CN107590243A - 基于随机游走和多样性图排序的个性化服务推荐方法 - Google Patents

Abstract

本发明涉及一种基于随机游走和多样性图排序的个性化服务推荐方法，首先分析传统Pearson相关系数计算用户相似度存在的缺陷，然后通过WRW模型将用户间的相似关系进行多次传递，从而为目标用户找到更多的相似邻居，有效克服数据稀疏性问题；在基于所有相似邻居预测QoS值的基础上，采用SGMC算法构建服务图模型，以过滤大量性能过低的候选服务，缩小算法寻优空间，确保后续多样性图排序算法快速收敛；最后，采用ONCS策略在服务图模型上寻找最优节点集合，该集合所包含的k个节点即为向用户推荐的兼具推荐准确性和功能多样性的服务列表。本发明具有较高的推荐准确性和较好的功能多样性，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

基于随机游走和多样性图排序的个性化服务推荐方法

技术领域

本发明属于互联网服务计算领域，特别涉及一种基于随机游走和多样性图排序的个性化服务推荐方法。

背景技术

随着云计算模式的进一步推广，弹性的云部署模式与服务付费模式催生了各种类型的云服务。面对大量功能相似但服务质量(Quality of Service,QoS)各异的候选服务，用户根据自身有限的知识和经验难以从中选取出满足其需求的最佳服务。在此背景下，服务推荐技术成为解决用户服务选择困境的重要手段，近几年来在服务计算领域受到了越来越多的关注。

协同过滤是推荐系统中应用最为广泛的一种重要技术，基于相似用户具有相似的兴趣偏好这一假设来向用户做出推荐，将协同过滤技术引入到服务推荐中来，就是根据相似用户或相似服务的QoS评价值来预测当前用户的QoS评价值，以此进行推荐。度量用户之间的相似性是协同过滤算法的核心问题。传统的相似性度量方法主要有Pearson相关系数、余弦相似性和修正的余弦相似性等。为了提高推荐准确性，很多学者对相似性度量方法做出了改进，包括引入用户调用服务的时间信息、融入服务的推荐属性特征、引入用户和服务的地理位置信息等。上述工作均在一定程度上提高了服务推荐的准确性，但是在实际应用场景中，用户往往只调用过海量服务中很少的一部分，因此其评分数据是十分稀疏的，上述算法很难从中找出准确的相似关系。另一方面，这些算法最终都是向用户推荐QoS值最优的服务，存在着“长尾效应”，即热门服务普遍受到追捧，而冷门服务却一直得不到推荐。这显然不能够满足用户日益增长的个性化需求。实际上，用户更希望系统能够向其提供一个多样化的推荐结果，从而满足其潜在的需求。

近几年来，推荐多样性在信息检索、电子商务、网络营销等领域获得了越来越多的关注，有学者认为它跟推荐准确性一样能够提高用户的满意度。但是，提高推荐结果的多样性就意味着要损失一部分准确性。如何权衡两者之间的关系，从而达到最优的个性化推荐效果，成为服务推荐领域的一大难题。目前大多数服务推荐算法均集中于提高推荐准确性方面，还很少有研究关注于服务推荐结果的多样性。。

发明内容

针对现有技术中的不足，本发明提供一种基于随机游走和多样性图排序的个性化服务推荐方法，解决传统服务推荐中由于数据稀疏性等问题而导致的推荐准确性不高以及推荐结果缺乏多样性等的缺陷，在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型，通过在用户网络上进行随机游走来挖掘更多的相似关系，基于所有相似用户预测服务的QoS值，并通过服务图模型构建，过滤大量性能过低的候选服务；结合最优节点集合选取策略，利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表，使其满足用户的个性化需求，有效权衡服务推荐准确性和功能多样性之间的关系，能够达到最优的个性化推荐效果。

按照本发明所提供的设计方案，一种基于随机游走和多样性图排序的个性化服务推荐方法，包含：

A)、根据用户服务调用数据集，利用Pearson相关系数计算用户相似度，通过带权重的随机游走模型传递用户间的相似关系；

B)、利用相似关系预测QoS值，并结合服务功能相似度构建服务图模型；

C)、将服务推荐问题转化为在服务图模型上选取服务节点最优集合的求解问题，并利用贪婪算法寻找服务图模型的最优节点集合，获取服务推荐列表。

上述的，A)中，通过带权重的随机游走模型传递用户间的相似关系，具体为：将用户视为节点，用户相似度作为连接节点的边的权重，建立带权重的随机游走模型，通过随机游走传递用户间的相似关系，为目标用户寻找相似用户。

上述的，A)具体实现过程如下：

A1)、利用Pearson相关系数计算用户相似度；

A2)、为每个用户寻找与其具有直接相似关系且相似度大于0的所有用户，构建用户邻接矩阵S；令r表示用户邻接矩阵S列向量，列向量r中每个元素r_j表示用户节点j被访问的概率，1≤j≤m，m为用户的总数，则随机游走模型表示为rⁿ＝c×T×r^n-1+(1-c)×r⁰，c为游走者下一步移动到与其最近邻居的概率，1-c为游走者下一步返回到开始节点i的概率，rⁿ表示第n步到达各用户节点的概率分布，r⁰表示初始概率分布，每个元素r_j(1≤j≤m)的取值为：

A3)、初始化列向量r；

A4)、将用户邻接矩阵S进行行向量归一化处理，得到转移概率矩阵T；

A5)、通过迭代，计算随机游走模型达到稳态后的概率分布，即列向量r收敛到一个静态概率分布，记为r^*＝(1-c)×(I-c×T)^-1×r⁰；

A6)、计算每个用户与目标用户的相邻度；

A7)、基于用户相似度，对相邻度进行变换，得到修正用户相似度。

优选的，A1)中，利用Pearson相关系数计算用户相似度，表示为：

，其中，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。

优选的，A2)中，用户邻接矩阵S表示为：m为用户的总数，当用户u_j为用户u_i的直接相似用户且PCC(u_i,u_j)>0时，s_ij＝PCC(u_i,u_j)，否则s_ij＝0；s_ii＝0表示不考虑用户与其自身的相似度，1≤i≤m。

优选的，A6)中计算每个用户与目标用户的相邻度，表示为：，列向量r中每个元素r_j即代表从目标用户节点i随机游走到用户节点j的概率，pro(u_i,u_i)＝0即不考虑目标用户与它自身的相邻度1≤j≤m。

更进一步，A7)中基于用户相似度，对相邻度进行变换，得到修正用户相似度，包含：设m个用户构成集合U，为目标用户u_i构建直接相似邻居集合，表示为：

则对于任一用户u_j∈U，其与目标用户u_i的修正用户相似度表示为：

上述的，B)具体实现过程如下：

B1)、计算目标用户u_i对所有候选服务的QoS预测值；

B2)、将QoS预测值归一化至区间[0,1]，选取出归一化值大于阈值θ的服务作为节点加入到服务图模型G＝(V,E)中，V为服务节点集合，E为服务节点间连边集合；

B3)、在完成服务节点集合V的选取之后，计算服务节点集合V中每一对服务节点的功能相似度，若相似度大于阈值τ，则将该对服务节点进行连边，完成服务图模型的构建。

优选的，B3)中计算服务节点集合V中每一对服务节点的功能相似度，通过衡量两个服务的关键词权重向量相似度得到，其中向量相似度采用余弦相似度来计算，具体计算表示为：服务i用向量w_i表示，服务j用向量w_j表示，则服务i和服务j的功能相似度

优选的，步骤C中，在服务图模型上选取服务节点最优集合的求解问题，具体包含：将向用户推荐k个最优服务的问题转化为在服务图模型G＝(V,E)上选取一个包含k个服务节点的最优集合S的求解问题，最优集合的求解数学表达式表示为：

s.t.|S|＝k，

其中，V为服务图模型G＝(V,E)中全体服务节点集合，q′_iv表示目标用户u_i对于服务v的归一化QoS预测值；为最优集合S中所有服务的归一化QoS预测值之和；为最优集合S的扩展比，N(S)为最优集合S的扩展集合，表示为K为服务图模型G＝(V,E)中节点总数，|N(S)|为N(S)中节点的个数；λ用于权衡推荐准确性和功能多样性的参数。

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和无法与功能多样性进行有效结合等的不足，通过分析直接相似关系稀疏及带权重的随机游走模型，在用户网络上进行多次随机游走，为目标用户寻找更多的相似用户，从而克服数据的稀疏性；然后，基于所有相似邻居预测候选服务的QoS值，选取一定比例QoS值较优的服务作为节点，将服务之间的功能相似性作为连边，完成服务图模型的构建；最后，提出最优节点集合选取策略，通过贪婪算法在服务图模型上寻找最优节点集合，使该集合中的服务具有最优的推荐准确性和功能多样性，从而完成个性化服务的推荐，提高服务推荐的准确性和功能的多样性，满足用户个性化需求，提升用户满意度。

附图说明：

图1为本发明的方法流程示意图；

图2为实施例中的用户相似度计算流程示意图；

图3为实施例中用户相似关系示意图；

图4为实施例中用户网络示意图；

图5为实施例中的服务图模型构建示意图；

图6为实施例中服务图模型扩展比示意图。

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。协同过滤：基于相似用户具有相似的兴趣偏好这一假设，根据相似用户或相似服务的QoS评价值来预测当前用户的QoS评价值，以此进行推荐。长尾效应：热门的服务普遍受到追捧，而冷门服务却一直得不到推荐。贪心策略：在对问题求解时，不从整体最优上加以考虑，只是选择当前的局部最优解，通过一系列局部最优解的选择，最终获得全局最优解。随机游走模型：指一个随机游走者从节点i开始游走，在每一步中，它在网络中以概率c移动到与其最近的邻居或者以概率1-c返回到开始节点i重新开始游走；经过不断随机游走最终到达稳态后，每一个节点被访问的概率即为该节点的得分。效益型QoS：对于效益型QoS，其值越大代表QoS属性越优，例如可靠性，可用性等。成本型QoS：对于成本型QoS，其值越小代表QoS属性越优，如响应时间、成本等。WSDL(Web Service Description Language)文档：用于描述Web服务的定义以及相关功能的文档。词频-逆文档频(Term Frequency-Inverse Document Frequency,TF-IDF)：是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度；字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。推荐准确性：指推荐的服务符合用户QoS需求的程度，服务的QoS越优，表明服务的质量越好，则越有可能符合用户的需求。推荐多样性：指推荐列表中的服务在功能上的差异度。差异度越大，表明所推荐的服务越具有多样性，则越有可能满足用户的个性化需求。

现有的服务推荐算法在提高QoS预测准确性方面做了大量的工作，但是它们依然面临着数据稀疏性的挑战，即当用户自身的评分行为十分稀疏时，这些算法难以找到准确的相似用户或相似服务，使得其推荐准确性难以得到进一步提高。现有的服务推荐算法主要关注于如何向用户推荐QoS值最优的服务，而忽略了推荐结果的多样性。这就导致了“长尾效应”的出现，即热门服务普遍受到追捧，而冷门服务却一直得不到推荐。这显然不能够满足用户日益增长的个性化需求。实际上，用户更希望系统能够向其提供一个多样化的推荐结果，从而满足其潜在的需求。提高推荐结果的多样性就意味着要损失一部分准确性。如何权衡两者之间的关系，从而达到最优的个性化推荐效果，成为服务推荐领域的一大难题。目前在服务推荐领域还尚未发现能同时解决推荐准确性和多样性的方法。鉴于此，本实施例提供一种基于随机游走和多样性图排序的个性化服务推荐方法，参见图1所示，包含：

101)、根据用户服务调用数据集，利用Pearson相关系数计算用户相似度，通过带权重的随机游走模型传递用户间的相似关系；

102)、利用相似关系预测QoS值，并结合服务功能相似度构建服务图模型；

103)、将服务推荐问题转化为在服务图模型上选取服务节点最优集合的求解问题，并利用贪婪算法寻找服务图模型的最优节点集合，获取服务推荐列表。

针对传统服务推荐算法由于数据稀疏性问题而导致推荐准确性不高，以及推荐结果缺乏多样性等缺陷，提出基于随机游走和多样性图排序的个性化服务推荐方法，在分析直接相似关系稀疏性的基础上提出带权重的随机游走模型，通过在用户网络上进行随机游走来挖掘更多的相似关系，从而缓解稀疏性问题；基于所有相似用户预测服务的QoS值，并给出服务图模型构建方法，以过滤大量性能过低的候选服务；提出最优节点集合选取策略，利用贪婪算法得到兼具推荐准确性和功能多样性的服务推荐列表，使其满足用户的个性化需求，进一步提高用户满意度。

基于协同过滤服务推荐算法的核心是相似度的计算。目前文献中采用最多的相似度计算方法是Pearson相关系数，其定义如下。

Pearson相关系数：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：

然而，在海量服务环境下，用户调用过的服务只占很小一部分，很多用户之间根本没有共同调用的服务，由上述PCC公式计算可得他们之间的相似度将为0，这将导致难以为目标用户找到足够的相似用户。实际情况下，即使两个用户没有调用过同一服务，他们之间也有可能相似。如图3所示，假设用户u₁调用过服务s₁,s₂,s₃，用户u₂调用过服务s₃,s₄,s₅，用户u₃调用过服务s₄,s₅,s₆。由式(1)可得PCC(u₁,u₂)>0,PCC(u₂,u₃)>0,PCC(u₁,u₃)＝0。但是，根据相似度传递特性，由于用户u₁和u₃共享相似用户u₂，所以可以推断用户u₁和u₃也是相似的，称之为间接相似关系。通过挖掘用户之间的间接相似关系，可以有效缓解直接相似关系的稀疏性问题。

近几年来，复杂网络的很多理论应用到了推荐系统中，在克服数据稀疏性问题上取得了良好的效果，其中最典型的便是随机游走模型。随机游走模型可以看作是一个描述随机游走者访问顶点序列的马尔可夫链。其核心策略为：一个随机游走者从节点i开始游走，在每一步中，它在网络中以概率c移动到与其最近的邻居或者以概率1-c返回到开始节点i重新开始游走。经过不断随机游走最终到达稳态后，每一个节点被访问的概率即为该节点的得分。应用于Google搜索引擎的PageRank算法便是一种典型的基于随机游走模型的网页排名算法，但是其仅仅利用了图的拓扑结构，却忽略了节点之间边的权值。基于此，本发明的另一个实施例中，将用户视为节点，用户相似度作为连接节点的边的权值，提出带权重的随机游走模型，通过随机游走来传递用户间的相似关系，从而为目标用户找到更多的相似用户。本发明的再一个实施例中，参见图2所示，给出其具体实现过程如下：

201)、利用Pearson相关系数计算用户相似度；

202)、为每个用户寻找与其具有直接相似关系且相似度大于0的所有用户，构建用户邻接矩阵S；令r表示用户邻接矩阵S列向量；

203)、初始化列向量r；

204)、将用户邻接矩阵S进行行向量归一化处理，得到转移概率矩阵T；

205)、通过迭代，计算随机游走模型达到稳态后的概率分布，即列向量r收敛到一个静态概率分布，记为r^*＝(1-c)×(I-c×T)^-1×r⁰；

206)、计算每个用户与目标用户的相邻度；

207)、基于用户相似度，对相邻度进行变换，得到修正用户相似度。

上述的，基于定义1为每个用户寻找与其具有直接相似关系且相似度大于0的所有用户，构建用户邻接矩阵S表示为：

，其中m为用户的总数；当用户u_j为用户u_i的直接相似用户且PCC(u_i,u_j)>0时，s_ij＝PCC(u_i,u_j)，否则s_ij＝0(即不考虑相似度小于0的用户)；s_ii＝0(1≤i≤m)表示不考虑用户与其自身的相似度。

将用户的相似度作为边的权重，那么将用户邻接矩阵S进行行向量归一化后便得到转移概率矩阵T＝(t_ij)_m×m，t_ij表示游走者由用户节点u_j移动到用户节点u_i的概率，其表达式为：

令r表示用户列向量，其中每个元素r_j(1≤j≤m)表示用户节点j被访问的概率，则随机游走策略可表示为数学表达式如下：

rⁿ＝c×T×r^n-1+(1-c)×r⁰

其中，c为游走者下一步移动到与其最近的邻居的概率，1-c为游走者下一步返回到开始节点i的概率，rⁿ表示第n步到达各用户节点的概率分布，r⁰表示初始概率分布，它每个元素r_j(1≤j≤m)的取值为：

根据上述的随机游走策略，经过多次迭代，最终用户列向量r会收敛到一个静态概率分布，记为r^*＝(1-c)×(I-c×T)^-1×r⁰。

证明如下：根据公式rⁿ＝c×T×r^n-1+(1-c)×r⁰可得r^n-1＝c×T×r^n-2+(1-c)×r⁰，令Δ_n＝rⁿ-r^n-1，带入公式可得：

Δ_n＝c×T×Δ_n-1 n＝2,3,…

递推可得Δ_n＝c×T×Δ_n-1＝(c×T)^n-1×Δ₁；根据rⁿ＝c×T×r^n-1+(1-c)×r⁰可得

Δ₁＝c×(T-I)×r⁰，将Δ₁代入公式Δ_n＝c×T×Δ_n-1＝(c×T)^n-1×Δ₁得到：

Δ_n＝cⁿ×(T)^n-1×(T-I)×r⁰

由于转移概率c∈(0,1),有故当n→∞时，Δ_n＝0，即rⁿ＝r^n-1＝r^*，代入公式rⁿ＝c×T×r^n-1+(1-c)×r⁰得到：

r^*＝(1-c)×(I-c×T)^-1×r⁰

因为||c×T||₁<1，根据矩阵条件数中相关定理知I-c×T的逆一定存在。证毕。

当随机游走模型达到稳态后，用户列向量r中每个元素r_j(1≤j≤m)即代表从目标用户节点i随机游走到用户节点j的概率，将其定义为目标用户u_i与用户u_j的相邻度：

，其中pro(u_i,u_i)＝0即不考虑目标用户与它自身的相邻度。但是，用户相邻度仅仅代表用户之间的相近程度，并不是实际的用户相似度。因此需要对用户相邻度进行变换，得到修正用户相似度。

设共有m个用户构成集合U，基于定义1为目标用户u_i构建直接相似邻居集合则对于任一用户u_j∈U，其与目标用户u_i的修正用户相似度为：

在上述基础上，下面进一步给出带权重的随机游走模型的算法伪代码，如算法1所示：

由算法1可知，首先构建用户邻接矩阵S；然后初始化用户列向量r⁰；通过将矩阵S行向量归一化，得到转移概率矩阵T；然后计算随机游走模型达到稳态后的概率分布r；继而得到每个用户与目标用户的相邻度；最后，对用户相邻度进行变换，得到修正用户相似度。

用户网络如图4所示，其中，灰色节点表示目标用户，白色节点表示其它用户，用户节点之间有连边表示该对用户有共同调用的服务。若利用传统Pearson相关系数，则与目标用户相似的邻居用户只有2,3,9，其余用户的相似度均为0；若利用本发明提出的WRW模型，把目标用户视为开始节点，通过在用户网络上进行多次随机游走，达到稳态后得到每一个用户被访问的概率，通过公式修正用户相似度计算公式可以计算出每个用户与目标用户的修正相似度，从而能够为后续基于相似用户的QoS预测提供更多的信息，提高预测的准确性。

通过带权重的随机游走模型WRW得到修正用户相似度后，便可以基于相似用户对服务的QoS值进行预测，进而做出推荐。但是，仅仅推荐QoS值较优的服务是不能够满足用户个性化需求的，所以还需提高服务推荐结果的多样性。为此，本发明的再一实施例中提供服务图模型的具体构建过程，也使用多样性图排序方法来提高服务推荐多样性，参见图5所示，具体实现过程如下：

301)、计算目标用户u_i对所有候选服务的QoS预测值；

302)、将QoS预测值归一化至区间[0,1]，选取出归一化值大于阈值θ的服务作为节点加入到服务图模型G＝(V,E)中，V为服务节点集合，E为服务节点间连边集合；

303)、在完成服务节点集合V的选取之后，计算服务节点集合V中每一对服务节点的功能相似度，若相似度大于阈值τ，则将该对服务节点进行连边，完成服务图模型的构建。在介绍服务图模型构建方法之前，首先给出QoS预测值和服务功能相似度的计算方法。

将修正用户相似度大于0的用户作为目标用户u_i的相似邻居集合则目标用户u_i对服务k的QoS预测值为：

，其中，表示目标用户u_i的平均QoS评分值，q_jk表示用户u_j对服务k的QoS评分值。

QoS属性分为效益型和成本型，对于效益型QoS，其值越大代表QoS属性越优，例如可靠性，可用性等；对于成本型QoS，其值越小代表QoS属性越优，如响应时间、成本等。为了方便统一比较，本实施例将所有QoS值进行归一化至区间[0,1]内。对于效益型QoS，采用进行归一化；对于成本型QoS，采用进行归一化；其中，q_max(k)代表所有候选服务中最大的QoS预测值，q_min(k)代表所有候选服务中最小的QoS预测值。

在基于内容的推荐算法中，通常利用信息提取技术将产品描述为一系列最能代表产品特征的关键词，然后利用词频-逆文档频(Term Frequency-Inverse DocumentFrequency,TF-IDF)算法来比较两个产品的相似度。而在服务推荐领域，每个Web服务也都有一个WSDL(Web Service Description Language)文档，它用于描述该Web服务的定义以及相关功能。基于此，本实施例结合TF-IDF方法，给出计算服务功能相似度的方法：将每个Web服务的WSDL文档视为由一系列与服务最为相关的关键词k组成。关键词k_i对于服务j的重要性权重w_ij可以用下式计算得到：

，其中，tf(k_i,WSDL_j)表示词频，记录关键词k_i在WSDL_j文档中出现的频率，出现次数(记为freq(k_i,WSDL_j))越多，表示关键词k_i越重要；idf(k_i,WSDL_j)表示逆文档频率，包含关键词k_i的文档数(记为|{WSDL_j:k_i∈WSDL_j}|)越少，表示关键词ki越能唯一体现出Web服务的功能特征；|WSDL_j|表示WSDL_j文档中关键词总数；|WSDL|为WSDL文档的总数，即候选服务总数。

由此可以将服务j用组成其WSDL文档的关键词权重向量来表示：w_j＝(w_1j,w_2j,...,w_lj)，其中l为关键词总数。因此，两个服务的功能相似度可以通过衡量它们的关键词权重向量的相似度来得到。本实施例采用余弦相似度来衡量向量相似度，服务i用向量w_i表示，服务j用向量w_j表示，则服务i和服务j的功能相似度为：

在给出QoS预测值和服务功能相似度计算方法后，服务图模型构建方法SGMC如算法2所示。

由算法2可知，SGMC算法首先计算出目标用户u_i对所有候选服务的QoS预测值；然后，将QoS预测值归一化至区间[0,1]，并选取出归一化值大于阈值θ的服务作为节点加入到图模型中；在完成节点集合的选取之后，计算集合中每一对服务节点的功能相似度，若相似度大于阈值τ，则将该对服务节点进行连边，至此完成服务图模型的构建。

综上，SGMC算法首先从候选服务集合中选取出QoS预测值较优的服务作为节点加入到图模型中，这样可以过滤掉大量性能过低的服务，缩小候选服务空间；然后，如果两个服务的功能相似，则将该对服务节点进行连边，以利于后续多样性图排序算法寻找最优节点集合。

完成图模型的构建之后，便可以利用多样性图排序算法寻找既具有较优QoS预测值也具有较好的功能多样性的服务节点集合。

假设S为服务图模型G＝(V,E)中节点集合V的子集，则S的扩展集合N(S)定义为

已知节点集合S的扩展集合为N(S),其中K为服务图模型中节点总数，|N(S)|为N(S)中节点的个数，则节点集合S的扩展比定义为

根据以上可知，扩展比与服务图模型的拓扑结构相关。显而易见，对于节点集合S，如果其扩展比越大，就意味着该集合中的节点在服务图模型中越分散。根据服务图模型的构建过程可知，只有功能相似的服务节点之间有连边。那么集合中的节点越分散，就表示它们之间的功能越不相似。由此推断，节点集合的扩展比可以衡量该集合中服务功能的多样性。

如图6所示，假设服务图模型为(a)，需要选取3个服务推荐给用户。图(b)和图(c)分别为两种推荐结果，其中黑色节点代表推荐的服务，灰色节点代表推荐服务节点的扩展集中后来增添的服务。根据节点集合S的扩展比计算公式计算可得，图(b)中推荐服务集合的扩展比为σ＝0.6，图(c)中推荐服务集合的扩展比为σ＝0.9。可以看出，图(b)中推荐服务节点之间紧密相连，说明它们的功能较为相似；而图(c)中任意两个推荐服务节点之间都没有连边，说明它们的功能相似度很低，即具有多样性。由此可以得出结论：节点集合的扩展比越大，代表对应的服务集合功能多样性越好。

基于上述结论，本发明的另一个实施例在服务图模型上选取服务节点最优集合的求解问题中，向用户推荐k个最优服务的问题转化为在服务图模型G＝(V,E)上选取一个包含k个服务节点的最优集合S，使其具有最大的QoS预测值和最大的扩展比，从而同时确保推荐准确性和功能多样性，数学表达式表示为：

s.t.|S|＝k，

其中V为图模型G＝(V,E)中全体服务节点集合，q′_iv表示目标用户u_i对于服务v的归一化QoS预测值；为集合S中所有服务的归一化QoS预测值之和，其代表推荐准确性；为集合S的扩展比，其代表推荐多样性；参数λ用于权衡推荐准确性和功能多样性。当λ＝1时，最优节点集合选取的问题就变成最大化扩展比问题。

但是，由于函数F(S)是一个非减性子模函数，因此该问题可以利用贪婪算法有效地进行近似求解。设V是一个有限集合，f(S)是V的子集S上的一个实值函数。如果f(S)满足以下条件，则称f(S)是非减性子模函数：

(1)非减性：对于任意的满足f(S)≤f(R)。

(2)子模性：如果集合则将一个元素v∈V加入到集合S所带来的边际效益不小于将该元素加入到集合R所带来的边际效益，即f(S∪{v})-f(S)≥f(R∪{v})-f(R)。

(3)标准性：

公式中的函数F(S)是一个非减性子模函数，其中

证明如下：对于任意且v∈V，令

ρ_v(S)＝F(S∪{v})-F(S),ρ_v(R)＝F(R∪{v})-F(R)，则

即F(R∪{v})≥F(R)，由此证明了函数F(S)的非减性。同样，由于结合上述扩展集合和扩展比内容，易知|N(S∪{v})|-|N(S)|≥|N(R∪{v})|-|N(R)|，因此有ρ_v(S)≥ρ_v(R)≥0，由此证明了函数F(S)的子模性和标准性。证毕。

对于非减性子模函数，采用贪心算法得到的集合S不会比最优的集合S^*的1-1/e差，即f(S)≥(1-1/e)f(S^*)，且没有其它算法能够在多项式时间内得到一个更加近似的结果。因此，最优节点集合选取问题采用贪婪算法进行近似求解。下面现给出最优节点集合选取策略的算法伪代码，如算法3所示：

由算法3可知，ONCS每一轮迭代选取边际效益最大的节点，然后将它加入到集合S中；通过迭代k次，最终得到包含k个节点的最优集合S。该最优节点集合S即为兼具准确性和多样性的服务推荐列表。

经过上述分析，基于随机游走和多样性图排序的个性化服务推荐方法的PRWDR算法首先利用WRW模型在用户网络上进行随机游走，得到全体用户与目标用户的修正相似度；然后利用SGMC算法构建服务图模型，过滤大量性能过低的服务，缩小候选服务规模；在构建的服务图模型上运行ONCS算法，得到最优节点集合，即为向用户推荐的兼具推荐准确性和功能多样性的k个最优服务。首先分析了传统Pearson相关系数计算用户相似度存在的缺陷，然后通过WRW模型将用户间的相似关系进行多次传递，从而为目标用户找到更多的相似邻居，有效克服数据稀疏性问题；在基于所有相似邻居预测QoS值的基础上，采用SGMC算法构建服务图模型，以过滤大量性能过低的候选服务，缩小算法寻优空间，确保后续多样性图排序算法快速收敛；最后，采用ONCS策略在服务图模型上寻找最优节点集合，该集合所包含的k个节点即为向用户推荐的兼具推荐准确性和功能多样性的服务列表。本发明具有较高的推荐准确性和较好的功能多样性，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。

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)

1.一种基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，包含：

A)、根据用户服务调用数据集，利用Pearson相关系数计算用户相似度，通过带权重的随机游走模型传递用户间的相似关系；

B)、利用相似关系预测QoS值，并结合服务功能相似度构建服务图模型；

C)、将服务推荐问题转化为在服务图模型上选取服务节点最优集合的求解问题，并利用贪婪算法寻找服务图模型的最优节点集合，获取服务推荐列表。

2.根据权利要求1所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A)中，通过带权重的随机游走模型传递用户间的相似关系，具体为：将用户视为节点，用户相似度作为连接节点的边的权重，建立带权重的随机游走模型，通过随机游走传递用户间的相似关系，为目标用户寻找相似用户。

3.根据权利要求1所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A)具体实现过程如下：

A1)、利用Pearson相关系数计算用户相似度；

A2)、为每个用户寻找与其具有直接相似关系且相似度大于0的所有用户，构建用户邻接矩阵S；令r表示用户邻接矩阵S列向量，列向量r中每个元素r_j表示用户节点j被访问的概率，1≤j≤m，m为用户的总数，则随机游走模型表示为rⁿ＝c×T×r^n-1+(1-c)×r⁰，c为游走者下一步移动到与其最近邻居的概率，1-c为游走者下一步返回到开始节点i的概率，rⁿ表示第n步到达各用户节点的概率分布，r⁰表示初始概率分布，每个元素r_j(1≤j≤m)的取值为：

A3)、初始化列向量r；

A4)、将用户邻接矩阵S进行行向量归一化处理，得到转移概率矩阵T；

A5)、通过迭代，计算随机游走模型达到稳态后的概率分布，即列向量r收敛到一个静态概率分布，记为r^*＝(1-c)×(I-c×T)^-1×r⁰；

A6)、计算每个用户与目标用户的相邻度；

A7)、基于用户相似度，对相邻度进行变换，得到修正用户相似度。

4.根据权利要求3所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A1)中，利用Pearson相关系数计算用户相似度，表示为：

<mrow> <mi>P</mi> <mi>C</mi> <mi>C</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>I</mi> <mrow> <mi>u</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> </mrow> </munder> <mo>(</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>)</mo> <mo>(</mo> <mi>r</mi> <mrow> <mo>(</mo> <mi>v</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mrow> <msqrt> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>I</mi> <mrow> <mi>u</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mo>(</mo> <mi>u</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>u</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <msqrt> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>I</mi> <mrow> <mi>u</mi> <mo>,</mo> <mi>v</mi> </mrow> </msub> </mrow> </munder> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mo>(</mo> <mi>v</mi> <mo>,</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <mover> <mi>r</mi> <mo>&amp;OverBar;</mo> </mover> <mo>(</mo> <mi>v</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow> ，

其中，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。

5.根据权利要求4所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A2)中，用户邻接矩阵S表示为：m为用户的总数，当用户u_j为用户u_i的直接相似用户且PCC(u_i,u_j)>0时，s_ij＝PCC(u_i,u_j)，否则s_ij＝0；s_ii＝0表示不考虑用户与其自身的相似度，1≤i≤m。

6.根据权利要求4所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A6)中计算每个用户与目标用户的相邻度，表示为：，列向量r中每个元素r_j即代表从目标用户节点i随机游走到用户节点j的概率，pro(u_i,u_i)＝0即不考虑目标用户与它自身的相邻度1≤j≤m。

7.根据权利要求6所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，A7)中基于用户相似度，对相邻度进行变换，得到修正用户相似度，包含：

设m个用户构成集合U，为目标用户u_i构建直接相似邻居集合，表示为：

则对于任一用户u_j∈U，其与目标用户u_i的修正用户相似度表示为：

<mrow> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>u</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mo>|</mo> <msub> <mi>N</mi> <msub> <mi>u</mi> <mi>i</mi> </msub> </msub> <mo>|</mo> </mrow> </mfrac> <mo>&amp;times;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <msub> <mi>N</mi> <msub> <mi>u</mi> <mi>i</mi> </msub> </msub> <mo>|</mo> </mrow> </munderover> <mfrac> <mrow> <mi>P</mi> <mi>C</mi> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>u</mi> <msub> <mi>i</mi> <mi>l</mi> </msub> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>u</mi> <msub> <mi>i</mi> <mi>l</mi> </msub> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;times;</mo> <mi>p</mi> <mi>r</mi> <mi>o</mi> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>u</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>j</mi> <mo>&amp;le;</mo> <mi>m</mi> <mo>.</mo> </mrow>

8.根据权利要求1所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，B)具体实现过程如下：

B1)、计算目标用户u_i对所有候选服务的QoS预测值；

B2)、将QoS预测值归一化至区间[0,1]，选取出归一化值大于阈值θ的服务作为节点加入到服务图模型G＝(V,E)中，V为服务节点集合，E为服务节点间连边集合；

B3)、在完成服务节点集合V的选取之后，计算服务节点集合V中每一对服务节点的功能相似度，若相似度大于阈值τ，则将该对服务节点进行连边，完成服务图模型的构建。

9.根据权利要求8所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，B3)中计算服务节点集合V中每一对服务节点的功能相似度，通过衡量两个服务的关键词权重向量相似度得到，其中向量相似度采用余弦相似度来计算，具体计算表示为：服务i用向量w_i表示，服务j用向量w_j表示，则服务i和服务j的功能相似度

<mrow> <mi>f</mi> <mi>u</mi> <mi>n</mi> <mi>s</mi> <mi>i</mi> <mi>m</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> </mrow> <mrow> <mo>|</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>&amp;times;</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>|</mo> </mrow> </mfrac> <mo>.</mo> </mrow>

10.根据权利要求1所述的基于随机游走和多样性图排序的个性化服务推荐方法，其特征在于，步骤C中，在服务图模型上选取服务节点最优集合的求解问题，具体包含：将向用户推荐k个最优服务的问题转化为在服务图模型G＝(V,E)上选取一个包含k个服务节点的最优集合S的求解问题，最优集合的求解数学表达式表示为：

<mrow> <mi>arg</mi> <munder> <mi>max</mi> <mrow> <mi>S</mi> <mo>&amp;SubsetEqual;</mo> <mi>V</mi> </mrow> </munder> <mi>F</mi> <mrow> <mo>(</mo> <mi>S</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>v</mi> <mo>&amp;Element;</mo> <mi>S</mi> </mrow> </munder> <msubsup> <mi>q</mi> <mrow> <mi>i</mi> <mi>v</mi> </mrow> <mo>&amp;prime;</mo> </msubsup> <mo>+</mo> <mi>&amp;lambda;</mi> <mfrac> <mrow> <mo>|</mo> <mi>N</mi> <mrow> <mo>(</mo> <mi>S</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mi>K</mi> </mfrac> </mrow>

s.t.|S|＝k，

其中，V为服务图模型G＝(V,E)中全体服务节点集合，q′_iv表示目标用户u_i对于服务v的归一化QoS预测值；为最优集合S中所有服务的归一化QoS预测值之和；为最优集合S的扩展比，N(S)为最优集合S的扩展集合，表示为K为服务图模型G＝(V,E)中节点总数，|N(S)|为N(S)中节点的个数；λ用于权衡推荐准确性和功能多样性的参数。