臧譽琪　張帥

摘要：針對不確定情景下的服務(wù)群推薦問題，以廣義正交模糊信息處理為底層技術(shù)支撐，運用分級匹配思想建立服務(wù)群推薦模型。首先由雙邊推薦主體給出廣義正交模糊偏好信息，構(gòu)成匹配矩陣;然后提出廣義正交模糊相關(guān)系數(shù)，將偏好信息轉(zhuǎn)化為滿意度;進一步以滿意度最大化為目標建立分級匹配模型，通過模型求解最優(yōu)匹配方案，以此作為最優(yōu)推薦列表。

關(guān)鍵詞：廣義正交模糊信息;分級匹配;服務(wù)群推薦

一、引言

當前我國產(chǎn)業(yè)結(jié)構(gòu)單元正逐步向新興服務(wù)業(yè)傾斜，新興服務(wù)業(yè)是由信息技術(shù)和知識經(jīng)濟共同作用催生下的行業(yè)。隨著大數(shù)據(jù)時代的到來，多源多模態(tài)信息資源井噴式增長，服務(wù)推薦需求不斷擴張，學者們對于服務(wù)推薦展開研究。服務(wù)推薦系統(tǒng)旨在為用戶過濾海量信息，為用戶提供滿足其偏好或需求的高效參考信息，已被廣泛應用于向消費者推薦產(chǎn)品、項目或活動的電子商務(wù)或旅游業(yè)等領(lǐng)域。服務(wù)推薦系統(tǒng)的研究多聚焦于個性化推薦技術(shù)。Liu等聚焦于服務(wù)推薦的基礎(chǔ)技術(shù)，對客戶與服務(wù)知識粒度進行研究;Yang等研究了社交媒體隱私保護視域下的個性化推薦方法;畢強和劉健以領(lǐng)域本體為出發(fā)點，提出了文獻資源服務(wù)推薦方法;潘偉豐等以服務(wù)使用場景為切入點，提出用于解決服務(wù)組合問題的服務(wù)推薦方法。上述個性化推薦研究在一定程度上解決了基礎(chǔ)推薦問題，但均是面向個體的個性化推薦研究，缺少從群體角度對推薦系統(tǒng)進行相關(guān)技術(shù)研究，隨著推薦系統(tǒng)內(nèi)外部環(huán)境的復雜不確定性加深，推薦問題呈現(xiàn)出由個體推薦向復雜大群體推薦轉(zhuǎn)變的趨勢，這就勢必產(chǎn)生已有技術(shù)局限與推薦應用需求間的矛盾。

解決上述問題的有效方法就是進行不確定環(huán)境下群推薦研究。模糊匹配是不確定環(huán)境下一種行之有效的資源配置方式，科學的匹配方案能夠滿足主體對于公平合理分配的利益訴求，對提高組織管理效率及調(diào)動協(xié)調(diào)積極性等均能起到指導作用。本文運用模糊匹配的思想對服務(wù)群推薦進行整體框架研究。

二、面向廣義正交模糊分級匹配的服務(wù)群推薦模型

廣義正交模糊數(shù)是新型模糊數(shù)，能夠完整靈活的表征不確定偏好信息，是解決人的行為意識或價值判斷的較為適宜的數(shù)量方法。因此本文選用廣義正交模糊數(shù)來刻畫服務(wù)群推薦主體給出的偏好信息，給出廣義正交模糊數(shù)的定義。

定義1：令X={x1，x2，…，xn}為一固定集合，則定義在X上的廣義正交模糊集Q為：

Q={〈x，u（x），v（x）〉|x∈X}

其中u（x）∈[0，1]和v（x）∈[0，1]，分別表示元素x′∈X的隸屬度和非隸屬度，且滿足約束條件u（x）q+v（x）q≤1，（q≥1），方便起見，稱（u（x），v（x））為廣義正交模糊數(shù)，表示為Q=（u，v）。

由此服務(wù)群推薦雙邊主體給出的廣義正交模糊偏好矩陣可表示為T（Q）=|Qij|m×n和S（Q）=|Qij|n×m。本文使用相關(guān)系數(shù)法將廣義正交模糊偏好信息轉(zhuǎn)化為匹配滿意度的方法，下面給出廣義正交模糊相關(guān)系數(shù)法。

定義2：令Q1=（u1，v1）和Q2=（u2，v2）為兩個廣義正交模糊數(shù)，則Q1和Q2之間的距離D（Q1，Q2）=（|u-u|+|v-v|）/2，則Q1和Q2的相似度S（Q1，Q2）=1-D（Q1，Q2）。

計算各廣義正交模糊數(shù)與理想解的相似度，理想解確定方法見文獻。相似度水平越大代表滿意度水平越高，可將偏好矩陣轉(zhuǎn)化為滿意度矩陣α=|αij|m×n和β=|βij|n×m。接著，依據(jù)滿意度矩陣構(gòu)建服務(wù)群推薦的匹配優(yōu)化模型：

maxZα=αijxij;maxZβ=βijxij

s.t.xij≤1，i=1，2，…，n;xij≤1，j=1，2，…，m;xij=0或1.

對于該多目標優(yōu)化模型的求解，本文采用非支配排序遺傳算法進行求解，通過模型求解可獲得推薦雙方的匹配結(jié)果，以此構(gòu)成服務(wù)群推薦列表。

三、實例應用

現(xiàn)有產(chǎn)品服務(wù)群推薦系統(tǒng)，為了推薦產(chǎn)品服務(wù)到市場，令不同客戶群體Ai（i=1，2，3，4）及其對應產(chǎn)品Bj（k=1，2，3）推廣經(jīng)理進行相互評價，由于服務(wù)群推薦雙邊主體認知水平、經(jīng)驗技巧、個人特質(zhì)的差異，給出的偏好信息往往出現(xiàn)非此即彼的情形，因此令推薦雙邊主體給出的偏好信息用廣義正交模糊數(shù)表示，可獲得廣義正交模糊偏好矩陣：

Qα=（0.5，0.4） （0.5，0.3） （0.3，0.5）

（0.7，0.2） （0.6，0.3） （0.4，0.2）

（0.4，0.4） （0.2，0.6） （0.6，0.3）

（0.4，0.3） （0.7，0.2） （0.3，0.4）

Qβ=（0.4，0.5）（0.5，0.2）（0.5，0.3）（0.5，0.2）

（0.6，0.2）（0.6，0.3）（0.4，0.4）（0.7，0.2）

（0.3，0.4）（0.3，0.3）（0.4，0.5）（0.4，0.2）

將推薦主體雙方進行匹配分析，具體匹配步驟如下：

首先，確定各廣義正交模糊偏好矩陣的理想點，有

α*=[（0.7，0.2）（0.7，0.2）（0.6，0.2）] β*=[（0.6，0.2）（0.6，0.2）（0.5，0.3）（0.7，0.2）]

然后，令q=2，依據(jù)廣義正交模糊相似度公式將偏好矩陣轉(zhuǎn)化為滿意度矩陣

α=0.70? 0.74? 0.63

1.00? 0.85? 0.80

0.61? 0.39? 0.98

0.65? 1.00? 0.67

β=0.70? 0.89? 1.00? 0.76

1.00? 0.98? 0.88? 1.00

0.67? 0.71? 0.83? 0.67

進而，依據(jù)滿意度矩陣求解匹配優(yōu)化模型，可得服務(wù)群推薦列表A2→B1，A3→B3，A4→B2。

四、結(jié)論

本文以大數(shù)據(jù)背景下服務(wù)群推薦為研究對象，利用廣義正交模糊數(shù)對于不確定信息的表達優(yōu)勢，聯(lián)合雙邊匹配思想進行服務(wù)群推薦研究，在深入理論研究的同時，拓寬了廣義正交模糊理論、匹配理論的應用范疇。運用廣義正交模糊數(shù)表征推薦主體的偏好信息，充分考慮了推薦主體給出的“非此即彼”和“亦此亦彼”的偏好信息，通過廣義正交模糊相似度將偏好信息轉(zhuǎn)化為滿意度，進而通過匹配模型求解出最優(yōu)服務(wù)推薦列表，使相應的推薦分析方法具有較大的客觀科學性。

參考文獻：

[1]Hao F， Pei Z， Park D. Mobile cloud services recommendation： a soft set-based approach[J].Journal of Ambient Intelligence and Humanized Computing，2018（04）.

[2]Cao B， Liu J， Wen Y. QoS-aware service recommendation based on relational topic model and factorization machines for IoT Mashup applications[J].Journal of Parallel and Distributed Computing，2019（132）.

[3]Pan Y， Wu D. Personalized online-to-online（O2O） service recommendation based on a novel frequent service-set network [J].IEEE Systems Journal，2019（02）.

[4]Liu J， He K， Wang J， Liu F， Li X. Service organization and recommendation using multi-granularity approach[J]. Knowledge-Based Systems，2015（73）.

[5]Yang D， Qu B， Cudré-Mauroux P. Privacy-preserving social media data publishing for personalized ranking-based recommendation[J].IEEE Transactions on Knowledge and Data Engineering，2019（02）.

[6]畢強，劉健.基于領(lǐng)域本體的數(shù)字文獻資源聚合及服務(wù)推薦方法研究[J].情報學報，2017（05）.

[7]潘偉豐，李兵，姜波，琚春華.基于服務(wù)網(wǎng)絡(luò)的服務(wù)組合推薦方法[J].系統(tǒng)工程理論與實踐，2014（S1）.

[8]Christensen I， Schiaffino S. Entertainment recommender systems for group of users[J].Expert Systems with Applications，2011（11）.

[9]何軍，劉業(yè)政，王錦坤.基于社會選擇和社會影響的社交網(wǎng)絡(luò)社群分類與群推薦策略研究[J].現(xiàn)代情報，2019（01）.

[10]王剛，蔣軍，王含茹，楊善林.基于聯(lián)合概率矩陣分解的群推薦方法研究[J].計算機學報，2019（01）.

[11]Yager R. Alajlan N. Approximate reasoning with generalized orthopair fuzzy sets[J].Information Fusion，2017（38）.

[12]Peng X， Liu L. Information measures for q-rung orthopair fuzzy sets[J].International Journal of Intelligent Systems， 2019（08）.

*本文系2019～2020年度河北省社會科學青年基金項目“面向時空模糊分級匹配的服務(wù)群推薦方法及應用研究”（項目編號：HB19GL009）的研究成果之一。

（作者單位：燕山大學公共管理學院）