丁春光，张驰，黄志华，梁安健，刘馨阳，李颖

（1.工业和信息化部电子第五研究所，广东 广州 511370；2.工业装备质量大数据工业和信息化部重点实验室，广东 广州 511370）

0 引言

随着人工智能和互联网高速发展，产生了大量的数据，社会从数据匮乏走向数据过载阶段。如何在海量数据中快速精准地找到数据消费者（用户）所关心数据，成为数据生产者或者数据服务商关注的问题。在元器件选用领域，同样面临海量的电子元器件产品信息，设计师或物资管理人员如何精准找到合适元器件，快速完成产品的元器件选型，成为急需解决问题。

1 推荐系统的内涵

面临海量数据，产生数据过载问题，数据消费者在海量数据中找到所需数据变得困难，特别从海量数据中获得有价值的数据，同时数据生产者或者数据服务商如何从海量数据中获得有价值的消费者成为问题解决焦点。为了解决数据过载问题，比较有代表性的解决方案是分类目录和搜索引擎。雅虎是分类目录方案的代表性公司，谷歌和百度是搜索引擎比较有代表性的公司。但随着互联网规模不断扩大，分类目录的覆盖性不强，分类过于复杂，无法满足用户数据需求弊端日益明显。搜索引擎是基于关键词检索数据，需要用户主动提供准确的关键词，当用户无法主动找到准确地描述自己需求的关键字或提供关键字的信息量不足时，检索出来的结果很难反映用户的潜在需求。分类目录和搜索引擎只能解决用户主动查找信息的需求，即用户知道自己想要什么，并不能解决用户没有明确需求的问题。和分类目录和搜索引擎一样，推荐系统也是一种帮助用户快速发现有用信息，解决数据过载问题的解决方案之一。推荐系统不需要主动提供明确的关键词，而是通过分析用户历史行为给用户建立画像，从而主动给用户推荐其所关心的数据。

推荐系统是能找出用户和物品之间联系的信息过滤系统。推荐系统主要有以下两个显著的特征。

a）主动性

从用户角度考虑，不需要用户提供明确的数据需求，能够自主通过数据分析用户与物品之间的关联数据进行建模，为用户提供可能感兴趣的信息。

b）个性化

能够挖掘冷门但用户感兴趣的信息推荐给用户。推荐系统已经成为人工智能在电子商务（亚马逊、淘宝和京东）和社交平台（抖音和豆瓣）领域最成功的应用之一。常见的推荐系统算法如表1 所示。

表1 常见的推荐系统算法 [1]

2 元器件选型现状

目前用户在电子元器件产品目录或者电子元器件选用平台选型有两种方式。一种方式为分类目录，已经知道想要的元器件分类和具体产品参数指标，按元器件分类树进行检索，先选取一个分类，然后按照质量等级、封装形式、外形尺寸和电性能参数进行多参联合筛选找到所需要的元器件产品信息。另一种方式为搜索引擎，知道大体产品型号或者关键参数，以关键词形式依托搜索引擎进行检索。两种选型方式都存在一定局限性，很难从定位、个性和衍生3 个角度满足用户需求。方式一需要用户明确知道自己想要元器件的分类和技术指标，否则很难进行精确选型。方式二需要用户知道自己想要元器件产品型号或元器件产品属性关键词。但关键词颗粒度和反映信息量会影响元器件选型结果，很难定位用户的最终需求，需要用户依托自身经验进行进一步筛选以定位到用户最终想要的产品。

3 基于推荐系统的元器件智慧选型

基于推荐系统的元器件智慧选型是通过对元器件产品数据进行特征提取建立满足推荐系统算法要求的基础特征数据库，依托机器学习相关算法对产品或厂家进行过滤排序干预，形成最终推荐结果。通过构建元器件智慧选型推荐系统，可以精准推荐用户所关心元器件产品，弥补分类目录和搜索引擎在选型精度上的缺陷，提升用户检索体验。智能推荐系统可以从元器件产品定位、满足个性化需求和满足衍生需求3 个角度提升元器件选型精准程度和效率。产品定位角度可以帮助用户快速定位想要选用的元器件产品。满足个性化需求角度推荐的产品符合用户自身个性化预期和偏好，如经常选用某生产厂家产品。满足衍生需求角度能够推荐与该产品相关配套产品信息，如元器件外围配套电路信息、选用该产品的用户还选用了什么产品，帮助用户完成一体化设计和选用。元器件智慧选型系统框架图如图1 所示。

图1 元器件智慧选型推荐系统框架图

3.1 基于用户画像的元器件选型推荐

推荐系统基于用户的基本信息、元器件选用信息、用户对元器件产品偏好和用户对厂家偏好，用户对产品或厂家的评论信息、打分信息和用户浏览记录等行为数据进行智能分析，获取不同用户选型习惯，形成用户画像，推送用户关心关注的、与用户检索近似同类周边的元器件产品，实现元器件的智能推送。标签化用户元器件选型步骤和习惯，牵引用户的科学选型，为用户提供智能化的元器件选型导航。用户在选用器件过程中，可根据器件实际应用情况和使用方法等进行评论反馈，评论信息不断积累、共享，以供其他用户选型参考[2]。也可以通过自然语言的情感分析，在用户对该产品的问题评论中获取对该产品偏好程度。另外针对该产品评分评星也一定程度反映用户偏好。通过研究用户的兴趣偏好，由智能算法进行个性化计算，发现用户关注点，从而引导用户发现需求。

3.2 基于设计需求的元器件选型推荐

基于设计需求主要是为了解决传统“基于经验器件选型” 单一检索带来的选型效率低下、效果不佳等问题。通过对数据资源库的数据挖掘、数据关联和数据建模等技术，建立面向设计需求的智慧选型模式，实现根据用户输入的器件性能指标、质量水平和厂商等需求，进行器件的关联性、相似性和符合性匹配，快速地确定选型方案，同时引入元器件产品画像，综合元器件的应用历史、质量表现、物资状态和使用评价等因素考虑，向用户推送最优元器件。通过数据应用去指引设计选型，在选型源头去帮助我们控制产品的质量、成本，最大化规避后期的质量和保障性风险[3]。

3.3 基于相似度元器件产品推荐

相似度算法主要是用于衡量对象之间的相似度，是推荐系统的基础性算法。在元器件领域判断一个产品相似性（替代性）主要从产品的基本功能、关键性能参数、封装及外形尺寸、质量可靠性与环境适应性等几个方面来综合考虑[4]。因为元器件产品分类较多，每个分类的技术指标参数又不尽相同，不可能将所有参数都用于相似模型训练，选取确定每个分类的关键技术指标参数，通过运用相似度算法，基于元器件技术参数建立元器件相似产品关系，通过模型判断各元器件之间的相似关系，综合计算关键性能参数重要度和参数值近似度，建立元器件的关键参数替代关系模型，将相关度从高到低的相似产品推荐给用户，实现智能替代查找和推送。

3.4 基于关联分析方法的元器件外围配套电路推荐

关联分析又称为关联挖掘，它是一种简单实用的分析技术，用于发现存在于大量数据集中的关联性或相关性，从而描述了一个事物中某些属性同时出现的规律和模式。通过挖掘各生产厂家手册建议的外围电路配置，构建常用的外围电路数据库，基于常用外围电路图建立元器件的关联关系。当用户选用某个元器件，应用关联分析法，从支持度、置信度和提升度，结合用户行为考虑某种电路功能，系统智能推送配套元器件给用户。通过关联分析可以判断元器件之间的关联密度，用户选用某个元器件后会自动推荐与之关系最近的元器件及其配套的外围电路。

4 结束语

受加剧的中美贸易战和新冠疫情影响，各电子行业企业都在一段时间内出现缺芯危机。基于推荐系统的元器件智慧选型有助于帮助企业快速找到其产品所需电子元器件以及可替代的国产元器件方案，对于国家和行业维护产业链供应链稳定，具有非常重要的作用和意义。本文指出推荐系统在元器件智慧选型中起到重要作用、算法和典型应用场景，为后续基于推荐系统的元器件智慧选型平台搭建和算法研究奠定了基础。