CN104731958A - 一种面向用户需求倾向的云制造服务推荐方法 - Google Patents

Abstract

本发明提出了一种面向用户需求倾向的云制造服务推荐方法，该方法首先对云制造的分类和服务描述的部分信息进行规范。然后选取某个领域内一定数量的用户以及这些用户在一段时间内用过的所有服务，针对每个用户把这些服务的名称和简要介绍合并成文本。通过比对文本相似度的方法，确定有类似需求的用户。针对某个用户选取一些与其相似度接近的部分用户，对比其在某个服务类型点下的服务使用情况。将该用户未使用但是相似用户使用的服务进行推荐。本方法考虑到了相似用户需求的用户在所有类型服务的需求上的特点相似性，其推荐的服务一定经过了其他企业的应用。是一种准确率非常高的推荐方法。

Description

一种面向用户需求倾向的云制造服务推荐方法

技术领域

本发明设计一种面向用户需求倾向的云制造服务推荐方法，该方法在云制造服务分类体系及服务发布标准下，对用户使用过的服务进行分析，利用词袋模型获取与目标用户有相似需求倾向的用户。通过对比二者之间的差异性，选择合适的服务推荐给目标用户。该方法可把用户的需求倾向看成了是一个联系的整体，推荐的服务针对性更强，且都是经过实际检验，可靠性得到保证，属于制造领域。

背景技术

目前的电商、社交、制造等平台中，推荐系统是非常重要的一个环节。系统可以通过用户的一些行为推断其可能感兴趣的方向，将该方向的内容推荐给用户。这种方式下常见的方式有关联法、分类/聚类和协同过滤等方法。这些方法都是基于一定的用户行为，寻找用户的规律，进行推荐。

关联法主要是对用户对哪些产品或内容感兴趣，系统获取同时对该产品或内容感兴趣的其他用户，将其他用户的其他感兴趣方面推荐给当前用户。目前国内的大部分电商都提供类似的服务。在用户购买了某个商品后，系统往往会给出购买了该商品的其他用户还购买了什么东西作为推荐。这类方法的目标关注是商品本身，以商品为核心把用户联系起来，最终形成一个网络。这种方法适用较为简单，但是盲目性太强，构建方式不够严谨，往往推荐的准确率低。分类/聚类技术与关联法的出发点不同，其把用户组作为一个核心。即通过一定的方法把用户进行分类，默认为同类型的用户其感兴趣的商品一定相似。以用户组为单位，把该用户组下购买过的商品进行互相推荐。这种方法把用户固定于一定的类别，而该类别往往是提前固定或通过算法确定。不同的分类方法、应用方向等的不同，效果相差很大。目前比较成功的方法是协同过滤方法，该方法通过一些成熟的技术，对大量用户的数据进行分析和挖掘，发现用户的兴趣倾向，进行推荐。严格讲，协同过滤法中必然包含了关联法和分类/聚类法的相关思想或算法。在具体实施过程中，最常见的实现方式是标签法。即通过一定的方法或算法对用户和服务贴标签，寻找有相同标签的组合，在标签的基础上构建表示模型，进行推荐。这类方法的好处在于计算简便，速度较快。但是缺点是推荐的准确率不高，因为标签方式仅仅把最有含义的词语挑了出来，造成了巨大的语义损失。

实践证明，面向不同的应用，应该设计合适推荐方法。在云制造领域中，平台中的面向服务包含多种分类方式，不同的分类方式会造成不同的分类结果。而这些分类结果都是一种从上而下的树状结构。不同的用户会有不同的需求倾向，表现出来就是其感兴趣的服务处于的节点位置。同时，云制造服务的发布有严格的标准，其名称和简介必须包含准确的语义信息。

针对上述问题及云制造平台的这两个特点，本发明提出了一种面向用户需求倾向的云制造服务推荐方法。该方法提取同大类用户适用的一定次数的服务，生成用户服务文本，利用词袋模型得到与目标用户有相似需求倾向的用户，对比之间服务的差异，选取合适的服务推荐给目标服务。

本发明的目的为：获取用户在语义层面上的潜在需求倾向，结合云制造服务分类规则，更为准确地将经过实践检验的服务推荐给用户。

发明内容

针对上述问题及云制造平台的这两个特点，本发明提出了一种面向用户需求倾向的云制造服务推荐方法。该方法将某大类用户近期使用过的一定数量的服务名称和简介叠加生成用户文本，计算文本相似度获取与目标用户的需求倾向接近的用户。根据云制造服务分类，从下至上对比服务，进行服务推荐。

本发明采用的技术方案为：一种面向用户需求倾向的云制造服务推荐方法，该方法包括3个步骤：

步骤1)、服务分类规范和描述规范确立

云制造服务多种多样，根据不同的分类标准会产生不同的分类结果。应该根据实际应用，使用多种常见的分类标准得到多种结果。服务描述使用Service＝＜S_d1，S_d2，...，S_dn＞(S_d1，S_d2，...，S_dn代表服务的n个属性)方式。每个属性都有合适的规范。本方法重点强调服务名和服务简介两个属性要求有长度规定，且内容必须包括明确的语义信息。符合规定的服务才会被发布。

步骤2)、构建用户需求文本

在某个分类模式下，在某个大领域下，选取一定数量的活跃用户。选取每个用户最近使用的k次服务，将服务名称和服务简介抽取，构建成文本。

步骤3)、处理用户文本并计算相似度

把这些文本使用词袋模型进行处理，计算每个文本与目标文本的相似度。选取一定数量与目标文本最接近的文本所对应的用户作为与目标用户有相似需求的用户。

步骤4)、获取合适的推荐服务

通过对比，获取相似用户使用的与目标用户同类型但是不一样的服务，作为推荐服务。

进一步的，步骤1)提出了服务分类规范和描述规范确立，具体实现方式如下：

不同的服务分类方式下对应的分类结果不同，如按照其存在形态分，服务可能分为软件、设备、知识、物料等几个大类。不同的用户倾向的分类方式不同。如某用户可能倾向第一种分类方式，其在生物学的多个环节都有涉及。而某用户倾向第二种方式，其为多个领域设计软件。有的用户也有可能倾向多个分类形式的方式。但是所有分类结果的结构一定是树状结构，如图2所示。用户在注册时选择对其合理的分类方法，并选择对应的节点。

服务在注册过程中的服务名和服务简介要有明确规范。服务名应控制在20字以内。服务简介控制在50-100字，用以快照形式简要介绍服务。二者简明扼要，具备强烈的语义信息。不能使用业界不熟悉的词汇等。要求用户一读就能够了解服务的基本情况。每个服务在发布过程中都会有审核过程。只有被审核通过的服务才能被发布。

进一步的，步骤2)在步骤1)的基础上构建用户需求文本，具体实现方式如下：

选取某个分类树节点下涉及的n个用户在最近使用的m个服务。针对每个用户，将这m个服务的名称和服务简介进行合并。就形成了代表这n个用户的n篇文本。

进一步的，步骤3)在步骤1)和2)的基础上处理用户文本并计算相似度，具体实现方式如下：

将这m篇文本进行分词等预处理，再使用词袋模型建模。如本方法适用LDA方法，通过训练构建了文档-主题矩阵。即可以获取到每篇文本对应的需求主题倾向的概率分布。每一条行向量代表的该用户的需求倾向。然后通过计算目标向量到所有所有m-1个向量的距离，获取与目标向量最接近的一些向量。这些向量对应的用户与目标用户有相似的需求倾向。

进一步的，步骤4)在步骤1)、2)和3)的基础上获取合适的推荐服务，具体实现方式如下：

将筛选出的与有相似需求倾向的用户与目标用户使用的服务进行对比。从该分类方法的最下层节点开始对比，把二者使用在同一节点下且不同的服务推荐给目标用户。最下层节点对比完成后再向上对比其父节点，依次达到一个预设值为止。最后通过统计全部相似需求倾向用户的推荐服务次数，进行排序。构建推荐列表推荐给目标用户。

本发明与现有技术相比的优点为：

1.本发明更符合云制造系统平台特点，推荐准确性有保障。

2.本发明推荐的服务都是经过其他用户使用过的，其质量过硬。

3.本发明实现方式简便，对系统硬件要求低。

附图说明

图1为本方法整体示意图；

图2为分类树状结构示意图；

图3为推荐实现意图。

具体实施方式

下面结合附图对本发明作进一步详细的描述。

本发明是一种面向用户需求倾向的云制造服务推荐方法，如图1所示，主要包括四个部分：服务分类规范和描述规范确立，构建用户需求文本，处理用户文本并计算相似度和获取合适的推荐服务。

(1)服务分类规范和描述规范确立

不同的服务分类方式下对应的分类结果不同。如按照应用领域分，服务可能分成生物、数学、物理等几个大类，每个大类都对应各自子类。如按照其存在形态分，服务可能分为软件、设备、知识、物料等几个大类。不同的用户倾向的分类方式不同。如某用户可能倾向第一种分类方式，其在生物学的多个环节都有涉及。而某用户倾向第二种方式，其为多个领域设计软件。有的用户也有可能倾向多个分类形式的方式。但是所有分类结果的结构一定是树状结构，如图2所示。平台中包含几种分类方式，有应该有几种分类结果，也就有几个分类树。用户在注册时选择对其合理的分类方法，并选择对应的节点。

服务在注册过程中的服务名和服务简介要有明确规范。在这里的云制造平台中，推荐的方案是服务名应控制在5-20字。服务简介控制在20-50字，用与以快照形式简要介绍服务。二者简明扼要，具备强烈的语义信息。不能使用业界不熟悉的词汇、暗语、符号等。要求用户一读就能够了解服务的基本情况。每个服务在发布过程中都会有审核过程。只有被审核通过的服务才能被发布。

(2)构建用户需求文本

面向一类分类方法，选取某一个大类下的所有服务，系统实现过程即为选取分类图中一个较为靠上的节点，获取对该节点有兴趣的所有用户，该信息在用户的注册信息中通过查询即可获得。获取这些用户一段时间内最近使用的服务。如三个月内的前100个服务。这里的服务个数与次数统一，重复使用的同一服务按不同的服务处理。如A用户的100个服务中，可能其组成为1号服务用了10次，2号服务用了50次，3号服务用了20次，4号服务用了10次，5号服务用了10次。对于每个用户将这些服务的名称和简介进行堆叠，生成对应的文本。

(3)处理用户文本并计算相似度

对文本进行分词等预处理。构建词袋模型。这里使用LDA模型。将某个大类节点下用户最近使用过的一定次数的服务名称和简介进行叠加，获取用户表示文本，再利用词袋模型计算文本相似度获取用户需求相似度。目前最为常用的词袋模型是LDA模型。其把其中的每篇文本表示成一个主题的分布。这里的主题是隐性的，不一定能明确表示主题的含义。这种主题更合适的是一种深层次含义的倾向。每个隐性主题是多个词的分布。这些主题就是由词和词的概率生成，目前常用的是Gibbs采样。这样就形成了文档-主题矩阵和主题-词语矩阵。其如公式1所示：

其中为主题-词语,为文档-主题，为第k个topic下第k个词的数量，为第m篇文档下第k个topic的词的数量。由此就可以训练语料库得到两个关键矩阵，同时中的每一个向量由该文档落入每个主题的概率组成。也就得到了文本表示向量。

获取到文档-主题模型后，其行向量即为每个用户文本的表示向量。可以通过计算向量的相似度获取与目标用户的需求倾向相似度。计算相似度的方法有很多，如欧式距离和余弦相似度等，因为LDA形成的向量是一个概率分布，可以使用信息论里的相对熵的方法计算相似度，这里使用JS相对熵的方法计算相似度，如公式2所示：

$\begin{array}{c}d(p,q)\\ =\frac{1}{2}[p_1\·\ln \left(\frac{2p_1}{p_1+q_1}\right)+p_2\·\ln \left(\frac{2p_2}{p_2+q_2}\right)+...+p_T\·\ln \left(\frac{2p_T}{p_T+q_T}\right)+q_1\·\ln \left(\frac{2q_1}{p_1+q_1}\right)+q_2\\ \·\ln \left(\frac{2q_2}{p_2+q_2}\right)+...+q_T\·\ln \left(\frac{2q_T}{p_T+q_T}\right)\\ =\frac{1}{2}({\mathrm{\Σ}}_{i=1}^T{p}_i\ln (p_i/\left(\frac{p_i+q_i}{2}\right))+{\mathrm{\Σ}}_{i=1}^T{q}_i\ln (q_i/\left(\frac{p_i+q_i}{2}\right)))\end{array}---\left(2\right)$

相对熵的计算结果越大其相似度越低，对上述结果进行归一化，得到归一化的距离所以最终的相似度计算公式如(3)所示：

$\mathrm{sim}(u_t-u_i)=1-\stackrel{\‾}{d(p,q)}---\left(3\right)$

(4)获取合适的推荐服务

设置一个阈值，一个固定的数值或者是一个百分比数值。获取与目标用户相似度达到一个数值，或者经过排序后前百分之多少的用户。对比这些用户与目标用户在相同最下层节点下的服务。把在相同最下层节点下且不一样的服务挑选出来，进行统计。按照数字的大小进行排序作为第一层的推荐服务。如果第一层推荐服务过少，可以选取向上一层的节点下的服务，同样的统计方法进行推荐。示例如图3所示，设u_t为目标用户，u_s为通过上述方法获取的与u_t有相似需求倾向的用户，图3为一个局部的服务使用示意图。其中Sj31为u_t使用的服务。Sj33、Sj11、Sj22为u_s使用的服务。因为Sj31和Sj33在同一字下层节点上，所以统计Sj33在所有相似需求倾向用户中使用的次数。把所有与Sj33有相同性质，即与目标用户使用的服务在同一底层几点上的服务进行相同的方法提取，按照使用次数排序，把使用最多的服务推荐给u_t。如果相同体层节点的服务数量过少而不能满足，则可以向上选取共用统一上一层节点的服务，这里的例子就是Sj11和Sj22。同样的方法进行统计并按次数推荐。如果还不够，可以依次向上类推。需要注意的是子节点推荐的服务推荐优先级一定大于父节点的服务。

本发明中涉及到的本领域公知技术未详细阐述。

Claims (5)

1.一种面向用户需求倾向的云制造服务推荐方法，其特征在于，该方法包括3个步骤：

步骤1)、服务分类规范和描述规范确立

服务描述中服务名和服务简介两个属性要求有长度规定，且内容必须语义明确，符合长度规定和内容要求的服务才会被发布；

步骤2)、构建用户需求文本

在某个分类模式下，在某个大领域下，选取一定数量的活跃用户，选取每个用户最近使用的k次服务，将服务名称和服务简介抽取，构建成文本；

步骤3)、处理用户文本并计算相似度

把这些文本使用词袋模型进行处理，计算每个文本与目标文本的相似度，选取一定数量与目标文本最接近的文本所对应的用户作为与目标用户有相似需求的用户；

步骤4)、获取合适的推荐服务

通过对比，获取相似用户使用的与目标用户同类型但是不一样的服务，作为推荐服务。

2.根据权利要求1所述的一种面向用户需求倾向的云制造服务推荐方法，其特征在于：步骤1)提出了服务分类规范和描述规范确立，具体实现方式如下：

所有分类结果的结构是树状结构，用户在注册时选择对应的节点；

服务在注册过程中的服务名和服务简介要有明确规范，服务名和服务简介应该有长度限制，即不能太短影响语义表达，也不能太长包括太多噪声信息，原则是简明扼要，具备强烈的语义信息，不能使用业界不熟悉的词汇，要求用户一读就能够了解服务的基本情况，每个服务在发布过程中都会有审核过程，只有被审核通过的服务才能被发布。

3.根据权利要求1所述的一种面向用户需求倾向的云制造服务推荐方法，其特征在于：步骤2)在步骤1)的基础上构建用户需求文本，具体实现方式如下：

选取某个分类树节点下涉及的n个用户在最近使用的m个服务，针对每个用户，将这m个服务的名称和服务简介进行合并，就形成了代表这n个用户的n篇文本。

4.根据权利要求1所述的一种面向用户需求倾向的云制造服务推荐方法，其特征在于：步骤3)在步骤1)和2)的基础上处理用户文本并计算相似度，具体实现方式如下：

将这m篇文本进行分词预处理，再使用词袋模型建模，利用LDA方法，通过训练构建了文档-主题矩阵，即可以获取到每篇文本对应的需求主题倾向的概率分布，每一条行向量代表的该用户的需求倾向，然后通过计算目标向量到所有所有m-1个向量的距离，获取与目 标向量最接近的一些向量，这些向量对应的用户与目标用户有相似的需求倾向。

5.根据权利要求1所述的一种面向用户需求倾向的云制造服务推荐方法，其特征在于：步骤4)在步骤1)、2)和3)的基础上获取合适的推荐服务，具体实现方式如下：

将筛选出的与有相似需求倾向的用户与目标用户使用的服务进行对比，从该分类方法的最下层节点开始对比，把二者使用在同一节点下且不同的服务推荐给目标用户，最下层节点对比完成后再向上对比其父节点，依次达到一个预设值为止，最后通过统计全部相似需求倾向用户的推荐服务次数，进行排序，构建推荐列表推荐给目标用户。