Page 79 - 《软件学报》2021年第11期

袁敏 等:面向数据特征的人机物融合服务分派方法 3405

[2]
展的热点,驱动着信息空间与物理世界的深度融合 .人机物融合交互产生的业务数据变得越来越复杂多样,服
务成为了桥接这些数据的连接者.在为线上用户推荐服务满足个性化需求的同时,对于需要通过人机物交互完
成的服务来说,如何整合线上和线下资源、分派合适的人快速有效地完成任务,也已成为一个挑战性问题.服务
推荐与分派常常共存于同一个业务场景,例如,互联网在线服务平台一般都包含服务推荐和分派两个阶段.用户
在平台提交需求后,系统大都会结合平台历史数据向用户推荐评分较高服务方案,但往往评分高低并不能真实
反映以人为中心的价值观,即人与信息系统中对应的角色存在不一致性.为了提高业务的执行效率,信息系统一
般只在服务推荐阶段考虑用户需求,在服务分派阶段则减少用户干预,用户往往处于被动接受状态,因而常常会
出现诊疗平台推荐的治疗方案虽是合理的,但分派的医生不是患者喜欢的;网约车平台推荐的出行方案虽是满
意的,但分派的司机没有考虑乘客的意愿,甚至是存在危险的情况.
人机物融合环境下的人是信息化社会的主要载体,其在自然界与人类社会的能力越来越强,对信息技术的
依赖也越来越大.机主要是指软件的基础平台支撑,计算机开始从以工具为主要形态演变为与机器形态无关的
平台概念,然后上升为计算思维的概念,变为人类除理论与实验之外,认识世界的第三种手段.物主要是指面向
物理世界的信息化空间,是物理世界的信息化体现,作为人类生存和信息化平台的物质支撑,物的因素也至关重
要.纵观人机物研究的发展,通常以计算机为载体,人或物为主体,将信息空间作为承载平台,而忽略了信息空间
与人和物的一致性.各种信息系统主要优化目标集中在提升信息空间的容量和安全性,而人的属性和物理世界
状态复杂多变,人在信息空间的映射往往是不全面的,简单的映射不能处理物理世界的不稳定因素.
近年来,许多研究通过协同过滤算法进行服务推荐,以缓解信息过载问题.推荐算法通过建立用户与项目之
[3]
间的二元关系,利用相似性关系挖掘每个用户潜在感兴趣的对象 .典型的协同过滤算法有两类:基于用户和基
[4]
于项目 .尽管这些研究取得了很好的效果,但是随着用户和服务数量的不断增加,协同过滤算法在为用户推荐
服务项目时,一方面为用户推荐的服务质量可能与真实情况存在偏差;另一方面,用户和业务员参与的服务实行
过程中,可能存在人为因素的影响.根据上述分析,当前服务推荐存在的问题归纳如下.
(1) 用户评分不能完全反映用户的情感倾向.根据用户对项目的评分进行排序后产生推荐结果,但是用户
[5]
的打分不能准确体现用户的真实情感倾向 ;另外,用户打分中可能包含不真实的分数,使项目的预测
分与真实的体验相差较大.
(2) 项目与用户之间的关联度评价不够准确.由于业务员之间的个体差异,不同的业务员提供的服务也具
有差别,用户提出的需求同样也存在着差异.因此,用户需求与项目特征的匹配程度,决定了任务能否
较好地完成.传统服务推荐方法中,通过对相似用户或者相似项目关联分析来预测目标用户和目标项
目的关联度,然而相似用户和相似项目的关联具有偶然性,不能准确表现用户需求和项目特征的匹配
[6]
程度.另外,新加入的用户因缺少历史记录而存在冷启动的问题 ,不能为新用户准确推荐项目.
(3) 对服务执行过程中现实属性的影响考虑不足.传统推荐方法缺少对服务项目执行过程的考虑,也就是
没有考虑物理世界的各种属性对任务执行的影响.例如,由于自身等级和所在平台不同,业务员所能
调用的资源也就不同,这些属性会对服务效率和结果造成一定的影响.
为了解决上述问题,本文提出了一种综合考虑人机物各方面数据特征的跨域协作服务分派方法,在为服务
请求者或消费者分配合适的服务资源时,可以把服务分派场景看作是服务推荐的一种特殊情况,它更强调用户
与业务员在服务执行过程中的参与,着重考虑人为因素对任务完成情况产生的影响.首先考虑人的认知空间属
性特征,将用户的情感倾向性分析和评分结合;其次挖掘信息空间的属性特征,对平台上的历史数据和用户提交
的任务特征进行关联性分析;最后分析物理世界的属性特征对服务分派合理性的影响,构建映射评分机制.总体
来说,本文有以下 4 点贡献.
(1) 针对问题(1),引入评价的情感倾向性分析.相对于历史评分数据,评论是用户能够更具体表达自己喜
[7]
好的一种方式,能够更准确地表现出用户对于项目的真实情感倾向 .因此,本文以评论为对象,将评
论转化为情感类别,并映射为情感得分,与评级得分加权计和后,作为用户对服务项目的情感倾向分
值,与直接采用评级评分的方法相比会更加合理.