CN107026755B - 一种基于排序学习的服务推荐方法 - Google Patents

Abstract

本发明公开了一种基于排序学习的服务推荐方法，将传统服务推荐方法针对QoS进行预测推荐转化为进行排序推荐，提出了一种基于排序学习与矩阵分解的服务推荐方法。主要包括通过时间窗口的QoS记录计算出用户偏好程度因子，QoS波动程度因子，QoS衰减程度因子，再结合原始TOP值进行优化，通过构建损失函数进行矩阵分解，最后生成未知用户‑服务的排名评分，为用户进行推荐。

Description

一种基于排序学习的服务推荐方法

技术领域

本发明涉及服务推荐技术领域，特别是一种基于排序学习的服务推荐方法。

背景技术

随着互联网技术的飞速发展，网络上的服务数量也随之急剧增长.然而，这种增长远远超过个人或系统所能接受、处理和有效利用的范畴。在这种环境下，为了解决服务数量增长所带来的“信息过载”问题，能够针对不同用户需求的服务推荐系统应运而生，服务推荐理论及其相关技术已成为学术界和工业界的一个热门研究课题。

传统的服务推荐方法着重于预测未知用户-服务的QoS值，进而根据QoS值大小排序从而进行推荐。由于预测过程存在误差，根据预测QoS值排序构建的推荐列表并不一定能够符合用户期望。

同时，服务推荐与传统的推荐系统存在一定差别，服务推荐过程中的主要推荐依据是客观的服务质量，而后者的推荐依据是建立在用户个人兴趣基础上的评分。因此单纯根据服务质量的高低进行排序并不合理，在推荐过程需要考虑其他因素。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，而提供一种基于排序学习的服务推荐方法，将传统服务推荐的QoS预测问题转化为排序问题，同时在构建排序列表的过程中结合QoS的特点对排序列表进行优化，提高推荐质量。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于排序学习的服务推荐方法，包括以下步骤：

步骤一、计算TOP值：首先根据用户调用服务过程产生QoS，通过计算TOP值构建排序列表；其中，TOP是服务对应的服务质量在用户排序列表中排在第一位置的概率，QoS是服务质量；

步骤二、优化TOP值：通过设置时间窗口收集一段时间内的QoS数据，并通过计算时间窗口内的QoS提取信息对步骤一计算得到TOP值进行优化；

步骤三、训练特征矩阵：利用ListRank-MF构建优化损失函数，通过矩阵分解技术对ListRank-MF模型分解训练得到用户特征矩阵与服务特征矩阵；

步骤四、列表预测：通过训练得到用户特征矩阵与服务特征矩阵计算得到推荐列表，从而根据推荐列表对用户进行推荐。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，TOP值的计算方式如下：

其中，q_i,j表示第i个用户调用第j个服务所产生的QoS记录，l_i为第i个用户所调用的服务列表，K为l_i的长度，q_i,k为第i个用户调用服务列表l_i中的第k个服务所产生的QoS记录，为第i个用户调用第j个服务的QoS记录的原始的TOP值。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，步骤二中优化过后的TOP值为：

其中，γ(i,j)为用户偏好程度因子，ε(i,j)为QoS波动程度因子，τ(i,j)为QoS衰减程度因子。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，所述用户偏好程度因子γ(i,j)计算公式如下：

其中，t为在收集最近一段时间内的QoS记录列表Lq_i,j中的记录次数，为调节参数，e为自然常数，如果t等于列表Lq_i,j长度，则γ(i,j)＝1；

QoS波动程度因子ε(i,j)的计算公式如下：

其中，T为QoS记录列表Lq_i,j的记录个数，q_i,j,t为第i个用户在第t个时间节点调用第j个服务所产生的QoS记录，α与δ为调节参数，为Lq_i,j中QoS记录的平均值；

QoS衰减程度因子τ(i,j)的计算方式如下：

其中，θ与q_μ为调节参数。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，所述步骤三具体如下：

根据步骤2优化后的TOP值，据此构造出优化损失函数：

其中，g(·)为logistic函数，g(x)＝1/(1+exp(x))，x为任意数值变量，N与M分别为用户数量与服务数量，λ为正则化项，U表示用户特征矩阵，S表示服务特征矩阵，U_i为用户特征矩阵U中的第i行，S_j为服务特征矩阵中的第j行；

然后通过梯度下降对特征矩阵U与S进行更新，具体如下：

首先分别计算优化损失函数对于用户特征矩阵U与服务特征矩阵S的偏导数：

其中，I(q_i,j)为指示函数，当q_i,j存在时，I(q_i,j)为1，否则为0，g′(x)为g(x)的导数，g′(x)＝g(x)·(1-g(x))；

然后，通过下列公式分别对用户特征矩阵与服务特征矩阵进行更新直至收敛；

其中，ρ为固定学习步长。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，所述步骤四具体如下：

最后通过用户特征矩阵U与服务特征矩阵S的内积计算未知项的排名得分，从而生成推荐列表对用户进行推荐；对于未知的第i个用户的第j个服务的排名得分R_ij通过如下公式计算：

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)排序预测取代QoS预测：服务推荐过程中对未知用户-服务的QoS进行预测，并根据预测QoS值的高低进行推荐，然而这个过程并不能准确反映预测结果相互之间的顺序，导致推荐质量的下降；将排序学习融合到服务推荐的过程当中，保证最终构建的推荐列表更能符合用户的需求，提高推荐质量；

(2)针对服务推荐过程中可能存在的问题，对排序列表进行优化：服务推荐系统的主要推荐依据为QoS，针对其客观动态的属性，通过设置时间窗口收集一段时间内的用户-服务QoS数据，并通过构建计算因子优化排序列表，提高推荐效果。

附图说明

图1是构建TOP值矩阵的过程。

图2是矩阵分解及预测推荐的过程。

图3是本发明整体流程图。

具体实施方式

在传统服务推荐系统中，通过预测QoS值，然后通过预测得到的QoS的高低进行排序过后向用户进行推荐。对比于预测QoS值，排序学习看重推荐项目之间的相互顺序，为了提高推荐质量，本发明提出一种基于排序学习的服务推荐方法。

本发明首先通过用户-服务的QoS计算TOP值，利用TOP值可以构建用户的排序列表；然后结合QoS的特点，加入计算衰减因子对TOP值进行优化；接着构建损失优化函数并利用矩阵分解分别计算得到用户与服务的特征矩阵；最后，计算得到的特征矩阵预测未知用户-服务的TOP值，从而得到用户的推荐排序列表对用户进行推荐。

下面给出一种基于排序学习的服务推荐方法中的相关概念及具体描述：

(1)QoS：即服务质量(Quality of Service)，QoS数据由一系列的非功能属性组成，每个属性用于描述服务的某一方面的服务质量。

(2)排序学习：整合用户与服务的特征，通过构建项目的排序函数用户最终生成用户的推荐列表。

(3)TOP值：Top one probability，由Shi等人提出，在本发明中，TOP值是服务对应的服务质量在用户排序列表中排在第一位置的概率。

(4)衰减因子：通过对时间窗口内的QoS进行统计计算，根据该时间段QoS的波动情况，QoS的实际高低，用户的使用情况等因素计算得到衰减因子，而后对对应的TOP值进行适当衰减优化。

(5)损失函数：用于度量模型预测好坏的函数。本发明通过优化后的TOP值，结合交叉熵构建如下损失函数：

(6)矩阵分解：将用户评分矩阵R分解为用户特征矩阵U与项目特征矩阵V相乘的形式，即R＝UV。其中，通过两特征矩阵的相乘结果计算未知用户-项目的评分。本发明的矩阵R为用户-服务TOP值矩阵。

(7)特征矩阵：特征向量是用于描述用户或服务的隐藏状态的一组数值，多个用户的特征向量组成的矩阵为用户特征矩阵U，同理，由多个服务的特征向量组成的矩阵为服务特征矩阵S。在本发明中，根据上文定义的损失函数，利用梯度下降对特征矩阵进行优化：

推荐排序列表：根据计算得到的用户特征矩阵与服务特征矩阵可以计算得到用户对未知服务的排名评分，从而根据评分高低得到推荐列表。

为了说明本发明所述的服务推荐方法，详细的阐述了一种基于排序学习的服务推荐方法的实现过程，包括以下步骤：

步骤一、计算TOP值：首先根据用户调用服务过程产生QoS，通过计算TOP值构建列表。不同于传统推荐方法，本发明的推荐方法不再针对QoS进行预测，而是计算TOP值构建QoS排序列表。TOP(Top One Probability)定义为：TOP为服务对应的服务质量在的用户排序列表中排在第一位置的概率。如图1所示。

步骤二、优化TOP值：由于QoS会随时间发生动态变化，通过设置时间窗口收集一段时间内的QoS数据，并通过计算时间窗口内的QoS提取信息对步骤一计算得到TOP值进行优化。如图1所示。

步骤三、训练特征矩阵：利用ListRank-MF构建损失函数，ListRank-MF是一种基于排序学习的函数构建方法，通过矩阵分解技术对ListRank-MF模型分解训练得到用户与服务的特征矩阵。如图2所示。

步骤四、列表预测：通过训练得到用户特征矩阵与服务特征矩阵计算得到推荐列表，从而根据推荐列表对用户进行推荐。如图2所示。

上述的步骤具体如下：

1.所述步骤一具体如下：

构建排序列表：首先通过TOP计算用户存在调用的各个服务在排序列表中的排在第一位置的概率，初始TOP值计算方式如下：

其中，设i为任一用户，q_i,j表示第i个用户调用第j个服务所产生的QoS记录，l_i为第i个用户所调用的服务列表，K为l_i的长度，q_i,k为第i个用户调用服务列表l_i中的第k个服务所产生的QoS记录；

2.所述步骤二具体如下：

优化排序列表：QoS会随时间发生动态变化，通过设置时间窗口收集最近一段时间内的QoS记录Lq_i，j，并通过计算时间窗口内的QoS提取信息优化QoS列表。对于用户i-服务j的QoS记录，原始的TOP概率为P₀(q_i,j)(由公式(1)计算得到)，用户偏好程度因子为γ(i,j)，QoS波动程度因子为ε(i,j)，QoS衰减程度因子为τ(i,j)。那么优化过后的TOP值为：

下面将介绍本发明设计的三种因子：

1)用户偏好程度因子γ(i,j)

当用户对某一服务保持使用时，可以推断出该用户对该服务的服务质量整体上是满意的，计算公式如下：

其中，t为在收集最近一段时间内的QoS记录列表Lq_i，j中的记录次数，为调节参数，e为自然常数，如果t等于列表Lq_i，j长度，则γ(i,j)＝1。

2)QoS波动程度因子ε(i,j)

对于一段时间内的QoS记录列表Lq_i，j，其中不同时间点的QoS记录可能存在差异，对于稳定的服务，不同时间点的QoS记录的差异较小；否则，不同时间点的QoS记录的差异较大。本发明通过QoS波动程度因子为ε(i,j)，计算用户i-服务j的QoS记录的稳定程度，提高用户对于稳定服务的TOP值。

计算公式如下：

其中，T为QoS记录列表Lq_i，j的记录个数，α与δ为调节参数，为Lq_i，j中QoS记录的平均值。

3)QoS衰减程度因子τ(i,j)

对于某一用户i，其QoS记录列表l_i中的QoS可能均比较低，原因可能是该用户尚为找到高服务质量的服务，此时如果把低QoS的服务排序到列表前端，可能造成推荐质量的下降。为此，我们引入QoS衰减程度因子τ(i,j)，对于QoS记录列表l_i中低质量的服务，对其计算得到的TOP值进行衰减。其计算方式如下：

其中，θ与q_μ为调节参数，为Lq_i，j中QoS记录的平均值。

3.所述步骤三具体如下：

构建损失函数：根据步骤1计算得到用户调用服务列表中每个服务的排序概率，据此构造出优化损失函数：

其中，g(·)为logistic函数，g(x)＝1/(1+exp(x))，其中x为任意数值变量，N与M分别为用户数量与服务数量，λ为正则化项。U表示用户特征矩阵，S表示服务特征矩阵，U_i为用户特征矩阵U中的第i行，S_j为服务特征矩阵中的第j行；然后通过梯度下降对特征矩阵U与S进行更新。

训练特征矩阵：优化目标损失函数过程中采取梯度下降法优化特征矩阵直至收敛。首先分别计算损失函数对于用户特征矩阵U与服务特征矩阵S的偏导数：

其中，I(q_i，j)为指示函数，当q_i,j存在时，为1，否则为0，g′(x)为g(x)的导数，g′(x)＝g(x)·(1-g(x))。然后，通过固定学习步长ρ对特征矩阵进行更新直至收敛：

4.所述步骤四具体如下：

最后通过用户特征矩阵U与服务特征矩阵S的内积计算未知项的排名得分，从而生成推荐列表对用户进行推荐。于未知的第i个用户的第j个服务的排名得分R_ij通过如下公式计算：

根据预测排名评分的高低，即可得到用户的推荐列表。

图3给出一种基于排序学习的服务推荐方法的整体流程图。假设有一个服务质量推荐系统，包含了142名用户，4500个服务和64个时间节点，其中包含了服务质量信息。具体步骤如下：

第一步：用最新收集到的用户-服务QoS矩阵，计算TOP值，将用户-服务QoS矩阵转化为TOP值矩阵；

第二步：优化TOP值，利用最近一段时间内的QoS数据，例如设置20个时间节点的时间窗口，计算衰减因子，通过衰减因子优化TOP值；

第三步：构建损失函数，通过交叉熵函数对户-服务TOP值矩阵构建损失函数；

第四步：矩阵分解，通过矩阵分解计算用户特征矩阵与服务特征矩阵；

第五步：计算未知排名评分进行推荐，通过最终得到的用户特征矩阵与服务特征矩阵计算用户对未知项目的排名评分，从而得到推荐列表进行推荐。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于排序学习的服务推荐方法，其特征在于，包括以下步骤：

步骤一、计算TOP值：首先根据用户调用服务过程产生QoS，通过计算TOP值构建排序列表；其中，TOP是服务对应的服务质量在用户排序列表中排在第一位置的概率，QoS是服务质量；

步骤二、优化TOP值：通过设置时间窗口收集一段时间内的QoS数据，并通过计算时间窗口内的QoS提取信息对步骤一计算得到TOP值进行优化；

步骤三、训练特征矩阵：利用ListRank-MF构建优化损失函数，通过矩阵分解技术对ListRank-MF模型分解训练得到用户特征矩阵与服务特征矩阵；

步骤四、列表预测：通过训练得到用户特征矩阵与服务特征矩阵计算得到推荐列表，从而根据推荐列表对用户进行推荐；

TOP值的计算方式如下：

其中，q_i,j表示第i个用户调用第j个服务所产生的QoS记录，l_i为第i个用户所调用的服务列表，K为l_i的长度，q_i,k为第i个用户调用服务列表l_i中的第k个服务所产生的QoS记录，为第i个用户调用第j个服务的QoS记录的原始的TOP值；

步骤二中优化过后的TOP值为：

其中，γ(i,j)为用户偏好程度因子，ε(i,j)为QoS波动程度因子，τ(i,j)为QoS衰减程度因子。

2.根据权利要求1所述的一种基于排序学习的服务推荐方法，其特征在于，所述用户偏好程度因子γ(i,j)计算公式如下：

其中，t为在收集最近一段时间内的QoS记录列表Lq_i,j中的记录次数，为调节参数，e为自然常数，如果t等于列表Lq_i,j长度，则γ(i,j)＝1；

QoS波动程度因子ε(i,j)的计算公式如下：

其中，T为QoS记录列表Lq_i,j的记录个数，q_i,j,t为第i个用户在第t个时间节点调用第j个服务所产生的QoS记录，α与δ为调节参数，为Lq_i,j中QoS记录的平均值；

QoS衰减程度因子τ(i,j)的计算方式如下：

其中，θ与q_μ为调节参数。

3.根据权利要求2所述的一种基于排序学习的服务推荐方法，其特征在于，所述步骤三具体如下：

根据步骤2优化后的TOP值，据此构造出优化损失函数：

其中，g(·)为logistic函数，g(x)＝1/(1+exp(x))，x为任意数值变量，N与M分别为用户数量与服务数量，λ为正则化项，U表示用户特征矩阵，S表示服务特征矩阵，U_i为用户特征矩阵U中的第i行，S_j为服务特征矩阵中的第j行；

然后通过梯度下降对特征矩阵U与S进行更新，具体如下：

首先分别计算优化损失函数对于用户特征矩阵U与服务特征矩阵S的偏导数：

其中，I(q_i,j)为指示函数，当q_i,j存在时，I(q_i,j)为1，否则为0，g′(x)为g(x)的导数，g′(x)＝g(x)·(1-g(x))；

然后，通过下列公式分别对用户特征矩阵与服务特征矩阵进行更新直至收敛；

其中，ρ为固定学习步长。

4.根据权利要求3所述的一种基于排序学习的服务推荐方法，其特征在于，所述步骤四具体如下：

最后通过用户特征矩阵U与服务特征矩阵S的内积计算未知项的排名得分，从而生成推荐列表对用户进行推荐；对于未知的第i个用户的第j个服务的排名得分R_ij通过如下公式计算：