基于超圖網絡的產品設計知識智能推薦方法研究

摘要：面向產品設計的知識管理系統中，為了提高知識庫中海量設計知識推薦的效率和效果，從產品結構知識、過程知識以及知識標識三個維度構建了設計知識文檔超圖網絡，利用hyper2vec技術建立了知識表示模型，生成了知識特征向量庫。采用用戶行為信息，提出了基于超邊序列的Markov知識推薦模型，預測候選知識文檔。通過知識特征向量相似度擴充候選集，建立個性化用戶興趣模型對候選推薦集進行過濾和排序。在冷鐓機專利的知識服務系統中進行應用驗證，實驗表明該推薦方法在推薦準確度和多樣性方面有著良好的效果，驗證了其可行性和有效性。

關鍵詞：超圖網絡；產品設計；hyper2vec；知識推薦；Markov模型

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695（2022）10-011-2962-06

doi：10.19734/j.issn.1001-3695.2022.04.0137

Research on intelligent recommendation method of product

design knowledge based on hypergraph network

Liu Gao，Huang Shenquan，Long An，Wang Yujie，Zhu Xiaohui

（School of Mechanical amp; Electrical Engineering，Wenzhou University，Wenzhou Zhejiang 325035，China）

Abstract：To improve the efficiency and effect of massive design knowledge recommendation in the knowledge management system，this paper constructed the hypergraph network of knowledge documents from the three dimensions of product structure knowledge，process knowledge and knowledge identification.Then it used the hyper2vec technology to establish the knowledge representation model，and generated the knowledge feature vector library based on user behavior information.And the paper proposed a Markov knowledge recommendation model based on hyper-edge sequence to predict candidate knowledge documents.It expanded the candidate set by knowledge characteristic vector similarity，and the paper established a personalized user interest model to filter and sort it.Finally，it carried out the application verification of the cold heading machine patent know-ledge recommendation system.The experiment shows that this method has a good recommendation effect in accuracy and diversity，which verifies the feasibility and effectiveness of the method.

Key words：hypergraph network；product design；hyper2vec；knowledge recommendation；Markov model

隨著知識經濟時代的到來，面向產品設計的知識管理系統大量涌現。這些知識管理系統存儲著多種多樣的設計知識，來支持廣大設計人員獲取所需的設計知識，以提高設計效率、提升設計效果。然而，隨著知識管理系統中數量巨大、種類繁多的知識資源不斷膨脹，不可避免地產生了知識過載和知識資源有效利用的問題。

為了實現復雜產品設計過程中［1］有效知識的快速獲取，需要在海量知識中高效、準確地獲取高價值、高質量的知識，而知識推薦技術是一種有效的工具。知識推薦技術［2］以知識資源為基礎，根據設計人員當前的需求和專業知識領域等信息，將知識庫中的知識以特定的方法及時、準確地傳送給設計人員，縮短設計人員到所需知識的時間和空間。

目前，基于內容的推薦方法被大多數的知識推薦所采用。基于內容的推薦方法根據知識相似度進行推薦。這種知識推薦方法，推薦的知識類型往往比較單一，缺乏多樣性，未充分考慮知識需求者的過往足跡和個性化興趣偏好對知識推薦的影響。近年來，深度學習［3］在機器視覺、自然語言處理等領域表現出了優越的性能，其特征表示能力得到了廣大學者的認可，不少學者通過深度學習技術刻畫用戶個性化畫像、表達知識特征，建立了有效的知識推薦模型。

本文采用用戶行為序列，基于深度學習知識表示模型，面向產品設計過程，提出了一種基于超圖網絡的產品設計知識智能推薦方法。為了表示知識相互間的多元關系，構建了知識文檔超圖網絡模型；利用hyper2vec技術，對超圖網絡中的知識文檔進行知識表示；根據用戶行為記錄，構建超邊序列模型，并提出了一種融入超邊序列的Markov知識推薦方法，獲得候選知識推薦列表；通過知識相似度擴充候選列表，建立動態興趣模型對候選推薦列表進行過濾和排序，最終生成符合用戶興趣偏好的知識推薦列表。

1相關工作

1.1知識表示研究

知識表示直接影響著知識推薦的效果。知識表示學習［4］目前取得了重大的突破，通過將知識庫中的實體和關系語義映射到低維空間，有助于提高計算效率，緩解數據稀疏，使得設計人員在獲取知識時更加方便、快捷。

對于知識表示，國內外很多學者已經開展了一系列研究。起初，學者專注于知識本體研究，本體模型由概念、概念屬性和概念之間的關系組成［5］，但構建本體耗時耗力。近些年來，深度學習的快速發展使知識表示學習代替了部分本體的功能，向著智能化發展。Lu等人［6］針對文本中概念的關系，提出了一個神經概念耦合網絡模型，對概念進行低級語義表示，提高語義表示的準確性。Zhang等人［7］將設計知識映射到概念知識和事件知識，構建高維知識語義網絡，進一步實現知識的存儲和重用。當表示不確定因果關系知識情景時，基于超圖的知識表示模型具有獨特的優勢。Zhu等人［8］對于異構的知識超圖，提出了一種基于子空間嵌入的文檔推薦算法，此方法包含了知識文檔中的各種高階關系，使相似文檔聯系更加緊密，但此知識嵌入方法對計算性能的要求較高。Huang等人［9］在skip-gram框架下提出了一種靈活的超網絡學習模型，融合深度學習建立了NHNE模型，該方法在超網絡嵌入方面效果顯著。

1.2知識推薦的研究

普遍使用的協同過濾推薦［10］方法著重關注于用戶歷史所涉及的單個項目，自動化程度高，能夠避免對文本內容進行分析的復雜性，但一般的協同過濾方法未充分考慮設計過程中用戶行為的連續性。然而，在實際的產品設計過程中，很多設計過程及其所用的知識具有連續性。王體春等人［11］根據汽車發動機設計任務流程中的每個節點，提出了一種汽車發動機設計知識可拓推送方法，推薦當前任務節點的所需知識。Liu等人［12］提出了一種基于工作流的上下文匹配方法，用于評估工作流上下文之間的關系進行知識推薦。Song等人［13］利用甘特圖來表示時間序列關系，開發了制造時間過程的知識推薦系統，考慮了知識間的連續性，未考慮用戶行為之間的相關性問題。陳卓等人［14］通過用戶歷史交互行為序列，生成了當前記憶的特征向量，并結合策略記憶，提出深度強化學習推薦算法，提高了策略推薦的多樣性。

綜上所述，一方面，超圖與深度學習相結合的方法在知識表示中體現出獨特優勢，整體表示效果顯著，智能化程度高。另一方面，現有文獻大多只考慮用戶行為或知識間的連續性，知識推薦精度有待提高。鑒于此，本文通過考慮用戶行為與知識間的序列性，結合深度學習知識表示技術，提出一種基于超圖網絡的產品設計知識智能推薦方法來提高知識推薦的多樣性和準確性。

2基于超圖網絡的產品設計知識推薦方法框架

為了提高知識的重用率和產品設計效率，需要一種能有效利用知識并且向設計人員提供所需知識的新方法。針對以上目標，本文提出了一種基于超圖網絡的產品設計知識智能推薦方法。基于超圖網絡的產品設計知識智能推薦方法的原理框架如圖1所示，基本步驟如下：

a）建立知識表示模型，獲取知識特征向量庫。對于所有知識文檔采用TF-IDF技術提取主題詞，從結構知識、過程知識以及知識標識三個維度構建了知識文檔超圖網絡模型，再通過隨機游走方式捕獲知識間的相關聯系，得到具有相關聯的超跡序列集合，利用hyper2vec技術的知識表示模型進行訓練。最終，獲得了所有知識的知識特征向量庫。

b）提出基于用戶行為超邊序列的知識推薦方法，定位候選知識推薦文檔。根據用戶行為信息，按照行為產生的時間順序，映射到知識文檔超圖網絡中構建了超邊序列模型；結合超邊序列與Markov模型，提出了融入超邊序列的Markov知識推薦模型，以用戶需求概率最大的方式進行知識預測，形成候選知識推薦文檔集。

c）計算知識特征向量相似度，擴充候選知識文檔。根據步驟b）所提知識推薦方法，其推薦模型預測出的候選知識數量有限，并且排列后面的知識文檔對知識推薦的意義并不大，有時反而會降低知識推薦的精度，需擴充候選知識文檔。知識特征向量庫中的特征向量維度相同，對其知識特征向量基于余弦相似度的方法進行相似度匹配，為用戶提供更加豐富的知識推薦候選集合。

d）構建個性化用戶興趣模型，形成知識推薦列表。用戶的興趣還會隨著時間的推移而發生改變，因此依據用戶知識行為序列，融合時間函數與知識類型建立個性化用戶興趣模型，計算出用戶過往對各知識類型的興趣偏好度，獲取用戶興趣偏好分布，感知用戶當前的知識類型興趣偏好，對擴充的候選知識文檔集合過濾、排序，形成最終的知識推薦列表發送給相應用戶。

3方法的具體實施

3.1基于超圖網絡的知識表示方法

3.1.1構建超圖網絡的知識文檔模型

普通圖是用來描述存在二元組關系的一組對象。在產品設計過程中，設計人員所查閱的知識文檔通常包含產品過程知識和結構知識等。因此，知識文檔、過程知識和結構知識三者存在多元關聯關系，利用普通圖的結構無法表示其中的復雜關系。

在復雜產品設計中，設計人員不僅要考慮產品功能、結構以及外觀，還要考慮產品的加工過程、加工難度等［15］，存儲在企業知識庫中的文檔通常包含產品結構知識和過程知識。超圖為普通圖的一種變體，一條超邊可包含多個頂點。鑒于超圖能夠表達多元復雜關系的優點，本文從結構、過程和標識三個維度建立了知識文檔超圖網絡模型。基于超圖網絡的產品設計知識智能推薦方法框架如圖1所示。

因此，知識文檔可用知識節點表示為Vi=（vi，1，vi，2，vi，3，…，vi，15）。在知識文檔超圖中，一個文檔就是一個知識超邊，即知識超邊可表示為ei=（vi，1，vi，2，vi，3，…，vi，15）。

知識文檔超圖網絡（圖2）表示為一個包含所有節點集合（知識節點，即知識主題詞）V、超邊集合E的超圖G=〈V，E，W〉，其中W表示為每個超邊相關聯權重的映射函數W（e）。

對給定知識數據庫中，知識節點的數目為n，知識文檔（即超邊）的數目為m，可構建知識超圖網絡［9］中知識節點與知識文檔的關聯矩陣H∈Euclid Math TwoRApn×m，計算公式為

h（v，e）=1if v∈e

0if ve（1）

在知識文檔超圖中，知識節點的度定義為所包含該節點超邊的集合，記做d（v）；知識文檔的度定義為該超邊所包含知識節點的集合，記做d（e）。根據超圖關聯矩陣H的定義，知識節點的度和知識文檔的度可以進一步表示為

d（v）=∑{e∈E}w（e）h（v，e）（2）

d（e）=|e|=∑{v∈V}h（v，e）（3）

3.1.2基于hyper2vec的知識表示

在本文知識超圖網絡模型中，一個超邊包含多個知識節點，超圖網絡由許多的超邊構成。模型中知識節點之間的連接和知識間的關系模式結構十分復雜，其蘊涵豐富的潛在聯系。因此，需建立超圖知識表示模型，在盡可能保持原有知識超圖網絡中知識節點和超邊的信息基礎上，學習其特征并映射成低維向量。常用的超圖網絡表示方法有LLE、拉普拉斯特征映射、基于圖的子空間學習等，在計算和統計性能上都存在一定的缺陷［16］。本文采用超圖嵌入模型（hyper2vec）提取其特征，對知識超圖進行低維向量映射。

為了盡可能保持超圖的高階臨近性，hyper2vec模型［17］在skip-gram模型的框架下利用一種有效且可擴展有偏的二階隨機游走模型［18］，對知識文檔超圖中知識節點或知識文檔進行網絡嵌入，獲得相應的低維向量。

隨機游走是一種基于隨機過程的數學統計模型。知識文檔超圖中所生成的一階隨機游走最為關鍵的步驟是確定當前知識節點隨機游走到其相鄰知識節點的轉移概率。為了概括知識文檔超圖中的隨機游走，利用知識節點之間的轉移矩陣，對給定的一個知識節點v，根據該節點所在超邊的權值隨機選取相關的超邊，在隨機選取該超邊中的節點作為下一個游走節點。根據以上描述可得，一階隨機游走模型中各步的轉移概率為

π1（x|v）=∑e∈Ew（e）h（v，e）d（v）h（x，e）d（e）（4）

其中：π1（x|v）表示知識節點v游走到節點x的概率。

為了在知識表示任務中能夠進行同源性和結構等價性之間的切換，已有學者證明了二階隨機游走模型的有效性。在二階隨機游走模型中，下一個隨機游走的知識節點不僅與當前所處的知識節點有關，還與上一個知識節點有關，并將參數p和q引入到知識文檔超圖網絡中，實現其模型效果。因此，本文中知識節點v的領域被分為前一個知識節點u、節點u的相鄰節點和其他節點三類。根據式（5）定義

α（x|v，u）=1pif x=u

1ife∈E，x∈e，u∈e

1qothers（5）

其中：參數p是控制隨機游走中返回上一個知識節點的概率；q是隨機游走中探索遠端或者結束節點游走的參數。因此，二階隨機游走模型中各步的轉移概率計算公式為

π2（x|v）=α（x|v，u）π1（x|v）（6）

根據隨機概率通過多次往復地使用二階隨機游走過程，從一個初始節點vi可以生成一個隨機游走路徑（稱為超跡），可表示為{vi，ei，vi+1，ei+1，…，vi+k，ei+k}，k為隨機過程的步數。三個超邊之間的隨機游走過程如圖3所示。

上述模型可以捕捉到超圖網絡中各知識節點的特征。然而對于超邊來說，一個超邊所連接一些節點蘊涵信息量少，被稱之為低維信息。大量研究表明，利用更加豐富的邊特征可以提高網絡嵌入的效果。因此，在本文知識文檔超圖網絡中考慮更為重要的超邊特征，把上述模型獲得帶有序列特征的超跡作為新的數據集，將以上模型中的超邊和節點互換角色來構建超圖網絡，形成新的超跡。

為了涵蓋整個知識文檔超圖網絡中所有的文檔標識，以每個文檔標識作為初始節點進行二階隨機游走過程，生成大量的超跡集合。超跡中相鄰的知識文檔具有較強的序列性，將超跡類比成自然語言中的詞序列來處理，將詞向量skip-gram模型映射成超跡嵌入向量模型。skip-gram模型［19］是通過知識節點生成其上下文知識節點，該模型所表征的嵌入向量稠密并得到了廣泛的應用。

根據超跡可對應的生成知識文檔標識序列，并需要賦予其訓練的特定標簽。已知知識文檔標識序列中的節點vi（即中心知識文檔標識）和上下文（知識文檔標識所處知識文檔標識序列中相關聯的節點，即上下文）：

context（vi）={vi-t，vi-t+1，…，vi-1，vi+1，…，vi+t-1，vi+t}

其中：t為窗口大小（即與中心知識節點關聯的最大距離）。采用負采樣技術構建負樣本，只有節點為自身序列原來位置時為正樣本，其余的都為負樣本。

根據知識節點在知識文檔標識序列集合中出現的頻率對給定的context（vi）進行負采樣，負樣本集合為NEG（v），{x}為正樣本集合，給每一個樣本集合賦予一個標簽，定義為

Lv（δ）=1δ∈{v}

0δ{v} （7）

其中：Lv（δ）表示中心節點v的標簽，即正樣本的標簽為1，負樣本的標簽為0。對于上述給定的訓練樣本，本文采用基于負采樣的訓練方式于skip-gram模型中，其模型整體的優化目標為γ。

γ=maxf∑v∈V（∑ci∈C（v）（f（v）·f1（ci）-log∑u∈Vef（v）·f1（u）））（8）

其中：f為知識節點v嵌入到中心的映射函數；f1表示為知識節點v與其上下文節點的映射函數；C（v）為v的上下文節點。

模型訓練時，設定窗口大小為t、知識特征向量維度為m，采用隨機梯度下降法和自適應學習率優化目標函數，以花費最少的訓練時間來獲取最大化的知識特征模型使模型達到最優，最終獲得維度為1×m的知識文檔特征向量，形成知識特征向量庫。

3.2基于超邊序列的Markov知識推薦方法

3.2.1超邊序列模型

企業知識管理系統可借助用戶行為數據庫記錄用戶在系統上的行為信息，其蘊涵著豐富的顯性和隱性知識關系。用戶知識行為信息可表示為一個五元組EB={U，Kd，B，T，G}，其中U表示用戶標識、Kd表示知識文檔標識（即知識文檔名）、B表示行為類型（點擊、瀏覽、下載）、T表示時間戳、G表示知識類型。

在所構建的知識文檔超圖網絡中，一條超邊僅包含一個知識文檔Kd，可包含多個過程知識和結構知識，即每個知識文檔映射成一個超邊e，超邊集合為E。因此，每一個用戶行為信息根據時間軸順序所構成的知識序列可映射成對應的超邊序列，記做lu1={e1，e2，e3，…，en}，u為用戶標識，n為用戶知識序列的長度。在用戶行為數據庫中，所有用戶知識行為信息都可以映射成相應的超邊序列。令超邊序列的集合為L，可表示為L={lu1，lu2，lu3，…，lum}，m為數據庫中用戶人數。

3.2.2融入超邊序列的Markov模型

Markov模型［20］是一種基于統計分析的模型，現已廣泛用于序列預測、文字識別、語音識別等領域。Markov模型預測是根據事件目前狀況預測事物將來時刻變化狀況的一種方法，利用概率模型對序列模式進行建模。知識序列中知識流動關系存在從一個知識狀態轉跳到另一個知識狀態，這種知識轉跳關系可以被Markov模型很好地識別。

在利用Markov模型挖掘行為序列中知識隱性關系中，其狀態指超邊序列中的一個超邊。對于一個特定的超邊序列lu1={e1，e2，e3，…，en}，其對應的狀態集合為{k1，k2，k3，…，kn}。知識轉跳關系指一個知識項轉跳到另一個知識項，即為超邊項轉跳到另一超邊項，記做{k1→k2，k2→k3，…，kn-1→kn}，表示用戶對知識需求的順序。

用戶當前狀態和知識轉跳概率矩陣P是Markov模型預測過程中的兩個重要參數。知識轉跳概率矩陣（即超邊轉跳概率矩陣）直接決定著知識推薦的準確性。根據用戶當前的超邊狀態，利用超邊轉跳概率矩陣，推薦系統可以預測下個時刻可能需要的超邊文檔，提供文檔列表推薦給相應用戶。超邊轉跳概率矩陣P由各個狀態的超邊轉跳概率構成。超邊轉跳概率是指系統里所有用戶行為記錄中，上一個知識文檔轉跳到下一個知識文檔的概率。超邊序列集合包含所有的用戶行為信息，記錄著所有超邊相互轉跳的關系。基于數理統計方法對超邊序列集合分析，根據極大似然估計，可得超邊轉跳概率P（ki|lkui）的計算公式為

P（ki|lkui）=frequency（lkui，ki）/frequency（lkui）（9）

其中：frequency（lkui）表示為超邊序列集合所包含超邊文檔lkui的頻數；frequency（lkui，ki）為超邊文檔ki發生在lkui之后的頻數。Markov模型實例如圖4所示。

圖4Markov模型實例

Fig.4Example of Markov model

在一階Markov模型中，其預測下個時刻狀態只與當前用戶的狀態有關，與之前的狀態序列無關，如式（10）所示。

p（ki+1|ki，ki-1，…，k1）=p（ki+1|ki）（10）

本文利用一階Markov模型進行知識文檔推薦，從超邊序列集合中挖掘相互的轉跳關系，從而得到超邊轉跳概率矩陣。捕捉當前用戶所處的超邊狀態，給用戶推薦需求可能性高的知識文檔，計算公式為

Ru=Su×P（11）

其中：Su表示為用戶當前的狀態；P為超邊轉跳概率矩陣；Ru為給用戶推薦的知識文檔的概率。

3.3基于知識特征向量的相似度推薦

采用3.2節方法所預測的知識文檔數量十分有限，并且排列后面的知識文檔對知識推薦的意義并不大，有時反而會降低知識推薦的精度。因此，需要對有限的知識文檔進行相似度匹配，為用戶提供需求程度更吻合的知識推薦列表。

對于知識相似度匹配，目前大多數采用先提取出文檔中的數個關鍵詞或主題詞，通過這些主題詞和其他文檔的主題詞進行相似度計算，這種方法相似粒度較大。本文利用知識特征向量進行相似度匹配，相似粒度小，更加接近于知識的真實相似性。

相似度計算常用的方法有歐幾里德距離、余弦相似度、杰卡德相似系數和皮爾森相關系數。余弦相似度［21］通過計算空間兩個向量的夾角的余弦值，獲得向量的相似度。考慮到知識文檔訓練得到的特征向量為高維向量且維度相同，本文選用余弦相似度來計算知識之間的相似度。余弦相似度的計算公式為

sim=cos θ=aN×aM（aN）2×（aM）2（12）

其中：sim為知識文檔N和知識文檔M的相似度。

本節的Markov模型預測Ru中概率性最大的五篇知識文檔，利用基于知識特征向量的相似度計算方法，對其分別匹配相似度最高的n篇知識文檔，形成知識文檔推薦列表。

3.4用戶個性化興趣模型

用戶所需要的知識，往往與用戶的興趣直接相關。為了進一步提高知識推薦精度，本節獲取用戶的興趣分布并對知識候選集進行過濾、排序，形成符合用戶興趣分布的精準知識推薦列表。

用戶的興趣會隨著時間的推移而發生改變，將時間較久遠的興趣用于用戶當前的知識推薦，已經失去了大部分意義。用戶所產生的知識行為能最直接地體現出用戶的興趣偏好，不同的行為對知識的興趣偏好程度不同，收藏、下載、瀏覽以及點擊行為興趣偏好程度依次降低。將時間函數融入用戶知識行為序列，計算用戶知識行為序列中各類知識的綜合興趣偏好，得到用戶的興趣偏好分布。

用戶對知識類的興趣偏好度取決于用戶知識行為的時間和知識類型的頻數。用戶知識行為產生越近，該類知識頻率越高，用戶對該類知識越感興趣。設用戶u輸入知識推薦模型的知識行為序列為Qu={Kd1，Kd2，Kd3，…，Kdμ}。用戶知識類的興趣偏好計算公式為

zi=∑（Kdλ∈Q）∩（gλ∈gi）exp（-μ-λμ）gi∈G（13）

其中：exp（-（μ-λ）/μ）表示為時間效用函數，λ為序列中知識Kdλ在序列中所對應的序列號，μ為序列的長度；G={g1，g2，g3，…，gβ}為知識管理系統中知識的類型，gλ為知識Kdλ所屬的類型，β為知識類型數目；zi表示用戶對知識類型gi的興趣偏好分數。

根據以上獲得的用戶知識類型興趣偏好分數進行歸一化，得到用戶知識類型興趣分布計算公式為

I（u，gi）=zi∑zi∈zzigi∈G（14）

4實驗驗證

基于Flask 1.1技術，采用SQL Server 2008 R2數據庫，開發了面向冷鐓機的專利知識服務系統，圖5所示為知識推薦界面。設計人員可通過該系統檢索所需知識，產生的行為數據存儲于數據庫中，系統根據設計人員行為數據，通過本文的知識推薦方法向設計人員推薦相應知識。以冷鐓機企業設計人員使用系統后產生的數據為實驗數據，將本文方法與傳統的基于協同過濾的推薦算法、基于TF-IDF特征的知識推薦方法以及當前熱門的基于奇異值矩陣分解的知識推薦方法作比較。

4.1特征向量的知識表示驗證

基于超圖和hyper2vec技術的知識表示模型，是本文知識推薦方法的核心，所獲得的知識特征向量直接影響到知識推薦方法的推薦效果。因此，本節分別從知識特征向量相似度和特征向量距離兩個方面來分析生成的知識特征向量的效果。

本文利用網絡爬蟲技術進行數據采集，共收集了1 554篇冷鐓機相關專利知識文檔，并進行數據預處理。然后，根據上述知識表示模型對1 554篇冷鐓機相關專利知識文檔進行知識文檔特征向量訓練，從而獲得了特征向量維度為100維的知識特征向量。隨機選取一篇專利知識文檔作為種子知識文檔。基于所獲得的知識特征向量，對種子知識文檔匹配最相似的四篇知識文檔，實驗結果如表1所示。從表1中可看出，種子知識文檔4和所匹配的知識文檔28、1、114以及1 444都是與加工工藝相關的，種子知識文檔72和所匹配的知識文檔599、266、1 115以及991都是與冷鐓機夾持裝置相關的。由此可知，種子知識文檔所匹配出的文檔與種子知識文檔所表達的內容相關，說明本文所構建的知識表示模型生成的知識特征向量能夠很好地反映文檔特征。

為了進一步分析知識特征向量的有效性，選取了表1中的四篇知識文檔，如表2所示，文檔標識為72、266、599以及4。為了更加直觀地顯示四篇知識文檔的差別，對所訓練得到的知識特征向量采用t-SNE［22］算法進行降維，映射到二維平面，如圖6所示。從圖6中可看出，知識文檔相近的空間距離較近，文檔表達內容不同的空間距離較遠。因此，可在一定程度上證明通過本文提出的基于超圖和hyper2vec技術的知識表示模型所訓練得到的知識特征向量對知識文檔具有良好的表征能力。

4.2推薦效果評價指標

為了有效、客觀地評價本文知識推薦方法效果，選用準確率（P）［23］作為推薦系統的評價指標。設定推薦列表與下一時刻用戶實際發生的項目相似度大于0.6，即為推薦成功，計算如式（15）所示。

P（u）=|N（u）∩T（u）||T（u）|（15）

其中：T（u）為推薦系統向用戶推薦的知識列表；N（u）表示為用戶實際行為的集合。

在產品設計過程中，需要瀏覽不同類型的知識來發散設計思維、提高創新能力。因此，本文引入多樣性［24］指標來衡量推薦系統的效果。多樣性指推薦系統提供多類型知識的能力，以拓展用戶的知識面、學習多領域知識以及提升用戶體驗。計算公式如下：

Diversity=∑i，j∈R（u），i≠j（1-sim（i，j））0.5×|R（u）|×|R（u）-1|（16）

其中：sim（i，j）為知識推薦列表中推薦文檔i和j的相似度，通過知識特征向量相似計算而得；|R（u）|表示知識推薦列表的長度。

4.3實驗結果與分析

1）實驗設置

本文對所獲得數據集進行預處理，對每個用戶的行為數據按照時間軸發展進行排序，統計數據如表3所示。

根據收集的1 554篇冷鐓機專利知識文檔，對每一篇文檔提取出15個主題詞，并建立專利知識文檔的超圖網絡，進行基于hyper2vec的知識表示訓練，獲得了維度為100的知識特征向量。

2）結果與分析

HMSI方法：根據本文提出的基于超圖網絡的產品設計知識推薦方法進行知識文檔預測，其中每一篇知識文檔依據知識特征向量尋找出最相近的五篇知識文檔，形成粗推薦列表。構建融合知識類型和時間函數的用戶興趣模型，進行過濾和排序粗推薦列表，最后將top-n篇文檔推薦給用戶。

將本文HMSI推薦方法與傳統的協同過濾方法（CF）、當前較為熱門的基于奇異值矩陣分解的推薦方法（SVD）以及基于TF-IDF特征向量的知識推薦方法（TF-IDF）［25］進行比較，設定向用戶推薦top-n=30。其中，基于協同過濾的知識推薦方法（CF）通過用戶過往所涉及的知識頻率矩陣，尋找出與用戶涉及頻率高的相似知識，進行知識推薦；基于奇異值矩陣分解的知識推薦方法（SVD）通過奇異值矩陣分解的方法對用戶—知識頻率矩陣進行特征值分解，獲得推薦相關的知識；基于TF-IDF特征向量的知識推薦方法（TF-IDF）通過提取文檔中的主題詞，生成包含主題詞重要度的知識特征向量，利用特征向量相似進行知識推薦。

四種算法推薦結果，利用準確率、多樣性兩個指標對結果進行評估，如圖7、8所示。表4為四種算法評價結果，黑色加粗字體為一個指標下最好的結果。

從表4、圖7、8可以明顯得出，在同樣的實驗條件下，本文知識推薦方法較其他四種推薦方法，在準確率方面具有很大的優勢；在推薦多樣性方面，相較于前兩種方法略微遜色。總體而言，本文方法在知識推薦綜合效果上較其他方法具有優勢。

基于用戶的協同過濾知識推薦算法（CF）和基于奇異值矩陣分解的知識推薦算法（SVD），都需要構建用戶—文檔的瀏覽矩陣進行推薦。知識推薦系統中的用戶行為數據矩陣一般非常稀疏，導致推薦精度低。本文提出基于超圖和hyper2vec技術的知識表示模型相比于傳統的基于TF-IDF的知識特征表示，更能夠充分捕捉到知識文檔間的多元復雜關系；知識推薦階段，提出的知識推薦方法根據用戶的知識行為序列，搭建Markov模型以及文檔特征向量匹配的方法，緩解了協同過濾算法數據稀疏的問題，具有良好的推薦效果。

5結束語

海量知識資源與用戶個性化需求的有效匹配，是知識管理系統提高知識資源有序化和使用率的有效途徑。本文通過構建基于超圖和hyper2vec技術的知識表示模型，采用Markov模型和興趣模型感知方法，提出了一種基于超圖網絡的產品設計知識智能推薦方法。實驗結果表明，本文知識推薦方法在準確率上相較傳統的協同過濾、奇異值矩陣分解、基于TF-IDF模型等推薦方法有較大提升，具有良好的個性化推薦性能。

本文知識推薦方法還存在優化的空間：a）增加用戶行為類型，進一步將搜索、收藏、關注等多種行為融入推薦模型；b）對于知識特征向量，可考慮深度學習模型學習知識深度特征，進一步提升推薦模型的性能。

參考文獻：

［1］Zhuang Cunbo，Gong Jingcheng，Liu Jiahua.Digital twin-based assembly data management and process traceability for complex products［J］.Journal of Manufacturing Systems，2021，58：118-131.

［2］陶佳，黃賢英，高鈺瀾.融合增強協同信息和知識圖譜信息的推薦模型［J］.計算機應用研究，2022，39（6）：1742-1748.（Tao Jia，Huang Xianying，Gao Yulan.Recommendation model combining enhanced collaborative information and knowledge graph［J］.Application Research of Computers，2022，39（6）：1742-1748.）

［3］Da’U A，Salim N.Recommendation system based on deep learning methods：a systematic review and new directions［J］.Artificial Intelligence Review，2020，53：2709-2748.

［4］榮沛，蘇凡軍.基于知識圖注意網絡的個性化推薦算法［J］.計算機應用研究，2021，38（2）：398-402.（Rong Pei，Su Fanjun.Personalized recommendation algorithm based on knowledge graph attention network［J］.Application Research of Computers，2021，38（2）：398-402.）

［5］王珊珊，肖明.基于本體的引文知識服務系統構建研究［J］.情報理論與實踐，2017，40（11）：125-129.（Wang Shanshan，Xiao Ming.Research on the construction of knowledge service system of citations based on ontology［J］.Information Studies：Theory amp; Application，2017，40（11）：125-129.）

［6］Lu Wenpeng，Zhang Yuteng，Wang Shoujin，et al.Concept representation by learning explicit and implicit concept couplings［J］.IEEE Intelligent Systems，2020，36（1）：6-15.

［7］Zhang Yufei，Wang Hongwei，Zhai Xiang，et al.A C-RFBS model for the efficient construction and reuse of interpretable design knowledge records across knowledge networks［J］.Systems Science amp; Control Engineering，2021，9（1）：497-513.

［8］Zhu Yu，Guan Ziyu，Tan Shulong，et al.Heterogeneous hypergraph embedding for document recommendation［J］.Neurocomputing，2016，216：150-162.

［9］Huang Jie，Chen Chuan，Ye Fanghua，et al.Nonuniform hyper-network embedding with dual mechanism［J］.ACM Trans on Information Systems，2020，38（3）：1-18.

［10］張屹晗，王巍，劉華真，等.基于知識圖嵌入的協同過濾推薦算法［J］.計算機應用研究，2021，38（12）：3590-3596.（Zhang Yihan，Wang Wei，Liu Huazhen，et al.Collaborative filtering recommendation algorithm based on knowledge graph embedding［J］.Application Research of Computers，2021，38（12）：3590-3596.）

［11］王體春，華洋，Wu Yong.面向汽車發動機設計的可拓知識推送模型［J］.華南理工大學學報：自然科學版，2020，48（2）：107-115.（Wang Tichun，Hua Yang，Wu Yong.Extension knowledge push model for automobile engine design［J］.Journal of South China University of Technology：Natural Science Edition，2020，48（2）：107-115.）

［12］Liu Tingyu，Wang Huifang，He Yong.Intelligent knowledge recommending approach for new product development based on workflow context matching［J］.Concurrent Engineering，2016，24（4）：318-329.

［13］Song Jun，Zhan Hongfei，Yu Junhe，et al.Enterprise knowledge recommendation approach based on context-aware of time-sequence relationship［J］.Procedia Computer Science，2017，107：285-290.

［14］陳卓，姜偉豪，杜軍威.基于策略記憶的深度強化學習序列推薦算法研究［J/OL］.湖南大學學報：自然科學版.（2022-05-09）.https：//doi.org/10.16339/j.cnki.hdxbzkb.2022294.（Chen Zhuo，Jiang Weihao，Du Junwei.Research on deep reinforcement learning sequential recommendation algorithm based on policy memory［J/OL］.Journal of Hunan University：Natural Sciences.（2022-05-09）.https：//doi.org/10.16339/j.cnki.hdxbzkb.2022294.）

［15］薩日娜.面向復雜產品方案設計的多性能融合布局設計技術研究［D］.杭州：浙江大學，2013.（Sa Rina.Research on technologies of multi performance fusion layout design for complex product scheme design［J］.Hangzhou：Zhejiang University，2013.）

［16］Peng Gongzhuang，Wang Hongwei，Zhang Heming，et al.A hypernetwork-based approach to collaborative retrieval and reasoning of engineering design knowledge［J］.Advanced Engineering Informatics，2019，42（10）：100956.

［17］Chen Xu，Xiong Kun，Zhang Yongfeng，et al.Neural feature-aware recommendation with signed hypergraph convolutional network［J］.ACM Trans on Information Systems，2020，39（1）：1-22.

［18］Huang Jie，Chen Chuan，Ye Fanghua，et al.hyper2vec：biased random walk for hyper-network embedding［C］//Proc of International Confe-rence on Database Systems for Advanced Applications.Berlin：Sprin-ger，2019：273-277.

［19］Mikolov T，Chen Kai，Corrado G，et al.Efficient estimation of word representations in vector space［EB/OL］.（2013-09-07）.https：//arxiv.org/ abs/1301.3781.

［20］呂琳媛.復雜網絡鏈路預測［J］.電子科技大學學報，2010，39（5）：651-661.（Lyu Linyuan.Link prediction on complex networks［J］.Journal of University of Electronic Science and Technology of China，2010，39（5）：651-661.）

［21］Liu Haifeng，Hu Zheng，Mian A，et al.A new user similarity model to improve the accuracy of collaborative filtering［J］.Knowledge-based Systems，2014，56：156-166.

［22］Shi Songting.Visualizing data using gtsne［EB/OL］.（2021-08-03）.https：//arxiv.org/abs/2108.01301.

［23］Iwendi C，Khan S，Anajemba J H，et al.Realizing an efficient IoMT-assisted patient diet recommendation system through machine learning model［J］.IEEE Access，2020，8：28462-28474.

［24］Vargas S.New approaches to diversity and novelty in recommender systems［C］//Proc of the 4th BCS-IRSG Symposium on Future Directions in Information Access.Swindon，GBR：BCS Learning amp; Development Ltd.，2011：8-13.

［25］彭博.主題—知識關聯的網絡文物信息資源知識推薦方法研究［J］.情報科學，2021，39（9）：162-169.（Peng Bo.Research on knowledge recommendation method of network cultural relics information resources based on topic-knowledge correlation［J］.Information Science，2021，39（9）：162-169.）

收稿日期：2022-04-19；修回日期：2022-05-23基金項目：國家自然科學基金資助項目（71501143）；浙江省自然科學基金資助項目（Y19G010030）；溫州市重大專項項目（2018ZG026）

作者簡介：劉高（1995-），男，江西豐城人，碩士，主要研究方向為知識推薦；黃沈權（1986-），男（通信作者），浙江溫州人，副教授，博士，主要研究方向為服務型制造、知識管理（hshenquan@163.com）；龍安（1993-），男，江西吉安人，碩士研究生，主要研究方向為知識圖譜與知識服務；王玉潔（1997-），女，陜西延安人，碩士研究生，主要研究方向為服務推薦；朱曉輝（1999-），男，浙江金華人，碩士研究生，主要研究方向為知識推薦．