基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法在影片推薦中的應(yīng)用研究

張海飛 崔軍納 葛金鼎

摘要：文章運用深度學習算法中的卷積神經(jīng)網(wǎng)絡(luò)，利用MovieLens數(shù)據(jù)集，實現(xiàn)了基于協(xié)同過濾的影片推薦系統(tǒng)。系統(tǒng)運行表明，該方法實現(xiàn)的推薦系統(tǒng)可以有效緩解“冷啟動”問題。

關(guān)鍵詞：影片推薦;協(xié)同過濾;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）17-0073-05

1簡介

推薦系統(tǒng)[1]已經(jīng)成功應(yīng)用到商品推薦中，并逐步滲透到了文化領(lǐng)域，豐富了人們的文化生活。在推薦系統(tǒng)還未萌發(fā)的時候，用戶使用傳統(tǒng)的搜索引擎，在獲取數(shù)據(jù)時，如果需求很明確，比如需要找一個電影，但是用戶只知道這個電影的名稱或?qū)а莸刃畔?，搜索出的信息很片面。傳統(tǒng)的搜索引擎的弊端暴露了：當用戶自己也不清楚自己需要尋找的信息的具體內(nèi)容，搜索得到的結(jié)果可能和用戶想要的結(jié)果相差很大，用戶獲得的體驗較差[2]。在推薦系統(tǒng)誕生之后，系統(tǒng)開發(fā)人員對獲取的數(shù)據(jù)進行研究，這些數(shù)據(jù)的共同點指向特定的一類群體，數(shù)據(jù)的不同點指向每一個用戶，通過合適的推薦算法，生成相應(yīng)的推薦列表，會更加契合用戶的需求。本文運用卷積神經(jīng)網(wǎng)絡(luò)，基于MovieLens數(shù)據(jù)集，設(shè)計并實現(xiàn)了基于協(xié)同過濾的影片推薦系統(tǒng)，以滿足人民日益增長的文化娛樂需求。

2相關(guān)工作

協(xié)同過濾（Collaborative Filtering，CF）[3]和推薦系統(tǒng)的概念最早在20世紀90年代被提出，國內(nèi)外的推薦系統(tǒng)迅速發(fā)張，但是這時候的系統(tǒng)并不具備為用戶生成推薦列表的能力，必須通過復雜的數(shù)據(jù)庫查詢語句構(gòu)造推薦列表推送給用戶。不久，第一個能夠完成自主推薦的新聞系統(tǒng)GroupLens[4]誕生了。1997年，推薦系統(tǒng)（Recommender System，RS）一詞被Resnick等人提及。自此，推薦系統(tǒng)逐漸走入正軌，被世人廣泛應(yīng)用，也逐步成為較為熱門的研究領(lǐng)域，各式各樣的推薦算法，不同分類的模型，陸續(xù)來到了人們的視野中。經(jīng)常沉淀，目前主流的算法涉及以下各個方面：

基于內(nèi)容的推薦算法[5]的本質(zhì)是提取用戶的歷史記錄，依據(jù)用戶頻繁瀏覽過并且喜歡的內(nèi)容，生成推薦列表，向用戶推薦與商品信息較為相似的內(nèi)容[6]。

協(xié)同過濾算法的基本方式就是對于數(shù)據(jù)的挖掘、對歷史數(shù)據(jù)的分析和用戶的偏好的分析得出的結(jié)論，找尋到用戶的存在和相同興趣的用戶群，然后根據(jù)預(yù)測用戶可能存在的喜歡的電影序列進行推送，以和用戶同類型的受眾群里喜歡的電影推薦列表為基礎(chǔ)進行的推薦模式，因而這個算法存在的冷啟動[7-8]問題，不能夠為新的用戶提供有效的推薦信息。而基于項目的協(xié)同過濾算法是在設(shè)計和用戶的喜好推薦上進行類似商品的推薦模式，根據(jù)其計算的本質(zhì)進行相關(guān)相似度的推薦方法，生成相似度較高的矩陣方式，來為廣大的用戶群體推薦電影。鄧明通等[9]通過對用戶偏好多樣性的計算來實現(xiàn)推薦，有效地緩解了冷啟動問題，提高了推薦信息的多樣性。

3相關(guān)算法和模型

3.1協(xié)同過濾算法

協(xié)同過濾算法是推薦系統(tǒng)常用的算法。自提出以來引起了各大學術(shù)領(lǐng)域包括行為科學、管理科學和計算數(shù)學等領(lǐng)域的廣泛關(guān)注，越來越多的專家學者參與到算法的研究[10]中，同時大型的互聯(lián)網(wǎng)網(wǎng)站如：YouTube、Facebook 等公司都使用深度學習[11]對協(xié)同過濾算法進行相關(guān)的設(shè)計研究，進行成功的引用，豐富自己的信息網(wǎng)站。傳統(tǒng)的協(xié)同過濾算法可以細分為以下兩個方面：

1）基于用戶的協(xié)同過濾算法

這個算法的原理是先確定所有的用戶群體，再根據(jù)目標群體，從所有的用戶群體中尋找與之相似的用戶群體，根據(jù)用戶群體里的喜好項目逐一遍歷展示給目標用戶。要實現(xiàn)推薦主要通過這個算法的以下三個步驟：

①通過收集的用戶信息的分析，生成一個評分矩陣，其中包括用戶ID、項目ID、評分這三個部門。

②利用評分矩陣，計算用戶的相似性矩陣。

③為目標用戶推薦項目，主要是依據(jù)與目標用戶最相近的用戶群所喜歡的項目。

比如在一個電影推薦系統(tǒng)當中，通過對用戶的歷史記錄來分析數(shù)據(jù)樣本進行推薦，用戶a對ABC電影給予了高分平均，用戶b對CDE給予了高分評價，用戶c對ACF給予了高分評價，電影推薦系統(tǒng)能根據(jù)用戶對于數(shù)據(jù)的相似性來判斷分析，得出了用戶a與用戶c的性格喜愛方式類型，最終給用戶a推薦電影F。

2）基于項目的協(xié)同過濾算法

這個算法的原理在用戶群體中尋找目標用戶消費過的產(chǎn)品，將這些產(chǎn)品遍歷給用戶群體?；陧椖康膮f(xié)同過濾算法分以下三步進行推薦：

①根據(jù)整理的信息，生成包含用戶ID、項目ID和評分三部分的特征矩陣。

②根據(jù)包含這三部分信息的特征矩陣，結(jié)合算法生成相似性矩陣。

③逐一遍歷相似性矩陣，根據(jù)需求，適當?shù)倪x擇推薦給用戶的內(nèi)容數(shù)量。

再比如，在電影推薦系統(tǒng)當中，通過對數(shù)據(jù)樣本的歷史記錄的分析得知a、b、c三個用戶都對A電影打出來高評價，用戶a、b同時對B電影打出來高評價，用戶a對C電影打出了高評價，用戶b對D電影有高評價，因此電影AB的相似度就很高，用戶c喜歡A電影，因此根據(jù)系統(tǒng)的判斷把B電影推薦給用戶c。

上述的假設(shè)過程就是常見的協(xié)同過濾算法的級別推薦方式，通過這一方式能夠較快地向用戶推薦相關(guān)電影信息，但是協(xié)同過濾算法存在兩個缺點，對這個算法的改進目前仍然處于探索階段。

1）存在擴展性問題，隨著電影數(shù)量和用戶數(shù)量的增加，一定會影響推薦算法的效率，對于實時性效率比較高的商務(wù)網(wǎng)站，基于協(xié)同過濾的推薦系統(tǒng)存在嚴重的擴展性問題。

2）存在冷啟動問題，如果有新用戶注冊，沒有相應(yīng)的歷史數(shù)據(jù)對其進行分析，導致模型無法找到相似的用戶或商品，也就不能推薦適合的內(nèi)容，其中冷啟動問題表示的是在沒有大量數(shù)據(jù)的情況下，如何進行有效的推薦。

3.2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）[12]是一種包含了卷積計算的方法，是深度學習算法技術(shù)的代表之一，卷積神經(jīng)網(wǎng)絡(luò)的運用方式，可以進行監(jiān)督學習和非監(jiān)督學習進行構(gòu)建結(jié)構(gòu)，其核心的五層結(jié)構(gòu)為數(shù)據(jù)輸入層、卷積計算層、激勵層、池化層和全連接層。

數(shù)據(jù)輸入層主要是對原始數(shù)據(jù)進行處理操作，對無用的信息進行過濾，有效的信息進行有序的排布，對數(shù)據(jù)進行去均值、歸一化和PAC降維等處理，通過對數(shù)據(jù)的處理，可以更好地劃分層次結(jié)構(gòu)。

卷積計算層是卷積神經(jīng)網(wǎng)絡(luò)最為重要的部分，是對前面獲取到的數(shù)據(jù)進行計算處理，拆解的過程，其中較為關(guān)鍵的操作，是對局部關(guān)聯(lián)和窗口滑動，對其中的深度、步長和填充值進行相應(yīng)的獲取，通過對矩陣的映射計算，得出相應(yīng)的數(shù)值，同時卷積計算層還有很高的共享性，能夠把計算出的相關(guān)數(shù)值，同傳分析，分享到各層當中，同時計算用戶和電影的信息數(shù)據(jù)，計算矩陣向量可以用來之后的推薦。

激勵層主要的功能是把卷積計算層計算出的相關(guān)數(shù)據(jù)，進行結(jié)構(gòu)的非線性映射，其主要的特點是能快速地對相關(guān)數(shù)據(jù)進行展現(xiàn)，梯度求值較為簡單，但其本身數(shù)據(jù)較為脆弱易被更改，不利于長期保存。

池化層就是相對于輸入層存在的層次關(guān)系，因為輸入層輸入的數(shù)據(jù)較為龐大，存儲較為復雜且占用大量的空間，因此設(shè)計的池化層就是用來解決這一問題，池化層主要的功能就是進行數(shù)據(jù)圖片的壓縮，壓縮相關(guān)數(shù)據(jù)便于存儲。

全連接層其主要功能是在層次間的連接當中，通過全連接層進行數(shù)據(jù)的快速傳輸，方便進行數(shù)據(jù)的傳遞，位于卷積神經(jīng)網(wǎng)絡(luò)隱含層的最后部分，并只向其他全連接層傳遞信號。

通過輸入層進行數(shù)據(jù)的讀取，把獲取的數(shù)據(jù)通過輸入層錄入，再通過卷積計算層進行數(shù)據(jù)的計算，計算出相應(yīng)的矩陣值，通過激勵層實現(xiàn)數(shù)據(jù)結(jié)構(gòu)的非線性映射實現(xiàn)圖層，再通過池化層把龐大的數(shù)據(jù)進行壓縮，實現(xiàn)數(shù)據(jù)的推薦，上述的層次結(jié)構(gòu)都是通過全連接層實現(xiàn)的，這便是完整的卷積神經(jīng)網(wǎng)絡(luò)的基本實現(xiàn)方式。

4 基于卷積神經(jīng)網(wǎng)絡(luò)協(xié)同過濾的影片推薦

4.1數(shù)據(jù)處理

本項目使用MoviesLens數(shù)據(jù)集[13]，該數(shù)據(jù)集存儲了電影評分，包含了來自6000名用戶對4000部電影的100萬條評分數(shù)據(jù)。

用戶數(shù)據(jù)由五部分組成，主要是用戶ID、性別、年齡、職業(yè)ID和郵編。從圖1可以看出，郵編是地區(qū)的郵政編碼，不是用戶特征字段，不需要使用。用戶數(shù)據(jù)user.dat文件中以“：：”連接每個數(shù)據(jù)。收集的數(shù)據(jù)包含各個年齡段中各行各業(yè)的人們，年齡段主要分為年齡在18歲以下、年齡在18～24歲之間、年齡在25～34歲之間、年齡在35～44歲之間、年齡在45～49歲之間、年齡在50～55歲之間、年齡在56歲以上，涉及的行業(yè)包含學術(shù)/教育工作者、藝術(shù)家、文員/行政等二十個方面的。用戶數(shù)據(jù)預(yù)處理前的數(shù)據(jù)格式如圖1所示。

影片數(shù)據(jù)集中收集到的電影可以分為十六個類別，由動作片、冒險片、動畫片、兒童片等組成，由電影ID、電影名稱和電影風格三個字段組成，數(shù)據(jù)之間的連接方式依然通過“：：”連接，影片數(shù)據(jù)預(yù)處理前數(shù)據(jù)如圖2所示。

評分數(shù)據(jù)由用戶ID、電影ID、評分、時間戳四部分組成，評分數(shù)據(jù)中數(shù)據(jù)的排序以用戶ID為主，電影ID為輔進行排序。評分數(shù)據(jù)預(yù)處理后的數(shù)據(jù)如圖3所示。

因為數(shù)據(jù)存在差異性，要根據(jù)數(shù)據(jù)的特點進行不同的處理：用戶ID、職業(yè)ID和電影ID是不用改變的;性別字段：需要數(shù)據(jù)庫中的F和M字符轉(zhuǎn)換成數(shù)值0和1;年齡字段可以將年齡分為七大類，將七大類分別轉(zhuǎn)成7個連續(xù)0—6的數(shù)值;電影分類字段，需要轉(zhuǎn)換成數(shù)字，首先組成一個由電影分類和唯一標識這個電影分類的數(shù)字的字典，將每部電影的分類字段轉(zhuǎn)換成相應(yīng)的列表，因為每部電影可能不止一個類別。電影的名稱字段與電影類別做相似處理。電影名稱和電影類別的長度需要統(tǒng)一，為了方便處理，長度不足的部分用‘對應(yīng)的數(shù)字進行填充。預(yù)處理完成之后的用戶數(shù)據(jù)、電影數(shù)據(jù)、評分數(shù)據(jù)如圖4所示。

3.2 實驗準備

實驗的目的是通過計算訓練出用戶特征值和電影特征值，進行推薦處理分析使用，分析數(shù)據(jù)集中的相關(guān)字典，發(fā)現(xiàn)其中一些字段信息較為特殊，對這些不同于其他字段，且不方便存儲的信息通過one hot編碼方式進行轉(zhuǎn)化存儲，如用戶ID、電影ID等字段，這種編碼表示的是由0和1組成的數(shù)據(jù)集合。在存儲數(shù)據(jù)時，時常遇到稀疏性問題，輸入的時間較長，維度也急劇膨脹，這是急需解決的問題，因此通過相關(guān)數(shù)據(jù)的預(yù)處理方式，將這些字段轉(zhuǎn)化成數(shù)字，用這些數(shù)字當作嵌入矩陣的索引，網(wǎng)絡(luò)的第一層使用了嵌入層，維度是（N，32）和（N，16）。

電影類型的處理要多一步，有時一部電影有多部電影類型，這樣從嵌入矩陣索引出來是一個（n，32）的矩陣，將這個矩陣求和，變成（1，32）的向量。從嵌入層索引特征以后，將每個特征值通過全連接層傳入，再將輸出傳入到全連接層，最終得到（1，200）的用戶特征和電影特征兩個特征向量。對于電影名稱的處理比較特殊，從嵌入矩陣中得到電影名對應(yīng)的各個單詞的嵌入向量，名稱長度有一定限制，這里過濾器大小使用時，就選擇2、3、4、5長度。然后對文本嵌入層使用滑動2、3、4、5個單詞尺寸的卷積核做卷積和最大池化。最后進行Dropout 操作，全連接層輸出。

3.3 實驗環(huán)境

1）硬件設(shè)備

處理器：Intel（R） Core（TM）i7 -8750H CPU @ 2.20GHz 2.21 GHz。

內(nèi)存：8GB。

2）軟件環(huán)境

操作系統(tǒng)：Microsoft Windows10 操作系統(tǒng)（64位）。

開發(fā)語言：Python 3.7。

編碼工具：JetBrainsPyCharm 2018.1.3。

軟件工具：Pandas、Numpy、Tensorflow、Collections、Os、Pickle、Re、Zipfile、Hashlib、Matplotlib、Time、Datetime，其中安裝Numpy版本過高的話會報錯，所以需要安裝1.16.0版本的numpy。

實驗采用了協(xié)同過濾算法進行的相關(guān)設(shè)計，從不同方面進行相關(guān)數(shù)據(jù)的讀取、呈現(xiàn)和分析，能夠做到的就是一個根據(jù)不同設(shè)計模式進行的算法驗證操作。

3.4訓練參數(shù)設(shè)置

為了保證算法的精確性，采用了大量的訓練數(shù)據(jù)進行長時間的計算，以折現(xiàn)圖的方式進行展現(xiàn)。在每個圖中，Train_loss表示訓練誤差，即訓練集在模型中預(yù)測結(jié)果與真實結(jié)果的差值，Test_loss 表示驗證集上的損失。從折線圖變化的趨勢可以看出，Train_loss折線圖和Test_loss折線圖都呈下降趨勢，表明設(shè)計的網(wǎng)絡(luò)信息還在不斷學習，即網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計得當，訓練超參數(shù)設(shè)置得當。

對于卷積神經(jīng)網(wǎng)絡(luò)的推薦結(jié)果影響最大的三個參數(shù)為Batch_size、學習率和迭代次數(shù)。Batch_size就是每批處理的樣本的個數(shù)，即一次訓練所選取的樣本數(shù)。學習率就是機器學習的速率，開始時需要較高的學習率進行快速學習，運行一段數(shù)據(jù)學習率不斷衰減，達到穩(wěn)定。 迭代次數(shù)，每一次迭代都會更新一次網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)。Dropout是為了應(yīng)對神經(jīng)網(wǎng)絡(luò)很容易過擬合的問題。本次設(shè)置了三種不同的參數(shù)，學習率和Dropout的值始終為0.0001和0.5，而Batch_size和迭代次數(shù)設(shè)置為三組不同的數(shù)值，根據(jù)“一個參數(shù)不變，改變另一個參數(shù)”的原則，選擇了256和5、64和5、64和20三組，并且對于Test_loss和Train_loss的值進行統(tǒng)計，結(jié)果如圖5、圖6、圖7所示。

圖5是在迭代次數(shù)為5的情況下，將Batch_size設(shè)置為256時，從訓練缺損和測試缺損的統(tǒng)計分布來看，訓練缺損的值在0.966和12.162之間，測試缺損的值在 0.722和1.418之間，可以看出來波動比較大，不是很穩(wěn)定。

圖6與圖5相比，樣本數(shù)量不變，但是樣本的迭代次數(shù)增加到20次，此時訓練缺損值的范圍在0.899～7.984之間，測試缺損值在0.546～1.589之間，相比圖5，相對而言波動收斂些，這就說明，在batch_size的數(shù)值相同時，增加迭代次數(shù)，可以使訓練和測試結(jié)果更加穩(wěn)定。

圖7與圖5的迭代次數(shù)一致，都為5，將Batch_size設(shè)置為64時，對比圖5，訓練缺損值范圍在0.823至13.101之間，測試缺損值范圍在0.232至1.712之間，忽略網(wǎng)絡(luò)開始學習不穩(wěn)定的情況，說明在一定范圍內(nèi)，適當降低Batch_size值，可以降低訓練缺損。

圖8結(jié)合圖6和圖7的規(guī)律，將batch_size的值設(shè)置為64，迭代次數(shù)設(shè)置為20，訓練缺損值范圍在0.506至14.021之間，測試缺損值范圍在0.192至1.708之間，可以看出訓練缺損和測試缺損的趨勢更為穩(wěn)定，因此本文認為，當batch_size 為確定值時，增加迭代次數(shù)可以使訓練和測試結(jié)果更加穩(wěn)定。

4 實驗結(jié)果分析

推薦同類型的電影根據(jù)在數(shù)據(jù)集中隨機選區(qū)的電影，計算電影特征向量與電影特征矩陣的余弦值進行相似度的比較，計算較大的五個值，如圖9所示。

根據(jù)喜歡的電影推薦，隨機生成用戶特征，通過卷積神經(jīng)網(wǎng)絡(luò)結(jié)合電影特征矩陣計算電影評分，進行推薦評分最高的部分，這個數(shù)量是可以進行修改的，在本項目中推薦的數(shù)量設(shè)置為5，如圖10所示。

根據(jù)看過此電影的人還喜歡哪些電影，在數(shù)據(jù)集中選取出的一個電影，然后根據(jù)排名選出有同樣喜好的用戶，提取這些用戶的特征向量，進行算法的設(shè)計得出相應(yīng)的推薦，將每個人評分最高的電影選出，并分別進行推薦，如圖11所示。

通過對IMDB數(shù)據(jù)集的獲取，對存在的相關(guān)用戶個性特征值和電影特征值進行卷積神經(jīng)網(wǎng)絡(luò)CNN的計算，通過上述的設(shè)計方法，進行數(shù)據(jù)值的處理比對，根據(jù)生產(chǎn)用戶的特征值矩陣和電影特征值矩陣進行處理分析得出loss的數(shù)值，計算當前看的電影特征向量與整個電影特征矩陣的余弦相似度，添加其中隨機生成的字段不同，使用用戶特征向量與電影特征矩陣計算所有電影的評分，獲取得出數(shù)較高的電影信息，進行推薦，充分地結(jié)合CNN的設(shè)計思路，并通過協(xié)同過濾算法來解決用戶的冷啟動問題，計算新用戶的矩陣特征值，對數(shù)據(jù)集中的用戶數(shù)據(jù)進行比對，有相似用戶特征值信息的用戶，喜歡的電影類型，進行相同類型的推薦，這樣可以稍微緩解用戶的冷啟動問題。

5結(jié)束語

本文利用卷積神經(jīng)網(wǎng)絡(luò)和協(xié)同過濾算法對電影數(shù)據(jù)分析，經(jīng)過大量的訓練實驗得出較優(yōu)的卷積參數(shù)，通過協(xié)同過濾算法計算與其他用戶的相似度，實現(xiàn)了電影推薦系統(tǒng)，設(shè)計的電影推薦系統(tǒng)結(jié)合算法維度進行推薦，并實現(xiàn)較高的準確度，緩解了推薦系統(tǒng)的“冷啟動”問題。

參考文獻：

[1] Chen Y L，Cheng L C，Chuang C N.A group recommendation system with consideration of interactions among group members[J].Expert Systems With Applications，2008，34（3）：2082-2090.

[2] 許海玲，吳瀟，李曉東，等.互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J].軟件學報，2009，20（2）：350-362.

[3] 馬宏偉，張光衛(wèi)，李鵬.協(xié)同過濾推薦算法綜述[J].小型微型計算機系統(tǒng)，2009，30（7）：1282-1288.

[4] Resnick P，Iacovou N，Suchak M，et al.GroupLens：an open architecture for collaborative filtering of netnews[C]//ACM Conference on Computer Supported Cooperative Work.ACM，1994：175-186.

[5] Tuzhilin A.Towards the next generation of recommendersystems[C]//Proceedings of the 2010 International Conference on E-Business Intelligence.Paris，F(xiàn)rance：Atlantis Press，2010.

[6] 陳思亦，何利力，鄭軍紅.結(jié)合商圈位置區(qū)域模型的商品推薦算法[J].計算機系統(tǒng)應(yīng)用，2019，28（8）：136-141.

[7] 孫冬婷，何濤，張福海.推薦系統(tǒng)中的冷啟動問題研究綜述[J].計算機與現(xiàn)代化，2012（5）：59-63.

[8] Schein A I，Popescul A，Ungar L H，et al.Methods and metrics for cold-start recommendations[C]//SIGIR'02：Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval，2002：253-260.

[9] 鄧明通，劉學軍，李斌.基于用戶偏好和動態(tài)興趣的多樣性推薦方法[J].小型微型計算機系統(tǒng)，2018，39（9）：2029-2034.

[10] 劉建國，周濤，汪秉宏.個性化推薦系統(tǒng)的研究進展[J].自然科學進展，2009，19（1）：1-15.

[11] 孫志軍，薛磊，許陽明，等.深度學習研究綜述[J].計算機應(yīng)用研究，2012，29（8）：2806-2810.

[12] Lecun Y，Bottou L，Bengio Y，et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998，86（11）：2278-2324.

[13]Harper F M，KonstanJ A.The MovieLens Datasets：Historyand Context[J].ACM Transactions on Interactive Intelligent Systems （TiiS） 5，4，Article 19 （December 2015），19 pages.DOI=http：//dx .doi.org/10.1145/2827872.

收稿日期：2022-03-16

作者簡介：張海飛（1980—），男，江蘇如東人，副教授，博士，研究方向為機器學習、深度強化學習、地理信息系統(tǒng);崔軍納（1979—），男，河南許昌人，工程師，碩士，研究方向為工業(yè)互聯(lián)網(wǎng)技術(shù)、物聯(lián)網(wǎng)技術(shù)、自動控制技術(shù);葛金鼎（1984—），男，江蘇通州人，碩士，研究方向為船舶工程、機械工程、自動控制技術(shù)。