（深圳中广核工程设计有限公司，深圳 518100）

0 引言

随着核电的快速发展，核安全越来越受到人们的关注[1]。作为保障核安全的一项管理工具，经验反馈体系在国内外核电行业中得到了广泛地应用。所谓经验反馈，就是对项目建设过程、经营管理活动中产生的经验教训进行收集、分析、改进和应用，进而避免同类事件重复发生的闭环管理过程，以及对项目建设过程、经营管理活动中的良好实践及经验总结进行收集和应用的过程。经验反馈的有效开展确保了核电的安全、可靠、稳定运行。在核电设计中，经验反馈为设计人员提供了必要的参考信息，让他们从设计角度查看发生过的缺陷，并针对缺陷采取改进行动，防止历史事件的重复发生。随着核电站建设从大亚湾到红沿河、阳江、宁德等的陆续开展，技术从引进消化吸收到自主研发，中广核工程有限公司积累了大量的经验反馈信息。在后续发展中，经验反馈信息的规模还将继续增大。随着数据量的日益庞大，如何充分利用这些宝贵的知识数据，高效地提供给设计人员，逐渐成为后续核电信息化研究的重点。

在互联网迅速发展的今天，信息超载问题早已成为一个重要的研究热点。为了帮助用户快速查找有价值的信息资源，分类目录、搜索引擎和推荐系统陆续诞生。分类目录是将网站按照特定属性进行分类整理，通过提供网站目录供用户查找信息资源，典型的网站有Yahoo、hao123等。搜索引擎是通过关键字来查找自己需要的信息，Google、Baidu等主流的搜索引擎已逐渐成为人们日常生活中访问网络资源的入口。个性化推荐系统技术[2]是另一种信息过滤的重要手段，能够根据用户的兴趣爱好为用户推荐感兴趣信息。该技术最典型的应用是在电子商务领域，网上购物时，网站将根据用户的注册信息、浏览或交易记录等推荐顾客可能感兴趣或满意的商品，帮助顾客在庞大信息面前发现对自己有价值的产品，同时也提高了网站的销售量，为顾客用户和网站之间搭建了桥梁，实现彼此双赢。目前，几乎所有的大型电子商务系统，如国外的Amazon、eBay，国内的淘宝、京东、当当等，都不同程度地使用了各种形式的推荐系统。此外，在电影、音乐、旅游、新闻等多种类型网站中，推荐系统同样得到了广泛的应用研究。与分类目录、搜索引擎相比，推荐系统能够通过研究用户的兴趣爱好，发现用户的兴趣点，进行个性化推荐，引导用户发现自己的信息需求[3]。作为解决信息超载问题的新兴工具，个性化推荐技术具有广泛的研究前景和应用空间。

本文通过研究互联网行业中个性化推荐系统技术，研发出工程经验反馈推荐系统。该系统实现了在核电设备设计过程中的经验反馈智能化推荐，为设计人员主动推送他们所需要的知识信息，有效地满足了不同设计人员的需求，实现了经验知识的智能化、自动化和个性化，提高了核电设备设计的效率。

1 个性化推荐技术概述

20世纪90年代，Resnick[2]首次提出了在新闻协同过滤方面应用的个性化推荐技术。个性化推荐系统[4]通过分析用户的兴趣爱好、个人信息、操作行为以及社会关系等信息，主动推荐用户感兴趣的内容。通用的推荐系统主要包括三个模块：用户建模模块、推荐算法模块、推荐对象模块[5]。推荐系统首先根据获取到的用户信息创建用户模型，然后利用该用户模型采用特定的推荐算法对推荐对象进行筛选，找到用户可能感兴趣的对象并推荐给用户。

目前常用的推荐技术主要有：基于内容的推荐、协同过滤推荐、基于关联规则的推荐、混合推荐等。

1.1 基于内容的推荐

基于内容的推荐（content-based recommendation）是信息检索方法的延续和发展[6]。该方法通过计算推荐对象与用户已选择或收藏对象之间的相似度，将相似度较高的对象作为推荐结果。基于内容的推荐方法首先对用户的兴趣偏好建模创建用户兴趣特征，然后提取推荐对象的内容特征，与用户模型的兴趣特征匹配，最后将匹配度较高的推荐对象推荐给用户[3]。

1.2 协同过滤推荐

协同过滤推荐（collaborative filtering recommendation）是目前推荐系统中研究最早[7～9]，应用最成功的技术之一。该技术被大量应用于电子商务、新闻、电影、音乐等各类推荐网站中。根据协同对象，协同过滤推荐分为基于用户、基于物品和混合三种协同推荐方法。

基于用户协同过滤推荐方法首先通过最近邻算法，根据用户的历史兴趣偏好得到用户之间的相似性，然后利用待推荐用户的最近邻居用户对物品评价的加权评价值来预测待推荐用户对某未知物品的喜好程度，最后系统根据这一喜好程度进行物品推荐。基于物品协同过滤推荐方法建立物品的相似近邻，利用待推荐用户对某物品相似近邻评价的加权评价值来得到用户对该物品的喜好程度，从而进行物品推荐。所谓混合协同推荐方法，主体思路还是基于用户协同过滤推荐方法，但在计算两个用户相似性时嵌套了基于物品协同思想。

1.3 基于关联规则的推荐

基于关联规则的推荐（association rule-based recommendation）是通过数据挖掘得到某种关联规则，以此完成推荐的一种技术[10]。该技术首先对推荐对象进行数据分析，找到对象之间的关联关系，最后利用该规则根据用户已选择对象将有价值的信息推荐给用户。比如，买了牛奶的人大多会购买面包，牛奶和面包并不是同类物品，但它们之间却存在着特定的关系。显然，该推荐技术中关联规则的确定尤为关键，而且该规则的分析可在推荐前的离线模式下完成，能够满足实时推荐的要求。

1.4 混合推荐

各种推荐技术均有优缺点，混合推荐（hybrid recommendation）通过组合多种推荐方法扬长避短，在实际中经常被采用。其中，研究和应用最多的是基于协同过滤和基于内容的组合[11～13]。文献[5]根据组合的思路，将混合推荐分为了三类：后融合、中融合和前融合。后融合通过某种策略比如加权等方式直接融合各推荐方法的推荐结果作为最后的推荐对象。中融合以某种推荐方法作为框架，融合其他推荐方法，比如在一种推荐方法产生的结果中进一步采用第二种推荐方法来完成更精确的推荐。前融合则是直接融合各种推荐方法，比如特征的组合扩充。

2 工程经验反馈推荐系统

2.1 系统背景

在实际应用中，推荐系统主要有两种模式存在：一种是作为系统模块依附于某类资源网站，比如购物类网站淘宝和京东，其商品推荐系统只是购物时提供帮助的模块；另一种是作为独立的网站，比如豆瓣音乐，其界面简洁，整个网站是一套完整的音乐推荐系统。本文的工程经验反馈推荐系统则采用第一种模式，集成在中广核设计院自主研发的设备专业协同设计平台（以下简称设备设计平台）中，以实现设计人员在设备设计过程中自动获取有价值的经验知识信息。

本文的工程经验反馈推荐系统涉及两个平台：设备设计平台和经验反馈平台。设备设计平台是设备专业在设计过程中从业务到设计流程规范化的管理平台。该平台实现了设计流程的规范统一，设计工具的集成调用，设计数据的结构化组织。设计人员可以通过设备设计平台上的相关设计流程来完成自己的设计分析任务，包括任务接收、开展和提交。经验反馈平台是经公司质保部门认可，保存公司核电经验反馈的信息管理平台。所有正式的经验反馈均需要在此平台上进行编校审批流程并存档。

在以往的设计过程中，设计人员往往需要登录公司经验反馈平台不断地查找对设计有帮助的经验知识数据。设计人员根据自己的设计内容和经验确定自己的需求信息，通过关键字在经验反馈系统中去查找相关数据，每次搜索都是从所有数据中进行查找，整个过程消耗了大量的时间。此外，个人语言组织能力、需求不明确和经验不足也影响着搜索关键字的确定，进而制约了数据查找的效率。这种情况下，设备设计过程和经验反馈查找是两个彼此独立的活动，中间缺少必要的关联耦合。工程经验反馈推荐系统则作为两者的桥梁，从经验反馈平台中获取数据，根据用户的需求筛选出对设计有价值的信息，主动推送到设备设计平台中，减少了设计人员自己查找的中间环节，提高了设计的效率。

2.2 系统框架

工程经验反馈推荐系统通过建立用户与经验反馈之间的二元关系，从用户的人员信息、设计信息等方面研究，利用与经验反馈的特定相似关系，挖掘用户潜在感兴趣的经验反馈内容，进行有针对性的推荐。

图1 工程经验反馈推荐系统流程图

依据背景特点，工程经验反馈推荐系统被分为四个模块：数据收集模块、数据分析模块、用户分类模块、信息筛选模块。各模块的关系如图1所示，其中虚线框内为工程经验反馈推荐系统范畴。该推荐系统首先从外部经验反馈平台中获取经验反馈的所有数据信息，并保存到设备设计平台的数据库中。然后，在离线状态下利用预先定义的规则对数据进行聚类分析。此外，该系统根据用户的人员信息（部门、专业等）和设计信息（设计的内容和所属项目机组设备等）将用户分类。最后，在设计过程中，根据设计人员所属类别，按照预先定义的规则从经验反馈中筛选出相似性较高的数据并呈现到设计界面上，实现智能推送的目的。

2.3 系统设计

2.3.1 数据收集模块

正如前面提到的，本文推荐系统的数据来源于公司的经验反馈平台。该平台为外部系统提供了统一的数据访问接口。系统连接采用了标准的xml数据接口方式，由经验反馈平台提供的webservice接口实现。考虑到经验反馈的标题通常呈现了正文的关键信息，在保证推荐效果的前提下为了减少分析时间，本推荐系统获取了经验反馈数据除正文外的其他关键字段，如图2所示。最后，解析获取到的xml数据，并保存到设备设计平台数据库中进行分析。

图2 获取的数据内容

2.3.2 数据分析模块

得到数据后，对数据进行分析，在离线状态下提前确定好数据之间的关系，能够为信息筛选模块减少大量时间。本文推荐系统的数据分析是利用预先定义的规则建立经验反馈数据之间的关联关系。数据规则的定义则是通过与设计人员沟通根据数据的应用情况确定的，具体内容如表1所示。

表1 数据处理规则

数据处理方法：首先按照项目和机组信息将经验反馈进行聚类，相同核电技术路线的经验反馈定为同类，接着根据标题内容，同类核电技术路线的相同设备的相似事件的经验反馈数据划分在同一数据集合。在集合内，依次按照重要性分级、是否反馈、事件类别等属性将数据进行排序。

2.3.3 用户分类模块

在设备设计平台中，当管理员为设计人员创建用户并分配许可时，会将该人员的部门、专业等信息录入到系统中。若无这些信息，设计人员将无法在平台内的项目中开展工作。此外，除了用户的个人信息外，设计人员已开展或将开展的任务信息也对用户分类至关重要。利用这些信息对用户进行分类，相似用户分为同组。事实上，近似用户表示了他们是在同一个部门下的相同专业并做相同设备设计工作的同事，他们的工作内容基本相同。比如，用户A和B均是核岛设备所力学专业从事管道力学分析的同事，则他们通过该模块将被分为相同组。

2.3.4 信息筛选模块

当设计人员在设备设计平台中开展工作时，工程经验反馈推荐系统将获取到该设计工作的主要内容以及所属项目、机组和设备信息。结合该设计人员的用户类别，推荐系统能够基本确定设计人员在该设计工作中所需经验反馈的关键信息：某种核电技术路线、某设计阶段、某类设备、某种设计工作等。根据这些关键信息，按照表1的数据处理规则，对离线已分析处理过的数据集合进行排序（集合内部按照原顺序）。相似性越高，越有价值的经验反馈数据排名就越靠前。最后，选择相似性较高的前50条数据留在界面中。这样，对该设计工作有帮助的经验知识将被留下，实现信息推荐。

任何推荐系统都不能保证推荐内容完全满足用户的兴趣，尤其在用户需求明确时，推荐列表中并没有相关项，此时主动搜索是必须的。针对这种情况，本系统集成了全局搜索框来弥补此问题。当设计人员对工程经验反馈推荐系统所推荐的知识数据不满意时，他们可以通过该搜索框主动地、有目的地去搜索自己需要的经验反馈，流程图如图3所示。

图3 主动搜索的流程图

3 在核电设备设计中的应用

设备设计平台是基于达索公司的ENOVIA平台配置开发的，该平台基于Java语言和oracle数据库技术实现。因此，本文的工程经验反馈推荐系统是按照第2部分介绍的思路方法采用与设备设计平台相同的语言数据库技术完成的。

3.1 应用实例展示

图4 工程经验反馈推荐系统应用界面

图4展示了某用户在阳江核电项目5/6号机组换热器力学分析流程中的推荐实例。工程经验反馈推荐系统根据用户的人员和设计流程信息，推荐了同样采用CPR1000技术的换热器相关经验反馈知识数据。

在未得到有价值的推荐内容或目标较明确的情况下，用户可点击搜索按钮，启动主动搜索界面，如图5所示。在该界面中通过填写相关信息来完成在全局经验反馈数据中的定向搜索。

图5 主动搜索界面

3.2 应用效果评价

当用户查看感兴趣的经验反馈时，系统将通过标题链接跳转到对应的公司经验反馈平台的页面。然而，经验反馈平台提供的数据访问接口有限，无法直接从该平台中获取用户查看记录，因此很难对推荐效果进行直接评估。经过研究，本文采用了两种特别的方法来验证工程经验反馈推荐系统的有效性。

评价方法一是对设计人员进行线下问卷调查。通过设计人员的反馈，了解本文推荐系统是否对他们的设计提供了帮助，能否提高设计效率。调查结果显示，设计人员对经验反馈推荐系统的推荐内容比较满意，一致认为该系统为设计活动提供了便利，肯定了该系统的研发。该评价方法存在主观性和随意性，为了更加客观地评估该系统，本文又提出另外一种评价方法。

第二种评价方法是在标题链接和搜索按钮中设置触发器，通过统计平台一段时间内某设计流程中标题链接和搜索按钮的点击次数来评估。当推荐系统所推荐的内容无法满足设计需求时，设计人员将利用搜索功能完成经验反馈的查找，通过统计直接查看和搜索查询的次数可有效地评估系统的推荐效果。如表2所示，以一周时间为限，对正在开展的阳江核电项目5/6号机组两个典型设备的五个设计流程进行统计，结果表明，无论设备设计复杂与否，该系统均能够为设计工作主动推送有价值的经验反馈数据。

表2 经验反馈查看次数统计

通过以上两种评价方法的粗略评估，验证了该工程经验反馈推荐系统的有效性，主动推送设计人员所需要的经验反馈数据，减少了直接在经验反馈系统中查找数据的中间环节，节省了查找的时间，提高了核电设备设计的效率。

4 结束语

个性化推荐系统是互联网应用技术中解决信息量大实现个性化服务的一项新兴技术，本文通过对个性化推荐系统技术的深入研究，研发了适应于核电设备设计的工程经验反馈系统。通过效果验证，该系统能够在设备设计过程中为设计人员主动推送有价值的经验反馈信息，缩短设计周期，提高设备设计效率，得到了设计人员的肯定。此外，该系统的研发也为个性化推荐理念在核电其他系统的推广奠定了基础，为核电发展过程中信息量激增所带来的问题提供了一种有效的解决方案。

[1]杨湘山,吕焱,李冰,等.新形势下的核安全与辐射安全对策[J].中国安全科学学报,2005,15(7):44-47.

[2]Resnick P.Grouplens: An Open Architecture for Collaborative Filtering of NetNews[A].Proceedings of CSCW 94.Chaple Hill:NC[C],1994:175-186.

[3]王国霞,刘贺平.个性化推荐系统综述[J].计算机工程与应用,2012,48(7):66-76.

[4]卢志翔.网络学习系统个性化实时推荐策略研究[J].重庆科技学院学报:自然科学版,2015,17(3):80-84.

[5]许海玲,吴潇,李晓东,等.互联网推荐系统比较研究[J].软件学报,2009,20(2):350-362.

[6]RicardoBaeza-Yates,BerthierRibeiro-Neto, Baeza-Yates, et al.Modern Information Retrieval[M].机械工业出版社,2006.

[7]Rich E. User modeling via stereotypes[J].Cognitive Science, 1979,3(4):329-354.

[8]Goldberg D, Nichols D, Oki B M, et al.Using collaborative filtering to weave an information tapestry[J].Communications of the Acm,1992,35(12):61-70.

[9]Konstan J A,Miller B N, Maltz D, et al. GroupLens: applying collaborative filtering to Usenet news[J].Communications of the Acm,1997,40(3):77-87.

[10]Fu X, Budzik J, Hammond K J. Mining Navigation History for Recommendation[A].International Conference on Intelligent User Interfaces[C].2000:106-112.

[11]Balabanovi, Marko,Shoham Y. Fab: content-based, collaborative recommendation[J].Communications of the Acm,1997,40(3):66-72.

[12]Basu C,Hirsh H, Cohen W. Recommendation as classification:using social and content-based information in recommendation[A].Fifteenth National/tenth Conference on Artificial Intelligence/innovative Applications of Artificial Intelligence. American Association for Artificial Intelligence[C],2000:714-720.

[13]Pazzani M J. A Framework for Collaborative,Content-Based and Demographic Filtering[J].Artificial Intelligence Review,1999,13(5):393-408.