[發明專利]一種融合頻繁項集的油田業務服務推薦方法

有效

• 申請號: 201811281920.X
• 申請日: 2018-10-31
• 公開（公告）號: CN109410008B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 李克文;馬祥博;劉文英;于明洋
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02;G06Q50/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種融合頻繁項集的油田業務服務推薦方法。主要原理是：對油田業務服務數據進行預處理，將數據按用戶進行組織；結合時間信息進行用戶行為分析，挖掘用戶的行為習慣或工作模式；傳統推薦模型與關聯規則算法相結合，對用戶工作需求進行建模；將用戶名輸入模型獲得推薦結果。本發明提供的方法能夠有效考慮油田業務服務用戶的工作需求，具有較好得準確率。

技術領域

本發明屬于推薦方法應用領域，特別是將其應用于油田企業業務服務的領域。

背景技術

隨著油田企業集成服務云平臺的不斷發展和完善，業務服務數量也不斷增多。在油田企業集成服務云平臺中每天都會產生大量的數據，使得信息過載問題日益嚴重。無論是業務服務的使用者在大量業務服務中定位最能滿足自己當前需求的業務服務還是開發者在海量的行為數據發掘使用者的需求都面臨巨大的挑戰和困難。

為了有效解決信息過載問題，關于推薦方法的技術迅速發展起來，為此國內外也進行了大量的研究。近年來，隨著大數據時代的到來，推薦技術正向著傳統方法和機器學習結合的方向發展。目前，各種新的推薦技術方法仍是各國的前沿研究方向。

傳統的推薦方法是基于用戶歷史評分數據建立推薦模型，計算用戶對物品的喜愛程度，而在油田企業集成服務云平臺中，用戶對業務服務的評分數據不僅是反應用戶喜愛度還有用戶工作過程中的需求。若僅考慮用戶的喜愛度則會使推薦的結果會具有一定的偏差，如果在傳統推薦模型的基礎上考慮用戶工作需求的因素，推薦的準確率和用戶滿意度將會有很大提高。

由于用戶評分數據的稀疏性，即用戶不可能對所有的油田業務服務進行評分。在缺少評分數據的情況下，現有常用的隨機算法、眾數法、平均法等評分補充方法都是根據其他極少的評分數據進行推算，這就導致最終的推薦效果不是十分理想。因此迫切需要一種在評分數據稀疏的情況下能夠考慮工作需求對用戶進行推薦的方法。

針對傳統推薦方法在油田業務服務上面臨的問題，本發明提供一種新的融合頻繁項集的油田業務服務推薦方法。本發明提供的方法以油田業務服務數據為基礎，通過用戶行為分析，能有效挖掘用戶的行為習慣或工作模式，將用戶工作模式與傳統推薦技術相結合，使推薦方法具有較高的準確率，從而有助于能提高用戶的工作效率，提高用戶對云平臺的滿意度。

發明內容

由于用戶工作需求對推薦結果的影響，采用傳統常規的推薦模型存在推薦效果不理想的情況，本發明從傳統推薦模型與關聯規則算法相結合的角度出發，提供一種融合頻繁項集的油田業務服務推薦方法，結合時間信息對用戶的工作需求進行建模，能有效提高推薦的準確率和用戶的滿意度。

由于用戶評分數據稀疏，采用傳統算法在少量的評分數據下計算存在推薦結果不準確的問題，結合時間信息進行用戶行為分析能有效挖掘用戶的工作模式并為生成虛擬評分數據提供依據，因此本發明結合時間信息進行用戶行為軌跡挖掘，從而能較好的解決用戶評分數據稀疏的問題。

融合頻繁項集的油田業務服務推薦方法主要包括以下幾個步驟：

A.數據預處理

利用Python的RE模塊對油田業務服務的數據進行數據預處理；

B.計算頻繁二項集

根據Apirori算法原理，計算油田業務服務數據的頻繁二項集及支持度，通過計算頻繁二項集兩項之間的時間間隔，結合時間信息定義賦值函數，賦予時間間隔小的兩個業務服務賦予較高的權值，時間間隔大的兩個業務服務賦予較小的權值，最終將權值進行累加得到頻繁二項集的組合支持度，公式如下：

SUP_time＝SUP(item)+F (公式2)

公式1為賦分函數計算公式，其中F為賦值函數，F’為上一輪計算的賦值函數值，val為時間間隔的值，公式2為組合支持度計算公式，其中SUP_time為組合支持度，SUP(item)為頻繁項集的支持度；