本發(fā)明屬于推薦算法和關(guān)聯(lián)規(guī)則挖掘技術(shù)領(lǐng)域，特別涉及一種基于皮爾遜相似度和FP-Growth的圖審專(zhuān)家推薦方法，主要用于計(jì)算項(xiàng)目審查專(zhuān)家組合的支持度，即契合度，進(jìn)而使得專(zhuān)家協(xié)同審查效率提高，并以此增加歷史項(xiàng)目審查專(zhuān)家集數(shù)據(jù)的使用價(jià)值。

背景技術(shù)：

項(xiàng)目審查專(zhuān)家推薦算法對(duì)項(xiàng)目審查領(lǐng)域中實(shí)現(xiàn)項(xiàng)目審查專(zhuān)家高效的遴選有重要的作用和意義。傳統(tǒng)的項(xiàng)目審查專(zhuān)家組由人工選擇的方式已經(jīng)不能滿(mǎn)足項(xiàng)目審查領(lǐng)域的需求。近年來(lái)針對(duì)不同的推薦系統(tǒng)的需求，研究者提出了相應(yīng)的個(gè)性化推薦方案，如基于內(nèi)容推薦，協(xié)同過(guò)濾，關(guān)聯(lián)規(guī)則，效用推薦，組合推薦等。

馮萬(wàn)利，朱全銀等人已有的研究基礎(chǔ)包括：Wanli Feng.Research of theme statement extraction for chinese literature based on lexical chain.International Journal of Multimedia and Ubiquitous Engineering,Vol.11,No.6(2016),pp.379-388；Wanli Feng,Ying Li,Shangbing Gao,Yunyang Yan,Jianxun Xue.A novel flame edge detection algorithm via a novel active contour model.International Journal of Hybrid Information Technology,Vol.9,No.9(2016),pp.275-282；劉金嶺,馮萬(wàn)利.基于屬性依賴(lài)關(guān)系的模式匹配方法[J].微電子學(xué)與計(jì)算機(jī),2011,28(12):167-170；劉金嶺,馮萬(wàn)利,張亞紅.初始化簇類(lèi)中心和重構(gòu)標(biāo)度函數(shù)的文本聚類(lèi)[J].計(jì)算機(jī)應(yīng)用研究,2011,28(11):4115-4117；劉金嶺,馮萬(wàn)利,張亞紅.基于重新標(biāo)度的中文短信文本聚類(lèi)方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(21):146-150.；朱全銀,潘祿,劉文儒,等.Web科技新聞分類(lèi)抽取算法[J].淮陰工學(xué)院學(xué)報(bào),2015,24(5):18-24；李翔,朱全銀.聯(lián)合聚類(lèi)和評(píng)分矩陣共享的協(xié)同過(guò)濾推薦[J].計(jì)算機(jī)科學(xué)與探索,2014,8(6):751-759；Quanyin Zhu,Sunqun Cao.A Novel Classifier-independent Feature Selection Algorithm for Imbalanced Datasets.2009,p:77-82；Quanyin Zhu,Yunyang Yan,Jin Ding,Jin Qian.The Case Study for Price Extracting of Mobile Phone Sell Online.2011,p:282-285；Quanyin Zhu,Suqun Cao,Pei Zhou,Yunyang Yan,Hong Zhou.Integrated Price Forecast based on Dichotomy Backfilling and Disturbance Factor Algorithm.International Review on Computers and Software,2011,Vol.6(6):1089-1093；朱全銀，馮萬(wàn)利等人申請(qǐng)、公開(kāi)與授權(quán)的相關(guān)專(zhuān)利：馮萬(wàn)利,邵鶴帥,莊軍.一種智能冷藏車(chē)狀態(tài)監(jiān)測(cè)無(wú)線(xiàn)網(wǎng)絡(luò)終端裝置:CN203616634U[P].2014；朱全銀，胡蓉靜，何蘇群，周培等.一種基于線(xiàn)性插補(bǔ)與自適應(yīng)滑動(dòng)窗口的商品價(jià)格預(yù)測(cè)方法.中國(guó)專(zhuān)利:ZL 2011 1 0423015.5,2015.07.01；朱全銀，曹蘇群，嚴(yán)云洋，胡蓉靜等，一種基于二分?jǐn)?shù)據(jù)修補(bǔ)與擾亂因子的商品價(jià)格預(yù)測(cè)方法.中國(guó)專(zhuān)利:ZL 2011 1 0422274.6,2013.01.02；李翔，朱全銀，胡榮林，周泓.一種基于譜聚類(lèi)的冷鏈物流配載智能推薦方法.中國(guó)專(zhuān)利公開(kāi)號(hào):CN105654267A,2016.06.08。

皮爾遜積矩相關(guān)系數(shù)：

皮爾遜積矩相關(guān)系數(shù)(Pearson product-moment correlation coefficient)用于度量?jī)蓚€(gè)變量X和Y之間的相關(guān)，其值介于-1與1之間。在自然科學(xué)領(lǐng)域中，該系數(shù)廣泛用于度量?jī)蓚€(gè)變量之間的相關(guān)程度。

關(guān)聯(lián)規(guī)則算法：

基于關(guān)聯(lián)規(guī)則的推薦更常見(jiàn)于電子商務(wù)系統(tǒng)中，并且也被證明行之有效，其實(shí)際的意義為購(gòu)買(mǎi)了一些物品的用戶(hù)更傾向于購(gòu)買(mǎi)另一些物品，基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)的首要目標(biāo)是挖掘出關(guān)聯(lián)規(guī)則，也就是那些同時(shí)被很多用戶(hù)購(gòu)買(mǎi)的物品集合，這些集合內(nèi)的物品可以相互進(jìn)行推薦?；陉P(guān)聯(lián)規(guī)則的推薦系統(tǒng)一般轉(zhuǎn)化率比較高，因?yàn)楫?dāng)用戶(hù)已經(jīng)購(gòu)買(mǎi)了頻繁集合中的若干項(xiàng)目后，購(gòu)買(mǎi)該頻繁集合中的其他項(xiàng)目的可能性更高。然而挖掘項(xiàng)目集合的關(guān)聯(lián)規(guī)則計(jì)算量較大，同時(shí)也存在用戶(hù)數(shù)據(jù)的稀疏性問(wèn)題，降低了推薦的準(zhǔn)確率。

FP-Growth算法：

FP-Growth算法是韓家煒等人在2000年提出的關(guān)聯(lián)分析算法，它采取如下分治策略：將提供頻繁項(xiàng)集的數(shù)據(jù)庫(kù)壓縮到一棵頻繁模式樹(shù)(FP-tree)，但仍保留項(xiàng)集關(guān)聯(lián)信息。FP-tree是一種特殊的前綴樹(shù)，由頻繁項(xiàng)頭表和項(xiàng)前綴樹(shù)構(gòu)成。FP-Growth算法基于以上的結(jié)構(gòu)加快整個(gè)挖掘過(guò)程。FP-Growth算法較挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法中的Apriori算法而言，采用分治策略對(duì)數(shù)據(jù)庫(kù)進(jìn)行挖掘，不產(chǎn)生候選項(xiàng)集，它采用FP-Tree存放數(shù)據(jù)庫(kù)的重要信息，只需掃描兩次數(shù)據(jù)庫(kù)，然后將關(guān)鍵的信息以FP-Tree的形式存放在內(nèi)存中，避免了多次掃描數(shù)據(jù)庫(kù)帶來(lái)的巨大開(kāi)銷(xiāo)。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：傳統(tǒng)的項(xiàng)目審查專(zhuān)家組是人工選擇出來(lái)的，就會(huì)存在這樣的問(wèn)題：選出的專(zhuān)家組并沒(méi)有審查過(guò)類(lèi)似規(guī)模的項(xiàng)目，會(huì)浪費(fèi)大量時(shí)間；選出來(lái)的專(zhuān)家組成員之間契合度不高，導(dǎo)致項(xiàng)目審查效率較低。針對(duì)傳統(tǒng)方法存在的問(wèn)題，本發(fā)明通過(guò)綜合分析歷史項(xiàng)目審查專(zhuān)家集和歷史綜合項(xiàng)目記錄集，采用一種基于皮爾遜相似度和FP-Growth的圖審專(zhuān)家推薦方法，為待審查項(xiàng)目推薦契合度最高的審查專(zhuān)家組。

技術(shù)方案：本發(fā)明提出一種基于皮爾遜相似度和FP-Growth的圖審專(zhuān)家推薦方法，包括如下步驟：

步驟1：對(duì)待審查項(xiàng)目和綜合項(xiàng)目記錄集中的項(xiàng)目屬性進(jìn)行歸一化預(yù)處理，所述待審查項(xiàng)目和綜合項(xiàng)目通過(guò)綜合項(xiàng)目類(lèi)型、綜合項(xiàng)目類(lèi)型的分支項(xiàng)目類(lèi)型和項(xiàng)目屬性表示，具體方法為：

步驟1.1：定義綜合型項(xiàng)目類(lèi)型、分支項(xiàng)目類(lèi)型和項(xiàng)目屬性；

步驟1.2：記錄綜合項(xiàng)目記錄集項(xiàng)目屬性中各項(xiàng)數(shù)據(jù)的最大值和最小值；

步驟1.3：對(duì)綜合項(xiàng)目記錄集和待處理項(xiàng)目項(xiàng)目屬性的數(shù)據(jù)進(jìn)行歸一化處理，具體公式為：

A_norm＝(A-A_min)/(A_max-A_min)

式中，A_max和A_min分別為項(xiàng)目屬性各項(xiàng)數(shù)據(jù)的最大值和最小值，A為歸一化前的數(shù)據(jù)，A_norm為歸一化后的數(shù)據(jù)。

步驟2：通過(guò)皮爾遜相似度方法對(duì)歸一化后的數(shù)據(jù)集處理得出與待審查項(xiàng)目規(guī)模最接近的十個(gè)項(xiàng)目，并抽取十個(gè)項(xiàng)目的審查專(zhuān)家，所述審查專(zhuān)家通過(guò)研究的分支項(xiàng)目類(lèi)型和審查項(xiàng)目記錄表示，具體方法為：

步驟2.1：定義圖審專(zhuān)家數(shù)據(jù)集和已審查項(xiàng)目記錄集，所述圖審專(zhuān)家數(shù)據(jù)用專(zhuān)家編號(hào)和專(zhuān)家研究的分支項(xiàng)目類(lèi)型表示，所述圖審專(zhuān)家數(shù)據(jù)集用項(xiàng)目編號(hào)和圖審專(zhuān)家編號(hào)表示；

步驟2.2：根據(jù)項(xiàng)目編號(hào)對(duì)已審查項(xiàng)目記錄集中的專(zhuān)家進(jìn)行整合，得到審查不同項(xiàng)目的工程項(xiàng)目審查專(zhuān)家集；

步驟2.3：計(jì)算待審查項(xiàng)目與綜合項(xiàng)目記錄集中各項(xiàng)目的相似度，具體公式為：

式中，sim_i為待審查項(xiàng)目與第i個(gè)項(xiàng)目的相似度，X_j和Y_ij分別為待審查項(xiàng)目和第i個(gè)項(xiàng)目的項(xiàng)目屬性數(shù)據(jù)集元素；和分別為待審查項(xiàng)目和第i個(gè)項(xiàng)目的項(xiàng)目屬性數(shù)據(jù)的均值；

步驟2.4：對(duì)相似對(duì)進(jìn)行排序，提取前十個(gè)項(xiàng)目對(duì)應(yīng)的項(xiàng)目編號(hào)及對(duì)應(yīng)的審查專(zhuān)家集，即得預(yù)選圖審專(zhuān)家集。

步驟3：根據(jù)待審查的綜合項(xiàng)目的分支項(xiàng)目類(lèi)型和圖審專(zhuān)家研究方向，對(duì)抽取出的專(zhuān)家進(jìn)行組合，得到所有備選組合專(zhuān)家集，具體方法為：

步驟3.1：從預(yù)選圖審專(zhuān)家集中剔除有審查任務(wù)的專(zhuān)家；

步驟3.2：從步驟3.1得到的專(zhuān)家集中選擇研究分支項(xiàng)目類(lèi)型與待審查項(xiàng)目分支項(xiàng)目類(lèi)型相同的圖審專(zhuān)家，并將專(zhuān)家按照分支項(xiàng)目類(lèi)型表示；

步驟3.3：若步驟3.2得到的專(zhuān)家集存在待審查項(xiàng)目某分支類(lèi)型沒(méi)有專(zhuān)家，則針對(duì)該項(xiàng)目分支類(lèi)型，從所有圖審專(zhuān)家數(shù)據(jù)集中尋找審查該分支項(xiàng)目類(lèi)型且沒(méi)有工作任務(wù)的專(zhuān)家加入；

步驟3.4：從步驟3.3得到的專(zhuān)家集對(duì)應(yīng)的每個(gè)分支項(xiàng)目類(lèi)型中至少抽取一個(gè)專(zhuān)家，即得所有備選組合專(zhuān)家集。

步驟4：使用FP-Growth方法對(duì)歷史項(xiàng)目審查專(zhuān)家集處理，得到圖審專(zhuān)家組合頻繁項(xiàng)集；

步驟5：利用組合頻繁項(xiàng)集通過(guò)每種專(zhuān)家組合自適應(yīng)契合度方法計(jì)算每種備選專(zhuān)家組合集的支持度，最終支持度最大即契合度最高的專(zhuān)家組合集即為參與待審查項(xiàng)目的專(zhuān)家集，具體方法為：

步驟5.1：以一種備選組合專(zhuān)家集為例，該專(zhuān)家集共有n個(gè)專(zhuān)家，從備選組合專(zhuān)家集中抽取1位專(zhuān)家，共有種抽取方式，從備選組合專(zhuān)家集中抽取2位專(zhuān)家，共有種抽取方式，以此類(lèi)推，一直抽取到n為專(zhuān)家，共有種抽取方式，即所有的抽取結(jié)果組合成Subset集，Subset包含集合數(shù)量為初始化備選組合專(zhuān)家集的契合度SValue為0；

步驟5.2：遍歷Subset，若Subset中的一種抽取后的專(zhuān)家組合在圖審專(zhuān)家組合頻繁項(xiàng)集中，則步驟5.1中備選組合專(zhuān)家集的契合度應(yīng)加上該抽取后的專(zhuān)家組合對(duì)應(yīng)頻繁項(xiàng)集中的頻數(shù)與該抽取后的專(zhuān)家組合中的專(zhuān)家數(shù)的乘積，即：

SValue＝SValue+f*k

式中，SValue為備選組合專(zhuān)家集的契合度，f為抽取后的專(zhuān)家組合對(duì)應(yīng)頻繁項(xiàng)集中的頻數(shù)，k為抽取后的專(zhuān)家組合中的專(zhuān)家數(shù)的乘積，遍歷結(jié)束，即得到步驟5.1中備選組合專(zhuān)家集的最終契合度；

步驟5.3：通過(guò)步驟5.1、5.2方法計(jì)算所有備選組合專(zhuān)家集的契合度，最終契合度最高的備選組合專(zhuān)家集即為參與待審查項(xiàng)目的專(zhuān)家集。

本發(fā)明采用上述技術(shù)方案，具有以下有益效果：本發(fā)明方法利用綜合項(xiàng)目記錄集和歷史項(xiàng)目審查專(zhuān)家集，有效的推薦了一種契合度最高的圖審專(zhuān)家組合，提高了審查的效率，具體的：本發(fā)明利用專(zhuān)家審查項(xiàng)目歷史記錄進(jìn)行數(shù)據(jù)挖掘，發(fā)現(xiàn)專(zhuān)家之間的組合關(guān)系和契合度，采用皮爾遜相似度算法得到與待審查項(xiàng)目相似的歷史項(xiàng)目審查專(zhuān)家集，抽取該專(zhuān)家集中沒(méi)有審查任務(wù)的專(zhuān)家，并依據(jù)待審查的綜合項(xiàng)目的分支項(xiàng)目和專(zhuān)家審查方向?qū)μ幚砗蟮膶?zhuān)家進(jìn)行組合，使得每種組合包含的專(zhuān)家均為審查過(guò)與待審查項(xiàng)目類(lèi)似的專(zhuān)家。此外，本發(fā)明創(chuàng)造性地提出了一種專(zhuān)家組合契合度算法用于計(jì)算每種專(zhuān)家組合的契合度，契合度最高的專(zhuān)家組即為最終推薦的待審查項(xiàng)目的專(zhuān)家組，提高了審查的效率。

附圖說(shuō)明

圖1為圖審專(zhuān)家推薦方法整體流程圖；

圖2為項(xiàng)目和審查專(zhuān)家相關(guān)數(shù)據(jù)預(yù)處理和關(guān)聯(lián)規(guī)則方法流程圖；

圖3為項(xiàng)目相關(guān)數(shù)據(jù)歸一化處理和相似度計(jì)算方法流程圖；

圖4為專(zhuān)家組合方法流程圖；

圖5為選取所有備選專(zhuān)家組合中契合度最高的專(zhuān)家組和的方法流程；

圖6為每種專(zhuān)家組合自適應(yīng)契合度方法流程。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià)形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。

步驟1：對(duì)待審查項(xiàng)目和綜合項(xiàng)目記錄集中的項(xiàng)目屬性進(jìn)行歸一化預(yù)處理，所述待審查項(xiàng)目和綜合項(xiàng)目通過(guò)綜合項(xiàng)目類(lèi)型、綜合項(xiàng)目類(lèi)型的分支項(xiàng)目類(lèi)型和項(xiàng)目屬性表示，具體的如圖2所示：

步驟1.1：定義G₁,G₂,G₃,G₄,G₅分別為綜合型項(xiàng)目類(lèi)型中的城市供水排水、建筑裝飾、居住建筑、房屋建筑勘察和單項(xiàng)設(shè)計(jì)工程類(lèi)，定義B₁,B₂,B₃,B₄,B₅,B₆,B₇分別為分支項(xiàng)目類(lèi)型中的巖土工程勘察、建筑、暖通、電氣、結(jié)構(gòu)、給排水和道路類(lèi)，并且滿(mǎn)足關(guān)系：

G₁＝{B₁,B₂,B₃,B₄,B₅,B₆,B₇},G₂＝{B₁,B₂,B₃,B₄,B₅,B₆},G₃＝{B₁,B₂,B₃,B₄,B₅,B₆},G₄＝{B₁,B₂,B₄,B₅,B₆},G₅＝{B₁,B₂,B₄,B₅,B₆}

步驟1.2：定義ProjectInfo為所有綜合項(xiàng)目數(shù)據(jù)集，ProjectInfo＝{pr₁,pr₂,...,pr_A}，pr_i＝{id_i,G_B,Ar_i,Fl_i,Hi_i,Ac_i,Co_i,Am_i}為單個(gè)綜合項(xiàng)目數(shù)據(jù)集，其中，A＝Card(ProjectInfo)，函數(shù)Card()用于計(jì)算集合元素?cái)?shù)量，變量i∈[1,A]，變量B∈[1,5]，id_i為項(xiàng)目編號(hào)，G_B,Ar_i,Fl_i,Hi_i,Ac_i,Co_i,Am_i分別表示項(xiàng)目編號(hào)為id_i的項(xiàng)目的綜合型項(xiàng)目類(lèi)型、占地面積、樓層數(shù)、建筑高度、應(yīng)收賬款、配方含量和耗材量；

步驟1.3：定義HP為待處理項(xiàng)目，綜合型項(xiàng)目類(lèi)型為HPType，項(xiàng)目數(shù)據(jù)集HPInfo＝{HPType,HAr,HFl,HHi,HAc,HCo,HAm}，其中，HAr,HFl,HHi,HAc,HCo,HAm分別為HP項(xiàng)目的占地面積、樓層數(shù)、建筑高度、應(yīng)收賬款、配方含量和耗材量；

步驟1.4：定義Ar_min,Fl_min,Hi_min,Ac_min,Co_min,Am_min分別為步驟1.2中的ProjectInfo中Ar,Fl,Hi,Ac,Co,Am的最小值，Ar_max,Fl_max,Hi_max,Ac_Max,Co_max,Am_max分別為步驟1.2中的ProjectInfo中Ar,Fl,Hi,Ac,Co,Am的最大值，定義循環(huán)變量P，用來(lái)遍歷步驟1.2中的ProjectInfo，P賦初值為1；

步驟1.5：當(dāng)循環(huán)變量P≤A時(shí)，則轉(zhuǎn)至步驟1.6；否則執(zhí)行步驟1.8；

步驟1.6：Ar_P＝(Ar_P-Ar_min)/(Ar_max-Ar_min)，F(xiàn)l_P＝(Fl_P-Fl_min)/(Fl_max-Fl_min)，Hi_P＝(Hi_P-Hi_min)/(Hi_max-Hi_min)，Ac_P＝(Ac_P-Ac_min)/(Ac_max-Ac_min)，Co_P＝(Co_P-Co_min)/

(Co_max-Co_min)，Am_P＝(Am_P-Am_min)/(Am_max-Am_min)；即對(duì)綜合項(xiàng)目記錄集中的數(shù)據(jù)的歸一化處理；

步驟1.7：令P＝P+1，轉(zhuǎn)至步驟1.5；

步驟1.8：HAr＝(HAr-Ar_min)/(Ar_max-Ar_min)，HFl＝(HFl-Fl_min)/(Fl_max-Fl_min)，HHi＝(HHi-Hi_min)/(Hi_max-Hi_min)，HAc＝(HAc-Ac_min)/(Ac_max-Ac_min)，HCo＝(HCo-Co_min)/(Co_max-Co_min)，HAm＝(HAm-Am_min)/(Am_max-Am_min)；即對(duì)待審查項(xiàng)目的數(shù)據(jù)的歸一化處理。

步驟2：通過(guò)皮爾遜相似度方法對(duì)歸一化后的數(shù)據(jù)集處理得出與待審查項(xiàng)目規(guī)模最接近的十個(gè)項(xiàng)目，并抽取十個(gè)項(xiàng)目的審查專(zhuān)家，所述審查專(zhuān)家通過(guò)研究的分支項(xiàng)目類(lèi)型和審查項(xiàng)目記錄表示，具體的如圖3所示：

步驟2.1：定義ExpertInfo＝{expertInfo₁,expertInfo₂,...,expertInfo_E}為所有圖審專(zhuān)家數(shù)據(jù)集，expertInfo_F＝{Ma_F,B_g}為單個(gè)圖審專(zhuān)家數(shù)據(jù)集，ExpertAll＝{Ma₁,Ma₂,...,Ma_E}為所有圖審專(zhuān)家編號(hào)集，其中，E＝Card(ExpertInfo)，Ma_F為圖審專(zhuān)家編號(hào)，變量F∈[1,E]，g∈[1,7]，B_g為編號(hào)為Ma_F圖審專(zhuān)家研究的分支項(xiàng)目類(lèi)型；

步驟2.2：定義CenSorOpinions為圖審專(zhuān)家已審查項(xiàng)目記錄集，CenSorOpinions＝{{id₁,Ma_C1},{id₁,Ma_C2},...,{id_A,Ma_D1},{id_A,Ma_D2}}，其中，C1,C2,D1,D2∈[1,E]，N＝Card(CenSorOpinions)；

步驟2.3：對(duì)步驟2.2中的CenSorOpinions數(shù)據(jù)集中id_i相同的數(shù)據(jù)子集中的Ma數(shù)據(jù)項(xiàng)進(jìn)行行列轉(zhuǎn)換，得到工程項(xiàng)目審查專(zhuān)家集：

ExpertJoin＝{expertJoin₁,expertJoin₂,...,expertJoin_A}，其中，expertJoin_b＝{{Ma_H,...,Ma_I}為編號(hào)為id_b的pr_b項(xiàng)目審查專(zhuān)家集，變量H,I∈[1,E]，b∈[1,A]；

步驟2.4：定義循環(huán)變量R，用來(lái)遍歷步驟1.2中的所有綜合項(xiàng)目數(shù)據(jù)集ProjectInfo，X＝{HAr,HFl,HHi,HAcc,HCo,HAm}，sim_R為步驟1.2中的ProjectInfo中的綜合項(xiàng)目pr_R與待處理項(xiàng)目HP的相似度，Sim為相似度集，其中，R∈[1,A]，R賦初值為1，id_R為單個(gè)綜合項(xiàng)目pr_R的項(xiàng)目編號(hào)，Sim賦初值為

步驟2.5：當(dāng)循環(huán)變量R≤A，則執(zhí)行步驟2.6；否則轉(zhuǎn)至步驟2.9；

步驟2.6：Y＝{Ar_R,Fl_R,Hi_R,Ac_R,Co_R,Am_R}，其中，

步驟2.7：其中，X_r1，Y_r1分別表示X,Y中的第r1個(gè)數(shù)據(jù)項(xiàng)，分別表示X,Y中元素的平均值，分別表示X,Y中元素的平均值，Sim＝Sim∪{id_R,sim_R}；

步驟2.8：令R＝R+1，轉(zhuǎn)至步驟2.5；

步驟2.9：得到Sim＝{{id₁,sim₁},{id₂,sim₂},...,{id_A,sim_A}}后進(jìn)行排序，得到有序相似度集Sim_i＝{{id_j1,a_j1},{id_j2,a_j2},...,{id_jA,a_jA}}，其中，a_j1≥a_j2≥...≥a_jA，{id_jt,a_jt}∈Sim，jt,j1,j2,jA∈[1,A]，SimProject＝{{id_j1,a_j1},{id_j2,a_j2},...,{id_j10,a_j10}}；

步驟2.10：定義Forecast為預(yù)選圖審專(zhuān)家集，并賦初值為定義循環(huán)變量V，用來(lái)遍歷步驟2.9中的SimProject，V賦初值為1，定義變量T為預(yù)選的圖審專(zhuān)家編號(hào)；

步驟2.11：當(dāng)循環(huán)變量V≤10時(shí)，則執(zhí)行步驟2.12；否則轉(zhuǎn)至步驟2.14；

步驟2.12：令項(xiàng)目審查專(zhuān)家集expertJoin_jV為項(xiàng)目編號(hào)為id_jV的審查專(zhuān)家集，預(yù)選圖審專(zhuān)家集

步驟2.13：令V＝V+1，轉(zhuǎn)至步驟2.11；

步驟2.14：得到預(yù)選圖審專(zhuān)家集Forecast＝{Ma_m1,Ma_m2,...,Ma_mn}，其中，Ma_mi為預(yù)選圖審專(zhuān)家集Forecast中的第i個(gè)數(shù)據(jù)項(xiàng)，Ma_mi∈ExpertAll，mi∈[1,E]。

步驟3：根據(jù)待審查的綜合項(xiàng)目的分支項(xiàng)目類(lèi)型和圖審專(zhuān)家研究方向，對(duì)抽取出的專(zhuān)家進(jìn)行組合，得到所有備選組合專(zhuān)家集，具體的如圖4所示：

步驟3.1：定義Work為有審查任務(wù)的圖審專(zhuān)家集，Work＝{Ma_u1,Ma_u2,...,Ma_un}，預(yù)選圖審專(zhuān)家集Forecast＝Forecast-Work，其中，Ma_ui為Work中的第i個(gè)數(shù)據(jù)項(xiàng)，Ma_ui∈ExpertAll，ui∈[1,E]；

步驟3.2：定義綜合型項(xiàng)目類(lèi)型G_N2＝{E₁,E₂,...,E_Z}，GN2＝{E1,E2,...,EZ}為待參與綜合型項(xiàng)目類(lèi)型G_N2審查的圖審專(zhuān)家集，其中，EJ為待參與分支項(xiàng)目類(lèi)型E_J審查的圖審專(zhuān)家集，EJ賦初值為G_N2＝HPtype，即綜合型項(xiàng)目類(lèi)型G_N2為步驟2.1中的待處理項(xiàng)目HP的綜合型項(xiàng)目類(lèi)型HPtype，Z＝Card(G_N2)，Z∈[5,7]，J∈[1,Z]；

步驟3.3：定義循環(huán)變量Num1,Num2分別用來(lái)遍歷步驟3.2中的GN2和步驟3.1中的Forecast，并都賦初值為1，Num3＝Card(Forecast)，E_Num1為步驟3.2中的GN2圖審專(zhuān)家集中第Num1個(gè)分支項(xiàng)目類(lèi)型，Ma_Num2為步驟3.1中的Forecast中第Num2個(gè)圖審專(zhuān)家編號(hào)；

步驟3.4：當(dāng)循環(huán)變量Num1≤Z時(shí)，則執(zhí)行步驟3.5；否則轉(zhuǎn)至步驟3.17；

步驟3.5：當(dāng)循環(huán)變量Num2≤Num3時(shí)，則執(zhí)行步驟3.6；否則轉(zhuǎn)至步驟3.10；

步驟3.6：令B_Num4為編號(hào)Ma_Num2專(zhuān)家研究的分支項(xiàng)目類(lèi)型，{Ma_Num2:B_Num4}∈ExpertInfo，其中，Num4∈[1,7]；

步驟3.7：當(dāng)B_Num4＝＝E_Num1時(shí)，即編號(hào)Ma_Num2專(zhuān)家研究的分支項(xiàng)目類(lèi)型與GN2圖審專(zhuān)家集中第Num1個(gè)分支項(xiàng)目類(lèi)型，則執(zhí)行步驟3.8；否則轉(zhuǎn)至步驟3.9；

步驟3.8：步驟3.2中的GN2圖審專(zhuān)家集中的第Num1個(gè)數(shù)據(jù)項(xiàng)目ENum1＝ENum1∪Ma_Num2；

步驟3.9：令Num2＝Num2+1，轉(zhuǎn)至步驟3.5；

步驟3.10：當(dāng)時(shí)，則執(zhí)行步驟3.11；否則轉(zhuǎn)至步驟3.16；

步驟3.11：定義循環(huán)變量c，用于遍歷步驟1.3中的ExpertInfo，ExpertInfo中的第c個(gè)數(shù)據(jù)項(xiàng)expertInfo_c＝{Ma_c,ty}，其中，ty為編號(hào)Ma_c專(zhuān)家審查的分支項(xiàng)目類(lèi)型，c賦初值為1；

步驟3.12：當(dāng)循環(huán)變量c≤E時(shí)，則執(zhí)行步驟3.13；否則執(zhí)行步驟3.16；

步驟3.13：當(dāng)并且ty＝＝E_Num1時(shí)，則執(zhí)行步驟3.14；否則執(zhí)行步驟3.15；

步驟3.14：ENum1＝ENum1∪Ma_c；

步驟3.15：令c＝c+1，轉(zhuǎn)至步驟3.12；

步驟3.16：令Num1＝Num1+1，轉(zhuǎn)至步驟3.4；

步驟3.17：得到GN2＝{E1,E2,...,EZ}，EJ＝{Ma_J1,Ma_J2,...,Ma_Jnu}，nu＝Card(EJ)，J∈[1,Z]

步驟3.18：定義ExportCom為所有備選審查HP的圖審專(zhuān)家組合集，定義Com為其中一種備選審查HP的圖審專(zhuān)家組合集；

步驟3.19：定義Com_N3＝{Q₁,Q₂,...,QN₅}，ExportCom＝{Com₁,Com₂,...,Com_N6}，S_N3為Com_N3的支持度，SC＝{S₁,S₂,...,S_N6}為支持度集，其中，Q_N7表示Com_N3中的第N7個(gè)圖審專(zhuān)家編號(hào)，Q_N7為EN7中任意一個(gè)元素，EN7為步驟3.17中的GN2中第N7個(gè)數(shù)據(jù)項(xiàng)，1≤N7≤Z，N5＝Z，1≤N3≤N6，N3賦初值為1，定義End為最終審查步驟2.1中的HP項(xiàng)目的圖審專(zhuān)家集，End賦初值為

步驟4：使用FP-Growth方法對(duì)歷史項(xiàng)目審查專(zhuān)家集處理，得到圖審專(zhuān)家組合頻繁項(xiàng)集，具體的：使用關(guān)聯(lián)規(guī)則方法FP-Growth對(duì)步驟2.5中的工程項(xiàng)目審查專(zhuān)家集ExpertJoin處理，得到所有圖審專(zhuān)家組合頻繁項(xiàng)集Relationt，Relationt＝{{relationt₁:fr₁},{relationt₂:fr₂},...,{relationt_M:fr_M}}，其中，relationt_X1＝{r₁,r₂,...,r_j}，r_j∈ExpertAll，1≤j≤E，變量M＝Card(Relationt)，X1∈[1,M]，H1∈[1,E]，fr_x1表示relationt_X1的頻數(shù)。

步驟5所有備選專(zhuān)家組合中契合度最高的專(zhuān)家組合的方法流程步驟51到步驟5.8，具體的如圖5示：

步驟5.1：步驟3.19中的N3用于遍歷步驟3.19中所有備選組合專(zhuān)家集ExportCom，步驟3.19中的N6為ExportCom的子集個(gè)數(shù)；

步驟5.2：當(dāng)N3≤N6時(shí)，

步驟5.3：將步驟3.19中的Com_N3賦值給步驟X₁即步驟5.4.1到步驟5.4.14中的ExpertHandle，Relationt賦值給步驟5.4中的Rel；

步驟5.4：執(zhí)行步驟X₁，即步驟5.4.1到步驟5.4.14；

步驟5.5：將步驟X₁，即步驟5.4.1到步驟5.4.14執(zhí)行結(jié)果SValue賦值給S_N3，S_N3為步驟3.19中的SC中第N3個(gè)元素；

步驟5.6：N3＝N3+1；

步驟5.7：令S_N4為SC中最大的值，Com_N4的支持度為S_N4，其中，N4∈[1,N6]；

步驟5.8：得到最終審查HP項(xiàng)目的圖審專(zhuān)家集End＝{K₁,K₂,...,K_Z}，即End＝Com_N4，Work＝Work∪End，其中，1≤q≤Z；

步驟5.4：合頻繁項(xiàng)集通過(guò)每種專(zhuān)家組合自適應(yīng)契合度方法計(jì)算每種備選專(zhuān)家組合集的支持度，最終支持度最大即契合度最高的專(zhuān)家組合集即為參與待審查項(xiàng)目的專(zhuān)家集，具體的如圖6示：

步驟5.4.1：定義圖審專(zhuān)家組合集ExpertHandle＝{Ma₁,Ma₂,...,Ma_Nu}，SValue為ExpertHandle的支持度，所有圖審專(zhuān)家組合頻繁項(xiàng)集Rel＝{{rel₁：f₁},{rel₂：f₂},...,{rel_M1：f_M1}}，其中，Nu＝Card(ExpertHandle)，M1＝Card(Rel)，SValue賦初值為0；

步驟5.4.2：定義Subset＝{Sub₁,Sub₂,...,Sub_Nu}，Sub₁＝{Su1₁,Su1₂,...,Su1_n1}，Su1_n1＝{d_kh}，Sub₂＝{Su2₁,Su2₂,...,Su2_n2}，Su2_n2＝{d_ki,d_kj}，Sub_Nu＝{SuNu₁}，SuNu₁＝{d_k1,d_k2,...,d_kNu}，其中，d_kh,d_ki,d_kj,d_k1,d_k2,...,d_kNu∈ExpertHandle，即Subset為從ExpertHandle中抽取的專(zhuān)家并組合后的所有的組合結(jié)果，Sub₁為從ExpertHandle中任意抽取1個(gè)專(zhuān)家組成的n1＝Nu個(gè)組合結(jié)果集，Sub₂為從ExpertHandle中任意抽取2個(gè)專(zhuān)家組成的個(gè)組合結(jié)果集，Sub_Nu為從ExpertHandle中抽取Nu個(gè)專(zhuān)家組成僅一個(gè)組合結(jié)果集；

步驟5.4.3：定義循環(huán)變量index1，用于遍歷Subset，其中，index1賦初值為1；

步驟5.4.4：當(dāng)循環(huán)變量index1≤Nu時(shí)，則執(zhí)行步驟5.4.5；否則執(zhí)行步驟5.4.14；

步驟5.4.5：定義循環(huán)變量index2，用于遍歷Sub_index1，其中，Suindex1_index2為從Sub_index1中取出的第index2個(gè)集合，index2賦初值為1；

步驟5.4.6：當(dāng)循環(huán)變量時(shí)，則執(zhí)行步驟5.4.7；否則執(zhí)行步驟5.4.13；

步驟5.4.7：定義循環(huán)變量index3，用于遍歷Rel，定義{rel_index3:f_index3}為Rel第index3個(gè)集合，其中，變量index3賦初值為1；

步驟5.4.8：當(dāng)循環(huán)變量index3≤M1時(shí)，則執(zhí)行步驟5.4.9；否則執(zhí)行步驟5.4.12；

步驟5.4.9：當(dāng)Suindex1_index2＝rel_index3時(shí)，則執(zhí)行步驟5.4.10；否則執(zhí)行步驟5.4.11；

步驟5.4.10：SValue＝SValue+f_index3*index1，即SValue的值更新為SValue的值加上指定的專(zhuān)家組合頻數(shù)與該專(zhuān)家組合專(zhuān)家數(shù)量的乘積；

步驟5.4.11：index3＝index3+1，轉(zhuǎn)至步驟5.4.8；

步驟5.4.12：index2＝index2+1，轉(zhuǎn)至步驟5.4.6；

步驟5.4.13：index1＝index1+1，轉(zhuǎn)至步驟5.4.4；

步驟5.4.14：得到SValue。

其中，皮爾遜相似度方法是通過(guò)對(duì)項(xiàng)目屬性預(yù)處理后的數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析，F(xiàn)P-Growth方法對(duì)歷史項(xiàng)目審查專(zhuān)家集處理，得到圖審專(zhuān)家組合頻繁項(xiàng)集，專(zhuān)家組合契合度方法根據(jù)頻繁項(xiàng)集計(jì)算每種專(zhuān)家組合的支持度，即專(zhuān)家組合契合度。

通過(guò)PF-Growth方法對(duì)65536條歷史項(xiàng)目審查專(zhuān)家記錄進(jìn)行關(guān)聯(lián)規(guī)則挖掘，得到圖審專(zhuān)家組合頻繁項(xiàng)集；對(duì)20061條綜合項(xiàng)目記錄進(jìn)行數(shù)據(jù)壓縮和預(yù)處理，采用皮爾遜相似度方法并抽取與待審查項(xiàng)目規(guī)模最接近的十個(gè)項(xiàng)目的審查專(zhuān)家，使得抽取出來(lái)的專(zhuān)家均為審查過(guò)與待審查項(xiàng)目類(lèi)似的專(zhuān)家；本發(fā)明方法在實(shí)際應(yīng)用中較人工推薦的專(zhuān)家組合結(jié)果相似度達(dá)到82.13％，采納率達(dá)到97.25％。