仇阿根 張用川 羅 寧 鄭瑩瑩 陸 文

1(中國測繪科學(xué)研究院 北京 100830)

2(重慶交通大學(xué) 重慶 400074)

3(中國科學(xué)院軟件所 北京 100190)

1 引 言

隨著人類獲取地理空間位置能力和精度的提升，地理信息被廣泛應(yīng)用于各個領(lǐng)域。由于技術(shù)進步帶來的數(shù)據(jù)增長，在數(shù)據(jù)應(yīng)用過程中，出現(xiàn)了數(shù)據(jù)過載問題，研究者們期望利用推薦系統(tǒng)解決該問題并取得了一定的進展。近年來，黨中央、國務(wù)院高度重視“互聯(lián)網(wǎng)＋政務(wù)服務(wù)”工作，全國各地相繼開展了智慧政府的建立及相應(yīng)模式的創(chuàng)新，不斷提升自身的行政能力和服務(wù)能力[1]。在實際生產(chǎn)場景中，目前存在的問題有：(1)政務(wù)服務(wù)事項繁雜、分類眾多、覆蓋面廣，給服務(wù)提供帶來了困難；(2)政務(wù)服務(wù)面向社會大眾，無論是企業(yè)還是個人，因其自身差異，都需要個性化的信息服務(wù)；(3)隨著大數(shù)據(jù)時代的發(fā)展，用戶難以在眼花繚亂的數(shù)據(jù)中找到自己所需要的信息[2-3]。雖然政府系統(tǒng)、網(wǎng)站采用搜索引擎技術(shù)解決上述問題，并取得了一定成效，但傳統(tǒng)的搜索引擎無法有效地整合政務(wù)服務(wù)中的個人特征，政務(wù)服務(wù)信息同質(zhì)化程度較高，用戶需要反復(fù)地人工過濾搜索的信息，才能找到真正“合適”的信息[4]。隨著我國政務(wù)服務(wù)水平的不斷提升，為公眾提供個性化的政府資源推薦服務(wù)尤為重要。眾多專家學(xué)者將目光投向用戶畫像領(lǐng)域——通過對用戶信息的描述與提取，將其作用于政務(wù)信息資源的個性化推薦。在大數(shù)據(jù)環(huán)境下，用戶畫像技術(shù)能夠全面細致地把握用戶的興趣和需求，為用戶提供個性、優(yōu)質(zhì)的政務(wù)服務(wù)信息資源[5-6]。

在政府信息研究方面，李嬌等[7]通過 Apriori算法抽取用戶訪問頁面之間的關(guān)聯(lián)規(guī)則，為個性化政務(wù)信息服務(wù)提供了有力的數(shù)據(jù)支持。胡海波[8]構(gòu)建了基于“LBS＋SNS”的移動政務(wù)個性化信息服務(wù)模型，分析了移動政務(wù)的信息服務(wù)模式，并指出政務(wù)服務(wù)觀念應(yīng)從“人找服務(wù)”轉(zhuǎn)變?yōu)椤胺?wù)找人”。用戶畫像技術(shù)可以將用戶訴求與設(shè)計方向相結(jié)合，轉(zhuǎn)化聯(lián)結(jié)用戶屬性數(shù)據(jù)，以勾畫目標用戶[9]。RM Quintana 以用戶的檢索行為、興趣偏好等個人信息為基礎(chǔ)，構(gòu)建了 MOOC 用戶畫像模型[10]。盛姝等[11]利用醫(yī)享網(wǎng)的患者數(shù)據(jù)，基于用戶角色屬性、行為屬性及文本特征，構(gòu)建了典型用戶識別指標，將用戶群體分為 4 類，構(gòu)建畫像概念模型；再利用用戶行為識別算法與主題聚類算法，進一步挖掘用戶處于不同角色關(guān)注的主題內(nèi)容，實現(xiàn)用戶信息需求的精準分析[11]。隨著電子政務(wù)的深入發(fā)展和“互聯(lián)網(wǎng)+政務(wù)服務(wù)”工作的推進，政務(wù)信息資源總量不斷增長，用戶需求越來越多樣化、個人化。政府個性化信息服務(wù)應(yīng)主動考慮用戶需求、重新定位，以用戶行為信息為服務(wù)導(dǎo)向，以用戶需求為核心，主動收集用戶屬性及感興趣的信息，預(yù)測用戶的未來發(fā)展趨勢，針對用戶的信息需求，提供最貼切的信息服務(wù)。在不了解用戶偏好的情況下，協(xié)同過濾推薦算法僅利用用戶對項目的歷史行為數(shù)據(jù)，就可預(yù)測用戶對未知項目的評分，從而為用戶進行推薦。楊峰提出的電子政務(wù)信息推薦服務(wù)框架則采用了信息協(xié)同過濾技術(shù)，向公眾主動提供適合用戶的信息組合，并能夠較好地把握用戶需求[12-14]。

目前，國內(nèi)政務(wù)信息資源個性化服務(wù)在推薦技術(shù)方面進行了一定研究，但以用戶為中心進行導(dǎo)向型服務(wù)的相關(guān)研究較少。大部分研究針對信息資源處理方式進行改進和完善，且傳統(tǒng)的個性化推薦方式以內(nèi)容過濾或協(xié)同過濾為主，在推薦精準度上仍存在偏差。由于政務(wù)服務(wù)的獨特性，上述研究方法存在以下弊端[15-16]：(1)在使用協(xié)同過濾算法時，未考慮用戶體量大、存在熱門信息等因素，其中，冷門信息將導(dǎo)致得分矩陣分布極端稀疏；(2)未綜合考量用戶屬性與用戶行為信息。為解決上述問題，本文提出了一種將用戶畫像與協(xié)同過濾算法進行融合的方法。具體步驟為：首先建立用戶畫像標簽，然后信息量化用戶畫像，最后將量化信息填充到協(xié)同過濾算法的得分矩陣中，并參與推薦計算。本方法可以在考慮用戶屬性信息、兼顧用戶行為信息的同時，解決得分矩陣分布極端稀疏的問題，提高推薦精度。

2 相關(guān)技術(shù)與理論

2.1 基于用戶的協(xié)同過濾算法

2.2 用戶畫像技術(shù)

用戶畫像概念最早由交互設(shè)計之父 Alan Cooper 提出，指通過建立真實用戶信息的標簽?zāi)Ｐ停詫崿F(xiàn)用戶信息的抽象化表達。該模型基于一系列的正式數(shù)據(jù)，同時使用虛擬的方式代表用戶數(shù)據(jù)[19]。一般地，用戶畫像的構(gòu)建僅需遵循兩個基本原則：首先是從具體的服務(wù)情景出發(fā)，針對性地解決實際問題；其次是按照用戶的獨有特點和特征進行設(shè)計。政務(wù)信息服務(wù)用戶畫像指收集用戶使用政務(wù)信息服務(wù)過程中的數(shù)據(jù)，數(shù)據(jù)收集應(yīng)盡可能全面且具體，包含用戶的基本信息及其真實的動態(tài)數(shù)據(jù)情況等，可分別從靜態(tài)和動態(tài)的角度出發(fā)，更好地掌握和收集用戶的數(shù)據(jù)[20]。在收集的數(shù)據(jù)基礎(chǔ)上，挖掘出表示用戶特征的關(guān)鍵性標簽，并在這種共性指導(dǎo)下，給予個性的特征以獨特的呈現(xiàn)方式，利用信息的行為規(guī)律，實現(xiàn)政務(wù)信息資源的深層次個性化推薦服務(wù)[21-22]。用戶畫像的構(gòu)架流程，可從以下 3 個方面進行闡述：

(1)數(shù)據(jù)收集：用戶數(shù)據(jù)量大且來源多樣，可根據(jù)用戶畫像的不同特征屬性，將用戶數(shù)據(jù)分成多個維度。目前，用戶畫像數(shù)據(jù)收集手段主要包括社會調(diào)查、網(wǎng)絡(luò)數(shù)據(jù)收集和平臺數(shù)據(jù)庫收集3 種方式。具體指：通過社會調(diào)查法中的訪談、調(diào)查等方式收集數(shù)據(jù)；利用網(wǎng)絡(luò)爬蟲等技術(shù)手段合法獲取用戶公共數(shù)據(jù)；直接從平臺數(shù)據(jù)庫收集用戶數(shù)據(jù)。例如，通過各類管理系統(tǒng)、數(shù)字資源服務(wù)系統(tǒng)以及微博、微信等相關(guān)移動平臺的用戶數(shù)據(jù)庫，直接收集各類用戶數(shù)據(jù)。

(2)特征提?。簽榇_保用戶畫像數(shù)據(jù)的完整性，避免臟數(shù)據(jù)影響模型構(gòu)建，需要對用戶數(shù)據(jù)進行整理和分類，并通過一定的數(shù)據(jù)挖掘方法提取用戶特征及用戶標簽，并構(gòu)建用戶畫像。目前，用戶肖像研究主要采用人工提取和技術(shù)提取兩種方法進行特征提取。

人工提?。涸谙嚓P(guān)理論、研究者的知識和經(jīng)驗的支持下，通過文獻綜述、研究、訪談和專家建議，對抽象用戶屬性進行描述，從而提取用戶特征，構(gòu)建用戶畫像。

技術(shù)提?。豪脵C器學(xué)習(xí)算法(如決策樹、邏輯回歸和支持向量機等)提取用戶特征，通常這些算法適用于大數(shù)據(jù)背景下海量用戶數(shù)據(jù)的研究場景，如利用 LDA 模型文本挖掘用戶感興趣的微博主題，獲得用戶偏好主題。

(3)形成用戶畫像：完成數(shù)據(jù)收集和特征提取后，利用機器學(xué)習(xí)算法構(gòu)建模型，將處理后的結(jié)果轉(zhuǎn)化為用戶標簽，用各種直觀、清晰的視覺圖形呈現(xiàn)用戶畫像。目前，常用的表現(xiàn)形式包括標簽云、人物圖像、統(tǒng)計圖、直方圖、雷達圖等，可根據(jù)實際需求創(chuàng)建。

本文從某市平臺數(shù)據(jù)庫中收集企業(yè)用戶的基本信息與行為信息，利用人工提取的方式，對企業(yè)法人用戶的用戶畫像進行構(gòu)建，具體畫像信息如表 1 和圖 1 所示。

圖1 用戶畫像Fig. 1 User portrait

表1 用戶畫像信息Table 1 User portrait information

3 方法改進

目前，傳統(tǒng)協(xié)同過濾方法在政務(wù)服務(wù)個性化推薦的研究中，僅利用用戶行為信息即用戶得分矩陣計算用戶間相似度，沒有考慮用戶地理位置等屬性信息，推薦精度可能較差。此外，政務(wù)服務(wù)用戶體量大，存在熱門事項信息和冷門事項信息等特征，可能導(dǎo)致得分矩陣分布極端稀疏[19]。

臺灣?？谱o理師甄審考試筆試從2006年12月開始，而口試則從2007年4月開始，口試一直使用OSCE。目前該考試只設(shè)定一站，時間為20分鐘，包括15分鐘考試和5分鐘計分與換場（含看題2分鐘）。主要測試應(yīng)試者評估病人、鑒別診斷、臨床推理決策、擬定照護計劃與溝通等專科護理師應(yīng)具備的核心能力。

為解決上述問題，本文從兩方面著手：一方面，根據(jù)推薦業(yè)務(wù)的特點結(jié)合地理位置信息，建立政務(wù)服務(wù)用戶畫像與自然人政務(wù)服務(wù)用戶畫像，獲取用戶標簽，為后續(xù)推薦計算中結(jié)合用戶地理位置等屬性信息奠定基礎(chǔ)；另一方面，從用戶相似度計算的方面著手，改進傳統(tǒng)協(xié)同過濾算法，將建立好的用戶標簽在得分矩陣中進行標記，量化用戶地理位置等屬性信息，同時對用戶評分進行修正，提出利用用戶行為信息、地理位置等屬性信息，構(gòu)建用戶特征矩陣，用于計算用戶間相似度，該矩陣的填充值即用戶特征，是用戶屬性信息與用戶得分融合計算的結(jié)果。改進原理如圖 2 所示。

圖2 政務(wù)服務(wù)推薦算法流程Fig. 2 Government service recommendation algorithm flow

3.1 度量奇異值權(quán)重下的政務(wù)服務(wù)用戶行為特征偏好

Bobadilla 等[19]曾提出一種基于奇異性的相似度量模型，以區(qū)分用戶評分的相關(guān)性。其基本思想為：將評分較高的項目定義為正向項目，評分較低的為負向項目，若存在兩用戶對某項目的評分都為正向，而其他大部分用戶對其評分為負向，那么此項目對于兩個用戶的相似度計算具有較高的參考價值，將該項目的影響因素與傳統(tǒng)協(xié)同過濾方法相結(jié)合，用于計算用戶之間的相似度，在預(yù)測項目得分的同時，進行項目推薦。

在該方法中，針對不同用戶對各項目的評分情況，分別為其標記“正向”標簽與“負向”標簽，以期實現(xiàn)用戶行為的分類及數(shù)據(jù)表達。將用戶屬性與得分情況綜合考量后，對辦理事項進行標記，從而量化用戶屬性信息，以解決傳統(tǒng)協(xié)同過濾方法中未考慮用戶屬性信息的問題，提升政府服務(wù)事項推薦的準確率。

假設(shè)企業(yè)法人用戶-辦理事項評分矩陣如表 2所示。通過構(gòu)建用戶畫像，得到 5 個企業(yè)法人用戶的產(chǎn)業(yè)類型信息，將此信息與企業(yè)法人用戶-辦理事項評分矩陣相結(jié)合，把用戶所屬的產(chǎn)業(yè)類型標簽標記在其評分矩陣的對應(yīng)位置上，得到如表 3 所示的企業(yè)法人用戶-產(chǎn)業(yè)類型矩陣。

表2 企業(yè)法人用戶-辦理事項評分矩陣Table 2 Enterprise legal person user-transaction score matrix

表3 企業(yè)法人用戶-產(chǎn)業(yè)類型矩陣Table 3 Corporate user-industry type matrix

R代表房地產(chǎn)業(yè)，F(xiàn)代表金融業(yè)，若某辦理事項中R標簽較多，則表明該辦理事項對于房地產(chǎn)業(yè)類型企業(yè)辦理意愿更大，反之則是金融業(yè)類型企業(yè)辦理意愿更大。其中，L為用戶畫像得到的所有用戶屬性的統(tǒng)稱。

3.2 結(jié)合用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦方法

本文推薦算法融合了用戶行為信息、地理位置等屬性信息，提高了推薦準確率，改進了傳統(tǒng)協(xié)同過濾算法關(guān)于用戶相似度的計算方式，在用戶-得分矩陣的基礎(chǔ)上，利用用戶-特征矩陣，提出了空間協(xié)同過濾算法，其具體算法步驟如圖 3所示。

圖3 空間協(xié)同過濾算法流程Fig. 3 Spatial collaborative filtering algorithm flow

本文提出的結(jié)合用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦算法在構(gòu)建用戶評分矩陣時，使用了與傳統(tǒng)協(xié)同過濾算法相同的方式。在用戶相似度計算方面，本文算法將用戶評分屬性信息相結(jié)合，利用第 2.2 節(jié)提出的用戶特征，構(gòu)建如表 4 所示的政務(wù)服務(wù)用戶-特征矩陣。

表4 企業(yè)法人用戶-用戶特征矩陣Table 4 Corporate user-user feature matrix

4 實驗設(shè)計與分析

4.1 數(shù)據(jù)預(yù)處理

本文使用的數(shù)據(jù)均來源于某市政務(wù)服務(wù)平臺與市場監(jiān)督管理局，由企業(yè)法人辦件數(shù)據(jù)、企業(yè)法人用戶信息數(shù)據(jù)、政務(wù)服務(wù)辦理事項數(shù)據(jù)(政務(wù)服務(wù)事項實施清單)3 部分構(gòu)成。根據(jù)實際情況對數(shù)據(jù)進行清洗處理。剔除重要字段缺失、錯誤或其他可能影響實驗結(jié)果的不良數(shù)據(jù)后，選取辦件數(shù)量排名前 10 000 的企業(yè)法人用戶及其 55 000余條辦件數(shù)據(jù)，構(gòu)建企業(yè)法人用戶-辦理事項評分矩陣，評分值區(qū)間為[0,1]，部分評分數(shù)據(jù)如表 5所示。

表5 企業(yè)法人用戶-辦理事項評分數(shù)據(jù)(部分)Table 5 Score data of enterprise legal person user-matters handled (part)

利用企業(yè)法人信息數(shù)據(jù)構(gòu)建用戶畫像，主要分為風(fēng)險評級、產(chǎn)業(yè)類型、公司性質(zhì)、注冊資金、行政區(qū)劃、注冊時間 6 個大類，部分標簽內(nèi)容如表 6 所示。根據(jù)用戶畫像標簽，可建立如表 7 所示的用戶信息表。

表6 企業(yè)法人用戶標簽數(shù)據(jù)(部分)Table 6 Corporate user label data (part)

表7 企業(yè)法人用戶信息表(部分)Table 7 Corporate user information table (part)

為滿足實驗訓(xùn)練與檢驗算法的需要，將數(shù)據(jù)分為訓(xùn)練集與測試集兩部分，其中 80% 為訓(xùn)練集，20% 為測試集。利用企業(yè)法人用戶-辦理事項評分數(shù)據(jù)，將訓(xùn)練集數(shù)據(jù)結(jié)合第 3.1 節(jié)提及的度量奇異值權(quán)重下的政務(wù)服務(wù)用戶行為特征偏好方法，構(gòu)建企業(yè)法人用戶-用戶特征矩陣，至此數(shù)據(jù)處理工作結(jié)束。

4.2 推薦算法評價指標

一方面，本文采取平均絕對誤差(Mean Absolute Error，MAE)作為實驗結(jié)果的評價指標，其主要根據(jù)實驗所獲取的預(yù)測評分與實際用戶評分的差值大小來判定算法的優(yōu)劣性。差值越小，算法性能越優(yōu)；反之則算法性能越差。計算公式如公式(11)所示[23]。

另一方面，由于推薦類算法可看作是一種二元分類問題(推薦與不推薦)，所以也常采用準確率、召回率、F1值作為評價模型優(yōu)劣的指標[17-18]。其中，準確率(Precision)是指在所有被推薦項目中，用戶偏愛項目所占的比率；召回率(Recall)是指在所有被推薦項目中，用戶偏愛項目的總數(shù)與總項目集合中用戶感興趣項目總數(shù)的比率；F1值是模型準確率和召回率的調(diào)和平均，其作為一種綜合性的評價指標，可以更加全面直觀地評價算法的整體性能。

為進一步比較基于用戶空間協(xié)同過濾的政務(wù)服務(wù)推薦方法的優(yōu)劣，基于相同的政務(wù)數(shù)據(jù)和服務(wù)推薦流程，研究采用傳統(tǒng)協(xié)同過濾對面向企業(yè)法人的政務(wù)數(shù)據(jù)進行服務(wù)推薦。傳統(tǒng)協(xié)同過濾算法通過計算相似度，依據(jù)獲取的預(yù)測評分實現(xiàn)個性化推薦。

4.3 實驗結(jié)果

4.3.1 推薦結(jié)果分析

利用上述方法為企業(yè)法人進行政務(wù)服務(wù)推薦。推薦用戶是某投資擔保公司，設(shè)立日期為2013 年，主營業(yè)務(wù)是信貸擔保、票據(jù)承兌保證、外貿(mào)融資保證、工程投資保證，其所屬產(chǎn)業(yè)大類為金融業(yè)，企業(yè)注冊地為西城區(qū)。在參數(shù)設(shè)置中將鄰近值K設(shè)置為 10，并選取預(yù)測得分 TOP-10進行推薦，結(jié)果如表 8 所示。

由表 8 可知，前 8 條事項與該公司的業(yè)務(wù)范圍有較大關(guān)聯(lián)，后 2 條事項屬于各企業(yè)法人的相關(guān)通用辦理事項。因此，該推薦結(jié)果具有一定的參考意義。

表8 用戶推薦事項(部分)Table 8 Users recommend matters (part)

4.3.2 評價指標結(jié)果分析

將本文方法與傳統(tǒng)協(xié)同過濾算法和基于內(nèi)容的推薦算法進行對比，根據(jù) MAE 分析最優(yōu)鄰居值的大小，并比較兩種算法的優(yōu)劣性。其中，最大鄰近值以 10 為間隔進行選取，范圍為[10,80]。

由圖 4 可知，隨著最大鄰近值的不斷增加，三者的 MAE 值初始時均呈下降趨勢，當最鄰近數(shù)為 60 時，MAE 值逐漸趨于平穩(wěn)，達到最優(yōu)狀態(tài)。在本實驗選取的鄰近值范圍內(nèi)，與傳統(tǒng)協(xié)同過濾算法和基于內(nèi)容的推薦算法相比，本文方法的 MAE 值較小，降低了約 5.3%，穩(wěn)定程度更高，說明在一定程度上，本文提出的算法可提升協(xié)同過濾算法的預(yù)測評分質(zhì)量。

圖4 MAE 比較Fig. 4 MAE comparison

由于準確率、召回率、F1值為二元評分體系，因此，需要對實驗結(jié)果進行評分轉(zhuǎn)換，以便分析本文實驗數(shù)據(jù)。其中，1～3 分為不相關(guān)項目，4～5 分為相關(guān)項目。由圖 4 可知，設(shè)置最大鄰近值K=60，在性能最優(yōu)的狀態(tài)下，對不同算法的 3 個值進行分析，用以比較兩種算法的推薦能力。

由圖 5、圖 6 和圖 7 可知，與傳統(tǒng)的協(xié)同過濾算法相比，本文提出的顧及位置與用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦方法的推薦效果較優(yōu)。由圖 5 可知，隨著推薦個數(shù)的增加，兩種算法的準確率均不斷降低，究其原因，當用戶推薦個數(shù)不斷增加時，參與計算的用戶得分矩陣與用戶特征矩陣的規(guī)模會隨之擴大，導(dǎo)致了數(shù)據(jù)稀疏性的增加。雖然本文提出的算法在一定程度上可削弱稀疏性的影響，但并不能完全消除。兩種算法的召回率與準確率呈相反趨勢，隨著推薦個數(shù)的增加，召回率不斷上升，究其原因，隨著實驗推薦結(jié)果中政務(wù)服務(wù)事項的增加，其中含有用戶感興趣的事項也在增加，所以召回率呈現(xiàn)增加的趨勢。隨著推薦個數(shù)的增加，兩種算法的F1值均呈現(xiàn)先上升后下降的趨勢，究其原因，是其變化趨勢與準確率和召回率的變化速率有關(guān)。在傳統(tǒng)的協(xié)同過濾中，少有空間信息參與計算。與無地理位置信息參與的推薦計算相比，有地理位置信息參與的推薦計算效果較優(yōu)，這是由于政務(wù)服務(wù)事項推薦的業(yè)務(wù)與數(shù)據(jù)性質(zhì)導(dǎo)致的。對于所有政務(wù)服務(wù)事項而言，由于地區(qū)不同、所屬的行政級別不同，在政務(wù)服務(wù)業(yè)務(wù)中，完全相同的一項辦理業(yè)務(wù)會被認為是不同的事項，擁有不同的統(tǒng)一事項實施編碼，分條存儲于政務(wù)服務(wù)事項庫中。因此，在推薦計算中，若不考慮地理位置信息，就會為用戶推薦多條相同但分屬不同地區(qū)與行政級別的事項。因此通過增加用戶以及事項的地理位置信息，可一定程度上減少該情況的發(fā)生，增加推薦精度。

圖5 準確率比較Fig. 5 Comparison of accuracy

圖6 召回率比較Fig. 6 Comparison of recall rates

圖7 F1 值比較Fig. 7 Comparison of F1 values

綜上所述，與傳統(tǒng)協(xié)同過濾方法相比，本文方法在政務(wù)服務(wù)事項領(lǐng)域的性能更優(yōu)，推薦效果更好。

4.3.3 地理位置信息因素影響

為驗證地理位置信息對推薦效果的影響，本實驗將處理完畢的數(shù)據(jù)進一步劃分：一部分數(shù)據(jù)包含用戶的地理位置信息數(shù)據(jù)，另一部分不包含此類信息。同樣利用準確率、召回率、F1值 3 種二元評分指標，針對實驗數(shù)據(jù)進行評分轉(zhuǎn)換。其中，1～3 分為不相關(guān)項目，4～5 分為相關(guān)項目，設(shè)置最大鄰近值K＝60 開展實驗，并使用本文提出的一種結(jié)合地理位置與用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦方法，以分析地理位置信息對推薦效果的影響。

由準確率、召回率、F1值 3 個評價指標的實驗結(jié)果(如圖 8、圖 9 和圖 10)可知，與無地理位置信息參與推薦計算相比，有地理位置信息參與的推薦計算效果較優(yōu)，這是政務(wù)服務(wù)事項推薦的業(yè)務(wù)與數(shù)據(jù)性質(zhì)導(dǎo)致的。

圖8 地理位置對準確率的影響Fig. 8 The effect of location on accuracy

圖9 地理位置對召回率的影響Fig. 9 Effect of location on recall ratio

圖10 地理位置對 F1 值的影響Fig. 10 Effect of location on F1 value

5 結(jié) 語

政務(wù)信息資源的服務(wù)逐漸從大眾化服務(wù)走向了個性化服務(wù)，良好的政務(wù)推薦服務(wù)不僅讓政府能夠更好地服務(wù)公眾，而且公眾能夠更加及時地了解、清晰認識政府的方針政策，二者良好交流關(guān)系的建立可促進社會的穩(wěn)定發(fā)展。針對政務(wù)服務(wù)事項推薦，本文提出一種結(jié)合用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦方法。該方法將用戶畫像技術(shù)與協(xié)同過濾技術(shù)相結(jié)合，引入政務(wù)服務(wù)領(lǐng)域，綜合用戶屬性信息、用戶位置信息、用戶辦件信息，為用戶推薦可能需要辦理的政務(wù)服務(wù)事項。本文還構(gòu)建了有地理位置信息的政務(wù)服務(wù)用戶畫像，綜合考慮用戶屬性與用戶行為信息的同時，解決了由于熱門、冷門事項導(dǎo)致的數(shù)據(jù)稀疏性問題。實驗結(jié)果顯示，與傳統(tǒng)協(xié)同過濾方法相比，基于用戶空間協(xié)同過濾的政務(wù)服務(wù)推薦算法獲得了較小的 MAE 值和較低的準確率、召回率、F1值，說明引入地理位置信息可以提升推薦精度。在后續(xù)工作中，應(yīng)進一步借鑒其他相關(guān)領(lǐng)域?qū)W科的經(jīng)驗，提升畫像構(gòu)建的合理性；其次，本實驗僅使用企業(yè)法人政務(wù)服務(wù)數(shù)據(jù)進行分析，不足以構(gòu)建較為完整的政務(wù)服務(wù)鏈條，在對服務(wù)進行推薦時，損失了一定的精度，后續(xù)可利用多組不同來源以及類型數(shù)據(jù)提供更優(yōu)質(zhì)的服務(wù)，構(gòu)建完整的政務(wù)服務(wù)鏈條，以期發(fā)現(xiàn)更具通用性與普適性的算法。