CN109857939A - 面向智能制造服务的精准推送方法 - Google Patents

Abstract

本发明涉及一种互联网信息交互技术领域的面向智能制造服务(Smart Manufacturing Service,SMS)的精准推送方法，包括步骤1和步骤2。步骤1为使用粗糙决策试验和评价实验法，计算出推荐标准的权重；步骤2为使用粗糙协同过滤方法，完成基于多准则决策的SMS模块推荐。本发明的面向智能制造服务的精准推送方法，可减少用户获取目标智能制造服务的时间成本，降低人工主观选择智能制造服务出错的可能性，帮助企业实现对用户需求智能主动的响应。本发明综合考虑了推荐标准间的相互作用、推荐标准的自身重要性影响和用户评价的主观性等问题，通过使用粗糙数考虑了用户评价的客观分布，从而保障推荐结果更为准确。

Description

面向智能制造服务的精准推送方法

技术领域

本发明涉及互联网信息交互技术领域，具体地，涉及一种面向智能制造服务的精准推送方法。

背景技术

智能制造是实现整个制造业价值链的智能化和创新，是信息化与工业化深度融合的进一步提升。智能制造服务则是体现了智能制造特点和优势的一种新型服务模式，旨在提升制造企业的核心竞争力和客户满意度。

目前现有相关研究大多数集中在产品搜索上，关于SMS个性化推荐的研究较少，现有的推荐方法大致可以分为基于内容推荐和协同过滤两类。但在这些研究中，没有方法将推荐标准间的相互作用、标准自身的重要性，由于经验和认知差异造成的用户评价的模糊性和主观性等问题同时纳入考虑范围，往往导致推荐结果不够精准。同时这些现有方法也无法帮助企业现实主动、智能的产品推荐服务。

经对现有技术的检索，申请号为201711479396.2的中国发明专利公开了一种基于智能化制造管理服务平台系统及其供需信息处理方法，包括：智能化制造管理服务平台获取用户需求信息；将所获取的用户需求信息进行智能化处理，并将用户需求信息推送给供应商；获取供应商根据用户需求信息进行制造设计，给出智能化制造的定制方案信息；向用户反馈多个供应商所提供的定制方案信息。通过获取用户的定制信息，查找、匹配与用户定制需求相匹配的供应商组，对该供应商组进行排名后进行推送用户需求，并督促供应商提供初步的设计方案以及方案报价，帮助客户联系适合的供应商以及多的方案选择，提高了交易效率。但该专利申请并未解决减少用户获取目标SMS的时间成本，无法降低人工主观选择容易出错的可能性，服务推送的精准性较差，无法帮助企业实现对用户需求主动、智能的预测和反应。

因此，有必要设计一种能够减少用户获取目标SMS的时间成本，降低人工主观选择容易出错的可能性，提高服务推送的精准性，同时帮助企业实现对用户需求主动、智能的预测和反应的面向智能制造服务的精准推送方法。

发明内容

针对现有技术的缺陷，本发明的目的是提供一种面向智能制造服务的精准推送方法，本发明的一种面向智能制造服务的精准推送方法，能够减少用户获取目标SMS的时间成本，降低人工主观选择容易出错的可能性，提高服务推送的精准性，同时帮助企业实现对用户需求主动、智能的预测和反应。

本发明涉及一种面向智能制造服务的精准推送方法，包括步骤1和步骤2，所述步骤1为使用粗糙决策试验和评价实验法(Rough DEMATEL)计算出推荐标准的权重，所述步骤2为使用粗糙协同过滤方法(Rough CF)完成基于多准则决策的SMS模块推荐。

进一步地，所述步骤1包括如下步骤：

步骤1.1：确定SMS的推荐标准，获取群初始直接关系矩阵：

假设有n个标准，分别标记为CR₁,CR₂,……CR_n，假设有m位用户，每位用户对推荐标准之间相互影响的程度进行评价打分，将这些打分构造成一个初始的直接关系矩阵，定义标准对其自身没有影响，用来表示第k位用户在标准CR_i对标准CR_j的影响程度上的评分结果，那么第k位用户对全部标准的相互影响程度的评分结果将构成一个n×n的初始直接关系矩阵，该矩阵标记为D^k，则m位用户的初始直接关系矩阵共同组成群初始直接关系矩阵，标记为D，

步骤1.2：将初始直接关系矩阵转化为粗糙数形式的矩阵，

转换过程如下：

抽取一个评价集合首先获取评分值的下近似集和上近似集包含J中所有小于或等于的元素，包含J中所有大于或等于的元素，

接下来求取评分值对应粗糙数的下限和上限由中全部元素求平均值得到，由中全部元素求平均值得到，

至此，评分结果的确定值可以被转换成相应粗糙数区间值的形式

步骤1.3：获取标准化的直接关系粗糙数矩阵：

在矩阵中，求出每行元素的上限之和，在这些和中取最大值记为max，将中所有元素的上下限分别除以max，得到标准化的粗糙直接关系矩阵

其中，

步骤1.4：建立总关系矩阵：

将矩阵中元素的下限和上限拆分组合成和两个矩阵。将这两个矩阵，分别带入下面公式中

(s＝L或U)，

其中I是单位矩阵，这里得到和两个矩阵，将两个矩阵中的元素重新组合成总关系矩阵B^k,

步骤1.5：计算推荐标准的“显著性”和“相关性”：

对矩阵B^k的每行求和，得到一个n维列向量R^k，再对矩阵B^k的每列求和，得到一个n维行向量C^k，为了求得每位用户的评分结果中，每个评价标准的“显著性”和“相关性”，下面把R^k和C^k中的粗糙数值再转化为确定值，为了方便说明计算过程，这里将R^k和C^k中的元素统一用来代替解释。计算过程如下：

按照以上过程，粗糙数形式的R^k和C^k就可以转化为确定值形式的和 接下来按照下述公式就可以求得评价标准的显著性e_i和相关性g_i，

e_i＝r_i+c_j,g_i＝r_i-c_j,i＝j(i＝1,2,…,n；j＝1,2,…,n)

显著性e_i的大小代表了评价标准CR_i的重要性，e_i越大，评价标准CR_i越重要。相关性g_i的正负决定了评价标准CR_i是一个原因因素还是一个结果因素，g_i为正，表示评价标准CR_i是一个原因因素，更容易对其他标准产生影响；反之，CR_i是一个结果因素，更容易受到其他标准的影响；

步骤1.6：计算推荐标准的权重：

将e_i和g_i代入计算公式中，再将代入计算公式中，求得的即为用户k赋予评价标准CR_i的权重。

进一步地，所述步骤2包括如下步骤：

步骤2.1：生成加权用户-SMS粗糙数评级矩阵：

获取用户对各个SMS模块的在每个标准上的评级，得到评级矩阵，假设共有p位用户，q个SMS模块，n个评价标准，用t_ijk(i＝1,2,…,p；j＝1,2,…,q；k＝1,2,…,n)来表示第i位用户在第j个模块的第k个标准上的评级结果，将这些结果的确定值转换为区间值，转换过程如下：

抽取一个评价集合A＝{t_1jk,t_2jk,…,t_pjk}，首先获取评级结果t_ijk的下近似集Apr(t_ijk)和上近似集 Apr(t_ijk)包含A中所有小于或等于t_ijk的元素，包含A中所有大于或等于t_ijk的元素，

接下来由Apr(t_ijk)中全部元素求平均值得到t_ijk对应粗糙数的下限由中全部元素求平均值得到粗糙数的上限至此，评级结果的确定值t_ijk可以被转换成相应区间值粗糙数的形式，用来表示，然后根据以下公式将区间值的上下限分别标准化得到

结合步骤1.6计算出的权重，按照公式对进行加权求和运算，是下限，是上限，表示第i位用户对第k个标准给出的权重，最终得到综合模糊评级矩阵，T_ij表示第i位用户对第j个SMS模块的综合评级区间；

步骤2.2：计算用户相似度，选取相似用户：

用d_rating表示两位用户对同一个SMS模块的评级差距，则对于被推荐用户Y，选取非Null的评级区间值T_ij，分别计算其上下限与其他用户在同一SMS模块下的评级区间值的上下限之间的均方根，即

表示T_ij和的下限之差，表示T_ij和的上限之差，用表示用户Y与用户之间对全部SMS模块的总体评级差距，则

表示同时被用户Y和用户评价过的SMS模块的数量，最后根据公式可求得用户Y和之间的相似度，值越大，相似度越高；根据结果，选取与目标用户Y最相似的N位用户，N的大小可以自行定义；

步骤2.3：对目标用户未评级的SMS进行预测评级：

用P_Y,j表示用户Y对第j个SMS模块的预测评级，P_Z,j表示已选取的相似用户Z对第j个模块的评级，N是已选出的相似用户的数量，sim(Y,Z)表示用户Y与相似用户Z之间的相似度，代表用户Y对全部SMS模块评级的平均值，同理。根据以下公式就可计算出P_Y,j：

步骤2.4：计算契合度系数，给出推荐结果：

计算目标用户对每一个预测评级的SMS模块的感兴趣度值和不感兴趣度值公式如下：

其中SI＝5，NI＝1，然后计算出用户Y与预测评级SMS模块j的契合度系数CC_Y,j：

系数越小，代表目标用户对该SMS模块越感兴趣，据此可以给出目标用户的推荐列表。

进一步地，步骤1.2中，初始直接关系矩阵D^k将被转化成粗糙直接关系矩阵

与现有技术相比，本发明具有如下的有益效果：

1、本发明的面向智能制造服务的精准推送方法，通过采用粗糙多准则个性化推荐方法，减少用户获取目标SMS的时间成本，降低人工主观选择容易出错的可能性，提高服务推送的精准性，同时帮助企业实现对用户需求主动、智能的预测和反应；

2、本发明的面向智能制造服务的精准推送方法，通过用粗糙集扩展基于加权法的决策试验和评价实验室(DEMATEL)方法，完成了对推荐标准间的相互作用、标准自身重要性和用户评价的主观性等问题的考虑；

3、本发明的面向智能制造服务的精准推送方法，该推荐方法不仅考虑用户个人的主观评价，还通过使用粗糙数考虑用户评价的客观分布，得出更合理的推荐结果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明面向智能制造服务的精准推送方法的工作流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例

本实施例中，本发明一种面向智能制造服务的精准推送方法，包括步骤1和步骤2，所述步骤1为使用粗糙决策试验和评价实验法(Rough DEMATEL)计算出推荐标准的权重，所述步骤2位使用粗糙协同过滤方法(Rough CF)完成基于多准则决策的SMS模块推荐。

接下来对本发明进行详细的描述。

本发明的将该算法应用于某电梯制造企业。该企业为客户提供10个SMS模块，分别是：调试(SMS1)、专家咨询(SMS2)、生命周期数据分析(SMS3)、客户关怀(SMS4)、半月一次的维护(SMS5)、紧急维修(SMS6)、一站式备件供应(SMS7)、运行监控(SMS8)、能源管理合同(SMS9)、在线知识支持(SMS10)。

第一阶段：SMS推荐标准权重的确定。

步骤1.1：确定SMS的推荐标准，获取群初始直接关系矩阵。

这里共选取了6项标准，分别是：服务基础设施(CR₁)，服务可靠性(CR₂)，服务成本(CR₃)，服务响应(CR₄)，服务能力(CR₅)，环境关注(CR₆)。

每位用户对推荐标准之间相互影响的程度进行评价打分，这里用4表示影响程度很高，3表示影响程度较高，2表示影响程度较低，1表示影响程度很低，0表示没有影响。假设有8位用户，获得的群初始直接关系矩阵D表示：

其中，目标用户1的初始直接关系矩阵表示为：

后续计算主要以D¹为例，其余用户的计算过程与此一致。

步骤1.2：将初始直接关系矩阵转化为粗糙数形式的矩阵。

转换过程如下：

抽取一个评价集合，以为例。

则

同理，

至此，该评价集合中所有元素均被转化为粗糙数形式:R(1)＝[0.500,2.625]，R(2)＝[1.500,3.167]，R(3)＝[1.800,3.750]，R(4)＝[2.625,4.000]。

按照上述过程，D中所有元素都被转换成相应粗糙数区间值的形式。其中，初始直接关系矩阵D¹将被转化成粗糙直接关系矩阵

步骤1.3：获取标准化的直接关系粗糙数矩阵。

的标准化矩阵为

步骤1.4：建立总关系矩阵。

根据矩阵可拆分出下限矩阵和上限矩阵根据公式计算，总关系矩阵为

步骤1.5：计算推荐标准的“显著性”e_i和“相关性”g_i。

经计算，

R¹＝[[0.225,1.580][0.738,2.572][0.130,1.535][0.868,3.034][0.684,2.458][0.629,2.142]]^-1

C¹＝[[0.901,3.089][0.278,1.748][0.854,2.858][0.137,1.096][0.499,2.254][0.606,2.275]]

据此可计算出和则

e₁＝2.811，e₂＝2.486，e₃＝2.514，e₄＝2.477，e₅＝2.837，e₆＝2.676

g₁＝-1.439，g₂＝0.88，g₃＝-1.338，g₄＝1.74，g₅＝0.297，g₆＝-0.04

步骤1.6：计算推荐标准的权重。

根据上面得到的e_i和g_i的结果，可以计算出目标用户1对6个评价标准给出的权重，如表1所示。

将用户2、用户3、用户4、用户5、用户6、用户7、用户8的初始直接关系矩阵分别按照步骤1.2—1.6的流程计算一遍，即可得到这七位用户各自对6个评价标准给出的权重，如表1所示。

表1推荐标准权重

第二阶段包括五个计算步骤：

步骤2.1：生成加权用户-SMS粗糙数评级阵。

首先获取用户对各个SMS模块的在每个标准上的评级，得到用户-SMS评级矩阵，如表2所示。

表2用户-SMS评级矩阵

经过计算转换，可获取粗糙数形式的用户-SMS评级矩阵，如表3所示。

表3用户-SMS粗糙数评级矩阵

标准化后的用户-SMS评级矩阵如表4所示。

表4用户-SMS标准粗糙数评级矩阵

结合步骤1.6计算出的权重，加权后的用户-SMS评级矩阵如表5所示。

表5用户-SMS加权粗糙数评级矩阵

步骤2.2：计算用户相似度，选取相似用户。

以用户1为例，由于用户1对部分SMS模块的评级为NULL，因此只能分别计算其他七位用户和用户1在SMS1、SMS2、SMS4、SMS5、SMS7、SMS8这六个SMS模块评级上的相似度。进一步地，可以计算出其他七位用户和用户1之间的总体评级差距和相似度。计算结果如表6所示。

表6用户1与其他用户的相似度

假设选取三位与用户1最相似的用户。根据的结果，可以看出用户5、用户8和用户2是与用户1最相似的三位用户。

步骤2.3：对目标用户未评级的SMS进行预测评级。

首先可以计算出用户1、用户5、用户8和用户2全部SMS模块评级的平均值区间，分别为：

接下来可以计算出用户1在评级为NULL的SMS3、SMS6、SMS9、SMS10，即四个未评级SMS模块上的预测评级区间，分别为：

P_Y1,3＝[0.694,0.888],P_Y1,6＝[0.678,0.905],P_Y1,9＝[0.639,0.834],P_Y1,10＝[0.688,0.885]

步骤2.4：计算契合度系数，给出推荐结果。

首先计算目标用户对每一个预测评级SMS模块的感兴趣度值和不感兴趣度值结果如下：

然后计算出用户1与预测评级SMS模块j的契合度系数结果如下：

系数越小，代表目标用户对该SMS越感兴趣，因此可以给出用户1的推荐SMS3。或者给出含有SMS3、SMS6和SMS10的推荐列表，供用户1选择。

综上所述，本发明的面向智能制造服务的精准推送方法，通过采用粗糙多准则个性化推荐方法，减少用户获取目标SMS的时间成本，降低人工主观选择容易出错的可能性，提高服务推送的精准性，同时帮助企业实现对用户需求主动、智能的预测和反应；通过用粗糙集扩展基于加权法的决策试验和评价实验室(DEMATEL)方法，完成了对推荐标准间的相互作用、标准自身重要性和用户评价的主观性等问题的考虑；该推荐方法不仅考虑用户个人的主观评价，还通过使用粗糙数考虑用户评价的客观分布，得出更合理的推荐结果。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种面向智能制造服务的精准推送方法，其特征在于，包括步骤1和步骤2。所述步骤1为使用粗糙决策试验和评价实验法(RoughDEMATEL)，计算出推荐标准的权重；所述步骤2为使用粗糙协同过滤方法(Rough CF)，完成基于多准则决策的SMS模块推荐。

2.根据权利要求1所述的面向智能制造服务的精准推送方法，其特征在于，所述步骤1包括如下步骤：

步骤1.1：确定SMS的推荐标准，获取群初始直接关系矩阵：

假设有n个标准，分别标记为CR₁,CR₂,……CR_n，假设有m位用户，每位用户对推荐标准之间相互影响的程度进行评价打分，将这些打分构造成一个初始的直接关系矩阵，定义标准对其自身没有影响，用来表示第k位用户在标准CR_i对标准CR_j的影响程度上的评分结果，那么第k位用户对全部标准的相互影响程度的评分结果将构成一个n×n的初始直接关系矩阵，该矩阵标记为D^k，则m位用户的初始直接关系矩阵共同组成群初始直接关系矩阵，标记为D，

步骤1.2：将初始直接关系矩阵转化为粗糙数形式的矩阵，

转换过程如下：

抽取一个评价集合首先获取评分值的下近似集和上近似集 包含J中所有小于或等于的元素，包含J中所有大于或等于的元素，

接下来求取评分值对应粗糙数的下限和上限 由中全部元素求平均值得到，由中全部元素求平均值得到，

至此，评分结果的确定值可以被转换成相应粗糙数区间值的形式

步骤1.3：获取标准化的直接关系粗糙数矩阵：

在矩阵中，求出每行元素的上限之和，在这些和中取最大值记为max，将中所有元素的上下限分别除以max，得到标准化的粗糙直接关系矩阵

其中，

步骤1.4：建立总关系矩阵：

将矩阵中元素的下限和上限拆分组合成和两个矩阵。将这两个矩阵，分别带入下面公式中

(s＝L或U)

其中I是单位矩阵，这里得到和两个矩阵，将两个矩阵中的元素重新组合成总关系矩阵B^k,

步骤1.5：计算推荐标准的“显著性”和“相关性”：

对矩阵B^k的每行求和，得到一个n维列向量R^k，再对矩阵B^k的每列求和，得到一个n维行向量C^k，为了求得每位用户的评分结果中，每个评价标准的“显著性”和“相关性”，下面把R^k和C^k中的粗糙数值再转化为确定值，为了方便说明计算过程，这里将R^k和C^k中的元素统一用来代替解释。计算过程如下：

按照以上过程，粗糙数形式的R^k和C^k就可以转化为确定值形式的和 接下来按照下述公式就可以求得评价标准的显著性e_i和相关性g_i，

e_i＝r_i+c_j,g_i＝r_i-c_j,i＝j(i＝1,2,…,n；j＝1,2,…,n)

显著性e_i的大小代表了评价标准CR_i的重要性，e_i越大，评价标准CR_i越重要。相关性g_i的正负决定了评价标准CR_i是一个原因因素还是一个结果因素，g_i为正，表示评价标准CR_i是一个原因因素，更容易对其他标准产生影响；反之，CR_i是一个结果因素，更容易受到其他标准的影响；

步骤1.6：计算推荐标准的权重：

将e_i和g_i代入计算公式中，再将代入计算公式中，求得的W_i ^k即为用户k赋予评价标准CR_i的权重。

3.根据权利要求1所述的面向智能制造服务的精准推送方法，其特征在于，所述步骤2包括如下步骤：

步骤2.1：生成加权用户-SMS粗糙数评级矩阵：

获取用户对各个SMS模块的在每个标准上的评级，得到评级矩阵，假设共有p位用户，q个SMS模块，n个评价标准，用t_ijk(i＝1,2,…,p；j＝1,2,…,q；k＝1,2,…,n)来表示第i位用户在第j个模块的第k个标准上的评级结果，将这些结果的确定值转换为区间值，转换过程如下：

抽取一个评价集合A＝{t_1jk,t_2jk,...,t_pjk}，首先获取评级结果t_ijk的下近似集Apr(t_ijk)和上近似集 Apr(t_ijk)包含A中所有小于或等于t_ijk的元素，包含A中所有大于或等于t_ijk的元素，

接下来由Apr(t_ijk)中全部元素求平均值得到t_ijk对应粗糙数的下限由中全部元素求平均值得到粗糙数的上限至此，评级结果的确定值t_ijk可以被转换成相应区间值粗糙数的形式，用来表示，然后根据以下公式将区间值的上下限分别标准化得到

结合步骤1.6计算出的权重，按照公式对进行加权求和运算，是下限，是上限，W_i ^k表示第i位用户对第k个标准给出的权重，最终得到综合模糊评级矩阵，T_ij表示第i位用户对第j个SMS模块的综合评级区间；

步骤2.2：计算用户相似度，选取相似用户：

用d_rating表示两位用户对同一个SMS模块的评级差距，则对于被推荐用户Y，选取非Null的评级区间值T_ij，分别计算其上下限与其他用户在同一SMS模块下的评级区间值的上下限之间的均方根，即

表示T_ij和的下限之差，表示T_ij和的上限之差，用表示用户Y与用户之间对全部SMS模块的总体评级差距，则

表示同时被用户Y和用户评价过的SMS模块的数量，最后根据公式可求得用户Y和之间的相似度，值越大，相似度越高；根据结果，选取与目标用户Y最相似的N位用户，N的大小可以自行定义；

步骤2.3：对目标用户未评级的SMS进行预测评级：

用P_Y,j表示用户Y对第j个SMS模块的预测评级，P_Z,j表示已选取的相似用户Z对第j个模块的评级，N是已选出的相似用户的数量，sim(Y,Z)表示用户Y与相似用户Z之间的相似度，代表用户Y对全部SMS模块评级的平均值，同理。根据以下公式就可计算出P_Y,j：

步骤2.4：计算契合度系数，给出推荐结果：

计算目标用户对每一个预测评级的SMS模块的感兴趣度值和不感兴趣度值公式如下：

其中SI＝5，NI＝1，然后计算出用户Y与预测评级SMS模块j的契合度系数CC_Y,j：

系数越小，代表目标用户对该SMS模块越感兴趣，据此可以给出目标用户的推荐列表。

4.根据权利要求1所述的面向智能制造服务的精准推送方法，其特征在于，步骤1.2中，初始直接关系矩阵D^k将被转化成粗糙直接关系矩阵