曲朝陽，徐鵬飛，婁建樓，顏 佳，曲 楠

(1.東北電力大學(xué)信息工程學(xué)院，吉林 吉林 132012；2.國家電網(wǎng)吉林省電力有限公司信息通信公司，吉林 長春 130062；3.江蘇省電力公司檢修分公司，江蘇 南京 210000)

基于協(xié)同過濾的電力信息運(yùn)維知識(shí)個(gè)性化推薦模型

曲朝陽1，徐鵬飛1，婁建樓1，顏 佳2，曲 楠3

(1.東北電力大學(xué)信息工程學(xué)院，吉林 吉林 132012；2.國家電網(wǎng)吉林省電力有限公司信息通信公司，吉林 長春 130062；3.江蘇省電力公司檢修分公司，江蘇 南京 210000)

提出了基于協(xié)同過濾的電力信息運(yùn)維知識(shí)個(gè)性化推薦模型.首先給出了電力信息運(yùn)維知識(shí)個(gè)性化推薦模型的建立流程；其次引入隱式評(píng)分機(jī)制，將運(yùn)維人員的學(xué)習(xí)行為轉(zhuǎn)換為對(duì)電力信息運(yùn)維知識(shí)的隱式評(píng)分；再次對(duì)傳統(tǒng)協(xié)同過濾算法的不足進(jìn)行改進(jìn)；最后基于改進(jìn)協(xié)同過濾算法構(gòu)建個(gè)性化推薦模型，對(duì)電力信息運(yùn)維知識(shí)進(jìn)行推薦.實(shí)驗(yàn)結(jié)果表明，該個(gè)性化推薦模型能夠有效提高推薦效果，具有實(shí)際意義.

協(xié)同過濾；電力信息運(yùn)維知識(shí)；個(gè)性化推薦；隱式評(píng)分

隨著電網(wǎng)企業(yè)信息化建設(shè)的不斷發(fā)展，電力信息運(yùn)維知識(shí)嚴(yán)重“過載”，運(yùn)維人員很難在大量的電力信息運(yùn)維知識(shí)中找到自己真正需要的知識(shí).推薦系統(tǒng)是解決電力信息運(yùn)維知識(shí)“過載”問題的主要工具，它能夠根據(jù)運(yùn)維人員的習(xí)慣偏好向運(yùn)維人員推薦可能感興趣的電力信息運(yùn)維知識(shí).協(xié)同過濾作為目前推薦系統(tǒng)中應(yīng)用最成功的推薦技術(shù)，它是通過尋找與目標(biāo)用戶習(xí)慣偏好相似的鄰居用戶，把鄰居用戶感興趣的知識(shí)推薦給目標(biāo)用戶.[1-2]

電力信息運(yùn)維知識(shí)個(gè)性化推薦是提高運(yùn)維人員電力信息運(yùn)維知識(shí)水平的有效途徑，但目前對(duì)電力信息運(yùn)維知識(shí)個(gè)性化推薦的研究仍然沒有突破性進(jìn)展，依舊面臨缺乏有效的推薦技術(shù)、推薦質(zhì)量，難以滿足運(yùn)維人員的需求等問題.針對(duì)以上問題，本文結(jié)合運(yùn)維人員的學(xué)習(xí)行為，首先引入隱式評(píng)分機(jī)制，將運(yùn)維人員的學(xué)習(xí)行為轉(zhuǎn)換為對(duì)電力信息運(yùn)維知識(shí)的隱式評(píng)分，然后對(duì)傳統(tǒng)協(xié)同過濾算法的不足進(jìn)行改進(jìn)，最后構(gòu)建基于改進(jìn)協(xié)同過濾算法的個(gè)性化推薦模型，并將其應(yīng)用于電力信息運(yùn)維知識(shí)推薦.

1 電力信息運(yùn)維知識(shí)個(gè)性化推薦模型建立的流程

圖1 電力信息運(yùn)維知識(shí)個(gè)性化推薦模型建立的流程

真實(shí)可靠的評(píng)分?jǐn)?shù)據(jù)是進(jìn)行電力信息運(yùn)維知識(shí)個(gè)性化推薦的前提，評(píng)分?jǐn)?shù)據(jù)應(yīng)該盡可能地反映運(yùn)維人員對(duì)電力信息運(yùn)維知識(shí)的感興趣程度，因此引入隱式評(píng)分機(jī)制，將運(yùn)維人員在線學(xué)習(xí)過程中的學(xué)習(xí)行為轉(zhuǎn)換為對(duì)電力信息運(yùn)維知識(shí)的隱式評(píng)分.傳統(tǒng)協(xié)同過濾算法在用戶相似性計(jì)算過程中沒有考慮項(xiàng)目之間的相似性以及在未評(píng)分值預(yù)測(cè)過程中沒有體現(xiàn)用戶興趣的動(dòng)態(tài)變化，嚴(yán)重影響推薦質(zhì)量.因此改進(jìn)傳統(tǒng)協(xié)同過濾算法的不足，并基于改進(jìn)協(xié)同過濾算法構(gòu)建個(gè)性化推薦模型對(duì)電力信息運(yùn)維知識(shí)進(jìn)行推薦.運(yùn)維人員可以根據(jù)推薦結(jié)果發(fā)現(xiàn)自己感興趣的知識(shí)，進(jìn)而增強(qiáng)電力信息運(yùn)維知識(shí)水平.電力信息運(yùn)維知識(shí)個(gè)性化推薦模型的建立流程如圖1所示.

2 基于協(xié)同過濾的電力信息運(yùn)維知識(shí)個(gè)性化推薦

2.1 隱式評(píng)分機(jī)制

由于運(yùn)維人員在線學(xué)習(xí)過程中會(huì)對(duì)電力信息運(yùn)維知識(shí)產(chǎn)生一定的學(xué)習(xí)行為，比如對(duì)電力信息運(yùn)維知識(shí)的下載、收藏、分享、學(xué)習(xí)時(shí)長等，因此引入隱式評(píng)分機(jī)制，通過跟蹤記錄運(yùn)維人員的學(xué)習(xí)行為，將這些學(xué)習(xí)行為轉(zhuǎn)換為對(duì)電力信息運(yùn)維知識(shí)的隱式評(píng)分.隱式評(píng)分能夠較好地解決運(yùn)維人員對(duì)電力信息運(yùn)維知識(shí)“學(xué)而不評(píng)”的現(xiàn)象，并且能夠客觀地反映運(yùn)維人員對(duì)電力信息運(yùn)維知識(shí)的感興趣程度，具有比預(yù)測(cè)更高的可靠性.[3]

隱式評(píng)分是通過計(jì)算運(yùn)維人員的單一學(xué)習(xí)行為或組合學(xué)習(xí)行為的分值而得到的，本文用D(下載)，C(收藏)，S(分享)和T(學(xué)習(xí)時(shí)長)來表示運(yùn)維人員的學(xué)習(xí)行為，電力信息運(yùn)維知識(shí)的評(píng)分采用5分制.運(yùn)維人員學(xué)習(xí)行為對(duì)應(yīng)的電力信息運(yùn)維知識(shí)評(píng)分值如表1所示.

表1 學(xué)習(xí)行為對(duì)應(yīng)的評(píng)分值

2.2 協(xié)同過濾算法

2.2.1 傳統(tǒng)協(xié)同過濾算法

協(xié)同過濾可分為兩類，分別是基于存儲(chǔ)的協(xié)同過濾和基于模型的協(xié)同過濾[4-5].前者利用評(píng)分?jǐn)?shù)據(jù)計(jì)算用戶或項(xiàng)目相似性得到鄰居集合或項(xiàng)目集合，根據(jù)鄰居集合中用戶對(duì)項(xiàng)目的評(píng)分進(jìn)行預(yù)測(cè)；后者對(duì)已有數(shù)據(jù)運(yùn)用概率統(tǒng)計(jì)和機(jī)器學(xué)習(xí)得到一個(gè)模型，根據(jù)模型進(jìn)行預(yù)測(cè).

基于存儲(chǔ)的協(xié)同過濾算法通過分析用戶的歷史評(píng)分?jǐn)?shù)據(jù)，尋找和目標(biāo)用戶習(xí)慣偏好相似的鄰居用戶，把鄰居用戶感興趣的項(xiàng)目作為結(jié)果推薦給目標(biāo)用戶.它的實(shí)現(xiàn)過程分為獲取用戶評(píng)分?jǐn)?shù)據(jù)、尋找最近鄰居、產(chǎn)生推薦列表3個(gè)步驟.[6]

(1) 獲取用戶評(píng)分?jǐn)?shù)據(jù)

用戶評(píng)分一般情況下表示成一個(gè)m×n用戶-項(xiàng)目評(píng)分矩陣R=(rij)，其中m表示用戶數(shù)量，n表示項(xiàng)目數(shù)量，rij表示用戶評(píng)分值，一般rij∈[0，5]且rij是整數(shù)，評(píng)分值越高則表示用戶對(duì)該項(xiàng)目的感興趣程度越大.

(2) 尋找最近鄰居

用戶相似性計(jì)算的目的是尋找和目標(biāo)用戶習(xí)慣偏好相似的最近鄰居集合，也就是說，對(duì)目標(biāo)用戶u尋找一個(gè)按照用戶相似性從大到小排列的集合Nu={u1，u2，…，un}，u?Nu.本文采用Pearson相關(guān)系數(shù)來計(jì)算用戶相似性sim(u，v)，公式為

(1)

(3) 產(chǎn)生推薦列表

根據(jù)最近鄰居集合預(yù)測(cè)目標(biāo)用戶u對(duì)未評(píng)分項(xiàng)目iT的評(píng)分值Pu，iT，選擇評(píng)分最高的前N個(gè)項(xiàng)目作為結(jié)果推薦給目標(biāo)用戶.公式為

(2)

2.2.2 改進(jìn)協(xié)同過濾算法

傳統(tǒng)協(xié)同過濾算法在用戶相似性計(jì)算過程中沒有考慮項(xiàng)目之間的相似性以及在未評(píng)分值預(yù)測(cè)過程中沒有體現(xiàn)用戶興趣的動(dòng)態(tài)變化，嚴(yán)重影響推薦質(zhì)量[7].本文對(duì)傳統(tǒng)協(xié)同過濾算法的不足進(jìn)行以下改進(jìn).

(1) 用戶相似性計(jì)算

傳統(tǒng)協(xié)同過濾算法在用戶相似性計(jì)算過程中只考慮用戶共同評(píng)分過的項(xiàng)目，但忽略了項(xiàng)目之間的相似性，那么用戶共同評(píng)分過的項(xiàng)目中或許存在和被預(yù)測(cè)項(xiàng)目不相關(guān)卻被考慮在內(nèi)，使得找到的鄰居用戶不準(zhǔn)確.為了減小不相關(guān)項(xiàng)目對(duì)用戶相似性計(jì)算的干擾，將項(xiàng)目相似性sim(i，j)引入到用戶相似性計(jì)算中.該計(jì)算有多種不同的方法，如余弦相似性、Pearson相關(guān)系數(shù)、條件概率等[8].本文運(yùn)用條件概率計(jì)算項(xiàng)目i和項(xiàng)目j之間的相似性

(3)

其中freq(i)，freq(j)，freq(ij)分別表示對(duì)項(xiàng)目i和項(xiàng)目j進(jìn)行評(píng)分的用戶人數(shù)以及同時(shí)對(duì)項(xiàng)目i和項(xiàng)目j進(jìn)行評(píng)分的用戶人數(shù)，α∈[0，1]表示縮放比例因子.

引入項(xiàng)目相似性后用戶相似性計(jì)算公式為

(4)

其中：iT表示待預(yù)測(cè)項(xiàng)目，sim′(u，v)表示用戶u和用戶v基于iT的相似性.

(2) 未評(píng)分值預(yù)測(cè)

傳統(tǒng)協(xié)同過濾算法在未評(píng)分值預(yù)測(cè)過程中將用戶不同時(shí)間對(duì)項(xiàng)目的評(píng)分看做是相同的，忽略了用戶是在不同時(shí)間對(duì)項(xiàng)目進(jìn)行評(píng)分不同這一事實(shí).由于用戶興趣隨著時(shí)間流逝而改變，但在較短時(shí)間段內(nèi)用戶興趣改變較小，因此一個(gè)用戶最可能會(huì)對(duì)其越晚評(píng)價(jià)的項(xiàng)目越產(chǎn)生興趣.心理學(xué)家艾賓浩斯對(duì)遺忘現(xiàn)象的研究結(jié)果表明：人類的遺忘過程是逐步的、非線性的[9].借鑒人類的遺忘規(guī)律，將時(shí)間函數(shù)f(t)引入到未評(píng)分值預(yù)測(cè)中，體現(xiàn)用戶不同時(shí)間內(nèi)評(píng)價(jià)的項(xiàng)目對(duì)預(yù)測(cè)未評(píng)分值的影響，即用戶越晚評(píng)價(jià)的項(xiàng)目對(duì)預(yù)測(cè)未評(píng)分值的影響越大，那么f(t)應(yīng)該是一個(gè)單調(diào)遞增函數(shù)，函數(shù)值在(0，1)范圍內(nèi).本文使用指數(shù)函數(shù)作為時(shí)間函數(shù)，公式為

(5)

其中：t表示用戶u評(píng)價(jià)項(xiàng)目iT的時(shí)間，e表示自然底數(shù).

引入時(shí)間函數(shù)后未評(píng)分值預(yù)測(cè)的公式為

(6)

2.3 基于協(xié)同過濾的個(gè)性化推薦模型

圖2 基于協(xié)同過濾的個(gè)性化推薦模型

以對(duì)隱式評(píng)分機(jī)制與協(xié)同過濾算法的研究為基礎(chǔ)，構(gòu)建一個(gè)基于協(xié)同過濾的個(gè)性化推薦模型，并將其應(yīng)用于某省電力有限公司試運(yùn)行的電力信息運(yùn)維知識(shí)培訓(xùn)平臺(tái)中，該推薦模型如圖2所示.

推薦引擎是該模型的重要組成部分，它是實(shí)現(xiàn)電力信息運(yùn)維知識(shí)個(gè)性化推薦的中樞.推薦引擎的基本思想是將運(yùn)維人員信息、電力信息運(yùn)維知識(shí)、隱式評(píng)分信息通過輸入接口傳送到推薦引擎，引擎中的推薦模塊利用本文改進(jìn)的協(xié)同過濾算法對(duì)電力信息運(yùn)維知識(shí)進(jìn)行推薦，并將推薦結(jié)果通過輸出接口呈現(xiàn)給運(yùn)維人員.

個(gè)性化推薦模型中推薦引擎的算法流程：

(1) 獲取用戶評(píng)分?jǐn)?shù)據(jù)：查詢數(shù)據(jù)庫，得到用戶-項(xiàng)目評(píng)分矩陣.

(2) 尋找最近鄰居：根據(jù)公式(4)計(jì)算目標(biāo)用戶u和其他用戶之間的相似性，即sim′(u，v)，把用戶按照相似性由大到小排序，選擇前n個(gè)作為目標(biāo)用戶u的鄰居用戶.

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)使用某省電力有限公司試運(yùn)行的電力信息運(yùn)維知識(shí)培訓(xùn)平臺(tái)中100個(gè)運(yùn)維人員對(duì)1 200個(gè)電力信息運(yùn)維知識(shí)的15 000條評(píng)分?jǐn)?shù)據(jù)，并且每位運(yùn)維人員至少對(duì)120個(gè)電力信息運(yùn)維知識(shí)進(jìn)行了1到5之間的評(píng)分，評(píng)分?jǐn)?shù)值越高，表示運(yùn)維人員對(duì)該電力信息運(yùn)維知識(shí)的感興趣程度越大.

度量標(biāo)準(zhǔn)使用統(tǒng)計(jì)精度度量方法中的平均絕對(duì)偏差MAE，它是通過計(jì)算預(yù)測(cè)的用戶評(píng)分與實(shí)際的用戶評(píng)分之間的偏差度量，可以得到預(yù)測(cè)的準(zhǔn)確性，MAE越小推薦效果越好.[10]設(shè)預(yù)測(cè)的用戶評(píng)分集合為{r1，r2，…，rn}，設(shè)實(shí)際的用戶評(píng)分集合為{s1，s2，…，sn}，則平均絕對(duì)偏差MAE定義為

(7)

最近鄰居集合的大小影響MAE，因此，在同一個(gè)數(shù)據(jù)集上選擇大小不同的最近鄰居集合，比較本文改進(jìn)協(xié)同過濾算法和傳統(tǒng)協(xié)同過濾算法的推薦效果，實(shí)驗(yàn)中將最近鄰居集合大小從10增加到45.

圖3 本文改進(jìn)算法與傳統(tǒng)算法的MAE比較

本文提出的改進(jìn)協(xié)同過濾算法與傳統(tǒng)協(xié)同過濾算法的MAE比較如圖3所示.

從圖3中可以看出，改進(jìn)協(xié)同過濾算法的推薦效果比傳統(tǒng)協(xié)同過濾算法好.原因是改進(jìn)協(xié)同過濾算法在計(jì)算用戶相似性時(shí)引入了項(xiàng)目相關(guān)性，使得找到的鄰居用戶更準(zhǔn)確，在預(yù)測(cè)未評(píng)分值時(shí)引入了時(shí)間函數(shù)，體現(xiàn)了用戶興趣的動(dòng)態(tài)變化，從而提高了推薦效果.

4 結(jié)語

為了從海量電力信息運(yùn)維知識(shí)中向運(yùn)維人員推薦出可能感興趣的知識(shí)，本文提出了基于協(xié)同過濾的電力信息運(yùn)維知識(shí)個(gè)性化推薦模型.針對(duì)傳統(tǒng)協(xié)同過濾算法的不足，在用戶相似性計(jì)算時(shí)引入項(xiàng)目相似性以減小不相關(guān)項(xiàng)目的干擾，并在預(yù)測(cè)未評(píng)分值時(shí)引入時(shí)間函數(shù)以體現(xiàn)用戶興趣的動(dòng)態(tài)變化，改進(jìn)協(xié)同過濾算法構(gòu)建電力信息運(yùn)維知識(shí)個(gè)性化推薦模型，解決了電力信息運(yùn)維知識(shí)“過載”問題.最后通過實(shí)驗(yàn)證明了該個(gè)性化推薦模型能夠有效提高推薦效果，具有實(shí)際意義.

[1] 冷亞軍，陸青，梁昌勇.協(xié)同過濾推薦技術(shù)綜述[J].模式識(shí)別與人工智能，2014，27(8)：720-734.

[2] 趙琴琴，魯凱，王斌.SPCF：一種基于內(nèi)存的傳播式協(xié)同過濾推薦算法[J].計(jì)算機(jī)學(xué)報(bào)，2013，36(3)：671-676.

[3] 孫歆，王永固，邱飛岳.基于協(xié)同過濾技術(shù)的在線學(xué)習(xí)資源個(gè)性化推薦系統(tǒng)研究[J].中國遠(yuǎn)程教育，2012(8)：78-82.

[4] 孫光福，吳樂，劉淇，等.基于時(shí)序行為的協(xié)同過濾推薦算法[J].軟件學(xué)報(bào)，2013，24(11)：2721-2733.

[5] 榮輝桂，火生旭，胡春華，等.基于用戶相似度的協(xié)同過濾推薦算法[J].通信學(xué)報(bào)，2014，35(2)：16-24.

[6] 胡勛，孟祥武，張玉潔，等.一種融合項(xiàng)目特征和移動(dòng)用戶信任關(guān)系的推薦算法[J].軟件學(xué)報(bào)，2014，25(8)：1817-1830.

[7] 邢春曉，高鳳榮，戰(zhàn)思南，等.適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J].計(jì)算機(jī)研究與發(fā)展，2007，44(2)：296-301.

[8] 劉東輝，彭德巍，張暉.一種基于時(shí)間加權(quán)和用戶特征的協(xié)同過濾算法[J].武漢理工大學(xué)學(xué)報(bào)，2012，34(5)：144-148.

[9] 于洪，李轉(zhuǎn)運(yùn).基于遺忘曲線的協(xié)同過濾推薦算法[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)版)，2010，46(5)：520-527.

[10] 陳志敏，姜藝.綜合項(xiàng)目評(píng)分和屬性的個(gè)性化推薦算法[J].微電子學(xué)與計(jì)算機(jī)，2011，28(9)：186-189.

(責(zé)任編輯：石紹慶)

Personalized recommendation model of power information operation and maintenance knowledge based on collaborative filtering

QU Zhao-yang1，XU Peng-fei1，LOU Jian-lou1，YAN Jia2，QU Nan3

(1.School of Information Engineering，Northeast Dianli University，Jilin 132012，China；2.Information and Communications Company State Grid Jilin Electric Power，Changchun 130062，China；3.Maintenance Branch of Jiangsu Electric Power Company，Nanjing 210000，China)

Personalized recommendation model of power information operation and maintenance knowledge based on collaborative filtering was proposed.First，the establishment process of personalized recommendation model of power information operation and maintenance knowledge is built.Second，implicit rate mechanism is introduced，which can transform learning behavior of the operation and maintenance personnel into implicit rate of power information operation and maintenance knowledge.Third，improve the shortcomings of traditional collaborative filtering algorithm.Finally，personalized recommendation model which is used to recommend the power information operation and maintenance knowledge was built based on improved collaborative filtering algorithm.The experimental result shows that the personalized recommendation model can effectively improve the recommendation effect，with a practical significance.

collaborative filtering；power information operation and maintenance knowledge；personalized recommendation；implicit rate

(責(zé)任編輯：石紹慶)

1000-1832(2017)02-0084-05

10.16163/j.cnki.22-1123/n.2017.02.016

2016-03-06

國家自然科學(xué)基金資助項(xiàng)目(51277023)；吉林省科技計(jì)劃重點(diǎn)轉(zhuǎn)化項(xiàng)目(20140307008GX).

曲朝陽(1964—)，男，博士，教授，主要從事智能信息處理、網(wǎng)絡(luò)技術(shù)、虛擬現(xiàn)實(shí)研究；通信作者：徐鵬飛(1991—)，男，碩士研究生，主要從事智能信息處理研究.

TP 311 [學(xué)科代碼] 520·40

A