Page 94 - 《软件学报》2021年第11期

3420 Journal of Software 软件学报 Vol.32, No.11, November 2021

行相应任务的业务员.从物理世界的角度出发,关注现实空间的属性特征,分析业务员的服务成熟度,通过分析
固有属性特征对于服务执行的影响,为其建立分级映射机制,以推荐服务成熟度更高的业务员.将人机物各方面
数据特征相结合,最终得到更合理的服务分派结果,优化了任务分配和用户体验.本文在传统服务推荐的基础
上,考虑人机物融合环境下特殊推荐情况,深入分析了用户请求服务后的执行过程中的各方面因素,判断这些因
素是否对服务执行具有影响,以及影响的大小,并将这些因素融入到服务分派的选择过程中,优化了传统推荐模
式下的效率问题,降低了安全隐患,使得分派之后,服务拥有更为良性的反馈.与其他服务推荐方法比较,本文方
法注重人机物的三元环境的各个角度,而不仅仅是只从服务执行效率或是用户评价等个别方面推荐服务,因此
具有更高的可信度,降低了因人的参与而导致的真实性差异.
由于患者位置信息属于个人隐私数据,本文没有加入地理位置的相关属性.此外,本文方法没有考虑用户对
于服务时间的要求,以及业务员在单位时间内服务的响应次数.可以结合地理信息数据集进一步改进本文方法,
更多考虑时间和执行效率的影响.未来的工作可以结合一些经典的机器学习分析方法,挖掘目标任务的业务员
分派倾向.例如,可以在深度学习的基础上,采用投票机制与本文使用的深度学习方法相结合,可以进一步优化
用户体验.

致谢 感谢审稿专家提出的宝贵意见和建议,同时感谢江苏省未来网络科研基金项目提供的网络实验环境,以
及百度、优速和谷歌支持的教育部产学合作协同育人项目提供的在线计算资源.特别感谢课题组的孔瀚民、陈
光忠、沈天和张梁等同学为数据处理和实验工作付出的努力,以及周嘉浩和蒋雨霏同学主持的大学生创新创业
训练计划项目完成了论文的部分工作.

References:
[1] Ma XX, Liu XZ, Xie B, Yu P, Zhang T, Bu L, Li XD. Software development methods: review and outlook. Ruan Jian Xue Bao/
Journal of Software, 2019,30(1):3−21 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/5650.htm [doi: 10.
13328/j.cnki.jos.005650]
[2] Wang HM, Mao XG, Ding B, Shen J, Luo L, Ren Y. New insights into system software. Ruan Jian Xue Bao/Journal of Software,
2019,30(1):22−32 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/5648.htm [doi: 10.13328/j.cnki.jos.
005648]
[3] Huang ZH, Zhang JW, Tian CQ, Sun SL, Xiang Y. Survey on learning-to-rank based recommendation algorithms. Ruan Jian Xue
Bao/Journalof Software, 2016,27(3):691−713 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/4948.htm [doi:
10.13328/j.cnki.jos.004948]
[4] Zou G, Jiang M, Niu S, Wu H, Pang S, Gan Y. QoS-aware Web service recommendation with reinforced collaborative filtering. In:
Proc. of the 16th Int’l Conf. on Service-oriented Computing. Cham: Springer Int’l Publishing, 2018. 430−445. [doi: 10.1007/978-
3-030-03596-9_31]
[5] Pessiot JF, Truong TV, Usunier N, Amini MR, Gallinari P. Learning to rank for collaborative filtering. In: Proc. of the 9th Int’l
Conf. on Enterprise Information Systems. New York: ACM, 2007. 145−151.
[6] Zhang W, Wang JY. A collective Bayesian Poisson factorization model for cold-start local event recommendation. In: Proc. of the
21th ACM SIGKDD Int’l Conf. on Knowledge Discovery and Data Mining. New York: ACM, 2015. 1455−1464. [doi: 10.1145/
2783258.2783336]
[7] Li L, Zhu G, Xie Q, Su C, Yang ZL. Recommendation approach by simultaneous learning latent features and preferences guidance.
Ruan Jian Xue Bao/Journal of Software, 2019,30(11):3382−3396 (in Chinese with English abstract). http://www.jos.org.cn/1000-
9825/5542.htm [doi: 10.13328/j.cnki.jos.005542]
[8] Pazzani MJ, Billsus D. Content-based recommendation systems. In: Proc. of the Adaptive Web: Methods and Strategies of Web
Personalization. Berlin, Heidelberg: Springer-Verlag, 2007. 325−341.
[9] Aalst WMP. Three good reasons for using a Petri-net-based workflow management system. In: Proc. of the Information and Process
Integration in Enterprises: Rethinking Documents. Boston: Springer-Verlag, 1998. 161−182.
[10] Alonso G, Agrawal D, Abbadi AE, Mohan C. Functionality and limitations of current workflow management systems. IEEE Expert,
1997,12(5):1−25.
[11] Mohan C. Recent trends in workflow management products, standards and research. In: Proc. of the Workflow Management
Systems and Interoperability. Berlin, Heidelberg: Springer-Verlag, 1998. 396−409.