基于改進協同過濾算法的制造服務推薦方法

劉 培， 曾凡航

（1 武漢科技大學冶金裝備及其控制教育部重點實驗室， 武漢 430081；2 武漢科技大學機械傳動與制造工程湖北省重點實驗室， 武漢 430081）

0 引 言

隨著共享經濟和面向服務的體系架構的迅猛發展，制造企業為了提升產品競爭優勢借助制造服務平臺訪問、搜索便可集成和使用這些制造服務，以滿足自身加工、定制、外協和專業服務的個性化需求。然而隨著服務數量的急劇增長，制造服務平臺出現信息過載和客戶需求偏好異質化問題，使得服務過程中難以有效實現供需方精準對接和快速響應。 在這種背景下，制造服務推薦方法獲得了廣泛的關注和研究，旨在準確識別用戶需求和偏好，自動地為用戶推薦可能滿足其個性化特征的服務信息，從而實現平臺資源的合理利用和用戶的滿意體驗。

近年來，許多服務推薦研究都集中在服務請求和服務資源之間基于語義的服務能力匹配，使用不同的服務描述語言和QoS模型數值描述進行評估資源與需求間的相似度，從大量功能相似的服務中選擇具有良好QoS值的最佳服務。 如Bouzary 等學者［1］采用制造服務描述語言評估資源與子任務之間的語義相似度，根據非功能指標優化對子任務的組合進行優化，將具有相關映射特征的制造服務需求進行資源匹配。 Lin 等學者［2］采用本體描述語言，提出了基于本體的分層模塊化資源統一描述模型，將任務請求與資源庫中的資源進行匹配，選擇滿足任務請求的資源。 李穎新等學者［3］提出一種基于用戶行為的知識服務推薦方法，建立用戶本體行為模型，通過語義分析和知識評價實現個性化知識過濾。 然而，上述的QoS感知服務發現和匹配工作都是假設所有用戶都是相同的，但是現實中并非如此，因為大多數QoS值（如響應時間、可用性、性能和可靠性）都是主觀的，不同的服務用戶給出的評價不同。 因此，有研究試圖將協同過濾算法與制造服務聯系起來，通過相似偏好用戶和服務的交互日志，預測目標用戶缺失的QoS值來進行個性化服務推薦。 Liu 等學者［4］綜合考慮了QoS目標屬性和客戶偏好屬性，提出了一種基于聚類的協同過濾和非支配排序遺傳算法來量化用戶偏好屬性，通過用戶偏好屬性排序，為目標用戶推薦最適合的解決方案。Liu 等學者［5］通過擴展皮爾遜相關系數相似性來預測未知的QoS值并排列相應的候選列表。 Feng 等學者［6］考慮地理信息、樣本集多樣性計算和平臺上下文，擴展基本Pearson 相關系數相似性，提取鄰域信息，提出了一種鄰域增強矩陣分解方法來預測丟失的QoS值。 Garanayak 等學者［7］融合基于項目協同過濾技術和K-means 算法，根據人們對信息的注意程度和行為特征，從大量動態推送的信息中過濾出必要的信息片段，為制造服務用戶構建推薦。 結合協同過濾的制造服務推薦方法相較于搜索引擎匹配及本體模型匹配等方法更具有效率和個性化，有效緩解了信息過載和偏好異質化問題，但依然存在幾方面的問題：

（1）由于制造服務在現實世界中執行成本高或耗時長，在協同過濾過程中，制造服務對于不同服務用戶的QoS值通常太少，難以識別相似的用戶或服務，存在嚴重的數據稀疏問題。

（2）由于平臺內服務資源不斷地接入和退出，新加入的服務用戶或新發布的服務在協同過濾過程中缺乏可用于識別相似用戶或服務的歷史使用數據，存在嚴重的冷啟動問題。

（3）協同過濾算法假設用戶偏好是固定不變的，忽略了時間上下文對于用戶興趣的影響。 實際上，用戶在不同時間下歷史信息并不相同。 例如，一個同學在一年前對某個電影評價很高，但隨著年齡增長和同類型電影的更新，用戶的興趣會發生變化，若以一年前的評分作為現在的推薦依據顯然會使得推薦效果大打折扣。

為了解決協同過濾在個性化制造服務推薦中存在的問題，本文主要通過引入時間衰減函數來改進傳統的協同過濾算法，考慮時間因素的影響并根據用戶服務評分時間的不同設置不同的權重，反映用戶偏好的變化。 其次，建立制造服務的基于偏好相似度和評分相似的綜合相似度模型，即使制造服務的大部分評分缺失，也可以通過偏好信息緩解數據稀疏和冷啟動問題。

1 相關工作

對于許多現代推薦系統來說，一個廣泛的解決方案是協同過濾技術，技術基本假設是，在過去有過類似購買行為的人，在未來也會有類似的選擇［8］。基于協同過濾的推薦流程如圖1 所示。 通過利用用戶對某些服務的評分集來實現。 這些評分根據用戶的顯式反饋［9］（用戶根據數值等級或三角模糊語言反饋）或隱式反饋［10］（用戶單擊特定對象等行為）來實現，再將活動用戶與用戶項目評級矩陣中的其他用戶或服務之間的相似性被計算出來，根據計算出的相似度將用戶或服務分類為當前用戶或服務的鄰居用戶，進而利用用戶的偏好進行推薦。

圖1 協同過濾算法推薦框架Fig. 1 Collaborative filtering algorithm framework

協同過濾算法的關鍵任務是解決相似度問題和用戶偏好建立問題［11］，兩者是影響推薦質量的關鍵因素，很多研究者從這兩方面研究貢獻了很多優化的協同過濾算法，一定程度上舒緩了個性化推薦中的稀疏性［12］、 可擴展性和運行復雜等問題。Parvatikar 等學者［13］提出了基于項目的協同過濾和關聯規則挖掘來給出偏好推薦，通過調整余弦向量相似度函數計算不同用戶之間的相似度，通過該方法消除了數據稀疏性問題，得到了較好的推薦。Mikolov 等學者［14］通過隱式數據集（例如，點擊或購買等）建立用戶偏好模型，結合顯式數據融合來預測用戶物品關系。 郝志峰等學者［15］提出了一個協作過濾基于項目的使用上下文的方法。 這種方法增加了可用使用數據較少項目的評分預測，并提高了推薦的總體多樣性。 吳婷婷等學者［16］提出了一種結合k-means 聚類的基于協同過濾的方法，并利用SOM 對結果進行改進。 然而，以上改進的協同過濾算法都依賴用戶對于物品的評分且假設用戶的偏好是不變，極少研究考慮到用戶偏好程度隨時間的變化而變化。 本文充分利用了上下文信息中的時間因素與用戶偏好的聯系：用戶與服務交互的時間越近，越能反映用戶當前的興趣偏好，偏好的服務越具有相似度。 通過引入時間衰減函數作為權重因子，對用戶不同時間點和周期的評分和服務調用分別賦予不同的權重，以提高制造服務的推薦精確率。

2 研究框架

如前所述，服務評分的稀疏性和用戶偏好的動態性將會影響協同過濾算法在制造服務中的推薦準確率。 本文將提出用戶動態偏好的協同過濾推薦方法解決制造服務的個性化推薦問題，如圖2 所示。該方法研究有3 個部分：

圖2 研究框架Fig. 2 Research framework

（1）制造服務的最近鄰居模型。

（2）結合時間衰減函數的偏好預測。

（3）制造服務推薦模塊。

首先，通過服務用戶和制造服務間的偏好關系和評分關系構建服務綜合相似度模型，以找到目標制造服務之間相似性最高的最近鄰居。 其次，利用評分的時間和服務調用的周期修正用戶評分和綜合相似程度，預測制造服務的QoS缺失值。 最后，利用優化后的預測評分針對目標用戶進行感知推薦服務，將偏好程度最高的制造服務返回給目標用戶。

2.1 相似度計算模塊

為了能有效緩解用戶反饋數據數量不足引起的稀疏性問題，本文將基于歷史服務用戶檢索的偏好行為數據和QoS評分數據，構建服務用戶和制造服務為節點、綜合相似度關系為紐帶的社會偏好網絡，從而找到每個服務用戶或制造業服務之間關系最強的最近鄰居，以加速在線推薦過程。

（1）服務評分相似度。 服務用戶與制造服務之間存在一定的評分關系，將其表示為交互網絡中的節點。 服務用戶可以通過數字或模糊語言如（好、一般、差）對制造服務QoS進行評分，將模糊數轉換為數值。 給定一個由N個用戶和M個制造服務的數據集，服務用戶和制造服務之間的評分關系用M×N個用戶服務評分矩陣表示，Ru，i表示用戶u對服務i的評分，若服務用戶u之前沒有對服務i進行評分，則Ru，i為0，本文將采用皮爾森相關系數［17］計算服務之間的評分相似度權重，可由如下公式來求值：

其中，U表示為服務i和服務j都評過分的用戶集合，和分別表示用戶對制造服務i和j評分的平均QoS值的向量。 根據該定義，2 種制造服務的評分相似度在區間［-1，1］上歸一化，數值越高表示就越相似。

（2）服務偏好相似度。 服務用戶的調用次數在一定程度在上反映了用戶對不同服務的偏好程度，調用次數越多，該用戶對制造服務的偏好程度越高。根據以往服務用戶檢索的偏好數據，服務用戶與制造服務之間存在一定的偏好聯系，將其表示為交互網絡的節點。 給定一個由N個用戶和M個制造服務的數據集，服務用戶和制造服務之間的偏好關系用N×M個用戶-服務評分矩陣表示，Tu，i表示用戶U調用服務i的次數，若服務用戶u之前沒有調用過服務i， 則Tu，i為0，本文將采用皮爾森相關系數計算服務之間的偏好相似度權重，數學公式具體如下：

其中，U表示都調用過服務i和服務j的用戶集合，和分別表示用戶調用制造服務i和j評分的平均次數。 根據該定義，2 種制造服務的偏好相似度在區間［-1，1］上歸一化，數值越高表示兩者越相似。

（3）最近服務鄰居。 將制造業服務之間的偏好相似度和評分相似度相結合，產生綜合的相似度，從而為每個服務用戶或制造業服務找到相似度最高的最近鄰居。 2 個制造服務之間的綜合相似性計算公式見如下：

其中，α和β表示部分相似點的權重，表示各自對綜合相似點的重要性。 對于制造服務i， 其相似度集包含與i相似度大于0～1 的所有業務用戶。 因此，通過分別計算所有制造業服務與i的相似度，并過濾出小于或等于閾值的，就得到了基于服務的最近鄰居。

2.2 偏好預測模塊

基于不同的用戶偏好和體驗，采用協同過濾和建議的鄰居組，利用服務用戶和制造服務的組合相似性，預測主動服務用戶的制造服務的QoS缺失值。 需要提高用戶近期行為的權重，把時間衰減函數作為權重因子對用戶或物品相似度進行約束，用戶近期行為相比用戶以前的行為更能體現用戶現在的興趣。 考慮時間的影響因素，在傳統的協同過濾相似度計算公式上進行改進。

（1）時間衰減函數。 認知心理學表示，人的記憶牢固度在時間上遵循一定的遺忘規律，且包括短時的記憶和長時的記憶兩種［18］。 同時，用戶的偏好隨著時間的變化也遵循著一定的衰減規律。 根據艾賓浩斯遺忘曲線，人類通常不會在處理信息7 次后就輕易忘記。 本文將從艾賓浩斯遺忘曲線［19］的思想出發，將用戶的偏好分為長期偏好和短期偏好兩種。 其中，長期偏好是指用戶在較長的一段時間內與同種服務交互次數達到一定閾值時，此時的偏好將不會過于受到時間變化的影響。 用戶的短期偏好是指用戶與服務的交互次數低于一定閾值時，用戶的偏好易受到時間變化的影響。 區別于普通物品的交互行為特征，制造服務的執行耗時比較長，因此用戶的感知體驗會相比于其他服務持續時間較長，基于此本文將服務用戶與制造服務交互次數閾值設置為4，當用戶與同類服務在一段時間內交互次數達到4 次以上，意味著該用戶的服務偏好為長期偏好。同時，短期的服務偏好演化將采用指數衰減函數模擬，將指數衰減函數作為權重因子為近期評分、遠期評分賦予不同的評分權重表示短期偏好。

（2）評分權重和偏好權重計算。 將每位用戶所調用或者評分的服務按時間先后順序進行排序，得到一個交互序列［（Actu1，t1），（Actu2，t2），…，（Actui，ti）］，運用R 語言［20］依次統計所選時間段內相似服務出現的次數。 服務的偏好權重函數表示為：

其中，f（u，i） 表示用戶對服務的偏好權重函數，當服務i調用的次數小于閾值4 時，則f（u，i） 表示為服務i的評分權重；當服務i調用的次數大于閾值4 時，則f（u，i） 表示為服務i的偏好權重；ru（td）表示用戶u在td時間的評分；Itr為用戶2 次連續評分之間的平均間隔時間；t0表示用戶最后一次評分的時間；td表示用戶u對服務i的最后評分時間。

（3）QoS評分預測。 基于服務的過濾方法，利用類似的制造服務及相似服務修正后的偏好權重或評分權重，使用下列公式預測活動服務用戶的缺失QoS值：

其中，f（u，j） 表示目標用戶對服務j的時間偏好權重函數；ru，j表示用戶u對服務j的QoS評分；cos_sim（i，j） 為服務i與服務j的相似權重。

2.3 制造服務推薦模塊

在預測出活動業務用戶不同制造服務的缺失QoS值后，通過單QoS比較或多QoS間的多目標決策，為活動業務用戶生成個性化制造服務推薦。 單一的QoS比較將推薦活躍的制造服務，排名前k的最優制造業務具有較高的QoS值。 多目標的多個QoS之間的決策將向目標用戶推薦多個QoS值加權總和較高的前k個最優制造業務。 并對推薦流程進行分述如下：

步驟1根據用戶在制造服務平臺上的調用和評分數據集，將調用記錄和評分記錄偏好信息轉化為用戶服務評分矩陣和用戶調用矩陣，利用式（1）、式（3）計算制造業服務間的偏好相似性。

步驟2利用R 語言統計用戶歷史記錄里調用同種服務的次數，根據式（4）、式（5）計算用戶對服務的偏好權重，融入時間衰減函數修正用戶對服務的評分。

步驟3基于服務之間的綜合相似度，利用式（6）服務的缺失QoS評分。

步驟4根據用戶對服務的預測評分推薦未交互過的制造服務業務。

3 實驗結果

為了驗證所提出的改進協同過濾算法的推薦性能，實驗將采用傳統基于服務的協同過濾推薦算法進行比較。 所有算法采用C ＋＋語言編寫，并在Intel i7-3370 3.4 GHz、8 GB 主存的工作站上進行測試。 本文采用文獻［21］發布的云制造服務數據集，包括了463 個用戶針對接近7 548 個云服務的QoS評分數據，該數據集中沒有包括用戶的調用數據，本實驗隨機生成463 個用戶的調用數據。 為了衡量另種方法的預測精度，使用平均絕對誤差（MAE）和均方根誤差（RMSE）［22］作為評價預測結果質量的指標。 研究涉及的數學公式可寫為：

其中，ri表示用戶對服務i的真實QoS評分；表示服務i的預測評分；n表示所有待預測值的總數。MAE定義為預測評分與實際評分之間的平均絕對差；同樣，RMSE是預測值和實際值之間的平均平方根差。 這2 種方法經常被用來評估模型或估計器的預測值的好壞，MAE越小，表示預測精度越高。

將本文方法與傳統的基于服務的協同過濾推薦方法分別在本文數據集上計算MAE和RMSE值。考慮到實際中數據集的稀疏性，本實驗將數據集密度分別設定為20%、30%、40%、50%、60%、70%、80%，計算結果如圖3、圖4 所示，與傳統基于服務的協同過濾推薦方法相比，本文改進的推薦方法有更好的準確率，因為動態調整衰減函數可以更恰當地模擬偏好的變化。

圖3 2 種算法MAE 值對比Fig. 3 Comparison of MAE values of the two algorithms

圖4 2 種算法RMSE 值對比Fig. 4 Comparison of RMSE values of the two algorithms

4 結束語

提出了一種融合時間衰減函數的協同過濾技術推薦方法，通過捕捉偏好變化來預測用戶制造服務的QoS缺失值，提高個性化QoS感知服務推薦的有效性。 參考人類記憶遺忘特性曲線，擬合時間衰減函數對制造服務的偏好變化進行了解釋，通過服務用戶和制造業服務之間的偏好和標簽關系建立了制造服務間的聯系，緩解了傳統協同過濾技術所面臨的數據稀疏和冷啟動問題。 實驗結果表明，提出的方法優于傳統的協同過濾推薦方法。 然而，所提出的方法仍處于早期階段，對于大規模的現實應用有一定的局限性。 在未來的工作中，將改進研發的個性化制造服務推薦系統，考慮到更全面的社交網絡信息，例如評論、回復、主頁訪問和互動活動的跟蹤記錄，以便更準確地預測個性化制造服務推薦中的QoS值。