[发明专利]基于大数据分析的政务推荐方法及包含该方法的系统

说明书

本发明公开了一种基于大数据分析的政务推荐方法及推荐系统，其采用SVD++法，以ALS作为矩阵降维方法，融合基于企业属性和基于事务属性的推荐结果实现优化，构建混合推荐系统。并且本发明以国内南方某城市的实际数据，对多种算法的查全率和查准率进行对比分析，计算MSE和RMSE等指标验证了系统的有效性。

技术领域

本发明涉及一种大数据分析系统，尤其涉及一种基于大数据分析的政务推荐方法及其系统。

背景技术

数字政府是指在现代政务治理理论与信息通信技术(Information andCommunication Technology，ICT)等支撑下，政府机构日常办公、信息收集与发布、公共管理等事务在数字化、网络化的环境下进行的国家行政管理形式[1]，而电子政务是数字政府生态体系的重要组成部分。电子政务是指国家机关在政务活动中，全面应用现代ICT技术等进行办公、管理和为社会提供公共服务的一种全新的管理模式[2]，属于一种广义电子商务的创新系统与应用。电子政务包含三个方面的内容，政府间电子政务(Government toGovernment，G2G)、政府-公民间电子政务(Government to Customer，G2C)、政府-商业机构间电子政务(Government to Business，G2B)。因此，利用信息技术改进政府工作及服务的效率,形成新的工作方式,这已成为各国政府所关心的问题。数字政府建设，目标是推动政务数据的融合汇聚，为政务系统和应用提供数据支撑，促进政务信息共享和业务流程优化协同，开发便捷的“互联网+政务服务”应用，不断优化营商环境。优化营商环境的重要方面是积极推动G2B的服务优化升级。

在传统的政务服务过程中，企业在办理政务事项时时常忘记办理或者需要多方咨询才能掌握如何办理。办理过程中发现资料未准备齐全的情况时有发生，导致反复多次沟通才能办结一件事项。在数字政府建设的背景下，为了提高政务办理效率，优化营商环境，在汇聚大量企业办理事项数据的基础上，根据企业历史行为记录，采用适应于G2B业务场景的推荐算法，构建政务服务于企业的推荐系统，为企业推送个性化的业务办理事项，成为一个重要的研究课题。

当今主流的推荐系统可以分为三大类方法：基于协同过滤的方法、基于内容过滤的方法，以及结合前两者的混合推荐方法。协同过滤的方法包括基于用户(user-based)的协同过滤和基于物品(item-based)的协同过滤。基于用户的协同过滤是面向主体的推荐，基于物品的协同过滤是面向客体的推荐。在具有强相关关系的背景下，协同推荐有重要的价值。

基于用户的协同过滤和基于物品的协同过滤，在某些应用场景中由于有千万级的用户和物品，因此会造成数据的稀疏，由于紧邻的相关数据缺失，导致部分推荐结果无法计算。因此发展了数据稀疏环境下基于用户主题偏好的协同过滤算法、基于灰色关联聚类的协同过滤推荐算法和基于模型的协同过滤算法。基于模型的过滤算法包括：奇异值分解(SVD)、贝叶斯网络、基于聚类的方法和神经网络推荐算法等。

近年来许多学者提出将隐语义模型应用于推荐系统，其核心是通过降维求相似矩阵，再进一步计算推荐结果。矩阵分解是隐语义模型采用的一种方法，传统的矩阵分解模型是SVD。一般而言，推荐系统中的评分矩阵是非常稀疏的，如MovieLens100K和MovieLens1M数据集中分别有93％和95％的评分项缺失，Netflix数据集评分缺失项更高达99％。如果先做矩阵补全，评分矩阵就会成为稠密矩阵，从而使评分矩阵的存储需要非常大的空间。这种空间需求在实际系统中不能被接受，从而失去在大规模应用系统中的价值。因此许多学者提出了SVD的改进算法，解决实际问题，谢瑶瑶等提出ASVD，Funk提出Funk-SVD。Funk-SVD也被称为隐语义模型的SVD++，其采用梯度下降或者ALS实现矩阵的降维。