Page 93 - 《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 3419

具有较好的效果,能够在多个角度达到预期的功能.
Table 11 Mean of each indicator of different methods
表 11 不同方法各个指标的平均值
基于用户相似性(U-S) 4.192 07
基于项目相似性(I-S) 4.896 67
用户满意度 考虑服务匹配度(C-M) 4.117 21
考虑服务匹配度和满意度(CM-MS) 4.539 77
本文方法(CSP-MSM) 4.181 09
基于用户相似性(U-S) 0.589 44
基于项目相似性(I-S) 0.573 83
专长相似度 考虑服务匹配度(C-M) 0.647 83
考虑服务匹配度和满意度(CM-MS) 0.605 31
本文方法(CSP-MSM) 0.637 59
基于用户相似性(U-S) 0.789 69
基于项目相似性(I-S) 0.783 12
摘要相似度 考虑服务匹配度(C-M) 0.827 91
考虑服务匹配度和满意度(CM-MS) 0.815 81
本文方法(CSP-MSM) 0.823 82

图 6 和图 7 中,患者数目在测试集的 10%到 100%变化时,基于用户相似性的方法和基于项目相似性的方法
在平均专长相似度和平均摘要相似度两项指标上表现较差,仅有 57%~59%和 78%~81%,均低于本文方法的
63%~65%和 82%~85%,说明本文方法在患者数目变化时推荐的医生能够与不同病情的患者更加匹配.图 5 中,
基于项目相似性的方法在预测用户情感倾向时效果优异,但基于用户相似性的方法表现最差.

Fig.6 Mean expertise similarity for different Fig.7 Mean abstract similarity for different
numbers of patients numbers of patients

图 6 患病人数不同时的平均专长相似度 图 7 患病人数不同时的平均摘要相似度

综合 3 个评价指标来说,本文方法推荐的医生首先与患者的病情更加匹配,能够适应患者不同病情的需求,
且该医生的用户满意度也比较优异,说明比较符合用户的情感倾向,能够获得较好的满意度.另外,本文方法也
考虑了其他有利于患者的相关因素,相对于其他方法,可以提升用户体验和诊疗效果.

6 总结与展望

本文从人机物三元一体的多个角度出发,提出了面向数据特征的多域协作的服务分派方法.从人类社会角
度出发,关注认知空间的属性特征,着重分析用户对于业务员服务的满意度.常规评分中的分数是用户给出的评
级,为了更全面地表达用户对此次服务的满意度,文中通过挖掘用户评价信息,对服务评价进行情感倾向性分
析,并与评级分数结合实现情感倾向预测.从信息空间的角度出发,关注任务与服务内容的匹配度,着重分析任
务与业务员服务内容的匹配度.通过引入业务员概要描述文件,并和任务特征进行相似度计算,来推荐更适合执