CN110633417B - 一种基于服务质量的web服务推荐的方法及系统 - Google Patents

一种基于服务质量的web服务推荐的方法及系统 Download PDF

Info

Publication number
CN110633417B
CN110633417B CN201910867011.2A CN201910867011A CN110633417B CN 110633417 B CN110633417 B CN 110633417B CN 201910867011 A CN201910867011 A CN 201910867011A CN 110633417 B CN110633417 B CN 110633417B
Authority
CN
China
Prior art keywords
service
vector
quality
model
static
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910867011.2A
Other languages
English (en)
Other versions
CN110633417A (zh
Inventor
鲁芹
李名玉
梁心美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201910867011.2A priority Critical patent/CN110633417B/zh
Publication of CN110633417A publication Critical patent/CN110633417A/zh
Application granted granted Critical
Publication of CN110633417B publication Critical patent/CN110633417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9535Search customisation based on user profiles and personalisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/958Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了基于服务质量的web服务推荐的方法及系统,其中,该方法包括获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户。

Description

一种基于服务质量的web服务推荐的方法及系统
技术领域
本公开属于多任务服务推荐领域,尤其涉及一种基于服务质量的web服务推荐的方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
大数据的发展使得互联网环境中所提供的服务在数量和类型上都迅速增加,用户越来越难以获取自己所需要的信息。为了解决这一“信息过载”的问题,如何进行有效的个性化服务推荐是重中之重。
发明人发现,大部分的服务推荐都只是对静态或动态的服务质量(QoS)单独进行研究,没有充分考虑静态QoS和动态的QoS两者结合对服务推荐产生的影响。在目前的研究中,获取用户的潜在特征是困难的,一方面当特征维度比较高时是不可行的;另外一方面,也很难对在训练集中很少出现的组合特征进行建模。
发明内容
为了解决上述问题,本公开提供一种基于服务质量的web服务推荐的方法及系统,其结合静态因子分解模型和动态记忆网络模型,充分利用它们的特征组合能力和深度挖掘能力,从而提高服务推荐的质量。
为了实现上述目的,本公开采用如下技术方案:
本公开的第一个方面提供一种基于服务质量的web服务推荐的方法。
一种基于服务质量的web服务推荐的方法,包括:
获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;且在动态记忆网络模型中还引入软-硬注意力机制;
将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户。
本公开的第二个方面提供一种基于服务质量的web服务推荐的系统。
一种基于服务质量的web服务推荐的系统,包括:
服务输入向量计算模块,其用于获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
潜在向量获取模块,其用于根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
特征交互模块,其用于将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;且在动态记忆网络模型中还引入软-硬注意力机制;
服务推荐模块,其用于将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于服务质量的web服务推荐的方法中的步骤。
本公开的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于服务质量的web服务推荐的方法中的步骤。
本公开的有益效果是:
本公开可以同时捕捉用户静态和动态行为的潜在表示,推荐模型可以根据上下文信息及时更新来处理新的数据,并且模型更容易结合与当前输出相关的有用信息,有效提高了服务的推荐质量。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例的一种基于服务质量的web服务推荐的方法流程图。
图2是本公开实施例的循环网络模型对比实验的平均绝对误差比较图。
图3是本公开实施例的循环网络模型对比实验的均方根误差比较图。
图4是本公开实施例的时间序列长度对推荐模型的平均绝对误差的影响。
图5是本公开实施例的时间序列长度对推荐模型的均方根误差的影响。
图6是本公开实施例的带有注意力机制以及不带注意力机制的平均绝对误差和均方根误差比较图。
图7是本公开实施例的一种基于服务质量的web服务推荐的系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
QoS,Quality of Service,指一个网络能够利用各种基础技术,为指定的网络通信提供更好的服务能力,是网络的一种安全机制,是用来解决网络延迟和阻塞等问题的一种技术。
实施例1
如图1所示,本实施例提供了一种基于服务质量的web服务推荐的方法,其包括:
S101:获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
服务输入向量x={xqos·1,xqos·2,...,xqos·n}是一个行数等于服务质量特征数量d,列数等于当前任务相关联的web服务数量n的向量,xqos·n是x的第n域的向量表示。通常,x是高维的,非常稀疏。
其中,服务质量特征包括响应时间、可靠性、信誉度和服务价格等。
S102:根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
S103:将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;
考虑到用户所调用服务的稀疏性,使用嵌入层将输入向量压缩为低维稠密向量,以保证两个分量可以共享相同的输入。
对于每一个web服务都有一个对应的QoS,并在嵌入层中获取它自己的潜在向量vi∈V。对于每一个QoS,利用它的潜在向量vi在静态因子分解模型(SaFM模型)中进行低阶特征交互,在动态记忆网络模型中进行高阶特征交互。
SaFM模型:在本实施例中考虑到有很多因素都会影响到服务质量。因此,利用因子分解的低阶特征交互的能力来对用户与服务的每一次交互进行建模可定义为:
Figure GDA0004077731270000061
其中,
Figure GDA0004077731270000062
表示对于当前的输入x,经过SaFM模型之后所得到的输出。w0∈R,w∈Rp,v∈Rp×k是模型的参数,p是QoS的个数;k<<p表示因子分解的维度;vi表示矩阵v中的向量,也就是给每个QoS特征xi学习一个长度为k的向量表达vi,即向量vi为QoS特征xi的k维表达;w0代表全局偏量;wi代表第i个QoS变量的权重;<vi,vj>表示两个向量的内积,也就是隐变量,内积单位代表了QoS潜在向量二阶特征交互后的结果,可表示如下:
Figure GDA0004077731270000063
vi,f是潜在QoS向量vi的第f个元素;vj,f是潜在QoS向量vj的第f个元素;
进一步地,通过定义和优化损失函数来得到w0
Figure GDA0004077731270000064
Θ表示为参数W,V集合,LSaFM是最小化后的数据集N中的实际观测值y与预测观测值
Figure GDA0004077731270000065
误差之和;S是服务数据集,(x,y)进行因子分解(FM)的时候所进行交互的每一对数据。
采用一种优化的损失函数来对模型参数进行优化。优化后的函数为:
Figure GDA0004077731270000066
为了求解最小化损失函数中的参数,用随机梯度下降算法来优化模型,训练时各个参数的梯度如下:
Figure GDA0004077731270000071
θ是模型参数;vi,f是潜在QoS向量vi的第f个元素。由上个式子可知,vi,f的训练只需要QoS的特征非零即可,非常适合用于稀疏数据。计算梯度后得到公式:
Figure GDA0004077731270000072
Figure GDA0004077731270000073
Figure GDA0004077731270000074
通过迭代方式更新参数权重:
Figure GDA0004077731270000075
Figure GDA0004077731270000076
Figure GDA0004077731270000077
其中,η为学习速率。
DyBiLSTM模块:在进行高阶特征组合中采用BI-LSTM,在BI-LSTM中,每个神经元是一个“记忆细胞”,用以保存当前QoS输入的xt之前保存的状态ht-1,这些“细胞”可以结合前面的状态、当前的记忆与当前的输入。BI-LSTM单元的状态更新可由以下公式得到:
(1)遗忘门激活值用ft表示,决定从当前不需要的QoS中丢弃的信息,读取ht-1和xt
Figure GDA0004077731270000081
(2)其次根据用户实时的行为更新信息,首先,sigmoid作为“输入门层”,决定更新的时间。然后,tanh层创建一个新的候选值向量。计算时间内存单元状态i的输入it
Figure GDA0004077731270000082
的值:
it=σ[Wi(ht-1,xt)+bi] (13)
C~t=tanh[Wc(ht-1,xt)+bc] (14)
(3)对用户的旧状态进行时间更新,Ct-1更新为Ct
Figure GDA0004077731270000083
(4)输出门最终确定LSTM单元的输出值。首先运行一个sigmoid层确定细胞状态的哪个部分将输出出去,之后经过非线性变换得到最终输出:
yt=σ[Wo(ht-1,xt)+bo] (16)
ht't=ottanh(Ct) (17)
其中,σ是点对的sigmoid函数;xt是t时刻的QoS输入向量;ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量;Wi、Wf、Wc、Wo是隐含状态的权重矩阵;bi、bf、bc、bo表示对应权重的偏置。
反向传递的计算过程与前向传播类似,Bi-LSTM的输出为:
yt=σ[Wo(ht-1,xt)-VoCt-1+bo] (18)
Vo表示BI-LSTM模型在反向传播过程的输出结果。
为了进一步增强模型的自适应性,在对动态记忆模型中引入软-硬注意力机制。软注意力每次会照顾到全部的QoS位置信息,计算所有输入QoS信息的加权平均。αt,i表示注意力分布权重系数,对于当前时刻的输入ht,计算所有隐层状态与它的相关程度。这时采用加权平均的方式对输入的信息进行汇总,KS即为ht与对应权重αt,i的加权求和:
Figure GDA0004077731270000091
在硬注意力中,记St为第t个时刻的attention所关注的位置编号,St,i表示第t时刻关注的位置i,St,i服从多元伯努利分布(Multinoulli Distribution)。Kh为硬注意力的解,计算如下:
p(st,i=1|sj<t,a)=αt,i (20)
Figure GDA0004077731270000092
p(st,i=1|sj<t,a)表示t时刻关注的位置i的值为1;sj<t表示第j个时刻的attention所关注的位置编号;a表示t时刻所关注的这个位置的元素的向量表示。
最后,将注意力向量的两部分合并,得到一个混合嵌入:
Kh,s={Kh:Ks} (22)
根据模型所学习到的服务的隐含特征,将范围内每个特征vi∈V的嵌入向量vi乘以其注意向量Kh,s,来计算每一个候选服务的态分数。
S104:将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户。
在本实施例中,将静态特征交互向量和动态特征交互向量的线性组合,可采用两者直接叠加线性组合的方式来实现。
任务目标可以由下面式子得到:
Figure GDA0004077731270000093
其中
Figure GDA0004077731270000094
是预测的用户偏好概率,ySaFM用于表示静态因子分解模型(SaFM)的输出;yDyBiLSTM是动态记忆网络模型(DyBiLSTM)的输出;softmax表示softmax函数。
其中,softmax函数用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,可以看成概率来理解,从而来进行多分类。
尤其在处理多分类(C>2)问题,分类器最后的输出单元需要Softmax函数进行数值处理。关于Softmax函数的定义如下所示:
Figure GDA0004077731270000101
其中,Vi是分类器前级输出单元的输出。i表示类别索引,总的类别个数为C。Si表示的是当前元素的指数与所有元素指数和的比值。
利用广泛采用的平均绝对误差(MAE)和均方根误差(RMSE)对不同预测方法的预测精度进行了评价。
MAE被定义为
Figure GDA0004077731270000102
RMSE定义是:
Figure GDA0004077731270000103
Figure GDA0004077731270000104
参数的估计值,也叫预测值;yi表示真实的值。
本实施例使用了公共数据集,来自wsdream.com网站(http://wsdream.github.io/)中获得的真实web服务QoS数据来进行实验。该数据集共有1974675条QoS记录,包含来自339个用户的超过150万条QoS记录和分布在世界各地的5,825个Web服务。表1表示了数据集的统计数据。
表1
Figure GDA0004077731270000105
Figure GDA0004077731270000111
与基线算法比较,如表2:
表2
Figure GDA0004077731270000112
经过实验观察,本实施例的模型结果普遍好于基线模型结果。本实施例根据模型任务在求解低阶特征算法上选择了FM模型,经过对比发现,本实施例的模型效果更好。
本实施例测试了几种循环网络和因子分解组合的方式。如图2和图3所示,RNN理论上可以衡量上下文的信息,但当上下文过长时效果太差。LSTM的提出可以很好的解决这一问题,从而使循环神经网络可以在实际中有非常好的应用成果。BILSTM相较于LSTM,在上下文进行更细粒度的搜索时,表达的信息更丰富,更详细。本实施例的动态记忆网络模型采用Bi-LSTM网络结构和基线算法中结果较好的静态因子分解模型进行组合,得到的结果好于其他竞争算法。
为了研究训练集的大小(时间序列长度)对预测精度的影响,我们分别在2000、3000、4000、5000、6000、7000、8000可靠度时间序列上进行了一系列实验。结果如图4和图5所示。
通过实验,得到如下结论:
较大的训练集规模带来了更好的预测结果。随着训练时间序列数量的增加,训练精度越来越高。更重要的是,当规模增大时,增长趋势会放缓。因此,训练集的大小应该是设定在适当的范围内。
RNN在保存长时依赖信息的能力不如LSTM。用户服务信息往往具有较长的时间周期,RNN在训练者很容易发生梯度爆炸和梯度消失,这导致训练时梯度不能在较长序列中一直传递下去,从而使RNN无法铺捉到长距离的影响,相对于RNN,使用LSTM能更好的获取用户的长期依赖偏好。
在本实施例的推荐模型中,引入了软-硬注意力机制。在用户所调用的所有服务中,尽可能地去给更有价值的信息更多的权重。用户当前的意图极有可与当前查询历史信息无关,注意力机制可以将无关信息剔除,使查询结果更加符合用户的偏好。我们在数据集中演示了注意力机制的必要性,结果如图6所示。经过实验可知,模型加入软-硬注意力机制后,结果进一步提升。
实施例2
如图7所示,本实施例提供了一种基于服务质量的web服务推荐的系统,其包括:
(1)服务输入向量计算模块,其用于获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
(2)潜在向量获取模块,其用于根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
(3)特征交互模块,其用于将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;且在动态记忆网络模型中还引入软-硬注意力机制;
其中,将压缩后的服务输入向量与潜在向量在静态因子分解模型进行静态特征交互的过程为:
Figure GDA0004077731270000131
其中,w0∈R,w∈Rp,v∈Rp×k是静态因子分解模型的参数,p是服务质量的个数;k<p,k表示因子分解的维度;vi表示第i个服务质量特征xi学习一个长度为k的向量表达,即向量vi为第i个服务质量特征xi的k维表达;向量vj为第j个服务质量特征xj的k维表达;w0代表全局偏量;wi代表第i个服务质量变量的权重;<vi,vj>表示两个向量的内积,内积单位代表了服务质量潜在向量二阶特征交互后的结果;
Figure GDA0004077731270000132
表示对于当前的输入x,经过SaFM模型之后所得到的输出。
动态记忆网络模型采用Bi-LSTM网络结构。
(4)服务推荐模块,其用于将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户。
将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率的过程为:
Figure GDA0004077731270000141
其中,
Figure GDA0004077731270000142
是预测的用户偏好概率,ySaFM用于表示静态因子分解模型的输出;yDyBiLSTM是动态记忆网络模型的输出;softmax表示softmax函数,x表示服务输入向量。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例1所述的基于服务质量的web服务推荐的方法中的步骤。
实施例4
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例1所述的基于服务质量的web服务推荐的方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于服务质量的web服务推荐的方法,其特征在于,包括:
获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;且在动态记忆网络模型中还引入软-硬注意力机制;
将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户;
对于每一个web服务都有一个对应的QoS,并在嵌入层中获取它自己的潜在向量vi∈V,对于每一个QoS,利用它的潜在向量vi在静态因子分解模型,即SaFM模型中进行低阶特征交互,在动态记忆网络模型中进行高阶特征交互;
在静态因子分解模型中,采用一种优化的损失函数来对模型参数进行优化,优化后的函数为:
Figure FDA0004089085400000011
其中,LSaFM是最小化后的数据集N中的实际观测值y与预测观测值
Figure FDA0004089085400000012
误差之和;θ是模型参数;S是服务数据集,(x,y)进行因子分解的时候所进行交互的每一对数据;
Figure FDA0004089085400000013
表示对于当前的输入x,经过SaFM模型之后所得到的输出;w0代表全局偏量;wi代表第i个服务质量变量的权重;w0∈R,w∈Rp,v∈Rp×k是模型的参数,p是QoS的个数;vi,f是潜在QoS向量vi的第f个元素;
在进行高阶特征组合中采用BI-LSTM,在BI-LSTM中,每个神经元是一个“记忆细胞”,用以保存当前QoS输入的xt之前保存的状态ht-1,这些“细胞”可以结合前面的状态、当前的记忆与当前的输入;
BI-LSTM单元的状态更新可由以下公式得到:
(1)遗忘门激活值用ft表示,决定从当前不需要的QoS中丢弃的信息,读取ht-1和xt
Figure FDA0004089085400000024
(2)其次根据用户实时的行为更新信息,首先,sigmoid作为“输入门层”,决定更新的时间,然后,tanh层创建一个新的候选值向量,计算时间内存单元状态i的输入it
Figure FDA0004089085400000021
的值:
it=σ[Wi(ht-1,xt)+bi]
Figure FDA0004089085400000022
(3)对用户的旧状态进行时间更新,Ct-1更新为Ct
Figure FDA0004089085400000023
(4)输出门最终确定LSTM单元的输出值,首先运行一个sigmoid层确定细胞状态的哪个部分将输出出去,之后经过非线性变换得到最终输出:
yt=σ[Wo(ht-1,xt)+bo]
ht't=ottanh(Ct)
其中,σ是点对的sigmoid函数;xt是t时刻的QoS输入向量;ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量;Wi、Wf、Wc、Wo是隐含状态的权重矩阵;bi、bf、bc、bo表示对应权重的偏置。
2.如权利要求1所述的基于服务质量的web服务推荐的方法,其特征在于,将压缩后的服务输入向量与潜在向量在静态因子分解模型进行静态特征交互的过程为:
Figure FDA0004089085400000031
其中,w0∈R,w∈Rp,v∈Rp×k是静态因子分解模型的参数,p是服务质量的个数;k<p,k表示因子分解的维度;vi表示第i个服务质量特征xi学习一个长度为k的向量表达,即向量vi为第i个服务质量特征xi的k维表达;向量vj为第j个服务质量特征xj的k维表达;w0代表全局偏量;wi代表第i个服务质量变量的权重;<vi,vj>表示两个向量的内积,内积单位代表了服务质量潜在向量二阶特征交互后的结果;
Figure FDA0004089085400000032
表示对于当前的输入x,经过SaFM模型之后所得到的输出。
3.如权利要求1所述的基于服务质量的web服务推荐的方法,其特征在于,动态记忆网络模型采用Bi-LSTM网络结构。
4.如权利要求1所述的基于服务质量的web服务推荐的方法,其特征在于,将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率的过程为:
Figure FDA0004089085400000033
其中,
Figure FDA0004089085400000034
是预测的用户偏好概率,ySaFM用于表示静态因子分解模型的输出;yDyBiLSTM是动态记忆网络模型的输出;softmax表示softmax函数,x表示服务输入向量。
5.一种基于服务质量的web服务推荐的系统,其特征在于,包括:
服务输入向量计算模块,其用于获取当前任务相关联的所有web服务,每个web服务均与一个服务质量对应;提取服务质量特征,以向量形式表示当前任务相关联的所有web服务,得到一个服务输入向量;其中,服务输入向量的行数等于服务质量特征数量,列数等于当前任务相关联的web服务数量;
潜在向量获取模块,其用于根据每个服务质量特征学习一个预设长度的向量表达,得到当前任务相关联的各个web服务的服务质量相对应的潜在向量;
特征交互模块,其用于将服务输入向量压缩,再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互,得到静态特征交互向量和动态特征交互向量;且在动态记忆网络模型中还引入软-硬注意力机制;
服务推荐模块,其用于将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率,按照推荐概率从大到小推荐给用户;
对于每一个web服务都有一个对应的QoS,并在嵌入层中获取它自己的潜在向量vi∈V,对于每一个QoS,利用它的潜在向量vi在静态因子分解模型,即SaFM模型中进行低阶特征交互,在动态记忆网络模型中进行高阶特征交互;
在静态因子分解模型中,采用一种优化的损失函数来对模型参数进行优化,优化后的函数为:
Figure FDA0004089085400000041
其中,LSaFM是最小化后的数据集N中的实际观测值y与预测观测值
Figure FDA0004089085400000043
误差之和;θ是模型参数;S是服务数据集,(x,y)进行因子分解的时候所进行交互的每一对数据;
Figure FDA0004089085400000042
表示对于当前的输入x,经过SaFM模型之后所得到的输出;w0代表全局偏量;wi代表第i个服务质量变量的权重;w0∈R,w∈Rp,v∈Rp×k是模型的参数,p是QoS的个数;vi,f是潜在QoS向量vi的第f个元素;
在进行高阶特征组合中采用BI-LSTM,在BI-LSTM中,每个神经元是一个“记忆细胞”,用以保存当前QoS输入的xt之前保存的状态ht-1,这些“细胞”可以结合前面的状态、当前的记忆与当前的输入;
BI-LSTM单元的状态更新可由以下公式得到:
(1)遗忘门激活值用ft表示,决定从当前不需要的QoS中丢弃的信息,读取ht-1和xt
Figure FDA0004089085400000054
(2)其次根据用户实时的行为更新信息,首先,sigmoid作为“输入门层”,决定更新的时间,然后,tanh层创建一个新的候选值向量,计算时间内存单元状态i的输入it
Figure FDA0004089085400000051
的值:
it=σ[Wi(ht-1,xt)+bi]
Figure FDA0004089085400000052
(3)对用户的旧状态进行时间更新,Ct-1更新为Ct
Figure FDA0004089085400000053
(4)输出门最终确定LSTM单元的输出值,首先运行一个sigmoid层确定细胞状态的哪个部分将输出出去,之后经过非线性变换得到最终输出:
yt=σ[Wo(ht-1,xt)+bo]
ht't=ottanh(Ct)
其中,σ是点对的sigmoid函数;xt是t时刻的QoS输入向量;ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量;Wi、Wf、Wc、Wo是隐含状态的权重矩阵;bi、bf、bc、bo表示对应权重的偏置。
6.如权利要求5所述的基于服务质量的web服务推荐的系统,其特征在于,在所述特征交互模块中,将压缩后的服务输入向量与潜在向量在静态因子分解模型进行静态特征交互的过程为:
Figure FDA0004089085400000061
其中,w0∈R,w∈Rp,v∈Rp×k是静态因子分解模型的参数,p是服务质量的个数;k<p,k表示因子分解的维度;vi表示第i个服务质量特征xi学习一个长度为k的向量表达,即向量vi为第i个服务质量特征xi的k维表达;向量vj为第j个服务质量特征xj的k维表达;w0代表全局偏量;wi代表第i个服务质量变量的权重;<vi,vj>表示两个向量的内积,内积单位代表了服务质量潜在向量二阶特征交互后的结果;
Figure FDA0004089085400000062
表示对于当前的输入x,经过SaFM模型之后所得到的输出。
7.如权利要求5所述的基于服务质量的web服务推荐的系统,其特征在于,在所述特征交互模块中,动态记忆网络模型采用Bi-LSTM网络结构。
8.如权利要求5所述的基于服务质量的web服务推荐的系统,其特征在于,在所述服务推荐模块中,将静态特征交互向量和动态特征交互向量线性组合后,经softmax层得出当前任务相关联的各个web服务的推荐概率的过程为:
Figure FDA0004089085400000063
其中,
Figure FDA0004089085400000064
是预测的用户偏好概率,ySaFM用于表示静态因子分解模型的输出;yDyBiLSTM是动态记忆网络模型的输出;softmax表示softmax函数,x表示服务输入向量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于服务质量的web服务推荐的方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于服务质量的web服务推荐的方法中的步骤。
CN201910867011.2A 2019-09-12 2019-09-12 一种基于服务质量的web服务推荐的方法及系统 Active CN110633417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910867011.2A CN110633417B (zh) 2019-09-12 2019-09-12 一种基于服务质量的web服务推荐的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910867011.2A CN110633417B (zh) 2019-09-12 2019-09-12 一种基于服务质量的web服务推荐的方法及系统

Publications (2)

Publication Number Publication Date
CN110633417A CN110633417A (zh) 2019-12-31
CN110633417B true CN110633417B (zh) 2023-04-07

Family

ID=68971076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910867011.2A Active CN110633417B (zh) 2019-09-12 2019-09-12 一种基于服务质量的web服务推荐的方法及系统

Country Status (1)

Country Link
CN (1) CN110633417B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307344B (zh) * 2020-11-05 2022-05-06 完美世界(北京)软件科技发展有限公司 对象推荐模型、对象推荐方法、装置及电子设备
CN112486467B (zh) * 2020-11-27 2022-04-29 武汉大学 一种双重交互关系和注意力机制的交互式服务推荐方法
CN112364253B (zh) * 2021-01-14 2021-04-27 上海兴容信息技术有限公司 一种智能餐饮服务方案的生成方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182470A (zh) * 2018-01-17 2018-06-19 深圳市唯特视科技有限公司 一种基于注意模块的递归神经网络的用户识别方法
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN109948427A (zh) * 2019-01-24 2019-06-28 齐鲁工业大学 一种基于长短时记忆模型的意念识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389358A (zh) * 2015-11-04 2016-03-09 浙江工商大学 基于关联规则的Web服务推荐方法
US11537845B2 (en) * 2017-04-12 2022-12-27 Yodlee, Inc. Neural networks for information extraction from transaction data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108182470A (zh) * 2018-01-17 2018-06-19 深圳市唯特视科技有限公司 一种基于注意模块的递归神经网络的用户识别方法
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN109948427A (zh) * 2019-01-24 2019-06-28 齐鲁工业大学 一种基于长短时记忆模型的意念识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于因子分解机的质量感知Web服务推荐方法;赵衎衎等;《软件学报》;20190331;第809页 *
融合因子分解机和用户行为预测的音乐推荐;潘洋等;《计算机工程与应用》;20170930;第104页 *

Also Published As

Publication number Publication date
CN110633417A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
Ghosh et al. Steer: Simple temporal regularization for neural ode
Ghosh et al. Structured variational learning of Bayesian neural networks with horseshoe priors
Letarte et al. Dichotomize and generalize: PAC-Bayesian binary activated deep neural networks
CN110633417B (zh) 一种基于服务质量的web服务推荐的方法及系统
US8160981B2 (en) Event-based anticipation systems, methods and computer program products for associative memories wherein times of future events occurring are predicted
Deng et al. An adaptive empirical Bayesian method for sparse deep learning
Yang et al. Online sequential echo state network with sparse RLS algorithm for time series prediction
Navgaran et al. Evolutionary based matrix factorization method for collaborative filtering systems
Dudík et al. Sample-efficient nonstationary policy evaluation for contextual bandits
CN113420421B (zh) 移动边缘计算中基于时序正则化张量分解的QoS预测方法
CN115577791B (zh) 基于量子系统的信息处理方法及装置
CN108694232B (zh) 一种基于信任关系特征学习的社会化推荐方法
US10410140B1 (en) Categorical to numeric conversion of features for machine learning models
Burtini et al. Improving online marketing experiments with drifting multi-armed bandits
CN111753995A (zh) 一种基于梯度提升树的局部可解释方法
CN115860100A (zh) 一种神经网络模型训练方法、装置及计算设备
CN115358485A (zh) 一种基于图自注意力机制与霍克斯过程的交通流预测方法
Gong Deep dynamic Poisson factorization model
WO2023087303A1 (en) Method and apparatus for classifying nodes of a graph
CN114116995B (zh) 基于增强图神经网络的会话推荐方法、系统及介质
Koeppe et al. Explainable artificial intelligence for mechanics: physics-informing neural networks for constitutive models
Chen et al. Towards automatic model compression via a unified two-stage framework
Roeva et al. InterCriteria analysis by pairs and triples of genetic algorithms application for models identification
Dehuri et al. A condensed polynomial neural network for classification using swarm intelligence
CN114444657A (zh) 一种图像处理方法、系统、设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Country or region after: China

Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501

Patentee before: Qilu University of Technology

Country or region before: China