余 洋，孫林夫+，任春華，韓 敏,3

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 610031；2.西南交通大學(xué) 制造業(yè)產(chǎn)業(yè)鏈協(xié)同與信息化支撐技術(shù)四川省重點實驗室，四川 成都 610031；3.成都信息工程大學(xué) 軟件工程學(xué)院,四川 成都 610225)

0 引言

多服務(wù)價值鏈?zhǔn)嵌鄺l以核心企業(yè)為中心的服務(wù)價值鏈條構(gòu)成的有機集合體，它通過一系列的價值活動，將原本局限于單條服務(wù)價值鏈內(nèi)企業(yè)間的業(yè)務(wù)協(xié)作拓展到多條服務(wù)價值鏈間，從而有效整合不同服務(wù)價值鏈上企業(yè)的業(yè)務(wù)資源并實現(xiàn)服務(wù)業(yè)務(wù)的高效協(xié)作[1-2]。多服務(wù)價值鏈涵蓋了多條產(chǎn)業(yè)鏈的服務(wù)業(yè)務(wù)協(xié)作關(guān)系，并具備縱橫雙向協(xié)同性、資源優(yōu)化均衡性和數(shù)據(jù)價值增值性等特征。

第三方云平臺為多服務(wù)價值鏈上的供應(yīng)商集群、經(jīng)銷商集群、服務(wù)商集群、4S店集群和物流商集群等整合業(yè)務(wù)資源與開展業(yè)務(wù)協(xié)作提供支撐[3-5]。隨著第三方云平臺上企業(yè)數(shù)量的不斷增多，其業(yè)務(wù)協(xié)作呈現(xiàn)爆發(fā)式增長，從而積累了大量的業(yè)務(wù)資源，包括產(chǎn)品資源、服務(wù)資源、流程資源和數(shù)據(jù)資源等。這些業(yè)務(wù)資源中蘊含著巨大的潛力和豐富的價值，將給多服務(wù)價值鏈上的企業(yè)帶來變革性的發(fā)展，同時也帶來了嚴重的信息過載問題。因此，在第三方云平臺環(huán)境下，如何快速精準(zhǔn)地從紛繁復(fù)雜的海量信息資源中獲取高質(zhì)量有價值的業(yè)務(wù)資源，是多服務(wù)價值鏈上的企業(yè)盤活業(yè)務(wù)資源并提升其價值的關(guān)鍵難題之一。

本文以解決上述問題為目標(biāo)，提出一種面向多服務(wù)價值鏈的業(yè)務(wù)資源雙邊匹配模型，該模型融合供需雙方的個性化業(yè)務(wù)需求，從海量信息資源中為需求方篩選出最令供需雙方滿意的業(yè)務(wù)資源，該資源的質(zhì)量可能不是最好的，但卻能讓供需雙方的協(xié)作效果達到整體最優(yōu)。

1 相關(guān)工作

在云制造領(lǐng)域，國內(nèi)外諸多學(xué)者主要從研發(fā)任務(wù)、服務(wù)質(zhì)量(Quality of Service, QoS)和業(yè)務(wù)資源等方面對匹配問題展開了大量研究，并取得了豐厚的研究成果。

在研發(fā)任務(wù)方面，楊續(xù)昌等[6]為提高任務(wù)和人員的綜合滿意度，提出一種基于聚類分析和雙邊匹配的產(chǎn)品開發(fā)任務(wù)分配方法，該方法先通過聚類算法進行屬性特征相似人員的聚類，再通過任務(wù)評價排序方法進行最優(yōu)任務(wù)集的評價決策，最后利用雙邊匹配理論在每個聚類群內(nèi)的任務(wù)和人員之間進行精確匹配；程麗軍等[7]針對云任務(wù)和資源匹配環(huán)節(jié)脫節(jié)問題，提出一種基于改進知識遷移極大熵聚類算法的云端融合任務(wù)—資源雙邊匹配決策模型(Task-resource Matching Decision Model, TMDM)，該模型先改進歷史聚類中心知識和歷史隸屬度知識的引入方式，再將聚類結(jié)果應(yīng)用于云任務(wù)和資源的雙邊匹配決策優(yōu)化模型，從而實現(xiàn)任務(wù)與對應(yīng)類型資源的快速匹配；李穎新等[8]針對研發(fā)設(shè)計任務(wù)與知識資源之間的雙邊匹配問題，提出一種面向云制造模式的研發(fā)設(shè)計任務(wù)與知識資源雙邊匹配總體框架，該框架包括構(gòu)建雙邊匹配滿意度評價指標(biāo)體系、處理多指標(biāo)滿意度評價信息和求解多目標(biāo)雙邊匹配決策模型等關(guān)鍵步驟，從而提升產(chǎn)品設(shè)計任務(wù)執(zhí)行的效率和質(zhì)量；Lu等[9]針對雙邊云市場中用戶任務(wù)需求和服務(wù)商資源的匹配問題，提出一種真實的雙重拍賣機制，并通過Lyapunov優(yōu)化技術(shù)最大程度地減少用戶的成本，使云服務(wù)商和用戶都能從中受益；Li等[10]針對云制造平臺上復(fù)雜產(chǎn)品開發(fā)任務(wù)匹配過程中偏好信息存在的模糊性和不確定性問題，提出一種基于雙猶豫模糊偏好信息的雙向匹配模型，該模型先構(gòu)造雙猶豫模糊偏好信息評價矩陣，并將其轉(zhuǎn)化為滿意度矩陣，再構(gòu)建一個使?jié)M意度最大化、雙方代理差異度最小的多目標(biāo)雙向匹配優(yōu)化模型，最后求解出最優(yōu)的匹配結(jié)果。

在QoS方面，馬文龍等[11]針對云制造環(huán)境下的服務(wù)選擇匹配問題，提出一種基于QoS感知的云服務(wù)選擇模型，該模型先建立了QoS信息感知和量化機制，再根據(jù)變精度粗糙集理論計算QoS評價指標(biāo)的權(quán)重，最后采用制造云服務(wù)選擇算法獲得QoS綜合性能排序，從而能夠準(zhǔn)確地為用戶選擇最佳服務(wù)；趙金輝等[12]針對服務(wù)提供方和需求方的按需互選問題，提出一種基于QoS的云制造服務(wù)雙向匹配模型，該模型先利用可變模糊識別方法計算多指標(biāo)信息的綜合滿意度，再以供需雙方的服務(wù)滿意度為最大化求解目標(biāo)，利用隸屬度函數(shù)的加權(quán)和方法將其轉(zhuǎn)化為單目標(biāo)線性規(guī)劃模型進行求解，從而為用戶選擇雙方都滿意的最佳服務(wù)；馬仁杰等[13]針對云制造服務(wù)的匹配推薦問題，提出一種基于區(qū)間和灰色關(guān)聯(lián)度的云制造服務(wù)資源綜合匹配方法(Service Resources Matching Method, SRMM)，該方法先采用區(qū)間數(shù)對QoS信息進行描述，再采用灰色關(guān)聯(lián)度計算QoS匹配相似度，最后對服務(wù)資源類型、描述和質(zhì)量信息進行匹配、過濾和排序，得出服務(wù)推薦的結(jié)果；Ran等[14]為滿足計算密集型應(yīng)用程序隨時間變化的計算負載，提出一種動態(tài)確定實例購買量的策略，用于保證QoS的同時最大程度地降低總計算成本；Xue等[15]為評估和優(yōu)化服務(wù)匹配策略的適應(yīng)性，提出一種基于計算實驗的服務(wù)匹配策略評價框架，從供應(yīng)方和需求方的角度設(shè)計了4種服務(wù)匹配策略，并在不同場景下驗證了服務(wù)匹配策略的性能。

在業(yè)務(wù)資源方面，盛步云等[16]針對中小企業(yè)云制造服務(wù)平臺存在的搜索智能度和搜索精度較低的問題，提出一種面向中小企業(yè)云制造服務(wù)平臺的供需智能匹配引擎，該引擎先建立分行業(yè)的制造服務(wù)資源本體庫，再采用語義推理的方式進行服務(wù)能力的智能匹配，從而使中小企業(yè)云制造服務(wù)平臺更好地服務(wù)于廣大中小制造企業(yè)；趙道致[17]針對云制造平臺上的碎片化資源匹配問題，提出一種考慮主體心理預(yù)期的云制造資源雙邊匹配機制，該機制先基于多屬性評價計算出資源供求雙方之間的滿意度，再基于滿意度計算匹配主體的偏好序，最后基于偏好序求解最優(yōu)的匹配結(jié)果；鬲玲等[18]為保證用戶能夠快速準(zhǔn)確地檢索到滿足設(shè)計需求的服務(wù)資源，提出一個基于本體的設(shè)計需求和服務(wù)資源的多層次語義匹配模型，該模型將匹配過程分為基本信息匹配、功能屬性匹配和服務(wù)質(zhì)量匹配3個階段，并給出每層的匹配內(nèi)容和相似度算法；Zhang等[19]針對云制造中具有容量約束的聚合資源的資源服務(wù)匹配問題，提出一種改進遺傳算法，從而確保所有任務(wù)的總成本和時間最低；Halima等[20]針對定價策略可能會導(dǎo)致違反時間限制和超出預(yù)算限制的問題，提出一種將云資源分配給受時間限制的業(yè)務(wù)流程活動的方法(Business Process Activity Method, BPAM)，從而確保業(yè)務(wù)流程活動的資源需求與云資源能夠正確匹配；He等[21]從用戶和云服務(wù)提供商利益的角度出發(fā)，提出一種新的資源雙邊匹配策略，該策略先根據(jù)屬性特征對資源和任務(wù)進行聚類，以減少資源檢索的范圍，再根據(jù)雙邊匹配算法(Bilateral Matching Algorithm, BMA)為任務(wù)匹配到適合的資源，以提高雙方的滿意度。

上述研究成果雖然從不同角度對匹配問題進行了深入研究，但是不能完美地應(yīng)用于多服務(wù)價值鏈環(huán)境下的業(yè)務(wù)資源匹配，而且在匹配過程中普遍存在精度較差與耗時較長等問題。因此，本文提出一種面向多服務(wù)價值鏈的業(yè)務(wù)資源雙邊匹配模型，通過該模型來解決這一系列問題，并為需求方提供令供需雙方最滿意的業(yè)務(wù)資源。

2 業(yè)務(wù)資源雙邊匹配模型

在多服務(wù)價值鏈環(huán)境下，本文以滿足供需雙方的滿意度為目標(biāo)，結(jié)合模糊理論、歐幾里得度量、層次分析法(Analytic Hierarchy Process, AHP)和熵權(quán)法(Entropy Weight Method, EWM)[22-23]，構(gòu)建面向多服務(wù)價值鏈的業(yè)務(wù)資源雙邊匹配模型(Business Resource Bilateral Matching Model, BRBMM)，再從業(yè)務(wù)資源和企業(yè)信用的角度將BRBMM轉(zhuǎn)換為基于業(yè)務(wù)資源和企業(yè)信用的多目標(biāo)優(yōu)化模型，最后求解出令供需雙方最滿意的業(yè)務(wù)資源，并將其相關(guān)信息返回給需求方，從而不僅維護了需求方的利益，還滿足了供給方的需求。為更好地描述BRBMM，本節(jié)給出以下概念與定義：

(1)

(2)

業(yè)務(wù)資源雙邊匹配實質(zhì)是考慮供需雙方(即需求方與供給方)滿意度的優(yōu)化方法，使其在業(yè)務(wù)資源匹配過程中獲得令供需雙方最滿意的業(yè)務(wù)資源(即最大化供需雙方的滿意度)。由此可知，供需雙方的滿意度評價是實現(xiàn)業(yè)務(wù)資源雙邊匹配的核心環(huán)節(jié)之一，同時業(yè)務(wù)資源雙邊匹配的精確度依賴于科學(xué)合理的評價和計算供需雙方的滿意度。業(yè)務(wù)資源雙邊匹配的過程如圖1所示，主要包括：①構(gòu)建供需雙方的滿意度評價指標(biāo)體系；②處理供需雙方的滿意度評價指標(biāo)數(shù)據(jù)；③求解多目標(biāo)優(yōu)化模型；④輸出最優(yōu)結(jié)果，即最優(yōu)業(yè)務(wù)資源。

2.1 構(gòu)建滿意度評價指標(biāo)體系

在多服務(wù)價值鏈環(huán)境下，BRBMM既要考慮需求方對業(yè)務(wù)資源的要求，還要兼顧供給方對企業(yè)信用的偏好。因此，本節(jié)從業(yè)務(wù)資源和企業(yè)信用兩個角度對供需雙方所需的滿意度評價指標(biāo)展開分析。

(1)基于業(yè)務(wù)資源的匹配分析

基于業(yè)務(wù)資源的匹配是從海量信息資源中為需求方尋找滿足自身業(yè)務(wù)需求的最優(yōu)業(yè)務(wù)資源。在多服務(wù)價值鏈環(huán)境下，業(yè)務(wù)資源的優(yōu)劣受諸多因素影響，主要表現(xiàn)在兩個方面：①業(yè)務(wù)資源的品質(zhì)、價格和時效；②供給方的服務(wù)力、履約力和響應(yīng)速度。綜上所述，基于業(yè)務(wù)資源的滿意度評價指標(biāo)體系如表1所示。

表1 基于業(yè)務(wù)資源的滿意度評價指標(biāo)體系

表中，ra1表示品質(zhì)，其指標(biāo)值rv1由業(yè)務(wù)資源的總銷量Ns和因質(zhì)量造成的退貨量Nr決定，計算公式如式(3)所示；ra2表示價格(單位：元)，其指標(biāo)值rv2由業(yè)務(wù)資源的價格Pr和協(xié)作成本Cc決定，計算公式如式(4)所示；ra3表示時效(單位：h)，其指標(biāo)值rv3由響應(yīng)耗費時間Tr和交付耗費時間Tt決定，計算公式如式(5)所示；ra4表示服務(wù)力，其指標(biāo)值rv4由交付業(yè)務(wù)資源的及時率So和投訴率Sc決定，計算公式如式(6)所示；ra5表示履約力，其指標(biāo)值rv5由需求方定性決定；ra6表示響應(yīng)速度，其指標(biāo)值rv6由需求方定性決定。

(3)

rv2=Pr+Cc；

(4)

rv3=Tr+Tt；

(5)

rv4=So+(1-Sc)。

(6)

(2)基于企業(yè)信用的匹配分析

基于企業(yè)信用的匹配是從諸多需求企業(yè)中為供給方遴選出符合供給方偏好的最優(yōu)需求企業(yè)。在多服務(wù)價值鏈環(huán)境下，企業(yè)的信用主要受信譽度、付款速度和協(xié)作潛力的影響。綜上所述，基于企業(yè)信用的滿意度評價指標(biāo)體系如表2所示。

表2 基于企業(yè)信用的滿意度評價指標(biāo)體系

表中，ca1表示信譽度，其指標(biāo)值cv1由供給方定性決定；ca2表示付款速度，其指標(biāo)值cv2由供給方定性決定；ca3表示協(xié)作潛力，其指標(biāo)值cv3由歷史協(xié)作的數(shù)量與金額、歷史交易的數(shù)量和金額等定性決定。

上述指標(biāo)根據(jù)性質(zhì)劃分為定量指標(biāo)和定性指標(biāo)，定量指標(biāo)和定性指標(biāo)根據(jù)指標(biāo)類型劃分為定量正向/反向指標(biāo)和定性正向/反向指標(biāo)。正向指標(biāo)可稱為效益型指標(biāo)，取值越大越好；反向指標(biāo)可稱為成本型指標(biāo)，取值越小越好。

2.2 處理滿意度評價指標(biāo)數(shù)據(jù)

在多服務(wù)價值鏈環(huán)境下，由于履約力、響應(yīng)速度、信譽度、付款速度和協(xié)作潛力等定性指標(biāo)難以通過精確的數(shù)值進行客觀評價，只能由企業(yè)基于實際情況以主觀的方式表述其屬于“優(yōu)”的程度。顯而易見，在實際的業(yè)務(wù)場景下，經(jīng)典集合理論已經(jīng)無法處理上述模糊現(xiàn)象。模糊理論以模糊集合為基礎(chǔ)，以處理不確定的事物或概念模糊為研究目標(biāo)，從傳統(tǒng)的精確集合、精確關(guān)系及演繹推理中擴展而來，可以處理客觀事物中的模糊信息，因此模糊理論成為定量處理模糊性和系統(tǒng)不確定性的一種可行的方法[23-25]。

本文采用極優(yōu)、較優(yōu)、一般、較差、極差等模糊語言詞匯對履約力、響應(yīng)速度、信譽度、付款速度和協(xié)作潛力等定性指標(biāo)進行主觀評價，為使上述模糊語言詞匯能夠轉(zhuǎn)換為精確的數(shù)值來反映定性指標(biāo)的實際評價情況，本節(jié)引入模糊理論對這些模糊語言詞匯進行量化處理，其相關(guān)概念與計算公式如下：

定義3二元關(guān)系A(chǔ):U→[0,1],xA(x)表示集合A的特征函數(shù)是論域U到單位區(qū)間[0,1]的一個映射，其中A為U的模糊子集，函數(shù)A(x)為模糊集A的隸屬函數(shù)(又稱x為模糊集A的隸屬度)。同理，設(shè)論域為所有定性指標(biāo)集，則為QASU中的第k維定性指標(biāo)，且

定義4語氣算子實質(zhì)是對隸屬函數(shù)A(x)進行變換，將Hλ作為語氣算子定量描述模糊語言詞匯的隸屬函數(shù)，則加上語氣算子前綴后的隸屬函數(shù)記為HλA(x)，其計算公式為[23]

(7)

式中：λ表示模糊語言詞匯級別；Nλ為選擇λ級別模糊語言詞匯評價x需求方(供給方)的數(shù)量；Nt為參與評價x的需求方(供給方)的總數(shù)量；HλA(x)為λ級別模糊語言詞匯的隸屬度，每一維定性指標(biāo)的不同模糊語言詞匯級別擁有不同的隸屬度，具體內(nèi)容如表3所示。

表3 不同模糊語言詞匯的隸屬度

定性指標(biāo)評價值由所有模糊語言詞匯的隸屬度構(gòu)成，其計算公式如式(8)所示。根據(jù)供需雙方的滿意度評價指標(biāo)體系可知，上述定性指標(biāo)均為正向指標(biāo)，因此需求方和供給方分別對業(yè)務(wù)資源和企業(yè)信用設(shè)定相應(yīng)的模糊語言詞匯并進行量化即可。

(8)

式中Qask為第k維定性指標(biāo)評價值。

采用式(3)～式(8)對原始數(shù)據(jù)矩陣RV和CV進行量化，形成量化后的滿意度評價矩陣RV′和CV′：

(9)

(10)

由于供需雙方的滿意度評價指標(biāo)體系存在諸多指標(biāo)且量綱均不相同，為求解業(yè)務(wù)資源與企業(yè)信用的雙邊匹配滿意度，BRBMM一方面需要將所有指標(biāo)值無量綱化以消除量綱的影響，另一方面需要將反向指標(biāo)值轉(zhuǎn)換為正向指標(biāo)值以消除指標(biāo)類型不統(tǒng)一的影響。本文分別采用式(11)和式(12)求解正向指標(biāo)和反向指標(biāo)的無量綱值，同時采用最大值作為衡量業(yè)務(wù)資源與企業(yè)信用優(yōu)劣的標(biāo)準(zhǔn)，因此業(yè)務(wù)資源與企業(yè)信用越優(yōu)，雙邊匹配的滿意度就越高。

(11)

(12)

(13)

(14)

2.3 求解多目標(biāo)優(yōu)化模型

在多服務(wù)價值鏈環(huán)境下，業(yè)務(wù)資源雙邊匹配的目的是使參與匹配的需求方和供給方都能獲得最大滿意度。在RV″和CV″的基礎(chǔ)上，求解業(yè)務(wù)資源和企業(yè)信用雙邊匹配最大滿意度問題的實質(zhì)是一個多目標(biāo)優(yōu)化問題。因此，本節(jié)將BRBMM轉(zhuǎn)換為基于業(yè)務(wù)資源和企業(yè)信用的多目標(biāo)優(yōu)化模型，并從業(yè)務(wù)資源和企業(yè)信用角度出發(fā)為多目標(biāo)優(yōu)化模型構(gòu)建相應(yīng)的目標(biāo)函數(shù)，通過線性加權(quán)的方法求解多目標(biāo)優(yōu)化模型。

常用的相似度計算方法包括歐幾里得度量、余弦相似度和Pearson相關(guān)系數(shù)等。歐幾里得度量通常用于計算多維空間中兩個點之間的真實距離，適用于計算屬性向量的相似度；余弦相似度通過計算兩個向量的夾角余弦值來評估其相似度，適用于計算向量空間的相似度；Pearson相關(guān)系數(shù)通常用于刻畫變量間線性關(guān)系的強弱，適用于定量度量[26]。

由于業(yè)務(wù)資源和企業(yè)信用涉及的數(shù)據(jù)均為結(jié)構(gòu)化數(shù)據(jù)(即屬性向量)，本文選用歐幾里得度量計算理想值和評價值的相似度。此外，因為多服務(wù)價值鏈上不同需求方與供給方考慮的角度不同，他們對業(yè)務(wù)資源或企業(yè)信用涉及的各個指標(biāo)的偏好也有一定差異，所以本文采用AHP計算業(yè)務(wù)資源和企業(yè)信用涉及的評價指標(biāo)的主觀權(quán)重，用以體現(xiàn)需求方與供給方的需求和偏好。然而，僅采用主觀權(quán)重?zé)o法體現(xiàn)業(yè)務(wù)資源和企業(yè)信用涉及的各個指標(biāo)在客觀方面的差異，當(dāng)需求方經(jīng)驗不足時，若需求方與供給方設(shè)定的權(quán)重不合理，則會導(dǎo)致業(yè)務(wù)資源或企業(yè)信用評價值的可信度偏低，因此本文選取部分業(yè)務(wù)資源和企業(yè)信用的歷史數(shù)據(jù)作為推理樣本，采用EWM計算業(yè)務(wù)資源和企業(yè)信用涉及的評價指標(biāo)的客觀權(quán)重。綜上所述，本文采用主客觀權(quán)重來反映各個指標(biāo)的重要程度。

根據(jù)供需雙方滿意度最大的需求和供需雙方的滿意度矩陣(RV″和CV″)構(gòu)建BRBMM：

maxF1(rsi)=1-

(15)

maxF2(rsi)=1-

(16)

rsi∈RS。

式(15)和式(16)實質(zhì)上是多目標(biāo)優(yōu)化模型的目標(biāo)函數(shù)，因此本節(jié)將BRBMM轉(zhuǎn)換為基于業(yè)務(wù)資源和企業(yè)信用的多目標(biāo)優(yōu)化模型，并采用線性加權(quán)法對上述兩個目標(biāo)函數(shù)進行加權(quán)處理，形成新的目標(biāo)函數(shù)(如式(17))，并通過求解新的目標(biāo)函數(shù)獲得最優(yōu)結(jié)果。

maxF(rsi)=θ1×F1(rsi)+θ2×F2(rsi)。

s.t.

θ1≥0,θ2≥0,θ1+θ2=1；rsi∈RS。

(17)

式中：θ1為基于業(yè)務(wù)資源匹配的權(quán)重；θ2為基于企業(yè)信用匹配的權(quán)重。默認θ1=θ2=0.5，在實際業(yè)務(wù)環(huán)境中，其取值可以根據(jù)供需雙方的需求而定。

3 模型的實現(xiàn)方法

BMA是實現(xiàn)面向多服務(wù)價值鏈的BRBMM的關(guān)鍵算法，用于從海量信息資源中為需求方篩選出最令供需雙方滿意的業(yè)務(wù)資源，算法流程如圖2所示。

算法1雙邊匹配算法BMA。

輸入：Rv，Rv*，Cv，Cv*。

輸出：rsi。

步驟1獲取基于業(yè)務(wù)資源匹配的所有數(shù)據(jù)集，包括云服務(wù)平臺中所有業(yè)務(wù)資源各個屬性的評價值集Rv、需求方定義業(yè)務(wù)資源各個屬性的理想值集Rv*，形成基于業(yè)務(wù)資源的原始數(shù)據(jù)矩陣RV(式(1))；獲取基于企業(yè)信用匹配的所有數(shù)據(jù)集，包括供給方定義企業(yè)信用的各個屬性的理想值集Cv、云服務(wù)平臺中企業(yè)信用(需求方)各個屬性的評價值集Cv*，形成基于企業(yè)信用的原始數(shù)據(jù)矩陣CV(式(2))。

步驟2在RV和CV的基礎(chǔ)上，判斷屬性(指標(biāo))的性質(zhì)是否為定量指標(biāo)，是則采用式(3)～式(6)計算定量指標(biāo)值；否則采用式(7)和式(8)量化定性指標(biāo)，得到定性指標(biāo)值。根據(jù)所有的定量指標(biāo)值和定性指標(biāo)值形成相應(yīng)的滿意度評價矩陣，即基于業(yè)務(wù)資源的評價矩陣RV′(式(9))和基于企業(yè)信用的評價矩陣CV′(式(10))。

步驟3采用式(11)和式(12)對滿意度評價矩陣RV′和CV′進行無量綱化，形成與之對應(yīng)的無量綱滿意度評價矩陣，即基于業(yè)務(wù)資源的無量綱滿意度評價矩陣RV″(式(13))和基于企業(yè)信用的無量綱滿意度評價矩陣CV″(式(14))。

步驟4根據(jù)供需雙方滿意度最大的需求和供需雙方的滿意度矩陣(RV″和CV″)構(gòu)建BRBMM(式(15)和式(16))，將其轉(zhuǎn)換為基于業(yè)務(wù)資源和企業(yè)信用的多目標(biāo)優(yōu)化模型，并采用線性加權(quán)法對多目標(biāo)優(yōu)化模型的兩個目標(biāo)函數(shù)(式(15)和式(16))進行加權(quán)，形成新的目標(biāo)函數(shù)(式(17))。

步驟5求解新的目標(biāo)函數(shù)，為需求方篩選出令供需雙方最滿意的業(yè)務(wù)資源rsi，并將rsi相關(guān)的信息返回給需求方。

4 實驗和結(jié)果

本文以多服務(wù)價值鏈上的某個企業(yè)(需求方)基于“基于ASP/SaaS的制造業(yè)產(chǎn)業(yè)價值鏈協(xié)同平臺”進行業(yè)務(wù)資源雙邊匹配為例展開實驗分析[27]。實驗對象為汽車售后服務(wù)業(yè)務(wù)的配件數(shù)據(jù)資源，實驗環(huán)境為標(biāo)準(zhǔn)千兆局域網(wǎng)且不考慮傳輸延遲，客戶端的計算機配置為Intel Core i7-4770 3.4 G，16 G內(nèi)存，操作系統(tǒng)為Windows 10；服務(wù)器端的計算機配置為Intel Xeon E5-2666 2.9 G，32 G內(nèi)存，操作系統(tǒng)為Windows Server 2016。

表4 原始數(shù)據(jù)矩陣

續(xù)表4

采用式(3)～式(8)對所有定量指標(biāo)和定性指標(biāo)的取值進行量化，構(gòu)建相應(yīng)的滿意度評價矩陣RV′和CV′，如表5所示。

表5 滿意度評價矩陣

為消除不同指標(biāo)的量綱帶來的影響，本文采用式(11)和式(12)對表5中的指標(biāo)值進行無量綱化處理，得到的無量綱滿意度評價矩陣如表6所示。

表6 無量綱滿意度評價矩陣

表7 不同維度匹配的滿意度

分別對表7中不同維度匹配的滿意度進行排序，得到配件數(shù)據(jù)資源的優(yōu)劣，如表8所示。

表8 配件數(shù)據(jù)資源的排序結(jié)果

由表8可知，在F1排序中，rs2的滿意度最高，該資源最能滿足需求方的要求，但在F2排序中的順序相對靠后，可能導(dǎo)致rs2的供給方不愿意與需求方開展配件資源業(yè)務(wù)協(xié)作；在F2排序中，rs997的滿意度最高，該資源需求方的企業(yè)信用最能滿足供給方的要求，但在F′排序中順序相對靠后，可能導(dǎo)致需求方不愿意與rs997的供給方開展配件資源業(yè)務(wù)協(xié)作；在F′排序結(jié)果中，rs999的滿意度最高，且在另外兩類滿意度排序中均處第2位，因此業(yè)務(wù)資源雙邊匹配能夠很好地兼顧供需雙方的要求，使供需雙方協(xié)作的滿意度達到最大，從而提升多服務(wù)價值上企業(yè)間的整體協(xié)作效果。

綜合評價指標(biāo)F是一種結(jié)合準(zhǔn)確率和召回率的評價指標(biāo)。F值可以反映雙邊匹配的綜合能力，F(xiàn)值越大，其匹配的質(zhì)量越高，因此本文引入綜合評價指標(biāo)評估BRBMM的性能。綜合評價指標(biāo)的計算公式為

(18)

式中：P為準(zhǔn)確率；Nd為F′≥0.7的業(yè)務(wù)資源數(shù)量；Nv為F1≥0.7的業(yè)務(wù)資源數(shù)量；R為召回率；Na為所有的業(yè)務(wù)資源數(shù)量。

在匹配質(zhì)量實驗分析中，將本文提出的BRBMM分別與TMDM[7]，SRMM[13]，BPAM[19]進行對比。在相同的實驗配置條件下，對同一個需求方發(fā)起的雙邊匹配請求重復(fù)執(zhí)行10次，取其平均值進行對比，配件數(shù)據(jù)資源數(shù)量與F值的關(guān)系如圖3所示。

由圖3可見，隨著配件數(shù)據(jù)資源的逐漸增多，相應(yīng)的F值逐漸減少，可得二者之間的關(guān)系成反比例，同時得出BRBMM的F值高于另外3種模型，因此本文所提模型在多服務(wù)價值鏈環(huán)境下的匹配質(zhì)量更優(yōu)。

5 結(jié)束語

在多服務(wù)價值鏈環(huán)境下，為幫助企業(yè)快速精準(zhǔn)地從紛繁復(fù)雜的海量信息資源中獲取高質(zhì)量有價值的信息，本文提出一種面向多服務(wù)價值鏈的BRBMM。該模型先構(gòu)建供需雙方的滿意度評價指標(biāo)體系，再處理供需雙方的滿意評價指標(biāo)數(shù)據(jù)，最后求解多目標(biāo)優(yōu)化模型，使需求方獲得的業(yè)務(wù)資源最合適且最有價值，同時最令供需雙方滿意。以汽車售后服務(wù)業(yè)務(wù)的配件數(shù)據(jù)資源為例，通過實驗分析驗證了所提模型的合理性與有效性。

未來主要的工作包括兩方面：①進一步完善面向多服務(wù)價值鏈的BRBMM，提高供需雙方的體驗度；②將推薦算法融入BRBMM，通過收集需求方的特征數(shù)據(jù)為其推薦感興趣的業(yè)務(wù)資源。