近年来，国家持续加大教育和科研的投入，高校大型仪器的数量和质量水平都得到了很大程度的提高，大型仪器在高校总体设备的占比也日益增加。为了更好地管理大型仪器，优化资源配置，形成共享体系，国家也出台了一系列的政策，取得了显著的成效。随着高校大型仪器开放共享建设不断深化，科学配置资源、进一步提高大型仪器使用效率、提供优质分析测试服务成为下一阶段工作的重点，应用最新的人工智能、大数据等相关技术是高校仪器管理工作者的新课题。

　　1 高校大型仪器开放共享管理现状

　　2 人工智能推荐算法相关技术

　　3 基于深度学习的协同过滤推荐算法

　　4 推荐算法大型仪器开放共享应用

　　5 结语

　　人工智能推荐算法应用于大型仪器开放共享，对提高开放共享服务质量和解决仪器资源调配问题能够起到很大的促进作用。但是仍然存在很多提高的空间，需要在技术和管理两个方面进行改进。

　　技术上本文采用了基于深度学习的协同过滤推荐算法，具备一定的应用价值，但是在数据和模型算法上都仍有待改进：一是数据上可以加入更多用户特征提高用户近似度表征。二是提高算法多样性和覆盖率，加入跃迁式，避免过度单一化推荐，解决用户偏好迁移等问题。三是效果评估根据实际使用情况持续优化模型，提高推荐效果。

　　提高推荐效果要依赖于大型仪器的精细化管理，目前存在一些瓶颈需要突破：亟须建立科学合理的大型仪器使用反馈机制;精准化仪器的使用数据的收集;保障开放共享平台运行，持续积累数据。

　　随着人工智能和大数据技术不断发展，能够为大型仪器管理和开放共享提供更多的技术手段，使得大型仪器资源配资更加合理，运行更加高效，开放共享服务质量不断提高。

　　参考文献

　　[1] 闻星火,郭英姿,魏婧,等.高校大型仪器共享系统建设实践与探索[J].实验技术与管理,2010,27(9):1-5.

　　[2] 方驰,武晓峰,闻星火.高校大型仪器开放共享制度的要素研究[J].实验技术与管理,2016,33(7):257-260.

　　[3] 范朝阳.高校大型仪器设备开放共享平台建设思路与实践[J].实验技术与管理,2011,28(10):194-197.

　　[4] 黄立威,江碧涛,吕守业,等.基于深度学习的推荐系统研究综述[J].计算机学报,2018,41(7):1619-1647.

　　[5] 邓存彬,虞慧群,范贵生.融合动态协同过滤和深度学习的推荐算法[J].计算机科学,2019,46(8):28-34.

　　[6] 李诺,郭斌,刘琰,等.神经协同过滤智能商业选址方法[J].浙江大学学报(工学版),2019,53(9):1788-1794.

　　[7] 张敏,丁弼原,马为之,等.基于深度学习加强的混合推荐方法[J].清华大学学报(自然科学版),2017,57(10):1014-1021.

　　[8] 翁小兰,王志坚.协同过滤推荐算法研究进展[J].计算机工程与应用,2018,54(1):25-31.

　　[9] HE X, LIAO L, ZHANG H, et al. Neural collaborative filtering [C] // Proceedings of the26th International Conference on World Wide Web Companion. Perth: International World Wide Web Conferences Steering Committee, 2017: 173-182.

张睿超 万国良 孙月琴 　北京林业大学实验室管理处