與知識發(fā)現(xiàn)，2007， 2（10）：57-61.

[10] BHOSALE M，GHORPADE T， SHEDGE R. On demand recommendation using association rule mining approach[C]. International Conference on Signal Processing，2017：1302-1306.

[11] 唐曉波，魏巍. 基于本體的推薦系統(tǒng)研究綜述[J]. 圖書館學(xué)研究，2016（18）：7-12.

[12] 羅俊麗. 基于本體的制造資源建模方法研究[J]. 軟件導(dǎo)刊， 2016，15（8）：4-6.

[13] CHOI C，CHO M，KANG E Y， et al. Travel ontology for recommendation system based on semantic Web[C]. the International Conference of Advanced Communication Technology，2006：624-627.

[14] 吳永亮，陳建平，賈志杰，等. 地質(zhì)數(shù)據(jù)本體構(gòu)建及其在數(shù)據(jù)檢索中的應(yīng)用[J]. 地質(zhì)通報，2018，37（5）：945-953.

[15] 基于本體的學(xué)習(xí)內(nèi)容個性化推薦[D]. 長沙：湖南大學(xué)，2007.

[16] 黃美麗，劉宗田. 基于形式概念分析的領(lǐng)域本體構(gòu)建方法研究[J]. 計算機科學(xué)，2006， 33（1）：210-212.

[17] WU Z，PALMER M. Verb semantics and lexical selection[J]. Acl Proceedings of Annual Meeting on Association for Computational Linguistics，1994：133-138.

[18] 唐明，朱磊，鄒顯春. 基于Word2Vec的一種文檔向量表示[J].? 計算機科學(xué)，2016， 43（6）：214-217.

[19] KOMPAN M，BIELIKOVá M. Content-based news recommendation[C]. Bilbao：E-commerce & Web Technologies， International Conference，2010.

[20] 施聰鶯，徐朝軍，楊曉江.? TFIDF算法研究綜述[J].? 計算機應(yīng)用，2009，29（b06）：167-170.

（責(zé)任編輯：孫 娟）