基于推薦系統的元器件智慧選型研究

丁春光，張馳，黃志華，梁安健，劉馨陽，李穎

（1.工業和信息化部電子第五研究所，廣東 廣州 511370；2.工業裝備質量大數據工業和信息化部重點實驗室，廣東 廣州 511370）

0 引言

隨著人工智能和互聯網高速發展，產生了大量的數據，社會從數據匱乏走向數據過載階段。如何在海量數據中快速精準地找到數據消費者（用戶）所關心數據，成為數據生產者或者數據服務商關注的問題。在元器件選用領域，同樣面臨海量的電子元器件產品信息，設計師或物資管理人員如何精準找到合適元器件，快速完成產品的元器件選型，成為急需解決問題。

1 推薦系統的內涵

面臨海量數據，產生數據過載問題，數據消費者在海量數據中找到所需數據變得困難，特別從海量數據中獲得有價值的數據，同時數據生產者或者數據服務商如何從海量數據中獲得有價值的消費者成為問題解決焦點。為了解決數據過載問題，比較有代表性的解決方案是分類目錄和搜索引擎。雅虎是分類目錄方案的代表性公司，谷歌和百度是搜索引擎比較有代表性的公司。但隨著互聯網規模不斷擴大，分類目錄的覆蓋性不強，分類過于復雜，無法滿足用戶數據需求弊端日益明顯。搜索引擎是基于關鍵詞檢索數據，需要用戶主動提供準確的關鍵詞，當用戶無法主動找到準確地描述自己需求的關鍵字或提供關鍵字的信息量不足時，檢索出來的結果很難反映用戶的潛在需求。分類目錄和搜索引擎只能解決用戶主動查找信息的需求，即用戶知道自己想要什么，并不能解決用戶沒有明確需求的問題。和分類目錄和搜索引擎一樣，推薦系統也是一種幫助用戶快速發現有用信息，解決數據過載問題的解決方案之一。推薦系統不需要主動提供明確的關鍵詞，而是通過分析用戶歷史行為給用戶建立畫像，從而主動給用戶推薦其所關心的數據。

推薦系統是能找出用戶和物品之間聯系的信息過濾系統。推薦系統主要有以下兩個顯著的特征。

a）主動性

從用戶角度考慮，不需要用戶提供明確的數據需求，能夠自主通過數據分析用戶與物品之間的關聯數據進行建模，為用戶提供可能感興趣的信息。

b）個性化

能夠挖掘冷門但用戶感興趣的信息推薦給用戶。推薦系統已經成為人工智能在電子商務（亞馬遜、淘寶和京東）和社交平臺（抖音和豆瓣）領域最成功的應用之一。常見的推薦系統算法如表1 所示。

表1 常見的推薦系統算法 [1]

2 元器件選型現狀

目前用戶在電子元器件產品目錄或者電子元器件選用平臺選型有兩種方式。一種方式為分類目錄，已經知道想要的元器件分類和具體產品參數指標，按元器件分類樹進行檢索，先選取一個分類，然后按照質量等級、封裝形式、外形尺寸和電性能參數進行多參聯合篩選找到所需要的元器件產品信息。另一種方式為搜索引擎，知道大體產品型號或者關鍵參數，以關鍵詞形式依托搜索引擎進行檢索。兩種選型方式都存在一定局限性，很難從定位、個性和衍生3 個角度滿足用戶需求。方式一需要用戶明確知道自己想要元器件的分類和技術指標，否則很難進行精確選型。方式二需要用戶知道自己想要元器件產品型號或元器件產品屬性關鍵詞。但關鍵詞顆粒度和反映信息量會影響元器件選型結果，很難定位用戶的最終需求，需要用戶依托自身經驗進行進一步篩選以定位到用戶最終想要的產品。

3 基于推薦系統的元器件智慧選型

基于推薦系統的元器件智慧選型是通過對元器件產品數據進行特征提取建立滿足推薦系統算法要求的基礎特征數據庫，依托機器學習相關算法對產品或廠家進行過濾排序干預，形成最終推薦結果。通過構建元器件智慧選型推薦系統，可以精準推薦用戶所關心元器件產品，彌補分類目錄和搜索引擎在選型精度上的缺陷，提升用戶檢索體驗。智能推薦系統可以從元器件產品定位、滿足個性化需求和滿足衍生需求3 個角度提升元器件選型精準程度和效率。產品定位角度可以幫助用戶快速定位想要選用的元器件產品。滿足個性化需求角度推薦的產品符合用戶自身個性化預期和偏好，如經常選用某生產廠家產品。滿足衍生需求角度能夠推薦與該產品相關配套產品信息，如元器件外圍配套電路信息、選用該產品的用戶還選用了什么產品，幫助用戶完成一體化設計和選用。元器件智慧選型系統框架圖如圖1 所示。

圖1 元器件智慧選型推薦系統框架圖

3.1 基于用戶畫像的元器件選型推薦

推薦系統基于用戶的基本信息、元器件選用信息、用戶對元器件產品偏好和用戶對廠家偏好，用戶對產品或廠家的評論信息、打分信息和用戶瀏覽記錄等行為數據進行智能分析，獲取不同用戶選型習慣，形成用戶畫像，推送用戶關心關注的、與用戶檢索近似同類周邊的元器件產品，實現元器件的智能推送。標簽化用戶元器件選型步驟和習慣，牽引用戶的科學選型，為用戶提供智能化的元器件選型導航。用戶在選用器件過程中，可根據器件實際應用情況和使用方法等進行評論反饋，評論信息不斷積累、共享，以供其他用戶選型參考[2]。也可以通過自然語言的情感分析，在用戶對該產品的問題評論中獲取對該產品偏好程度。另外針對該產品評分評星也一定程度反映用戶偏好。通過研究用戶的興趣偏好，由智能算法進行個性化計算，發現用戶關注點，從而引導用戶發現需求。

3.2 基于設計需求的元器件選型推薦

基于設計需求主要是為了解決傳統“基于經驗器件選型” 單一檢索帶來的選型效率低下、效果不佳等問題。通過對數據資源庫的數據挖掘、數據關聯和數據建模等技術，建立面向設計需求的智慧選型模式，實現根據用戶輸入的器件性能指標、質量水平和廠商等需求，進行器件的關聯性、相似性和符合性匹配，快速地確定選型方案，同時引入元器件產品畫像，綜合元器件的應用歷史、質量表現、物資狀態和使用評價等因素考慮，向用戶推送最優元器件。通過數據應用去指引設計選型，在選型源頭去幫助我們控制產品的質量、成本，最大化規避后期的質量和保障性風險[3]。

3.3 基于相似度元器件產品推薦

相似度算法主要是用于衡量對象之間的相似度，是推薦系統的基礎性算法。在元器件領域判斷一個產品相似性（替代性）主要從產品的基本功能、關鍵性能參數、封裝及外形尺寸、質量可靠性與環境適應性等幾個方面來綜合考慮[4]。因為元器件產品分類較多，每個分類的技術指標參數又不盡相同，不可能將所有參數都用于相似模型訓練，選取確定每個分類的關鍵技術指標參數，通過運用相似度算法，基于元器件技術參數建立元器件相似產品關系，通過模型判斷各元器件之間的相似關系，綜合計算關鍵性能參數重要度和參數值近似度，建立元器件的關鍵參數替代關系模型，將相關度從高到低的相似產品推薦給用戶，實現智能替代查找和推送。

3.4 基于關聯分析方法的元器件外圍配套電路推薦

關聯分析又稱為關聯挖掘，它是一種簡單實用的分析技術，用于發現存在于大量數據集中的關聯性或相關性，從而描述了一個事物中某些屬性同時出現的規律和模式。通過挖掘各生產廠家手冊建議的外圍電路配置，構建常用的外圍電路數據庫，基于常用外圍電路圖建立元器件的關聯關系。當用戶選用某個元器件，應用關聯分析法，從支持度、置信度和提升度，結合用戶行為考慮某種電路功能，系統智能推送配套元器件給用戶。通過關聯分析可以判斷元器件之間的關聯密度，用戶選用某個元器件后會自動推薦與之關系最近的元器件及其配套的外圍電路。

4 結束語

受加劇的中美貿易戰和新冠疫情影響，各電子行業企業都在一段時間內出現缺芯危機。基于推薦系統的元器件智慧選型有助于幫助企業快速找到其產品所需電子元器件以及可替代的國產元器件方案，對于國家和行業維護產業鏈供應鏈穩定，具有非常重要的作用和意義。本文指出推薦系統在元器件智慧選型中起到重要作用、算法和典型應用場景，為后續基于推薦系統的元器件智慧選型平臺搭建和算法研究奠定了基礎。