CN107507073A - 基于信任扩展和列表级排序学习的服务推荐方法 - Google Patents

Abstract

本发明涉及一种基于信任扩展和列表级排序学习的服务推荐方法，首先利用服务排序位置信息并借鉴Plackett‑Luce模型，将每个用户表示为已调用服务集合排列的概率分布，基于KL距离进行概率型用户相似度的计算；同时考虑用户间的直接信任关系和间接信任关系，利用Beta信任模型计算直接信任度，利用信任关系的传递特性计算间接信任度，得到综合信任度，构造出目标用户的可信邻居集合；将可信邻居集合融入到矩阵分解模型中，将预测排序列表和正确排序列表之间的交叉熵作为损失函数，设计列表级排序学习算法得到最优的排序模型，输出最符合用户兴趣的推荐列表。本发明具有较高的推荐准确性，能够在保证服务推荐质量的同时还最大程度地满足用户潜在的功能需求。

Description

基于信任扩展和列表级排序学习的服务推荐方法

技术领域

本发明属于互联网服务计算领域，特别涉及一种基于信任扩展和列表级排序学习的服务推荐方法。

背景技术

随着互联网的普及和云计算技术的迅猛发展，网络上提供的Web服务呈指数级增长，构成了一个信息爆炸的现状。用户迫切地需要一种有效的服务推荐方法，来解决其面临的选择困境。因此，服务推荐技术在服务计算领域获得了广泛的关注。Web服务的服务质量(Quality of Services,QoS)包括服务失效率、响应时间、成本、吞吐量等，是用户进行服务选取时需要考虑的重要属性之一。而由于Web服务广泛地分布在网络中，一些QoS属性如响应时间、吞吐量等经常受到网络环境动态变化的影响，具有很大的不确定性，这就造成了服务推荐可靠性差的问题。研究人员考虑将协同过滤算法应用到服务推荐过程中，通过预测QoS值并以此对服务进行排序来实现推荐。为了提高QoS预测的准确性，研究者们对传统协同过滤算法做出了一系列改进，包括引入用户的信任网络、服务个性化特征、用户调用服务时的上下文信息等。主要存在的问题一方面是没有有效利用服务的排序位置信息；另一方面是引入的信任网络中用户直接信任关系稀疏，难以提供足够的辅助信息。同时，随着研究的深入，部分学者发现，QoS值预测的准确性并不代表服务推荐的准确性。

排序学习作为一种强监督性机器学习算法，排序学习通过整合大量复杂特征并自动学习最优参数，能够直接针对排序列表进行优化，近几年来在推荐领域获得了越来越多的关注。排序学习能够直接针对最终的推荐列表进行优化，这一特性可以避免根据QoS值排序来间接得到推荐列表所带来的缺陷。根据优化目标的不同，排序学习主要分为三类：点级(pointwise)、对级(pairwise)、列表级(listwise)。点级排序的处理对象是单独的一个项目，通过预测评分实现推荐，其相当于传统的预测QoS值的服务推荐方法；对级排序是根据评分来定义项目对之间的偏序关系，最终通过整合所有项目对的偏序关系得到整个排序列表。而其时间复杂度高，且在整合推荐列表时会损失一定的准确性；列表级排序的处理对象是所有的项目，直接对整个排序列表进行优化，在运行效率和推荐准确性方面具有更明显的优势，因此成为了被研究最多的方法。目前很少有研究将传统协同过滤算法与排序学习技术结合起来，并应用到服务推荐领域。

发明内容

针对现有技术中的不足，本发明提供一种基于信任扩展和列表级排序学习的服务推荐方法，解决传统服务推荐算法中仅仅依据QoS预测值排序带来的不准确性以及用户信任关系稀疏性问题等问题，通过将用户表示为已调用服务集合的概率分布，基于Kullback-Leibler距离进行概率型用户相似度的计算；通过信任扩展模型，充分挖掘用户信任关系，并结合用户相似度构建为目标用户构建可信邻居集合；并利用可信邻居集合改进列表级排序学习算法，训练出最优的排序模型，使其输出的服务推荐列表最符合目标用户的兴趣偏好，有效降低服务计算复杂度，提高服务推荐的准确性。

按照本发明所提供的设计方案，一种基于信任扩展和列表级排序学习的服务推荐方法，包含可信邻居集合建立阶段和服务排序学习阶段，其中，

可信邻居集合建立阶段中，根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，执行如下内容：

A)、通过Plackett-Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；

B)、利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；

对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；

服务排序学习阶段中，根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。

上述的，A)中计算概率型相似度的过程如下：

A1)、设定目标用户u和其他用户集合中任一其他用户v的共同调用服务集合为I_u,v，确定I_u,v上所有的top-k排列集合，记为

A2)、针对中的每一个top-k排列集合g，分别计算用户u和v出现的概率P_u(g)和P_v(g)，根据概率P_u(g)和P_v(g)计算概率分布P_u和P_v相互之间的KL距离；

A3)、根据KL距离计算用户u和v之间的概率型用户相似度。

优选的，A2)中，通过公式：

计算得到用户u和v出现的概率P_u(g)和P_v(g)，r(π_j)是排在第j个位置的服务QoS值，T_k(i₁,i₂,...,i_k)为所有前k个服务为i₁,i₂,...,i_k∈I_u,v的top-k排列集合g；通过公式计算概率分布P_u和P_v相互之间的KL距离。

进一步地，A3)中，利用公式

计算用户u和v之间的概率型用户相似度，c为|I_u,v|的阈值。

上述的，B)中可信相似度的获取包含如下内容：

B1)、基于Beta信任模型计算目标用户和其他用户之间的直接信任度；并根据目标用户的直接信任集合，计算目标用户和其他用户之间的间接信任度；

B2)、通过目标用户和其他用户之间的直接信任度和间接信任度，计算两者之间的综合信任度；

B3)、结合概率型相似度和综合信任度，得到目标用户和其他用户之间的可信相似度。

优选的，B1)中，根据公式计算用户u和v之间的直接信任度RT(u,v)，其中，x代表在用户u和v所有服务信息交互过程中用户v为用户u做出的有效推荐行为，p_u,v代表有效推荐行为次数，q_u,v代表无效推荐行为次数；根据公式计算用户u和v之间的间接信任度，其中，w_k为直接信任集合D中的用户d_k向u推荐v的权重，其大小为用户u与d_k之间的直接信任度；RT(v,k)为用户v与d_k之间的直接信任度。

更进一步，B2)中根据公式CT(u,v)＝αRT(u,v)+(1-α)IRT(u,v)计算用户u和v综合信任度CT，其中，参数α用于控制直接信任度RT(u,v)在综合信任度计算中所占的权重。

优选地，B3)中根据公式计算用户u和v的可信相似度，其中，sim(u,v)为算用户u和v之间的概率型用户相似度。

上述的，服务排序学习阶段中利用矩阵分解模型并结合可信邻居集合预测服务QoS值训练排序学习模型，包含如下内容：

a)、计算训练数据集中正确排序列表概率分布；

b)、迭代循环，结合目标用户可信邻居集合及预测QoS值计算预测排序列表概率分布；并采用随机梯度下降算法调整用户隐含特征矩阵和服务隐含特征矩阵来最小化已知QoS值和预测QoS值两者之间的交叉熵损失函数，直至该交叉熵损失函数的平均绝对误差小于设定阈值或达到设定最大迭代次数；

c)、利用b)中最终的用户隐含特征矩阵和服务隐含特征矩阵，计算每一个服务的预测QoS值，并根据top-1概率由大到小进行排序，得到目标用户的最佳服务推荐列表。

优选的，排序列表概率分布计算公式表示为：服务i在用户u的推荐列表中排在第一位置的概率，r(u,i)为已知QoS值；用户u_j对于服务i_k的预测QoS值计算公式表示为：参数β为控制目标用户预测QoS值受其可信邻居集合影响的权重，U_j为用户隐含特征矩阵U的第j列向量，代表用户u_j的隐含特征向量；V_k为服务隐含特征矩阵V的第k列向量，代表服务i_k的隐含特征向量；T(u_j,u_m)为用户u_j和用户u_m之间的可信相似度；为用户u_j的可信邻居集合；交叉熵损失函数其中，表示Frobenius范数，λ是正则化参数，I_jk指示参数。

本发明的有益效果：

本发明针对现有技术中服务推荐准确性不高、用户间信任关系稀疏无法提供足够辅助信息等的情形，首先通过Plackett-Luce模型将用户表示为已调用服务集合的概率分布，并基于此计算出用户的概率型相似度，其优点在于利用了服务的排序位置信息，使得相似度计算更加准确；为了消除推荐系统中恶意用户随意打分的影响，为目标用户建立可信邻居集合，其优点在于充分挖掘用户间的直接信任关系和间接信任关系，缓解了用户信任网络稀疏性问题；最终利用可信邻居集合提高QoS预测值的准确性，并利用列表级排序学习的强大数据处理能力，训练出最优的排序模型，为用户提供最符合其偏好的服务推荐列表，提升用户满意度。

本发明首先分析利用服务排序位置信息来反映用户兴趣偏好的重要性，进而借鉴Mollica提出的Plackett-Luce模型，将每个用户表示为已调用服务集合排列的概率分布，基于Kullback-Leibler(KL)距离进行概率型用户相似度的计算，以此提高用户相似度计算的准确性；为了解决传统基于信任的服务推荐算法中信任关系稀疏性问题，提出信任扩展模型，同时考虑用户间的直接信任关系和间接信任关系。利用Beta信任模型计算直接信任度，利用信任关系的传递特性计算间接信任度，基于此得到综合信任度，然后结合用户间的概率相似度，构造出目标用户的可信邻居集合，以避免某些恶意用户的虚假评价行为对推荐精度造成的影响；由于在现实生活中，用户对于一个服务的评价往往会受到所信任的好友的影响，基于此，将可信邻居集合融入到矩阵分解模型中，以提高QoS预测的准确性；最后，将预测排序列表和正确排序列表之间的交叉熵作为损失函数，设计列表级排序学习算法，得到最优的排序模型，从而输出最符合用户兴趣的推荐列表，提高服务推荐的准确性，满足用户需求。

附图说明：

图1为本发明的方法流程示意图；

图2为实施例中的概率型相似度计算流程示意图；

图3为实施例中用户调用服务示例；

图4为实施例中可信相似度的获取流程示意图；

图5为实施例中间接信任传递关系示意图；

图6为实施例中训练排序学习模型流程示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。本实施例中涉及到的术语解释如下：

服务质量(Quality of Service,QoS)：代表Web服务的非功能属性，包括响应时间、信誉度、可用性、可靠性等，是评价服务质量优劣的重要标准。排序学习：是在处理排序问题时采用机器学习来训练模型的方法，它能够整合大量复杂特征并自动学习最优参数，目前已被广泛于信息检索、自然语言处理和数据挖掘等领域。协同过滤：基于拥有相似兴趣或经验之群体的喜好来推荐用户感兴趣的信息。直接信任关系：是指推荐用户与目标用户有共同的服务调用记录，通过交互彼此的服务调用信息而建立起的一种信任关系。间接信任关系：是指推荐用户与目标用户没有共同的服务调用记录，其信任关系是通过中间若干个用户之间的直接信任关系传递而形成的。矩阵分解模型：其通过构造损失函数将矩阵分解问题转化为优化问题，主要方法是将稀疏的评分矩阵分解成表示用户特征的矩阵和表示物品特征的矩阵，然后做内积得到预测。

现有的服务推荐算法在利用协同过滤算法计算用户相似度时，仅仅利用服务的QoS数据，忽略了服务的排序位置信息，导致找到的相似用户不准确；当融合用户的信任网络进行服务推荐时，用户间的直接信任关系比较稀疏，难以提供足够的辅助信息；且都以预测QoS值为目标，然而QoS值预测的准确性并不代表服务推荐的准确性。假设某用户对服务A和服务B的某一QoS属性(比如可靠性)评价值分别为2和3，使用不同的协同过滤算法来预测QoS值可能会得到不同的推荐结果：一种预测结果是服务A的QoS值为2.5、服务B的QoS值为3.6；另一种预测结果为服务A的QoS值为2.5、服务B的QoS值为2.4。进一步得到两种预测结果的平方误差，但是得到的推荐列表中服务A和服务B的排序却是相反的。由此说明，仅仅根据QoS预测值排序得到的服务推荐列表并不能非常准确地反映用户的偏好。鉴于此，本实施例提供一种基于信任扩展和列表级排序学习的服务推荐方法，参见图1所示，包含：可信邻居集合建立阶段和服务排序学习阶段，其中，

可信邻居集合建立阶段中，101)、根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，通过Plackett-Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；102)、对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；

服务排序学习阶段中，103)、根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。

针对传统服务推荐算法中仅仅依据QoS预测值排序带来的不准确性，以及用户信任关系稀疏性问题，首先在分析服务排序位置信息的重要性的基础上，给出概率型用户相似度计算，提高用户相似度计算的准确性；然后，利用信任扩展模型充分挖掘用户之间的信任关系，并通过构建可信邻居集合，以抵抗某些恶意用户的攻击；最后，利用可信邻居集合改进矩阵分解模型，并给出列表级排序学习预测算法PABL，为用户训练出最优的服务排序模型，进一步提高服务推荐准确性和用户满意度。

进一步地，本发明的另一个实施例中，参见图2所示，计算概率型相似度的过程如下：

201)、设定目标用户u和其他用户集合中任一其他用户v的共同调用服务集合为I_u,v，确定I_u,v上所有的top-k排列集合，记为

202)、针对中的每一个top-k排列集合g，分别计算用户u和v出现的概率P_u(g)和P_v(g)，根据概率P_u(g)和P_v(g)计算概率分布P_u和P_v相互之间的KL距离；

203)、根据KL距离计算用户u和v之间的概率型用户相似度。

协同过滤算法的核心步骤是寻找相似用户，可采用的方法主要有Pearson相关系数、余弦相似性、修正的余弦相似性等。目前大多数服务推荐算法都是基于Pearson相关系数改进得来的。

若r(u,i)和r(v,i)分别为用户u和v对服务i的QoS评价值，和分别为用户u和v的平均QoS评价值，I_u,v表示用户u和v共同调用的服务集合，则利用Pearson相关系数计算用户u和v的相似度为：

如图3所示，假设用户A、B、C共同调用过的服务集合为I＝{a,b,c,d}，对于这四个服务的QoS(如可用性，百分制)分别为A＝(0％,20％,80％,100％),B＝(10％,0％,80％,100％),C＝(0％,22％,100％,89％)，采用Pearson相关系数计算出来PCC(A,B)＝PCC(A,C)＝0.97，即用户B、C和用户A是同等相似的。从图3可以看出，如果根据服务可用性大小对服务进行排序，用户B对于服务a、b的排序与用户A是相反的，而用户C对于服务c、d的排序与用户A是相反的。此时，若利用用户B做推荐，则其向用户A推荐的最好服务是d，正好符合用户A的需求；若利用用户C做推荐，则其向用户A推荐的最好服务是c，违背用户A的需求。相比之下用户B的推荐结果更加可信，所以理论上用户B与用户A的相似度应该更大。原因在于，在实际推荐系统中，用户主要关注排在推荐列表中前面质量较优的服务，对于排在后面质量较差(如可用性低于50％)的服务给予的关注较少。因此，服务的排序位置是除了QoS数据之外另一个能够反映用户兴趣偏好的重要信息。

基于这一结论，本实施例中，充分挖掘服务的排序位置信息，借鉴Mollica提出的Plackett-Luce模型，将每个用户表示为已调用服务集合排列的概率分布，然后进行用户相似度的计算，从而找到更加准确的相似用户。

若存在一个服务集合I＝{i₁,i₂,i₃,...,i_n}，按照用户偏好度由大到小的顺序对服务进行排序，得到服务排列π＝<π₁,π₂,...,π_n>，其中π_i∈I且π_i≠π_j(i≠j)。记所有可能的排列的集合为Ω^I。

对于有n个服务的集合，其共有n！种不同的服务排列，但每一种排列的概率是不同的，QoS值更优的服务排在前面的概率应该更大。本实施例中只考虑效益型QoS属性(即QoS值越大越好，如吞吐量，可用性等)，对于成本型QoS属性(即QoS值越小越好，如响应时间，成本等)，可将其通过负值计算转化为效益型QoS属性。

给定一个服务排列π＝<π₁,π₂,...,π_n>和对应服务的QoS值{r(π₁),r(π₂),...,r(π_n)}，则排列π的概率为：

其中，为任意单调递增且取值为严格正值的函数，本实施例中令

在海量的Web服务环境中，n的值往往很大，如果要计算出n！种不同排列的概率，将会消耗大量计算资源和时间。

对于一个服务集合I，属于I的一个top-k排列集合T_k(i₁,i₂,...,i_k)包括所有前k个服务为i₁,i₂,...,i_k∈I的排列，即

T_k(i₁,i₂,...,i_k)＝{π＝<π₁,π₂,...,π_k,...,π_n>|π∈Ω^I,π_j＝i_j,j＝1,2,...,k}

对于服务集合I来说，共有n！/(n-k)！种不同的top-k排列集合，将其记为集合

记top-k排列集合T_k(i₁,i₂,...,i_k)的概率为P(T_k(i₁,i₂,...,i_k))，则

其中，r(π_j)是排在第j个位置的服务的QoS值。由此可见，计算top-k排列集合的概率比直接计算I中全排列的概率要更有效率，且更能直观地反应出服务集合I中的概率分布。

假设用户u和v共同调用过的服务集合记为I_u,v，表示I_u,v上所有的top-k排列集合，则用户u和v在上的概率分布可计算而得，分别记为P_u和P_v。用户u和v的相似度可以通过衡量P_u和P_v之间的距离而得，两个概率分布越相近，表明用户u和v的评价行为越相似。本实施例中，采用Kullback-Leibler(KL)距离来衡量两个排列分布的距离。

概率分布P_u和P_v之间的Kullback-Leibler(KL)距离可定义为：

其中，P_u(g)和P_v(g)分别表示用户u和v的top-k排列集合的概率。由此可知，D_KL(P_u||P_v)≠D_KL(P_v||P_u)，即KL距离是非对称的。因此，本实施例基于KL距离提出一种对称的概率型用户相似度计算方法。

用户u和v之间的概率型相似度可定义为：

其中，c为|I_u,v|的阈值，它可以避免由于用户u和v共同调用服务过少而导致相似度计算偏大的问题。概率型用户相似度计算方法的伪代码如如算法1。

算法1概率型用户相似度计算方法PUSC

输入用户u和v共同调用服务集合I_u,v，参数k，阈值c

输出u和v的概率型用户相似度sim(u,v)

Begin

1)上所有的top-k排列集合

2)D_KL(P_u||P_v)←0；D_KL(P_v||P_u)←0

3)for each

4)利用式(4)计算用户u出现排列g的概率P_u(g)，以及用户v出现排列g的概率P_v(g)

5)

6)End for

7)计算u和v的概率型用户相似度sim(u,v)

End

利用算法1，计算图3中用户A和B的相似度为sim(A,B)＝0.95，用户A和C之间的相似度为sim(A,C)＝0.82，因此用户A和B的相似度更大，符合“推荐系统中用户更在意排在前面质量较优的服务”这一结论。

利用PUSC算法可计算其它用户与目标用户的相似度，然后选取出相似度较大的用户作为邻居进行推荐。但是当推荐系统中存在恶意用户对服务QoS值进行虚假评价时，此时若把这类用户当作邻居，会极大影响推荐的精度。基于此，本发明的另一个实施例中，参见图4所示，可信相似度的获取包含如下内容：

301)、基于Beta信任模型计算目标用户和其他用户之间的直接信任度；并根据目标用户的直接信任集合，计算目标用户和其他用户之间的间接信任度；

302)、通过目标用户和其他用户之间的直接信任度和间接信任度，计算两者之间的综合信任度；

303)、结合概率型相似度和综合信任度，得到目标用户和其他用户之间的可信相似度.

本实施例利用用户间的信任关系建立可信邻居集合来进行推荐，从而避免恶意用户的攻击。为了解决传统基于信任的服务推荐算法中信任关系稀疏性问题，本实施例中信任扩展同时考虑直接信任关系和间接信任关系。

直接信任关系是指推荐用户与目标用户有共同的服务调用记录，通过交互彼此的服务调用信息而建立起的一种信任关系，记为RT。

假设用户u和v都调用过服务i，其QoS评价值分别为r(u,i)和r(v,i)，则用户v可视为用户u的一个推荐用户。若r(u,i)和r(v,i)的误差绝对值小于等于阈值ε，则认为用户v的此次推荐行为是有效的，否则是无效的。

Beta信任模型基于概率论而进行信任度量，其概率密度函数用于计算二进制事件的后验概率，公式如下：

其中，p表示事件x出现的次数，q表示事件出现的次数，Γ为gamma函数，其值为由于其信任模型简单易懂，计算复杂度小，因此比较适用于存在大量服务推荐信息的场合。本实施例中采用该信任模型对用户之间的直接信任关系进行度量。

用户u和v之间的直接信任度RT(u,v)可以表示为Beta概率模型的数学期望，即：

其中，x代表在用户u和v所有服务信息交互过程中，用户v为用户u做出的有效推荐行为；p_u,v代表有效推荐行为次数，q_u,v代表无效推荐行为次数。由此可知，用户u和v之间的直接信任度与有效推荐行为次数成正比，因此其可以甄别某些用户反常的恶意评价行为。然而，在实际推荐系统中，用户之间的相互交互记录往往较少，导致直接信任关系稀疏性问题。为此本实施例利用信任关系的传递特性来扩大用户的信任范围。

间接信任关系是指推荐用户与目标用户没有共同的服务调用记录，其信任关系是通过中间若干个用户之间的直接信任关系传递而形成的，记为IRT，参见图5所示的简洁信任传递关系图。

由图5可知，用户u和v均与用户m和n之间存在着直接信任关系，根据信任关系的传递性，可以通过用户m和n建立起用户u和v之间的间接信任关系。

若用户u的直接信任集合为D，利用D中所有与用户v有直接信任关系的用户来进行信任传递，则用户u和v之间的间接信任度表示为：

其中，w_k为集合D中的用户d_k向u推荐v的权重，其大小为用户u与d_k之间的直接信任度；RT(v,k)为用户v与d_k之间的直接信任度。

通过综合直接信任度和间接信任度，得到用户之间的综合信任度CT，即

CT(u,v)＝αRT(u,v)+(1-α)IRT(u,v)

其中，参数α用于控制直接信任度RT(u,v)在综合信任度计算中所占的权重。CT(u,v)越大，代表推荐用户v与目标用户u之间的信任关系越强，其推荐行为的可信性越高。

综合考虑用户u和v之间的概率相似度和综合信任度，得到用户u和v的可信相似度为

可信邻居构建算法TNSC如算法2所示。

算法2可信邻居构建算法TNSC

输入目标用户u，其它用户集合U，参数l

输出目标用户u的可信邻居集合N_u

Begin

1)for each useru_k∈U

2)利用PUSC算法计算概率型用户相似度sim(u,u_k)

3)计算直接信任度RT(u,u_k)

4)计算间接信任度IRT(u,u_k)

5)计算综合信任度CT(u,u_k)

6)计算可信相似度T(u,u_k)

7)end for

8)N_u←按照可信相似度由大到小对用户进行排序，选取前l个用户作为目标用户u的可信邻居集合

End

TNSC算法中利用用户间的信任关系建立可信邻居集合进行服务推荐，避免恶意用户攻击，同事考虑用户间的直接信任关系和间接信任关系，解决传统基于信任的服务推荐中信任关系稀疏等问题。

为了利用可信邻居集合来提高服务推荐的准确性，本发明的在一个实施例中，参见图6所示，服务排序学习阶段中利用矩阵分解模型并结合可信邻居集合预测服务QoS值训练排序学习模型，包含如下内容：

401)、计算训练数据集中正确排序列表概率分布；

402)、迭代循环，结合目标用户可信邻居集合及预测QoS值计算预测排序列表概率分布；并采用随机梯度下降算法调整用户隐含特征矩阵和服务隐含特征矩阵来最小化已知QoS值和预测QoS值两者之间的交叉熵损失函数，直至该交叉熵损失函数的平均绝对误差小于设定阈值或达到设定最大迭代次数；

403)、利用402)中最终的用户隐含特征矩阵和服务隐含特征矩阵，计算每一个服务的预测QoS值，并根据top-1概率由大到小进行排序，得到目标用户的最佳服务推荐列表。

本实施例中，利用矩阵分解模型来预测服务的QoS值，再利用列表级排序学习算法训练出最优的服务排序模型。为了方便描述，首先定义参数如下：

R＝(r(u_j,i_k))_m×n：用户服务评分矩阵，其中m为用户的个数，n为服务的个数

r(u_j,i_k)：用户u_j对于服务i_k的QoS评价值

U_d×m：d×m维的用户隐含特征矩阵

V_d×n：d×n维的服务隐含特征矩阵

d：隐含特征数

U_j：矩阵U的第j列向量，代表用户u_j的隐含特征向量

V_k：矩阵V的第k列向量，代表服务i_k的隐含特征向量

T(u_j,u_m):用户u_j和用户u_m之间的可信相似度

用户u_j的可信邻居集合

矩阵分解模型是在协同过滤推荐算法中应用最为广泛的模型之一。其主要思想是将用户服务评分矩阵R近似分解为低维的用户隐含特征矩阵U和服务隐含特征矩阵V：

R≈U^TV

则用户u_j对于服务i_k的QoS预测值可表示为

通过最小化预测评分矩阵和原评分矩阵的误差来实现QoS值的精确预测。在现实生活中，我们对于一个服务的评价往往会受到所信任的好友的影响。因此，为了提高服务推荐的准确性，本实施例在预测QoS值时加入可信邻居用户的影响，即：

其中，参数β用于控制目标用户的QoS预测值受其可信邻居影响的权重,g(x)是一种逻辑函数，本实施例中令

列表级排序学习可以直接针对最终的排序列表进行优化，可以避免仅仅根据QoS值排序带来的不准确性。其核心思想是：将预测排序列表和正确排序列表之间的交叉熵作为损失函数，通过训练过程最小化其交叉熵，从而使得最终得到的预测排序模型最接近正确排序模型。本实施例基于top-1概率，服务i在用户u的推荐列表中排在第一位置的概率，定义如下：

根据训练数据集提供的已知QoS值r(u_j,i_k)计算得到正确排序列表的概率分布，预测QoS值计算得到预测排序列表的概率分布，则两者的交叉熵损失函数定义为：

其中，表示Frobenius范数，λ是正则化参数，用于防止损失函数L在学习过程中的过拟合；I_jk指示参数，当用户u_j调用过服务i_k时，I_jk＝1，否则I_jk＝0。

基于上述的交叉熵损失函数，列表级排序学习预测算法PABL如算法3所示。

算法3列表级排序学习预测算法PABL

输入训练数据集，学习速率η，最大迭代次数t-max，阈值θ

输出每一个用户的最佳服务推荐列表

Begin

1)根据训练数据集，计算得到正确排序列表的概率分布

2)for t≤t-max

3)算出所有服务的QoS预测值

4)算出预测排序列表的概率分布

5)计算交叉熵损失函数L

6)更新用户隐含特征矩阵U和服务隐含特征矩阵V

7)计算新的交叉熵损失函数L′

8)if(|L′-L|<θ)break；

9)else t←t+1

10)end for

11)for each user u_j∈U

12)根据得到的用户隐含特征矩阵U和服务隐含特征矩阵V，由式(14)(15)计算所有服务的top-1概率

13)将所有服务按照top-1概率由大到小进行排序，得到最佳服务排序列表，推荐给用户。

14)end for

End

由算法3可知，PABL首先利用训练数据集计算得到正确排序列表的概率分布，如步骤1；再根据QoS预测值计算得到预测排序列表的概率分布，如步骤3-4；然后采用随机梯度下降算法，通过不断调整用户隐含特征矩阵U和服务隐含特征矩阵V，来最小化交叉熵损失函数L，如步骤5-7；算法的终止条件是交叉熵损失函数L的平均绝对误差小于阈值θ或者达到设定的最大迭代次数t-max，如步骤8-9；利用最终得到的用户隐含特征矩阵U和服务隐含特征矩阵V，计算每一个服务的QoS预测值，并根据其top-1概率由大到小进行排序，得到每一个用户的最佳服务推荐列表。

经过上述分析，基于信任扩展和列表级排序学习的服务推荐方法的TELSR算法具体过程如下：

1)运用PUSC算法计算每一个用户与其它用户的概率型相似度。

2)运用TNSC算法为每一个用户建立可信邻居集合。

3)根据训练数据集得到用户服务评分矩阵，初始化用户隐含特征矩阵U和服务隐含特征矩阵V。

4)运用PABL算法得到每一个用户的最佳服务推荐列表。

TELSR算法首先通过Plackett-Luce模型将用户表示为已调用服务集合的概率分布，并利用PUSC算法计算用户的概率型相似度，其优点在于利用了服务的排序位置信息，使得相似度计算更加准确；为了消除推荐系统中恶意用户随意打分的影响，利用TNSC算法为用户建立可信邻居集合，其优点在于充分挖掘用户间的直接信任关系和间接信任关系，缓解了用户信任网络稀疏性问题；最终利用可信邻居集合改进QoS预测值的准确性，并利用列表级排序学习的强大数据处理能力，训练出最优的排序模型，为用户提供最符合其偏好的服务推荐列表。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的各实例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不认为超出本发明的范围。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如：只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现，相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，包含可信邻居集合建立阶段和服务排序学习阶段，其中，

可信邻居集合建立阶段中，根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，执行如下内容：

A)、通过Plackett-Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；

B)、利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；

对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；

服务排序学习阶段中，根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。

2.根据权利要求1所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

A)中计算概率型相似度的过程如下：

A1)、设定目标用户u和其他用户集合中任一其他用户v的共同调用服务集合为I_u,v，确定I_u,v上所有的top-k排列集合，记为

A2)、针对中的每一个top-k排列集合g，分别计算用户u和v出现的概率P_u(g)和P_v(g)，根据概率P_u(g)和P_v(g)计算概率分布P_u和P_v相互之间的KL距离；

A3)、根据KL距离计算用户u和v之间的概率型用户相似度。

3.根据权利要求2所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，A2)中，通过公式：

计算得到用户u和v出现的概率P_u(g)和P_v(g)，r(π_j)是排在第j个位置的服务QoS值，T_k(i₁,i₂,...,i_k)为所有前k个服务为i₁,i₂,...,i_k∈I_u,v的top-k排列集合g；通过公式计算概率分布P_u和P_v相互之间的KL距离。

4.根据权利要求3所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

A3)中，利用公式计算用户u和v之间的概率型用户相似度，c为|I_u,v|的阈值。

5.根据权利要求1所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B)中可信相似度的获取包含如下内容：

B1)、基于Beta信任模型计算目标用户和其他用户之间的直接信任度；并根据目标用户的直接信任集合，计算目标用户和其他用户之间的间接信任度；

B2)、通过目标用户和其他用户之间的直接信任度和间接信任度，计算两者之间的综合信任度；

B3)、结合概率型相似度和综合信任度，得到目标用户和其他用户之间的可信相似度。

6.根据权利要求5所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B1)中，根据公式计算用户u和v之间的直接信任度RT(u,v)，其中，x代表在用户u和v所有服务信息交互过程中用户v为用户u做出的有效推荐行为，p_u,v代表有效推荐行为次数，q_u,v代表无效推荐行为次数；根据公式计算用户u和v之间的间接信任度，其中，w_k为直接信任集合D中的用户d_k向u推荐v的权重，其大小为用户u与d_k之间的直接信任度；RT(v,k)为用户v与d_k之间的直接信任度。

7.根据权利要求6所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B2)中根据公式CT(u,v)＝αRT(u,v)+(1-α)IRT(u,v)计算用户u和v综合信任度CT，其中，参数α用于控制直接信任度RT(u,v)在综合信任度计算中所占的权重。

8.根据权利要求7所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，

B3)中根据公式计算用户u和v的可信相似度，其中，sim(u,v)为算用户u和v之间的概率型用户相似度。

9.根据权利要求1所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，服务排序学习阶段中利用矩阵分解模型并结合可信邻居集合预测服务QoS值训练排序学习模型，包含如下内容：

a)、计算训练数据集中正确排序列表概率分布；

b)、迭代循环，结合目标用户可信邻居集合及预测QoS值计算预测排序列表概率分布；并采用随机梯度下降算法调整用户隐含特征矩阵和服务隐含特征矩阵来最小化已知QoS值和预测QoS值两者之间的交叉熵损失函数，直至该交叉熵损失函数的平均绝对误差小于设定阈值或达到设定最大迭代次数；

c)、利用b)中最终的用户隐含特征矩阵和服务隐含特征矩阵，计算每一个服务的预测QoS值，并根据top-1概率由大到小进行排序，得到目标用户的最佳服务推荐列表。

10.根据权利要求9所述的基于信任扩展和列表级排序学习的服务推荐方法，其特征在于，排序列表概率分布计算公式表示为：服务i在用户u的推荐列表中排在第一位置的概率

，

r(u,i)为已知QoS值；用户u_j对于服务i_k的预测QoS值计算公式表示为：

参数β为控制目标用户预测QoS值受其可信邻居集合影响的权重，U_j为用户隐含特征矩阵U的第j列向量，代表用户u_j的隐含特征向量；V_k为服务隐含特征矩阵V的第k列向量，代表服务i_k的隐含特征向量；T(u_j,u_m)为用户u_j和用户u_m之间的可信相似度；为用户u_j的可信邻居集合；交叉熵损失函数

其中，表示Frobenius范数，λ是正则化参数，I_jk指示参数。