一种检验检测机构推荐方法及系统

1.本发明涉及检验检测领域，特别是关于一种检验检测机构推荐方法及系统。


背景技术：

2.随着信息技术的不断发展，如今互联网已经成为人们日常生活中密不可分的一部分。人们每天都会在互联网上进行各种各样的活动，例如看电影、购物、阅读新闻时事等，但是随着互联网上的信息越来越多，人们越来越难以从互联网上的海量信息中找出最适合自己的信息，例如当登录视频网站想要看一部电影放松时却不知道哪一部符合自己的口味。
3.推荐系统的出现正是为了解决这种“信息过载”的问题，它会预测用户的需求并推荐给用户其最可能喜欢的内容，缓解人们从海量信息中做出选择的烦恼。现阶段，由于检验检测行业的专业性较强，传统方法主要依赖于业务员的专业知识将客户与机构资源进行匹配。
4.然而，仅仅依靠业务员来完成相关匹配显然是成本较高且效率较低的。主流的线上平台仅仅依靠关键词匹配的方法将用户填写的需求和检测机构提供的服务进行适配，并没有考虑到检测机构的位置、行业、性质、资质和个性化服务以及检测用户的位置、行业和性质的属性信息。同时，对于推荐的机构排名仅依靠机构的评分，缺乏对这些属性的考虑会导致推荐结果缺乏个性化，以及缺乏对于推荐结果的解释。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种推荐结果个性化且效率高的检验检测机构推荐方法及系统。
6.为实现上述目的，本发明采取以下技术方案：第一方面，提供一种检验检测机构推荐方法，包括：
7.基于检测用户和检验检测机构的属性，构建检验检测行业的加权异构图；
8.根据构建的检验检测行业的加权异构图，确定检测用户与目标用户的加权元路径；
9.确定目标用户在各加权元路径下对不同候选检验检测机构的评分，进而确定向目标用户推荐的一个或多个检验检测机构。
10.进一步地，所述基于检测用户和检验检测机构的属性，构建检验检测行业的加权异构图，包括：
11.确定检测用户和检验检测机构的属性；
12.将检测用户和检验检测机构的各属性以及检测用户和检验检测机构作为节点并互相连接，得到异构图，其中，节点之间的边表示节点间存在的交互信息；
13.以检测用户对检测检验机构的评分作为检测用户与检测检验机构之间的边的权重，得到检验检测行业的加权异构图。
14.进一步地，所述确定目标用户在各加权元路径下对不同候选检验检测机构的评
分，进而确定向目标用户推荐的一个或多个检验检测机构，包括：
15.确定目标用户在各加权元路径下对不同候选检验检测机构的评分；
16.采用神经网络学习算法，根据目标用户在各加权元路径下对不同候选检验检测机构的评分，确定向目标用户推荐的一个或多个检验检测机构。
17.进一步地，所述确定目标用户在各加权元路径下对不同候选检验检测机构的评分，包括：
18.基于检测用户对于检验检测机构的评分，构建评分矩阵r，并确定加权元路径的相似度矩阵s，其中，评分矩阵r中的元素r
u,i
表示检测用户u对检验检测机构i的评分，相似度矩阵s中的元素表示在加权元路径l下检测用户u和检测用户v的相似度；
19.构建目标用户对候选检验检测机构的评分函数，进而确定目标用户在各加权元路径下对不同候选检验检测机构的评分。
20.进一步地，所述相似度为：
[0021][0022]
其中，pu→v表示由检测用户u到检测用户v的一条加权元路径；pu→u表示由检测用户u到检测用户u的一条加权元路径；pv→v表示由检测用户v到检测用户v的一条加权元路径；p为加权元路径的数量。
[0023]
进一步地，所述评分函数为：
[0024][0025]
其中，r
(u,t)
表示目标用户u对于候选检验检测机构t的评分；w
u,a
表示目标用户u和数据库中的检测用户a之间的相似度；r
a,t
表示数据库中检测用户a对检验检测机构t的评分。
[0026]
进一步地，所述采用神经网络学习算法，根据目标用户在各加权元路径下对不同候选检验检测机构的评分，确定向目标用户推荐的一个或多个检验检测机构，包括：
[0027]
采用神经网络学习算法，根据检测用户和检测机构的属性以及成交数据进行机器学习，得到每一检测用户对于不同加权元路径的偏好，建立权重矩阵；
[0028]
基于目标用户在各加权元路径下对候选检验检测机构的评分，确定权重矩阵的优化目标函数；
[0029]
对权重矩阵的优化目标函数进行求解，得到最优的权重矩阵；
[0030]
根据最优的权重矩阵，构建目标用户的评价矩阵，进而按照评价结果的高低完成检验检测机构的推荐。
[0031]
第二方面，提供一种检验检测机构推荐系统，包括：
[0032]
加权异构图构建模块，用于基于检测用户和检验检测机构的属性，构建检验检测行业的加权异构图；
[0033]
加权元路径确定模块，用于根据构建的检验检测行业的加权异构图，确定检测用户与目标用户的加权元路径；
[0034]
推荐模块，用于确定目标用户在各加权元路径下对不同候选检验检测机构的评
分，进而确定向目标用户推荐的一个或多个检验检测机构。
[0035]
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述检验检测机构推荐方法对应的步骤。
[0036]
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述检验检测机构推荐方法对应的步骤。
[0037]
本发明由于采取以上技术方案，其具有以下优点：
[0038]
1、本发明通过检测用户的性质、位置和行业信息，以及检验检测机构的性质、位置、行业、定制化和资质等，构建加权异构图，从属性出发构建元路径，可以将用户和机构的属性信息纳入模型的推荐过程，对比传统方法增加了可解释性。
[0039]
2、传统方法对于检验检测机构和检测用户构建的异构图只能提取到表层的交互信息，即监测用户和检验检测机构存在成交记录，但是，加权元路径可以显示检验检测机构和检验检测机构用户之间的评价信息，可以反映出检测用户对于检验检测机构的评价，并作为权重应用在后续整体模型中，最终通过本发明的方法能够得到对于每个用户的对于不同元路径的权重，相比于传统方法的平均权重更具科学性。
[0040]
综上所述，本发明可以广泛应用于检验检测领域中。
附图说明
[0041]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0042]
图1是本发明一实施例提供的方法流程示意图；
[0043]
图2是本发明一实施例提供的构建的异构示意图；
[0044]
图3是本发明一实施例提供的具体应用实例示意图；
[0045]
图4是本发明一实施例提供的基于异构神经网络的元路径结构图；
[0046]
图5是本发明一实施例提供的构建的基于ucu路径的邻接矩阵示意图。
具体实施方式
[0047]
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
[0048]
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
[0049]
本发明实施例提供的检验检测机构推荐方法及系统，将检测用户的性质、位置和行业信息，以及检测机构的性质、位置、行业、定制化、资质作为节点生成加权异构图，连接不同节点生成元路径，计算不同元路径下各个用户之间的相似度，同时学习用户对于不同元路径的偏好权重，确定目标用户在各加权元路径下对不同候选检验检测机构的评分，最终能够向目标用户推荐一个或多个检验检测机构。
[0050]
实施例1
[0051]
如图1所示，本实施例提供一种检验检测机构推荐方法，包括以下步骤：
[0052]
1)建立历史数据库，包括各检测用户对各检验检测机构的评分。
[0053]
2)如图2所示，基于检测用户和检验检测机构的属性，构建检验检测行业的加权异构图，具体为：
[0054]
2.1)确定检测用户和检验检测机构的属性以及成交数据。
[0055]
具体地，检测用户的属性包括位置、行业和性质，其中，位置为检测用户的具体地理位置，行业为检测用户待检物品的所处行业，性质为检测用户的企业性质(例如：民企、国企或政府)。
[0056]
具体地，检验检测机构的属性包括位置、行业、性质、资质和个性化服务，其中，位置为检验检测机构的具体地理位置，对于大型检验检测机构选取其实验室所在地作为其位置；行业为检验检测机构能够提供的检测服务所处的行业；性质为检验检测机构的企业性质(例如：民企或国企)；资质为检验检测机构提供的检测服务所获取的相应的资质证书；个性化服务为检验检测机构是否能够提供对于检测用户的专属定制化检测服务。
[0057]
具体地，成交数据包括检测用户和检验检测机构的属性具体数值以及属性之间的连接值，其中，属性之间的连接值可以根据实际情况进行设定。
[0058]
更具体地，属性之间的连接值可以如下表1所示：
[0059]
表1：属性之间的连接值
[0060][0061]
2.2)将检测用户和检验检测机构的各属性以及检测用户和检验检测机构作为节点并互相连接，得到异构图，其中，节点之间的边表示节点间存在的交互信息。
[0062]
2.3)以检测用户对检测检验机构的评分作为检测用户与检测检验机构之间的边
的权重，得到检验检测行业的加权异构图。
[0063]
例如：对于检测用户北京市政府，位置为北京，待检物品所处的行业为金属制造。对于检测用户宝钢，位置为上海，所以与北京节点并没有交互性息，故不存在边的连接。对于检验检测机构华测，位置为北京，性质为民营企业，可以提供金属行业的检验检测服务，且具有cma检测资质认证证书，能够对检测用户提供个性化服务。对于检验检测机构中测，因为其位置并不在北京且性质为国营企业以及无法提供个性化服务，所以中测节点与北京、民企和个性化服务节点中不存在交互信息，所以不存在边。其中，北京市政府对华测和中测的评分均为1分，宝钢对华测和中测的评分均为5分，以评价分数作为权重构建加权边，建立的加权异构图如图3所示。
[0064]
3)如图4所示，根据构建的检验检测行业的加权异构图，确定检测用户与目标用户的加权元路径。
[0065]
具体地，以二部图为基础，确定下述的加权元路径，其具体的现实含义如下表1所示：
[0066]
表1：加权元路径的显示含义
[0067][0068]
具体地，加权异构图的意义在于，检测用户与检验检测机构之间的权重，可以进一步解释两者之间的交互信息。如图3所示，传统的元路径推荐方法，按照ucu的元路径，则北京市政府和宝钢均存在与华测的交互信息，那么将会认为北京市政府和华测具有类似的偏好来进行推荐。然而，实际情况却是虽然存在交互信息但是北京市政府和宝钢对于华测的评价是截然相反的，换句话说两个和同一家检验检测机构存在交互信息的检测用户，在实际上可能存在着不同的选择偏好。所以本发明引入权重，以此帮助神经网络更好的学习每一检验检测机构和检测用户的表示。
[0069]
4)确定目标用户在各加权元路径下对不同候选检验检测机构的评分。
[0070]
本步骤中采用基于元路径下用户相似度方法向目标用户推荐的检验检测机构，虽然不同的加权元路径会产生不同的推荐结果，但是在计算方法上是相同的，基于元路径下用户相似度方法的具体过程为：
[0071]
4.1)基于数据库中检测用户对于检验检测机构的评分，构建评分矩阵r，并确定加权元路径的相似度矩阵s，其中，评分矩阵r中的元素r
u,i
表示检测用户u对检验检测机构i的评分，相似度矩阵s中的元素表示在加权元路径l下检测用户u和检测用户v的相似度。
[0072]
具体地，相似度采用pathsim(路径相似度)算法计算：
[0073][0074]
其中，pu→v表示由检测用户u到检测用户v的一条加权元路径；pu→u表示由检测用户u到检测用户u的一条加权元路径；pv→v表示由检测用户v到检测用户v的一条加权元路径；p为加权元路径的数量。
[0075]
具体地，例如：选取加权元路径ucu，假设存在三个检测用户a、b和c，且存在四个检验检测机构d、e、f和g，且他们之间均存在评分，依此构建邻接矩阵如图5所示，所以检测用户之间的相似度为：
[0076][0077][0078][0079]
由此可见在加权元路径ucu下，检测用户a和检测用户c的相似度较高。
[0080]
4.2)构建目标用户对候选检验检测机构的评分函数r
(u,t)
，进而确定目标用户在各加权元路径下对不同候选检验检测机构的评分，其中，评分函数为：
[0081][0082]
其中，r
(u,t)
表示目标用户u对于候选检验检测机构t的评分；w
u,a
表示目标用户u和数据库中的检测用户a之间的相似度；r
a,t
表示数据库中检测用户a对检验检测机构t的评分。由此得到目标用户在某一加权元路径下对不同候选检验检测机构的评分。
[0083]
5)采用神经网络学习算法，根据目标用户在各加权元路径下对不同候选检验检测机构的评分，确定向目标用户推荐的一个或多个检验检测机构，具体为：
[0084]
5.1)采用神经网络学习算法，根据历史数据库中的检测用户和检测机构的属性以及成交数据进行机器学习，得到每一检测用户对于不同加权元路径的偏好，建立权重矩阵w，其中，w为一个u行p列的矩阵，w
u,p
为检测用户u对加权元路径p的偏好，也是学习的目标。
[0085]
5.2)基于目标用户在各加权元路径下对候选检验检测机构的评分，确定权重矩阵w的优化目标函数：
[0086][0087]
其中，x表示指示矩阵，即x
u,t
＝1表示检测用户u对于检验检测机构t有过评分，反之则x
u,t
＝0；diag(w
(l)
)表示一个由权重矩阵w转化而来的对角矩阵；λ表示控制参数。
[0088]
5.3)对权重矩阵w的优化目标函数进行求解，得到最优的权重矩阵w。
[0089]
5.3.1)对权重矩阵w进行实时更新，得到更新后的权重矩阵
[0090][0091]
5.3.2)重复计算更新后的权重矩阵且迭代更新权重矩阵的值，使得更
新后的权重矩阵的值与更新前的权重矩阵的值之间的差小于0.001，该更新后的权重矩阵的值即为最优的权重矩阵
[0092]
5.4)根据最优的权重矩阵构建目标用户的评价矩阵进而按照评价结果的高低完成检验检测机构的推荐：
[0093][0094]
其中，表示目标用户u对于候选检验检测机构t的评价结果。
[0095]
实施例2
[0096]
本实施例提供一种检验检测机构推荐系统，包括：
[0097]
加权异构图构建模块，用于基于检测用户和检验检测机构的属性，构建检验检测行业的加权异构图。
[0098]
加权元路径确定模块，用于根据构建的检验检测行业的加权异构图，确定检测用户与目标用户的加权元路径。
[0099]
推荐模块，用于确定目标用户在各加权元路径下对不同候选检验检测机构的评分，进而确定向目标用户推荐的一个或多个检验检测机构。
[0100]
实施例3
[0101]
本实施例提供一种与本实施例1所提供的检验检测机构推荐方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0102]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的检验检测机构推荐方法。
[0103]
在一些实现中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0104]
在另一些实现中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0105]
实施例4
[0106]
本实施例提供一种与本实施例1所提供的检验检测机构推荐方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的检验检测机构推荐方法的计算机可读程序指令。
[0107]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0108]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。