一种能力验证计划的活动报名推荐方法

技术领域

本发明属于检验检测机构能力验证业务运作技术领域，具体涉及一种能力验证计划的活动报名推荐方法。

背景技术

信息技术的发展为能力验证行业信息化和数字化转型提供了技术基础，随着社会和经济水平的提高，能力验证活动呈现多样化，高频化趋势。当前能力验证行业信息化发展速度慢且水平不高，随着能力验证信息和活动数量增多，以及检验检测机构的快速发展和能力验证活动的周期性现状，如何在短暂的报名时效内根据检测机构的自身的条件要求和期望，从众多的能力验证活动中选取最适合本机构的活动计划，提高生产效率和降低经济成本，是需要解决的问题，也是提升能力验证信息化水平的重要因素。

发明内容

技术问题：为了解决以上技术问题，本发明提供了一种能力验证计划的活动报名推荐方法，能够根据用户自己的喜好，获得推荐准、推荐速度快及满足时效性的能力验证方法，且能解决供需不匹配或匹配难度过大的问题。

技术方案：能力验证计划的活动报名推荐方法是对参加者可报名计划信息进行个性化推荐时，具体的推荐方法包括基于用户的协同过滤推荐算法和基于GIS地理信息技术与领域频次规范的遗传算法，先通过协同过滤推荐算法获得初次筛选的m个能力验证计划推荐给用户；然后通过遗传算法进行二次筛选，推荐最佳能力验证计划推荐给用户；其中协同过滤推荐算法的输出值ρ，是遗传算法计算过程中一个输入参数，其中ρ为用户对能力验证计划的感兴趣程度。

作为改进，所述基于用户的协同过滤推荐算法：首先，计算目标推荐用户μ与相似用户ν对能力验证计划的感兴趣程度ρ，再计算两者的相似度ω

作为改进，通过下述公式计算目标推荐用户μ对能力验证计划i的感兴趣程度ρ：

其中S(μ,K)代表与目标推荐用户μ最相似的K个用户，M(i)代表对能力验证计划i感兴趣的用户集合，ω

作为改进，计算参加者之间的相似度，采用如下方式进行计算：

其中ω

作为改进，基于GIS地理信息技术与领域频次规范的遗传算法，具体步骤如下：

步骤一：随机产生初代种群并编码

随机定义数值θ

步骤二：以真实点击搜索数

其中γ为部族(对种群进行划分，划分为p个部族)中解码权重后加权计算的估计点击搜索数，γ

步骤三：对步骤二获得的剩余个体，进行遗传操作，包括复制操作、交叉操作、变异操作来产生子代，能够保留优秀个体基础上增加多样性，提高获得最优适应值的概率；

步骤四：重复执行步骤二筛选、步骤三遗传操作，直至所有子代的平均适应值达到设定的阈值，停止遗传，选取适应度最高子代y

步骤五：将步骤四得到的感兴趣程度权重、GIS地理因素权重以及领域频次规范权重进行加权计算，得到推荐程度M＝θ

有益效果：本发明提供的一种能力验证计划的活动报名推荐方法，是能够实现能力验证参加者和能力验证提供者需求参数分类和供给能力分析，解决供需不匹配或匹配难度过大的问题。通过对参加者需求和提供者的供给情况进行匹配分析；当参加者需求和提供者能力匹配度较高时，组织或建议匹配度较高的能力验证提供者周期性开展对应的能力验证活动，提升能力验证活动的实施效率与能力验证结果的可信度。

附图说明

图1为本发明初代种群二进制编码后的部分截图示意图。

图2为本发明实施例1中对初代种群进行筛选处理部分流程代码实现过程的示意图。

图3为本发明实施例1中初批子代适应值关系散点图，横坐标为个体编号，从1至10000，每一个编号代表一个个体；纵坐标为适应度，从0-100。

图4为本发明实施例1中训练千次后子代适应值关系散点图，横坐标为个体编号，从1至10000，每一个编号代表一个个体；纵坐标为适应度，从0-100。

图5为本发明实施例1中重复十次三维迭代关系示意图，横坐标为个体编号，从1至10000，每一个编号代表一个个体；Z向坐标为适应度，从0-100；水平面的纵向坐标为训练的批次，实施例1中为1-10次。

具体实施方式

为了使本领域的技术人员可以更好的理解本发明，下面结合附图和实施实例对本发明技术方案进一步说明。显然，所描述的实施实例仅仅是本申请一部分的实施实例，而不是全部的实施实例。基于本申请中的实施实例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施实例，都应当属于本申请保护的范围。

本发明所述推荐方法是针对参加者在报名计划信息内容中进行最接近参加者个性的推荐方法，具体方法步骤为：

(一)计算用户对能力验证计划的感兴趣程度

构建用户与能力验证计划的数据库，对比目标推荐用户与相似用户，获得目标推荐用户对相似用户关联的多个能力验证计划，基于用户的协同过滤推荐算法，获得用户对不同能力验证计划的感兴趣程度ρ及按照数值进行排序，推荐给用户μ前m个能力验证计划；完成初次筛选；

(二)计算适应值最高及对应的感兴趣程度权重

随机定义用户对能力验证计划感兴趣程度的权重，构建初代种群，基于遗传算法对初代种群进行适应值筛选处理、遗传操作处理，获得适应值最高子代及最佳权重数值，对权重数值进行二进制反解码，获得最佳感兴趣程度权重；

(三)计算目标推荐用户的地理位置相对位移、剩余领域频次要求

按照采集的GIS地理信息技术与领域频次规范的发布信息，获得目标推荐用户的地理位置相对位移、剩余领域频次要求；

(四)获得最后排序推荐M

将步骤(1)-(3)得到的数据，进行加权计算，得到推荐程度M＝θ

步骤(一)中具体包括：首先，计算目标推荐用户μ与相似用户ν对能力验证计划的感兴趣程度ρ，再计算两者的相似度ω

通过下述公式计算目标推荐用户μ对能力验证计划i的感兴趣程度ρ：

其中S(μ,K)代表与目标推荐用户μ最相似的K个用户，M(i)代表对能力验证计划i感兴趣的用户集合，ω

进一步地，步骤(二)的具体步骤如下：

(1)：随机产生初代种群并编码

随机定义数值θ

(2)：以真实点击搜索数

其中γ为部族中解码权重后加权计算的估计点击搜索数，γ

(3)：对(2)获得的剩余个体，进行遗传操作，包括复制操作、交叉操作、变异操作来产生子代，能够保留优秀个体基础上增加多样性，提高获得最优适应值的概率；

(4)：重复执行(2)筛选、(3)遗传操作，直至所有子代的平均适应值达到设定的阈值，停止遗传，选取适应度最高子代y

(5)：将(4)得到的感兴趣程度权重、GIS地理因素权重以及领域频次规范权重进行加权计算，得到推荐程度M＝θ

为了更好地进行介绍上述的两种算法和技术，下面以具体详细地说明。

一、基于用户的协同过滤推荐算法

针对参加者推荐能力验证计划，通过使用基于用户的协同过滤推荐算法，初步计算参加者对能力验证计划的兴趣值。

首先计算参加者之间的相似度，找出目标用户感兴趣能力验证计划相似的用户集合。本系统中采用余弦相似度公式计算任意两位参与者相似度，其中ω

本系统中还引入下述相似度计算公式，其中i为用户μ与用户ν共同感兴趣的能力验证计划。引入替换分子为

其中ω

至此可通过上述相似度计算公式求出任意两个用户相似度，继而列出相似用户表。根据相似用户表，则可向目标用户推荐与其感兴趣能力验证计划最相似的K个用户感兴趣的能力验证计划。但相似用户亦存在多种感兴趣的能力验证计划，因此设计下述公式度量用户μ对能力验证计划i的感兴趣程度。

其中S(μ,K)代表与目标推荐用户μ最相似的K个用户，M(i)代表对能力验证计划i感兴趣的用户集合，ω

作为本系统的具体实施方式，根据实际参加者对检验活动行为反馈，可得R

对于与用户μ最相似的K个用户。分别计算用户μ与这K个用户感兴趣的能力验证计划集合I

二、基于GIS地理信息技术与领域频次规范的遗传算法

在针对参与者进行能力验证计划推荐时，参与者的地理位置与领域频次规范(国家标准规范针对参与者硬性要求年度参与相关领域次数的要求)是不可忽视的影响要素。但二者影响程度计算在传统计算方式如k近邻、决策树等常常陷入局部最优解情况，在实际生产环境中反应为参与者感兴趣能力验证计划多受于某一地理因素影响，或领域频次规范限制程度过大，受到局部因素影响过大或过小，因此引入遗传算法，从生物遗传学角度对全局最优解进行拟合判定。

遗传算法是受达尔文进化论启发，借鉴生物进化过程提出的启发式搜索算法，其主要特点是直接对结构对象进行操作，采用概率化的寻优方法，自适应调整搜索方向。在本系统遗传算法主要步骤如下：

步骤一：随机产生初代种群并编码

随机定义数值θ

步骤二：以真实点击搜索数

其中γ为部族(对种群进行划分，划分为p个部族)中解码权重后加权计算的估计点击搜索数，γ

步骤三：对步骤二获得的剩余个体，进行遗传操作，包括复制操作、交叉操作、变异操作来产生子代，能够保留优秀个体基础上增加多样性，提高获得最优适应值的概率；

进一步地，复制操作：复制操作是指从一个旧群体中以一定规则和概率选择个体到新群体中，根据人为设定的函数计算的适应值越好的个体能复制的机会越大。个体主要由位串组成，位串具有高适应值将在下一个群体中产生一个更多的子代。

在本项目中选择轮盘赌选择法，步骤二获得的筛选后的剩余个体z的选择概率η

其中F

交叉操作。

复制操作可以保留种群中的适应度高者，但不能产生新的个体扩大搜索范围。交叉操作通过两个个体位串的分裂、交换、重新组合，就可以产生新一代的个体。交叉过程中可以随机选择个体位串中的一点或多点进行分裂，交换子位串后即可得到两个新的后代子串。

变异操作。

变异操作是模拟现实世界里生物繁衍过程中由于各式各样随机的诱因导致的基因突变，是一种极小概率下的改变位串值的过程。个体在复制操作和交叉操作的循环进行中，只能对现有的子位串进行排列组合，因此不能达到全局搜索的效果，易陷入局部最优值。而变异操作克服了这个问题，为全局搜索提供了保障。

步骤四：重复执行步骤二筛选、步骤三遗传操作，直至所有子代的平均适应值达到设定的阈值，停止遗传，选取适应度最高子代y

步骤五：将步骤四得到的感兴趣程度权重、GIS地理因素权重以及领域频次规范权重进行加权计算，得到推荐程度M＝θ

为了更好地对本发明中协同过滤推荐算法和遗传算法做出说明，以下述具体实施例进行介绍和解释。

实施例1

以目标用户能力验证计划1为例，随机权重θ

损失函数的曲线，其中γ为部族(对种群进行划分，划分为p个部族)中解码权重后加权计算的估计点击搜索数。

筛选后的种群，对选中父体进行遗传操作，即复制父体基因，进行交叉变异操作产生子代，在较大程度上保留优秀基因的基础上增加基因多样性，从而提高找到最优解的概率，然后重复执行1000次损失函数筛选、遗传操作，停止遗传操作，在本次实验中千次训练已达到预期效果，见图3所示，图3为初批子代适应值关系散点图。见图4所示，图4为训练千次后子代适应值关系散点图，可见汇集程度大幅提升，由原适应值汇集于85，迭代至汇集于98。见图5所示，图5为重复十次三维迭代关系，选取适应度最高子代，提取其比重数值，作为最优适应值为98.566，编码为“101010000001011100001100001111”，进行二进制反解码，得到0.672、0.218、0.113。实际工作中重复迭代要上万次，准确度越高，其中图5仅是做出十次用来解释本发明。

进一步地，适应度是指损失函数解相较于设定最大值的偏离程度，在本次实验中设定最大值为100，代表损失最大程度为100％，即完全偏离实际解(理想状态下的完全偏离，实际情况中无法达到，只能无限接近)。同理，损失数值解为0代表完全符合实际解。因此纵坐标适应度范围在0到100之间。与损失数值解相反，0代表完全偏离，100代表完全符合无限接近。

然后，通过下述公式计算目标推荐用户μ对能力验证计划i的感兴趣程度ρ：

再将作为最后感兴趣程度权重、GIS地理因素权重以及领域频次规范权重，进行加权计算得到推荐程度M＝0.672ρ+0.218m

以上所述实施实例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。