杨 珍 耿秀丽
上海理工大学管理学院,上海,200093
目前,企业市场竞争愈发激烈,制造型企业面临资源利用率、产品同质化等挑战,开始注重产品的后市场需求,通过与产品服务结合来触发更多的用户需求。制造和服务的结合改变了传统的企业运营模式,使得服务不再以产品的附加要素存在,产品服务系统(product service system,PSS)应运而生。PSS系统主要为企业提供一种“产品+服务”的整体解决方案。方案规划作为PSS系统中的重要环节,与方案设计及选择都有密切联系,因此,在提供服务方案前,需要确定用户需求,定制出个性化的产品服务方案,并成功地将优选的个性化服务方案推荐给合适的用户,从而提高企业的核心竞争力。如何高效地给用户推荐满意的产品服务方案,与推荐算法性能优化息息相关。
个性化推荐算法是方案推荐过程中必不可少的技术,主要分为基于协同过滤、基于内容、基于知识、基于关联规则的算法。其中,最为成功的算法为协同过滤(collaborative filtering,CF)算法,通过计算用户行为或偏好的相似性,找到目标用户的最近邻及其对应项目进行推荐,但是传统CF算法对不完整数据以及对零历史记录的用户难以给出准确推荐。面对此挑战,人们提出新型CF算法,即隐语义模型(latent factorm odel,LFM)。通过隐类关联用户和项目,采用矩阵分解技术建立用户-隐类、隐类-项目间的关系矩阵,利用矩阵乘积获取用户喜爱的项目并进行推荐。传统LFM研究侧重于减少数据稀疏和解决冷启动问题,如文献[1]针对LFM数据稀疏的问题,提出基于学习自动机的矩阵优化算法代替奇异值矩阵分解方法;……