面向广义正交模糊分级匹配的服务群推荐研究
臧誉琪 张帅。
摘要：针对不确定情景下的服务群推荐问题，以广义正交模糊信息处理为底层技术支撑，运用分级匹配思想建立服务群推荐模型。首先由双边推荐主体给出广义正交模糊偏好信息，构成匹配矩阵;然后提出广义正交模糊相关系数，将偏好信息转化为满意度;进一步以满意度最大化为目标建立分级匹配模型，通过模型求解最优匹配方案，以此作为最优推荐列表。
一、引言。
当前我国产业结构单元正逐步向新兴服务业倾斜，新兴服务业是由信息技术和知识经济共同作用催生下的行业。随着大数据时代的到来，多源多模态信息资源井喷式增长，服务推荐需求不断扩张，学者们对于服务推荐展开研究。服务推荐系统旨在为用户过滤海量信息，为用户提供满足其偏好或需求的高效参考信息，已被广泛应用于向消费者推荐产品、项目或活动的电子商务或旅游业等领域。服务推荐系统的研究多聚焦于个性化推荐技术。Liu等聚焦于服务推荐的基础技术，对客户与服务知识粒度进行研究;Yang等研究了社交媒体隐私保护视域下的个性化推荐方法;毕强和刘健以领域本体为出发点，提出了文献资源服务推荐方法;潘伟丰等以服务使用场景为切入点，提出用于解决服务组合问题的服务推荐方法。上述个性化推荐研究在一定程度上解决了基础推荐问题，但均是面向个体的个性化推荐研究，缺少从群体角度对推荐系统进行相关技术研究，随着推荐系统内外部环境的复杂不确定性加深，推荐问题呈现出由个体推荐向复杂大群体推荐转变的趋势，这就势必产生已有技术局限与推荐应用需求间的矛盾。
解决上述问题的有效方法就是进行不确定环境下群推荐研究。模糊匹配是不确定环境下一种行之有效的资源配置方式，科学的匹配方案能够满足主体对于公平合理分配的利益诉求，对提高组织管理效率及调动协调积极性等均能起到指导作用。本文运用模糊匹配的思想对服务群推荐进行整体框架研究。
广义正交模糊数是新型模糊数，能够完整灵活的表征不确定偏好信息，是解决人的行为意识或价值判断的较为适宜的数量方法。因此本文选用广义正交模糊数来刻画服务群推荐主体给出的偏好信息，给出广义正交模糊数的定义。
定义1：令X={x1，x2，…，xn}为一固定集合，则定义在X上的广义正交模糊集Q为：
Q={〈x，u（x），v（x）〉|x∈X}。
其中u（x）∈[0，1]和v（x）∈[0，1]，分别表示元素x′∈X的隶属度和非隶属度，且满足约束条件u（x）q+v（x）q≤1，（q≥1），方便起见，称（u（x），v（x））为广义正交模糊数，表示为Q=（u，v）。
由此服務群推荐双边主体给出的广义正交模糊偏好矩阵可表示为T（Q）=|Qij|m×n和S（Q）=|Qij|n×m。本文使用相关系数法将广义正交模糊偏好信息转化为匹配满意度的方法，下面给出广义正交模糊相关系数法。
定义2：令Q1=（u1，v1）和Q2=（u2，v2）为两个广义正交模糊数，则Q1和Q2之间的距离D（Q1，Q2）=（|u—u|+|v—v|）/2，则Q1和Q2的相似度S（Q1，Q2）=1—D（Q1，Q2）。
计算各广义正交模糊数与理想解的相似度，理想解确定方法见文献。相似度水平越大代表满意度水平越高，可将偏好矩阵转化为满意度矩阵α=|αij|m×n和β=|βij|n×m。接着，依据满意度矩阵构建服务群推荐的匹配优化模型：
maxZα=αijxij;maxZβ=βijxij。
s.t.xij≤1，i=1，2，…，n;xij≤1，j=1，2，…，m;xij=0或1.
对于该多目标优化模型的求解，本文采用非支配排序遗传算法进行求解，通过模型求解可获得推荐双方的匹配结果，以此构成服务群推荐列表。
三、实例应用。
现有产品服务群推荐系统，为了推荐产品服务到市场，令不同客户群体Ai（i=1，2，3，4）及其对应产品Bj（k=1，2，3）推广经理进行相互评价，由于服务群推荐双边主体认知水平、经验技巧、个人特质的差异，给出的偏好信息往往出现非此即彼的情形，因此令推荐双边主体给出的偏好信息用广义正交模糊数表示，可获得广义正交模糊偏好矩阵：
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）。
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，依据广义正交模糊相似度公式将偏好矩阵转化为满意度矩阵。
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。
进而，依据满意度矩阵求解匹配优化模型，可得服务群推荐列表A2→B1，A3→B3，A4→B2。
四、结论。
本文以大数据背景下服务群推荐为研究对象，利用广义正交模糊数对于不确定信息的表达优势，联合双边匹配思想进行服务群推荐研究，在深入理论研究的同时，拓宽了广义正交模糊理论、匹配理论的应用范畴。运用广义正交模糊数表征推荐主体的偏好信息，充分考虑了推荐主体给出的“非此即彼”和“亦此亦彼”的偏好信息，通过广义正交模糊相似度将偏好信息转化为满意度，进而通过匹配模型求解出最优服务推荐列表，使相应的推荐分析方法具有较大的客观科学性。
参考文献：
[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]畢强，刘健.基于领域本体的数字文献资源聚合及服务推荐方法研究[J].情报学报，2017（05）.
[7]潘伟丰，李兵，姜波，琚春华.基于服务网络的服务组合推荐方法[J].系统工程理论与实践，2014（S1）.
[8]Christensen I， Schiaffino S. Entertainment recommender systems for group of users[J].Expert Systems with Applications，2011（11）.
[9]何军，刘业政，王锦坤.基于社会选择和社会影响的社交网络社群分类与群推荐策略研究[J].现代情报，2019（01）.
[10]王刚，蒋军，王含茹，杨善林.基于联合概率矩阵分解的群推荐方法研究[J].计算机学报，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年度河北省社会科学青年基金项目“面向时空模糊分级匹配的服务群推荐方法及应用研究”（项目编号：HB19GL009）的研究成果之一。
（作者单位：燕山大学公共管理学院）。