徐尚英，劉 晶，陳冬林，王 蕾

（1.武漢理工大學(xué)經(jīng)濟學(xué)院，湖北武漢 430070；2.湖北省電子商務(wù)大數(shù)據(jù)工程技術(shù)研究中心，湖北武漢 430070）

1 研究背景

隨著傳統(tǒng)科技服務(wù)行業(yè)轉(zhuǎn)型升級與新興科技服務(wù)行業(yè)迅速發(fā)展，科技服務(wù)平臺（以下簡稱“平臺”）將成為科技服務(wù)業(yè)提供服務(wù)的重要渠道?？萍挤?wù)平臺是為企業(yè)等各類創(chuàng)新主體提供專業(yè)服務(wù)的平臺，企業(yè)是其中的一大主力用戶。目前，由于平臺中不同企業(yè)用戶具備的創(chuàng)新能力、所處的發(fā)展階段都不相同，因此對科技服務(wù)的需求呈現(xiàn)復(fù)雜化、多樣化的特點；此外，隨著平臺中功能相似的科技服務(wù)數(shù)量變得越來越多，企業(yè)用戶愈發(fā)難以快速匹配到符合自身需求的科技服務(wù)資源。因此，實現(xiàn)滿足企業(yè)用戶需求的科技服務(wù)資源推薦是目前科技服務(wù)平臺亟待解決的問題。

目前有關(guān)科技服務(wù)資源推薦的研究不多。而科技服務(wù)推薦與云制造服務(wù)推薦有相似之處：二者均是通過一個共享的服務(wù)平臺為用戶提供按需使用、安全可靠的服務(wù)資源；同時也存在著平臺開放性、服務(wù)提供方廣泛性和用戶需求的復(fù)雜特點，以及面臨用戶如何從海量服務(wù)資源中選擇滿意的服務(wù)資源的問題。在現(xiàn)有關(guān)于云制造服務(wù)匹配推薦問題研究中，大多是從服務(wù)方角度來進行服務(wù)推薦，比如，馬仁杰等［1］考慮了服務(wù)的類型、描述和質(zhì)量信息，基于匹配相似度對服務(wù)資源進行綜合服務(wù)匹配；李成海等［2］考慮了服務(wù)資源屬性及特點，設(shè)計了服務(wù)資源屬性字典集進行屬性匹配；李慧芳等［3］根據(jù)服務(wù)類型、狀態(tài)信息、功能屬性和服務(wù)質(zhì)量進行概念相似度的綜合匹配。有部分文獻從用戶需求方進行服務(wù)推薦，比如，李穎新等［4］提出一種云制造環(huán)境下基于用戶行為的個性化知識服務(wù)方法，對用戶行為分類并評價，構(gòu)建用戶行為模型；高志強等［5］針對資源提供端和消費端分別進行功能分析和需求分析，利用協(xié)同過濾方法進行匹配與推薦；禹春霞等［6］分別從用戶和服務(wù)商兩個角度確定需求偏好和服務(wù)能力，利用相似度距離公式為用戶提供最終的服務(wù)商推薦；劉晶花等［7］充分考慮分析用戶自身需求和動態(tài)環(huán)境下候選服務(wù)的歷史數(shù)據(jù)，對用戶需求進行差異化分類，將區(qū)間型服務(wù)質(zhì)量（QoS）屬性值轉(zhuǎn)換為精確數(shù)，對候選服務(wù)進行過濾和篩選。但由于服務(wù)資源數(shù)量大、用戶需求多樣化，雙方的需求難以量化，國內(nèi)外學(xué)者大多采用模糊模型處理此類不確定性問題，比如，Bai 等［8］利用模糊集理論描述服務(wù)資源，基于模糊規(guī)則進行服務(wù)匹配；Li 等［9］采用了雙猶豫模糊集來描述偏好信息，并進行供應(yīng)方和需求方的雙面匹配；Roy 等［10］提出用模糊技術(shù)處理決策者的模糊性，并確定相應(yīng)因素的權(quán)重對應(yīng)用進行排名，最終選出高效的應(yīng)用。也有考慮供需雙方角度的相關(guān)研究，如趙金輝等［11］、胡雨等［12］是針對服務(wù)方和需求方各自的描述信息，結(jié)合功能和非功能要求,基于服務(wù)質(zhì)量和綜合模糊相似度進行服務(wù)的雙向匹配。

觀察現(xiàn)有相關(guān)文獻可知：（1）在云制造服務(wù)推薦研究中，一般從基本信息、行為信息和歷史數(shù)據(jù)中獲取用戶需求并進行評價處理，但評價處理方法主觀性較強，不能有效準確地反映用戶需求，同時用戶需求也難以量化；（2）有關(guān)服務(wù)推薦模型構(gòu)建大多從服務(wù)類別、服務(wù)狀態(tài)、服務(wù)描述以及服務(wù)質(zhì)量上進行改進并匹配推薦，但在云制造服務(wù)推薦研究中并未考慮不同類型服務(wù)含有的特殊屬性。服務(wù)的特殊屬性是區(qū)分不同類型服務(wù)的核心特性，是衡量服務(wù)質(zhì)量最有力的指標(biāo)，也是服務(wù)需求方最關(guān)注的指標(biāo)。在科技服務(wù)資源中引入特殊屬性可以達到快速匹配服務(wù)資源的效果，但目前的服務(wù)推薦算法大多是單一算法或改進現(xiàn)有傳統(tǒng)推薦算法?；诖?，本研究引入企業(yè)背景信息獲取企業(yè)用戶需求并用模糊模型量化需求偏好，以達到需求準確化的效果，同時引入“本體”概念和余弦相似度兩種相似度算法進行綜合加權(quán)相似度的算法，以提高服務(wù)推薦結(jié)果的準確率；最后選取基于QoS 的算法和基于內(nèi)容（CB）的推薦算法，對不同科技服務(wù)類型的服務(wù)推薦準確率和召回率做對比實驗，以驗證基于企業(yè)用戶需求的科技服務(wù)資源綜合推薦（EURSTS）算法的可行性和有效性。

2 科技服務(wù)資源綜合推薦模型構(gòu)建

科技服務(wù)平臺中包含了服務(wù)類型、QoS 要求等基本信息，反映了科技服務(wù)資源的基本特征。在考慮雙方需求信息的科技服務(wù)資源選擇中，科技服務(wù)平臺綜合考慮企業(yè)用戶背景信息和不同類型科技服務(wù)的特殊屬性，并根據(jù)服務(wù)提供方和用戶需求方的QoS 要求以及實際需求對企業(yè)用戶需求和科技服務(wù)資源類型、QoS 信息進行匹配，綜合考慮兩部分的相似度值，選擇最滿意的科技服務(wù)資源。科技服務(wù)資源綜合推薦模型如圖1 所示，其中ω為設(shè)定的閾值。

圖1 科技服務(wù)資源綜合推薦模型

科技服務(wù)資源綜合推薦模型中，匹配的過程中存在兩方主體：一是服務(wù)機構(gòu)即服務(wù)提供方；二是企業(yè)用戶即服務(wù)需求方。匹配的屬性分別為［type，QoS］，type 表示科技服務(wù)資源的類型；QoS 表示科技服務(wù)資源質(zhì)量要求。

（1）定義服務(wù)機構(gòu)方的科技服務(wù)資源集合為S={S1,S2,…,Sj},Sj表示 第j（j=1,2,…,k）個 服務(wù)；Stype表示服務(wù)機構(gòu)提供的科技服務(wù)資源類型；SQoS={SQoS1,SQoS2,…,SQoSn}是服務(wù)方對需求方要求的屬性指標(biāo)集合，SQoSn是第n（n=1,2,…,q）個指標(biāo)。

（2）定義企業(yè)用戶的需求偏好集合為P={P1,P2,…,Pj}，Pj表示 第j（j=1,2,…,t）個 需求；Ptype表示需求方所需的科技服務(wù)資源類型；PQoS={PQoS1,PQoS2,…,PQoSt}是需求方對科技服務(wù)資源QoS的屬性指標(biāo)集合，PQoSt是第t（t=1,2,…,d）個指標(biāo)。

具體的匹配過程分為兩個部分：第一部分的主要目的是依據(jù)企業(yè)用戶背景信息獲取企業(yè)用戶需求偏好，并用模糊模型進行量化處理；第二部分的目的是建立企業(yè)用戶需求偏好與科技服務(wù)資源的綜合匹配，并完成服務(wù)推薦。針對企業(yè)用戶需求偏好和科技服務(wù)資源分別進行科技服務(wù)類型、包含特殊屬性的科技服務(wù)QoS 要求計算相似度Simt、Simq，每一步都篩除相似度較低的科技服務(wù)，并采用剩余的科技服務(wù)集合進行下一步計算，最終計算綜合相似度Sim(P,S)，將相似度較高的結(jié)果，即Sim(P,S)≥ω，保留排序后并輸出。

3 科技服務(wù)資源綜合推薦算法

3.1 企業(yè)用戶需求偏好獲取模塊

科技服務(wù)平臺由用戶需求者和服務(wù)提供商兩方角色組成。企業(yè)用戶的需求偏好是用戶提出對目標(biāo)服務(wù)的要求，從而在科技服務(wù)資源中匹配到最合適的服務(wù)資源，實現(xiàn)平臺中用戶和服務(wù)資源的高效匹配。由于企業(yè)用戶一般使用文字語言來詳細描述自己對某項科技服務(wù)的需求，但較難量化自身的服務(wù)需求偏好，因此在實際的服務(wù)推薦過程中，需要將定性文字指標(biāo)轉(zhuǎn)化為定量指標(biāo)，以便后續(xù)的計算。平臺中的企業(yè)用戶與普通用戶存在一個明顯的相異點，即企業(yè)擁有自己的行業(yè)背景。面向企業(yè)的平臺會根據(jù)企業(yè)的經(jīng)營范圍對其分類，基于此，同行業(yè)的企業(yè)對于科技服務(wù)的購買需求也相同或者相近，區(qū)別在于企業(yè)對于科技服務(wù)價格的定位不同，實力雄厚的企業(yè)可能會購買一些質(zhì)量更高的服務(wù)，而一般的企業(yè)則購買性價比較高的服務(wù)。因此，可以利用企業(yè)的行業(yè)背景信息作為找到企業(yè)用戶需求偏好的搜索條件。

針對企業(yè)用戶行業(yè)背景信息描述，通過企業(yè)所屬行業(yè)類型、規(guī)模大小、資金情況等信息映射得到企業(yè)用戶所關(guān)注的問題，即用戶在選擇服務(wù)資源的過程中反映了自身需求。將科技服務(wù)的特點和用戶所關(guān)注的問題進行對應(yīng)，如表1 所示。

表1 企業(yè)用戶需求偏好屬性

表1 中企業(yè)信息的描述對應(yīng)著企業(yè)用戶在選擇科技服務(wù)時所關(guān)注的問題，可以用來刻畫科技服務(wù)的需求偏好屬性。目前關(guān)于科技服務(wù)的評價研究主要采用成本、價格、時間、安全性、可用性等指標(biāo)，結(jié)合企業(yè)用戶所關(guān)注的問題，本研究采用可經(jīng)營性（P1）、穩(wěn)定性（P2）、購買力（P3）等3 個維度來刻畫企業(yè)用戶的需求偏好（preference），并定義企業(yè)用戶需求偏好集為P={P1,P2,P3}。這3 個需求偏好的具體含義解釋如下：

（1）可經(jīng)營性：由企業(yè)經(jīng)營范圍和行業(yè)類型決定。

（2）穩(wěn)定性：由企業(yè)行業(yè)規(guī)模決定。

（3）購買力：由企業(yè)的注冊資金、經(jīng)營費用方面決定。

上述需求偏好指標(biāo)既有定量指標(biāo)，又有定性指標(biāo)，采用三角模糊評價法衡量企業(yè)用戶的需求偏好程度。三角模糊評價法是指對給定事物的多個屬性、指標(biāo)進行程度性、文字性的判斷，一般包括3～7個不同程度的等級，每個等級可以通過匹配各自的隸屬方程進行量化［13］。對于用戶評價的不確定性，可以采用三角模糊數(shù)的形式給出判斷值?？蓪⑷悄：龜?shù)M記為(l,m,u)，l≤m≤u，l和u分別表示M的上界和下界，m為M的中值。M(l,m,u)表示M相對于m的偏離程度。

基于三角模糊數(shù)的模糊評價法，選取非常低、低、中等偏低、適中、中等偏高、高、非常高7 個等級來量化企業(yè)用戶的需求偏好。根據(jù)隸屬函數(shù)，7 個等級能夠分別實現(xiàn)量化，相對應(yīng)的量化轉(zhuǎn)換關(guān)系見表2。用戶可從7 個程度中選擇出恰當(dāng)?shù)倪x項，對其需求偏好的重要性程度進行主觀評價，然后根據(jù)表2 轉(zhuǎn)化成三角模糊向量其中，Pt為用戶對需求P以三角向量表示偏好程度，從而構(gòu)建企業(yè)用戶需求偏好集P={P1,P2,…,Pj}。

表2 用文字描述的用戶需求與三角模糊數(shù)組之間轉(zhuǎn)換關(guān)系

表2 （續(xù)）

3.2 用戶需求與科技服務(wù)資源綜合匹配模塊

3.2.1P-S服務(wù)類型匹配

根據(jù)《國務(wù)院關(guān)于加快科技服務(wù)業(yè)發(fā)展的若干意見》，將企業(yè)的需求偏好分成科學(xué)技術(shù)普及、科技咨詢、檢驗檢測、科技金融、研究開發(fā)、創(chuàng)業(yè)孵化、技術(shù)轉(zhuǎn)移、知識產(chǎn)權(quán)共8 類。根據(jù)馬仁杰等［1］的研究，服務(wù)的“本體”概念有5 種關(guān)系，如圖2 所示。

圖2 服務(wù)的本體關(guān)系

利用服務(wù)本體的5 種關(guān)系對科技服務(wù)資源類型進行匹配，計算出科技服務(wù)資源匹配相似度。計算公式如下：

當(dāng)Ptype和Stype為Mismatch 關(guān)系，表明科技服務(wù)不能滿足企業(yè)用戶方需求偏好，因此，在該步驟將此類匹配即Simt=0 的科技服務(wù)剔除，并將剩下科技服務(wù)交由下一步的科技服務(wù)資源QoS 匹配。

3.2.2P-S服務(wù)QoS 匹配

3.2.2.1 匹配指標(biāo)屬性

科技服務(wù)資源QoS 匹配實際上是一個多屬性的決策過程。QoS 屬性有較多種類，包括一些共同屬性和特殊屬性。共同屬性是所有服務(wù)都具備的屬性，如服務(wù)可用性、服務(wù)可靠性、服務(wù)性價比；特殊屬性則是不同的科技服務(wù)所具有的、反映該服務(wù)質(zhì)量的不同屬性［14］。在科技服務(wù)業(yè)中，8 類科技服務(wù)的特殊屬性分別為科普經(jīng)費、咨詢有效率、檢測結(jié)果有效率、融資金額、開發(fā)服務(wù)數(shù)量、孵化企業(yè)數(shù)、技術(shù)成熟度和價值度，且每種科技服務(wù)資源均只具有1 個特殊屬性，具體對應(yīng)情況如表3 所示。

表3 科技服務(wù)的特殊屬性

由上述分析可知，企業(yè)用戶的需求偏好屬性也是企業(yè)用戶需求方的QoS 屬性指標(biāo)，因此設(shè)計QoS指標(biāo)屬性如下：

（1）企業(yè)用戶需求方的QoS 屬性指標(biāo)PQoS={PQ1，PQ2，PQ3，PQn}（n=4～11）。其中，PQ1表示企業(yè)用戶的可經(jīng)營性，由企業(yè)經(jīng)營范圍和行業(yè)類型決定；PQ2表示企業(yè)用戶的穩(wěn)定性，由企業(yè)行業(yè)規(guī)模決定；PQ3表示企業(yè)用戶的購買力，由企業(yè)的注冊資金、經(jīng)營費用方面決定；PQn表示某一種科技服務(wù)的特殊屬性。

（2）科技服務(wù)提供方服務(wù)的QoS 屬性指標(biāo)SQoS={SQ1，SQ2，SQ3，SQn}（n=4～11）。其中，SQ1表示科技服務(wù)的可用性，表現(xiàn)為一定時間內(nèi)科技服務(wù)能被用戶成功使用過的概率；SQ2表示科技服務(wù)的可靠性，表現(xiàn)為一定時間內(nèi)科技服務(wù)能被用戶訪問過的概率；SQ3表示科技服務(wù)性價比，表現(xiàn)為用戶對科技服務(wù)價格的可承受程度；SQn表示不同科技服務(wù)的特殊屬性。

3.2.2.2 QoS 指標(biāo)歸一化

為了計算每一種科技服務(wù)的質(zhì)量屬性，同時消除屬性的不確定性，對每種科技服務(wù)的QoS 屬性指標(biāo)進行歸一化處理。采用王尚廣［15］研究中的歸一化方法進行處理，如式（2）（3）所示：

式（2）（3）中：DQoSij表示第i個候選服務(wù)或用戶需求的第j個屬性值；DQoSjmax和DQoSjmin分別表示候選服務(wù)或用戶需求的第j個屬性值的最大值和最小值。D'QoSij表示第i個候選服務(wù)或用戶需求的第j個屬性值對應(yīng)的歸一化值。

QoS 屬性可分成正向和反向?qū)傩?，正向?qū)傩员热缈煽啃浴⑿抛u度等，用式（3）計算，屬性值越大越好；而反向?qū)傩员热鐑r格、服務(wù)時間等，用式（2）計算，屬性值越小越好。

3.2.2.3 QoS 相似度計算

3.2.3P-S綜合相似度計算

根據(jù)式（5）計算科技服務(wù)資源綜合匹配相似度Sim（P,S），據(jù)此得到符合閾值內(nèi)的科技服務(wù)資源，并將科技服務(wù)資源輸出給企業(yè)用戶需求方作為服務(wù)推薦的結(jié)果。

式（5）中：α、β為綜合匹配的權(quán)重系數(shù)，需滿足α+β=1，且α≥0、β≥0。

4 實驗與結(jié)果分析

4.1 實驗過程

本研究采集豬八戒網(wǎng)站中知識產(chǎn)權(quán)服務(wù)、科技金融服務(wù)、檢驗檢測服務(wù)、技術(shù)轉(zhuǎn)移服務(wù)以及企業(yè)用戶數(shù)據(jù)作為數(shù)據(jù)集，其中，知識產(chǎn)權(quán)服務(wù)包含專利、域名、商標(biāo)、網(wǎng)站共12 764 條數(shù)據(jù)；科技金融服務(wù)數(shù)據(jù)共514 條；檢驗檢測服務(wù)數(shù)據(jù)共152 條；技術(shù)轉(zhuǎn)移服務(wù)數(shù)據(jù)共997 條；企業(yè)用戶數(shù)據(jù)共3 645 條。以知識產(chǎn)權(quán)服務(wù)為例，設(shè)3 個企業(yè)用戶（U1、U2、U3）需要有關(guān)知識產(chǎn)權(quán)服務(wù)，平臺中包含12 764 種可提供的知識產(chǎn)權(quán)服務(wù)資源，用Sj（j=1,2,…,12 764）表示。知識產(chǎn)權(quán)服務(wù)方將服務(wù)資源發(fā)布在平臺上，并提出對企業(yè)需求方的合作要求，企業(yè)需求方提出對知識產(chǎn)權(quán)服務(wù)資源的需求詳情和服務(wù)QoS 要求，平臺根據(jù)供需雙方的條件進行服務(wù)匹配（見表4）。

表4 實驗企業(yè)用戶需求偏好屬性

表4 （續(xù)）

（1）服務(wù)資源類型匹配。設(shè)企業(yè)用戶的需求類別為發(fā)明授權(quán)，采用式（1）得到知識產(chǎn)權(quán)服務(wù)類型匹配相似度。由于Ptype為發(fā)明授權(quán)，與Stype的發(fā)明授權(quán)為全同關(guān)系，與專利服務(wù)為S真包含P關(guān)系，故Simt=1；發(fā)明授權(quán)與發(fā)明公開和實用新型均為全異關(guān)系，故Simt=0，將結(jié)果為0 的科技服務(wù)資源剔除，剩下的553種服務(wù)資源組成的服務(wù)集合進入下一步。

（2）服務(wù)資源QoS 匹配。對照3 個企業(yè)用戶需求對知識產(chǎn)權(quán)服務(wù)資源的QoS 要求，得到37 個符合要求的服務(wù)集合進行服務(wù)資源QoS 匹配（見表5、表6）。其中，表6 是對表5 的結(jié)果進行量化處理和歸一化計算，將QoS 匹配相似度閾值設(shè)為0.8，剔除匹配相似度小于0.8 的服務(wù)資源。表6 中服務(wù)可用性為服務(wù)被瀏覽使用的次數(shù)；可靠性為該服務(wù)不出故障的概率；性價比為該服務(wù)的報價占總服務(wù)的概率；專利價值度為對該專利的一個評價總值。

表5 實驗企業(yè)用戶的QoS 要求

表6 實驗平臺中部分知識產(chǎn)權(quán)服務(wù)資源的QoS 要求

（3）服務(wù)資源綜合匹配相似度計算。根據(jù)式（5）計算知識產(chǎn)權(quán)服務(wù)資源綜合相似度，結(jié)果如表7 所示，其中α、β分別為0.5，相似度閾值ω≥0.900。將綜合相似度值進行降序排列輸出知識產(chǎn)權(quán)服務(wù)，如表8 所示。

表7 實驗企業(yè)用戶需求與知識產(chǎn)權(quán)服務(wù)資源綜合相似度

表8 實驗企業(yè)用戶需求與知識產(chǎn)權(quán)服務(wù)資源匹配結(jié)果

4.2 實驗檢驗

采用準確率（precision）和召回率（recall）來驗證 EURSTC 算法在解決科技服務(wù)資源推薦與用戶需求匹配問題上的有效性。計算公式如下：

式（6）（7）中：C為符合要求的服務(wù)資源集合；D為返回的服務(wù)資源集合。

為便于對比分析，以用戶U1的需求為例，分別使用未考慮服務(wù)特殊屬性的基于QoS 的算法與取未量化用戶需求的CB 算法進行運算，并將匹配結(jié)果按照綜合相似度值進行降序排列，如表9 所示。

表9 不同推薦算法的實驗用戶U1 需求與知識產(chǎn)權(quán)服務(wù)資源匹配結(jié)果

假設(shè)符合用戶U1需求的服務(wù)集合為C={S32,S27}，對比表8 和表9 可以看出，3 種算法都能從需求出發(fā)匹配到部分合適的服務(wù)，但匹配結(jié)果有所不同：CB 算法能獲取滿足用戶需求的服務(wù)S27，基于QoS 的算法能從QoS 方面匹配到用戶滿意的服務(wù)S32，而EURSTC 算法匹配出讓雙方滿意的服務(wù)S28和S31，同時匹配結(jié)果中也包含兩種對比算法中的最優(yōu)匹配結(jié)果S32和S27。

4.3 對比分析

為進一步驗證EURSTC 算法的有效性，采集豬八戒網(wǎng)站中知識產(chǎn)權(quán)服務(wù)、科技金融服務(wù)、檢驗檢測服務(wù)、技術(shù)轉(zhuǎn)移服務(wù)等4 類科技服務(wù)以及企業(yè)用戶數(shù)據(jù)作為數(shù)據(jù)集。其中，知識產(chǎn)權(quán)服務(wù)包含專利、域名、商標(biāo)、網(wǎng)站共12 764 條數(shù)據(jù)；科技金融服務(wù)數(shù)據(jù)共514 條；檢驗檢測服務(wù)數(shù)據(jù)共152 條；技術(shù)轉(zhuǎn)移服務(wù)數(shù)據(jù)共997 條；企業(yè)用戶數(shù)據(jù)共3 645條。計算4 類科技服務(wù)在QoS 算法、CB 算法以及EURSTC 算法下的準確率和召回率（見表10），并繪制出相應(yīng)的P-R 曲線（見圖3）。從表10 可見：

表10 各類科技服務(wù)推薦算法有效性比較

（1）因為同時考慮了專利服務(wù)的QoS 屬性和特殊屬性（專利價值度），EURSTS 算法在專利服務(wù)數(shù)據(jù)集上的準確率和召回率均高于其他兩種方法。其中，EURSTS 算法的準確率比其他兩種算法提高了33.4%～36.7%；隨著推薦服務(wù)數(shù)量的增加，3 種算法的準確率逐漸下降，但召回率均呈上升趨勢，而EURSTS 算法的召回率仍比其他兩種算法提高了5.9%～7.9%。

（2）因為同時考慮了檢驗檢測服務(wù)的QoS 屬性和特殊屬性（檢測周期），EURSTS 算法在檢驗檢測服務(wù)數(shù)據(jù)集上的準確率和召回率均高于其他兩種方法。其中，EURSTS 算法的準確率比其他兩種算法提高了33.3%～33.7%；隨著推薦服務(wù)數(shù)量的增加，3 種算法的準確率逐漸下降，但召回率均呈現(xiàn)上升趨勢，而EURSTS 算法的召回率仍比其他兩種算法提高了1.1%。

（3）因為同時考慮了科技金融服務(wù)的QoS 屬性和特殊屬性（融資金額），EURSTS 算法在科技金融服務(wù)數(shù)據(jù)集上的準確率和召回率均高于其他兩種方法。其中，EURSTS 算法的準確率比其他兩種算法提高了30.1%～33.4%；隨著推薦服務(wù)數(shù)量的增加，3 種算法的準確率逐漸下降，但召回率均呈現(xiàn)上升趨勢，而EURSTS 算法的召回率仍比其他兩種算法提高了0.1%～0.2%。

（4）因為同時考慮了技術(shù)轉(zhuǎn)移服務(wù)的QoS 屬性和特殊屬性（技術(shù)成熟度），EURSTS 算法在技術(shù)轉(zhuǎn)移服務(wù)數(shù)據(jù)集上的準確率和召回率均高于其他兩種方法。其中，EURSTS 算法的準確率比其他兩種算法提高了33.4%～37.1%；隨著推薦服務(wù)數(shù)量的增加，3 種算法的準確率逐漸下降，但召回率均呈現(xiàn)上升趨勢，而EURSTS 算法的召回率仍比其他兩種算法提高了0.8%～2.7%。

綜合圖3 和表10 可見：（1）EURSTS 算法的P-R曲線始終高于其他兩種方法的曲線，并且均有較高的準確率和召回率。相較于其他兩種算法，EURSTS算法的準確率提升了約30.1%～37.1%，召回率提升了約0.1%～7.9%；EURSTS 算法通過加入科技服務(wù)特殊屬性以豐富服務(wù)質(zhì)量信息提高了準確率，同時獲取并量化用戶需求提高了召回率。（2）4 種科技服務(wù)的準確率隨推薦服務(wù)數(shù)量的增加而下降，召回率隨推薦服務(wù)數(shù)量的增加而上升。

圖3 不同算法的科技服務(wù)資源推薦結(jié)果P-R 曲線

5 結(jié)論

本研究提出EURSTS 算法，通過模糊模型量化企業(yè)背景信息來獲取企業(yè)用戶需求偏好，然后考慮科技服務(wù)的特殊屬性與用戶需求進行服務(wù)類型和QoS 匹配，最后計算用戶需求與服務(wù)資源間的綜合相似度并提供推薦。與未量化用戶需求和未考慮服務(wù)特殊屬性的算法相比，EURSTS 算法更具有優(yōu)越性和有效性，能在滿足企業(yè)用戶需求的前提下使科技服務(wù)資源推薦結(jié)果的準確率和召回率分別提高30.1%～37.1%和0.1%～7.9%，并合理匹配服務(wù)資源。

未來可以考慮研究單個科技服務(wù)的多類型特殊屬性，進一步提升科技服務(wù)資源的精準推薦，推動科技服務(wù)平臺的建設(shè)發(fā)展。