CN112084416A - 基于CNN和LSTM的Web服务推荐方法 - Google Patents

基于CNN和LSTM的Web服务推荐方法 Download PDF

Info

Publication number
CN112084416A
CN112084416A CN202010994470.XA CN202010994470A CN112084416A CN 112084416 A CN112084416 A CN 112084416A CN 202010994470 A CN202010994470 A CN 202010994470A CN 112084416 A CN112084416 A CN 112084416A
Authority
CN
China
Prior art keywords
user
api
cnn
lstm
mashup
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.)
Pending
Application number
CN202010994470.XA
Other languages
English (en)
Inventor
赵悦
张宏国
马超
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and 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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202010994470.XA priority Critical patent/CN112084416A/zh
Publication of CN112084416A publication Critical patent/CN112084416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于CNN和LSTM的Web服务推荐方法。目前，传统的协同过滤技术在应用系统中占据很高的地位，但是还存在着数据稀疏性的问题。一种基于CNN和LSTM的Web服务推荐方法，将CNN与LSTM进行有效结合，构建深度学习模型以实现最佳的推荐结果，在计算用户偏好特征时，采用用户的历史行为这种隐式反馈信息来提取用户的偏好，使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练，得到其各属性的特征矩阵，构建基于CNN和LSTM的评分预测模型，将各特征矩阵输入到评分预测模型，得到用户对Web服务的预测评分，推荐策略选取用户评分Top_3的Web服务为用户生成推荐，本发明应用于互联网领域。

Description

基于CNN和LSTM的Web服务推荐方法
技术领域
本发明涉及一种基于CNN和LSTM的Web服务推荐方法。
背景技术
互联网的高速发展使得满足用户需求的候选服务数量飞速增长，如何从大规模的Web服务集合中，找到满足用户需求的Web服务，已经成为服务计算等领域的主要研究问题。传统的协同过滤技术在应用系统中占据很高的地位，但是还存在着数据稀疏性的问题。
发明内容
本发明的目的是提供一种基于CNN和LSTM的Web服务推荐方法，用以缓解推荐数据的稀疏性的问题，并提高了推荐的准确性。
上述的目的通过以下的技术方案实现：
一种基于CNN和LSTM的Web服务推荐方法，其特征是：将CNN与LSTM进行有效结合，构建深度学习模型以实现最佳的推荐结果，在计算用户偏好特征时，采用用户的历史行为这种隐式反馈信息来提取用户的偏好；使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练，得到其各属性的特征矩阵；构建基于CNN和LSTM的评分预测模型；将各特征矩阵输入到评分预测模型，得到用户对Web服务的预测评分；推荐策略选取用户评分Top_3的Web服务为用户生成推荐，此方法使用用户的历史记录信息提取了用户的偏好特征，解决了用户对服务没有显式评分的问题，使用CNN较好地提取了内容的局部特征，使用LSTM的全局性对文本上下文的理解进行了补充，提高了推荐的准确率。
所述的基于CNN和LSTM的Web服务推荐方法，包括以下步骤：
步骤一，基于用户的隐式反馈信息计算用户偏好特征；
步骤二，将用户特征、用户的其他属性、API各属性、Mashup各属性的文本描述内容通过BERT语言表征模型得到向量化表示；
步骤三，构建基于CNN和LSTM评分预测模型，将用户、API、Mashup的各属性特征矩阵输入到评分预测模型，得到用户对Web API的预测评分；
步骤四，将步骤步骤三得到的预测评分进行排序，选取预测评分最高的Top_3的 Web服务推荐给用户。
所述的基于CNN和LSTM的Web服务推荐方法，所述的基于用户隐式反馈信息计算用户偏好特征方法包括：
（1）设用户的集合为
Figure 572023DEST_PATH_IMAGE001
，所有服务的集合为
Figure 124228DEST_PATH_IMAGE002
，用
Figure 451304DEST_PATH_IMAGE003
来表示用户
Figure 781660DEST_PATH_IMAGE004
对服务
Figure 194187DEST_PATH_IMAGE005
的评分；
（2）用户
Figure 18923DEST_PATH_IMAGE004
关注或跟踪服务
Figure 200506DEST_PATH_IMAGE005
时，该服务会存于用户
Figure 468807DEST_PATH_IMAGE004
的关注集
Figure 368630DEST_PATH_IMAGE006
中，
Figure 934741DEST_PATH_IMAGE007
表示用户
Figure 33147DEST_PATH_IMAGE004
关注集
Figure 659300DEST_PATH_IMAGE006
中用户-服务交互记录的总条数；
（3）考虑用户
Figure 638231DEST_PATH_IMAGE004
关注集中的Web服务
Figure 742453DEST_PATH_IMAGE005
被其他用户关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 695366DEST_PATH_IMAGE008
表示用户
Figure 492421DEST_PATH_IMAGE004
的关注集
Figure 914306DEST_PATH_IMAGE006
中服务
Figure 87798DEST_PATH_IMAGE005
被其他用户关注的用户-服务交互记录条数；
（4）考虑用户
Figure 160796DEST_PATH_IMAGE004
关注集中的Web服务
Figure 128752DEST_PATH_IMAGE005
被其他用户取消关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 536469DEST_PATH_IMAGE009
表示用户
Figure 982494DEST_PATH_IMAGE004
的关注集
Figure 175578DEST_PATH_IMAGE006
中服务
Figure 314435DEST_PATH_IMAGE005
被其他用户取消关注的用户-服务交互记录条数；
（5）考虑用户
Figure 710912DEST_PATH_IMAGE004
关注集中的Web服务
Figure 960628DEST_PATH_IMAGE005
被更新时，系统也会在当前用户
Figure 8218DEST_PATH_IMAGE004
的关注集中生成一条交互信息记录，
Figure 632491DEST_PATH_IMAGE010
表示用户
Figure 703215DEST_PATH_IMAGE004
的关注集中服务
Figure 756622DEST_PATH_IMAGE005
的更新记录条数；
（6）考虑用户
Figure 658719DEST_PATH_IMAGE004
关注集中的Web服务
Figure 139379DEST_PATH_IMAGE005
被开发者用户调用时，会在Web服务
Figure 244869DEST_PATH_IMAGE005
的Developer列表生成一条记录，
Figure 101967DEST_PATH_IMAGE011
是用户
Figure 858570DEST_PATH_IMAGE004
关注的服务
Figure 821716DEST_PATH_IMAGE005
被开发者调用的次数；
（7）综合（1）-（6），得到用户
Figure 867032DEST_PATH_IMAGE004
对服务
Figure 324558DEST_PATH_IMAGE005
的评分
Figure 873352DEST_PATH_IMAGE012
；
（8）将用户
Figure 774443DEST_PATH_IMAGE004
对服务
Figure 41476DEST_PATH_IMAGE005
的评分
Figure 37114DEST_PATH_IMAGE003
作为用户的偏好特征（User Pre），也作为基于CNN和LSTM评分预测模型的训练依据。
所述的基于CNN和LSTM的Web服务推荐方法，所述的基于BERT的语言表征模型的词向量化方法包括：
将用户、Web API以及Mashup的自然语言类文本数据输入到BERT模型， BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量，即Token Embeddings作为模型的输入；
此外，模型的输入还包含Segment Embeddings和Position Embeddings，SegmentEmbeddings向量的取值由模型在训练过程中自动学习，它用来刻画文本的全局语义信息，并与单个词的语义信息相融合；
Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分，用来区分同一个词在文本中的不同位置所携带的语义信息差异；
最后，BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入，而输出则是输入的各词融合全文语义信息后的向量表示。
所述的基于CNN和LSTM的Web服务推荐方法，所构建的基于CNN和LSTM的评分预测模型，包括：
模型共分为四层，分别为：输入层、深度学习网络层、全连接层和输出层；
（1）输入层：主要是将用户、API以及Mashup信息的向量化表示输入到评分预测模型中；
（2）深度学习网络层：主要是将输入数据映射到隐层特征空间，它分为三个部分：一是词嵌入层，将用户性别等类别字段数据进行简单的词嵌入，得到其特征矩阵；而是CNN层，将用户、API以及Mashup的名称等短文本属性数据进行特征提取：三是LSTM层，将用户、API以及Mashup的描述等具有上下文依赖关系的长文本属性数据进行特征提取；
（3）全连接层：主要是对深度学习网络层所输出的分布式特征表示做加权，映射到样本标记空间，得到用户的特征向量和融合了Mashup特征的Web API的特征向量；
（4）输出层：将用户特征向量和Web API的特征向量做内积，得到用户对于Web服务的预测评分。
所述的基于CNN和LSTM的Web服务推荐方法，所述的用户对服务预测评分的方法，包括：
（1）将用户数据：Username（
Figure 20507DEST_PATH_IMAGE013
）、Real Name（
Figure 279450DEST_PATH_IMAGE014
）、UserPre（
Figure 830517DEST_PATH_IMAGE015
）、Gender（
Figure 833108DEST_PATH_IMAGE016
）、Location（
Figure 169542DEST_PATH_IMAGE017
）、Country（
Figure 333807DEST_PATH_IMAGE018
）、About Me（
Figure 637750DEST_PATH_IMAGE019
）输入到基于CNN和LSTM的评分预测模型；
（2）将API数据：API Id（
Figure 178452DEST_PATH_IMAGE020
）、API Name（
Figure 867929DEST_PATH_IMAGE021
）、API Tags（
Figure 468674DEST_PATH_IMAGE022
）、API Desc（
Figure 994334DEST_PATH_IMAGE023
）、APICategory（
Figure 151777DEST_PATH_IMAGE024
）、API URL（
Figure 649754DEST_PATH_IMAGE025
）、API Changelog（
Figure 218139DEST_PATH_IMAGE026
）输入到基于CNN和LSTM的评分预测模型；
（3）将Mashup数据：Mashup Id（
Figure 434356DEST_PATH_IMAGE027
）、Mashup Name（
Figure 631376DEST_PATH_IMAGE028
）、Mashup Tags（
Figure 983860DEST_PATH_IMAGE029
）、MashupDesc（
Figure 723146DEST_PATH_IMAGE030
）、Mashup Category（
Figure 974129DEST_PATH_IMAGE031
）、Mashup URL（
Figure 660326DEST_PATH_IMAGE032
）、Mashup Changelog（
Figure 929633DEST_PATH_IMAGE033
）输入到基于CNN和LSTM的评分预测模型；
（4）将
Figure 354667DEST_PATH_IMAGE034
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 279898DEST_PATH_IMAGE035
进行卷积操作，得到用户特征矩阵
Figure 566523DEST_PATH_IMAGE036
，其中，
Figure 893599DEST_PATH_IMAGE037
为输入到CNN的用户各属性的向量化表示；
（5）同（4），将
Figure 990999DEST_PATH_IMAGE038
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 137946DEST_PATH_IMAGE039
进行卷积操作，得到API特征矩阵
Figure 228262DEST_PATH_IMAGE040
，其中，
Figure 712640DEST_PATH_IMAGE041
为输入到CNN的API各属性的向量化表示；
（6）同（4），将
Figure 167892DEST_PATH_IMAGE042
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 130032DEST_PATH_IMAGE043
进行卷积操作，得到Mashup特征矩阵
Figure 696143DEST_PATH_IMAGE044
，其中，
Figure 545281DEST_PATH_IMAGE045
为输入到CNN的API各属性的向量化表示；
（7）根据式
Figure 233751DEST_PATH_IMAGE046
进行全局池化操作，在当前维度下对整个数据求最大值，从而降低维度，得到新的特征向量
Figure 355291DEST_PATH_IMAGE047
；
（8）将
Figure 36677DEST_PATH_IMAGE019
输入到LSTM，通过输入门、遗忘门和输出门的计算得到用户的特征
Figure 192852DEST_PATH_IMAGE048
；
（9）同（8），将
Figure 52224DEST_PATH_IMAGE049
输入到LSTM，通过输入门、遗忘门和输出门的计算得到API的特征
Figure 661059DEST_PATH_IMAGE050
；
（10）同（8），将
Figure 382022DEST_PATH_IMAGE051
输入到LSTM，通过输入门、遗忘门和输出门的计算得到Mashup的特征
Figure 392703DEST_PATH_IMAGE052
；
（11）将用户特征
Figure 422976DEST_PATH_IMAGE053
，
Figure 519108DEST_PATH_IMAGE016
，
Figure 545226DEST_PATH_IMAGE017
，
Figure 738310DEST_PATH_IMAGE018
，
Figure 877168DEST_PATH_IMAGE048
进行全连接，得到新的用户特征向量
Figure 8066DEST_PATH_IMAGE054
；
（12）同（11），将API特征
Figure 523361DEST_PATH_IMAGE055
进行全连接，得到新的API特征向量
Figure 570951DEST_PATH_IMAGE056
；
（13）同（12），将Mashup特征
Figure 880710DEST_PATH_IMAGE057
进行全连接，得到新的Mashup特征向量
Figure 997439DEST_PATH_IMAGE058
；
（14）将API特征
Figure 113163DEST_PATH_IMAGE056
与Mashup特征
Figure 952943DEST_PATH_IMAGE058
进行全连接，得到融合Mashup信息的API特征向量
Figure 246652DEST_PATH_IMAGE059
；
（15）将用户特征向量
Figure 804672DEST_PATH_IMAGE054
与融合Mashup信息的API特征向量
Figure 458508DEST_PATH_IMAGE059
根据式
Figure 418373DEST_PATH_IMAGE060
做内积运算，得到用户对Web API的预测评分
Figure 384449DEST_PATH_IMAGE061
。
所述的基于CNN和LSTM的Web服务推荐方法，所述的推荐策略为：
将用户对Web API的预测评分
Figure 164186DEST_PATH_IMAGE061
进行排序，选取
Figure 621712DEST_PATH_IMAGE061
最高的Top_3的Web服务推荐给用户。
本发明所达到的有益效果：
1. 本发明提出了一种基于用户隐式反馈信息提取用户偏好特征的方法，解决了用户没有显式的对服务的评分的问题；
2. 本发明在进行Web服务推荐时，使用了用户、API、Mashup共计21个属性数据，从各方面对用户和Web服务进行特征提取，有效解决了数据稀疏性的问题；
3. 本发明提出了一种联合学习的神经网络，将CNN与LSTM进行有效结合，对用户、API、Mashup的各属性进行建模，来提升推荐的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
附图1 为本发明BERT语言表征模型的输入向量图；
附图2 为本发明基于CNN和LSTM评分预测模型图；
附图3 位本发明基于CNN和LSTM的Web服务推荐流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
基于传统推荐技术在应用系统中存在数据稀疏性的问题，本发明提供了一种基于CNN和LSTM的Web服务推荐方法。包括以下步骤：
步骤1，基于用户隐式反馈信息计算用户偏好特征：
（1）设用户的集合为
Figure 249134DEST_PATH_IMAGE062
，所有服务的集合为
Figure 71596DEST_PATH_IMAGE063
，用
Figure 400946DEST_PATH_IMAGE003
来表示用户
Figure 599846DEST_PATH_IMAGE004
对服务
Figure 580310DEST_PATH_IMAGE005
的评分；
（2）用户
Figure 573673DEST_PATH_IMAGE004
关注或跟踪服务
Figure 328003DEST_PATH_IMAGE005
时，该服务会存于用户
Figure 392911DEST_PATH_IMAGE004
的关注集
Figure 916296DEST_PATH_IMAGE006
中，
Figure 893610DEST_PATH_IMAGE007
表示用户
Figure 135236DEST_PATH_IMAGE004
关注集
Figure 738256DEST_PATH_IMAGE006
中用户-服务交互记录的总条数；
（3）考虑用户
Figure 116147DEST_PATH_IMAGE004
关注集中的Web服务
Figure 31407DEST_PATH_IMAGE005
被其他用户关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 494749DEST_PATH_IMAGE008
表示用户
Figure 901460DEST_PATH_IMAGE004
的关注集
Figure 133858DEST_PATH_IMAGE006
中服务
Figure 718554DEST_PATH_IMAGE005
被其他用户关注的用户-服务交互记录条数；
（4）考虑用户
Figure 669193DEST_PATH_IMAGE004
关注集中的Web服务
Figure 614015DEST_PATH_IMAGE005
被其他用户取消关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 278084DEST_PATH_IMAGE009
表示用户
Figure 220632DEST_PATH_IMAGE004
的关注集
Figure 720883DEST_PATH_IMAGE006
中服务
Figure 407079DEST_PATH_IMAGE005
被其他用户取消关注的用户-服务交互记录条数；
（5）考虑用户
Figure 489436DEST_PATH_IMAGE004
关注集中的Web服务
Figure 602886DEST_PATH_IMAGE005
被更新时，系统也会在当前用户
Figure 854349DEST_PATH_IMAGE004
的关注集中生成一条交互信息记录，
Figure 78657DEST_PATH_IMAGE010
表示用户
Figure 468050DEST_PATH_IMAGE004
的关注集中服务
Figure 486822DEST_PATH_IMAGE005
的更新记录条数；
（6）考虑用户
Figure 899349DEST_PATH_IMAGE004
关注集中的Web服务
Figure 740397DEST_PATH_IMAGE005
被开发者用户调用时，会在Web服务
Figure 984296DEST_PATH_IMAGE005
的Developer列表生成一条记录，
Figure 439548DEST_PATH_IMAGE011
是用户
Figure 385377DEST_PATH_IMAGE004
关注的服务
Figure 951487DEST_PATH_IMAGE005
被开发者调用的次数；
（7）综合（1）-（6），得到用户
Figure 315472DEST_PATH_IMAGE004
对服务
Figure 941626DEST_PATH_IMAGE005
的评分
Figure 876215DEST_PATH_IMAGE012
；
（8）将用户
Figure 246016DEST_PATH_IMAGE004
对服务
Figure 464508DEST_PATH_IMAGE005
的评分
Figure 261563DEST_PATH_IMAGE003
作为用户的偏好特征（User Pre），也作为基于CNN和LSTM评分预测模型的训练依据。
步骤2，基于BERT的语言表征模型的词向量化方法：
将步骤1得到的用户偏好数据、用户其他属性数据、Web API以及Mashup的文本数据输入到BERT模型， BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量，即Token Embeddings作为模型的输入，此外，模型的输入还包含Segment Embeddings和Position Embeddings，Segment Embeddings向量的取值由模型在训练过程中自动学习，它用来刻画文本的全局语义信息，并与单个词的语义信息相融合，Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分，用来区分同一个词在文本中的不同位置所携带的语义信息差异，最后，BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入，如附图1所示，而输出则是输入的各词融合全文语义信息后的向量表示。
步骤3，基于CNN和LSTM的评分预测方法：
将步骤2使用基于BERT的语言表征模型的词向量化方法得到的各个属性的词嵌入矩阵输入到基于CNN和LSTM评分预测模型，如附图2所示，其内容包括：
（1）将用户数据：Username（
Figure 184913DEST_PATH_IMAGE013
）、Real Name（
Figure 92826DEST_PATH_IMAGE014
）、UserPre（
Figure 165824DEST_PATH_IMAGE015
）、Gender（
Figure 133780DEST_PATH_IMAGE016
）、Location（
Figure 42961DEST_PATH_IMAGE017
）、Country（
Figure 754565DEST_PATH_IMAGE018
）、About Me（
Figure 682070DEST_PATH_IMAGE019
）输入到基于CNN和LSTM的评分预测模型；
（2）将API数据：API Id（
Figure 820928DEST_PATH_IMAGE020
）、API Name（
Figure 715940DEST_PATH_IMAGE021
）、API Tags（
Figure 231235DEST_PATH_IMAGE022
）、API Desc（
Figure 13246DEST_PATH_IMAGE023
）、APICategory（
Figure 323005DEST_PATH_IMAGE024
）、API URL（
Figure 206778DEST_PATH_IMAGE025
）、API Changelog（
Figure 260185DEST_PATH_IMAGE026
）输入到基于CNN和LSTM的评分预测模型；
（3）将Mashup数据：Mashup Id（
Figure 99965DEST_PATH_IMAGE027
）、Mashup Name（
Figure 642942DEST_PATH_IMAGE028
）、Mashup Tags（
Figure 200962DEST_PATH_IMAGE029
）、MashupDesc（
Figure 106995DEST_PATH_IMAGE030
）、Mashup Category（
Figure 801281DEST_PATH_IMAGE031
）、Mashup URL（
Figure 780738DEST_PATH_IMAGE032
）、Mashup Changelog（
Figure 560476DEST_PATH_IMAGE033
）输入到基于CNN和LSTM的评分预测模型；
（4）将
Figure 768734DEST_PATH_IMAGE034
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 583106DEST_PATH_IMAGE064
进行卷积操作，得到用户特征矩阵uC，其中，
Figure 467886DEST_PATH_IMAGE037
为输入到CNN的用户各属性的向量化表示；
（5）同（4），将
Figure 734919DEST_PATH_IMAGE038
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 245404DEST_PATH_IMAGE039
进行卷积操作，得到API特征矩阵
Figure 914283DEST_PATH_IMAGE040
，其中，
Figure 969963DEST_PATH_IMAGE041
为输入到CNN的API各属性的向量化表示；
（6）同（4），将
Figure 724293DEST_PATH_IMAGE042
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 461304DEST_PATH_IMAGE043
进行卷积操作，得到Mashup特征矩阵
Figure 797739DEST_PATH_IMAGE044
，其中，
Figure 227583DEST_PATH_IMAGE045
为输入到CNN的API各属性的向量化表示；
（7）根据式
Figure 531526DEST_PATH_IMAGE046
进行全局池化操作，在当前维度下对整个数据求最大值，从而降低维度，得到新的特征向量
Figure 806649DEST_PATH_IMAGE047
；
（8）将
Figure 764634DEST_PATH_IMAGE019
输入到LSTM，通过输入门、遗忘门和输出门的计算得到用户的特征
Figure 99801DEST_PATH_IMAGE048
；
（9）同（8），将
Figure 891039DEST_PATH_IMAGE049
输入到LSTM，通过输入门、遗忘门和输出门的计算得到API的特征
Figure 969854DEST_PATH_IMAGE050
；
（10）同（8），将
Figure 280880DEST_PATH_IMAGE051
输入到LSTM，通过输入门、遗忘门和输出门的计算得到Mashup的特征
Figure 52527DEST_PATH_IMAGE052
；
（11）将用户特征
Figure 65483DEST_PATH_IMAGE053
，
Figure 947988DEST_PATH_IMAGE016
，
Figure 300472DEST_PATH_IMAGE017
，
Figure 554605DEST_PATH_IMAGE018
，
Figure 992539DEST_PATH_IMAGE048
进行全连接，得到新的用户特征向量
Figure 475473DEST_PATH_IMAGE054
；
（12）同（11），将API特征
Figure 948043DEST_PATH_IMAGE055
进行全连接，得到新的API特征向量
Figure 874542DEST_PATH_IMAGE056
；
（13）同（12），将Mashup特征
Figure 799772DEST_PATH_IMAGE057
进行全连接，得到新的Mashup特征向量
Figure 86397DEST_PATH_IMAGE058
；
（14）将API特征
Figure 147894DEST_PATH_IMAGE056
与Mashup特征
Figure 735040DEST_PATH_IMAGE058
进行全连接，得到融合Mashup信息的API特征向量
Figure 147567DEST_PATH_IMAGE059
；
（15）将用户特征向量
Figure 237883DEST_PATH_IMAGE054
与融合Mashup信息的API特征向量
Figure 419465DEST_PATH_IMAGE059
根据式
Figure 422188DEST_PATH_IMAGE060
做内积运算，得到用户对Web API的预测评分
Figure 322011DEST_PATH_IMAGE061
。
步骤4，选取用户评分Top_3的Web服务为用户生成推荐的推荐策略，其内容为：
对步骤3的评分预测模型得到的用户对Web API的预测评分
Figure 888121DEST_PATH_IMAGE061
从大到小进行排序，将评分最高的Top_3的Web服务推荐给用户。

Claims (7)

1.一种基于CNN和LSTM的Web服务推荐方法，其特征是：将CNN与LSTM进行有效结合，构建深度学习模型以实现最佳的推荐结果，在计算用户偏好特征时，采用用户的历史行为这种隐式反馈信息来提取用户的偏好；使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练，得到其各属性的特征矩阵；构建基于CNN和LSTM的评分预测模型；将各特征矩阵输入到评分预测模型，得到用户对Web服务的预测评分；推荐策略选取用户评分Top_3的Web服务为用户生成推荐。
2.根据权利要求1所述的基于CNN和LSTM的Web服务推荐方法，其特征是：包括以下步骤：
步骤一，基于用户的隐式反馈信息计算用户偏好特征；
步骤二，将用户特征、用户的其他属性、API各属性、Mashup各属性的文本描述内容通过BERT语言表征模型得到向量化表示；
步骤三，构建基于CNN和LSTM评分预测模型，将用户、API、Mashup的各属性特征矩阵输入到评分预测模型，得到用户对Web API的预测评分；
步骤四，将步骤步骤三得到的预测评分进行排序，选取预测评分最高的Top_3的 Web服务推荐给用户。
3.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法，其特征是：所述的基于用户隐式反馈信息计算用户偏好特征方法包括：
（1）设用户的集合为
Figure 796490DEST_PATH_IMAGE001
，所有服务的集合为
Figure 713630DEST_PATH_IMAGE002
，用
Figure 680318DEST_PATH_IMAGE003
来表示用户
Figure 75527DEST_PATH_IMAGE004
对服务
Figure 827583DEST_PATH_IMAGE005
的评分；
（2）用户
Figure 836996DEST_PATH_IMAGE004
关注或跟踪服务
Figure 104029DEST_PATH_IMAGE005
时，该服务会存于用户
Figure 240613DEST_PATH_IMAGE004
的关注集
Figure 909491DEST_PATH_IMAGE006
中，
Figure 92735DEST_PATH_IMAGE007
表示用户
Figure 784748DEST_PATH_IMAGE004
关注集
Figure 521760DEST_PATH_IMAGE006
中用户-服务交互记录的总条数；
（3）考虑用户
Figure 232096DEST_PATH_IMAGE004
关注集中的Web服务
Figure 661940DEST_PATH_IMAGE005
被其他用户关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 841249DEST_PATH_IMAGE008
表示用户
Figure 116372DEST_PATH_IMAGE004
的关注集
Figure 946794DEST_PATH_IMAGE006
中服务
Figure 281960DEST_PATH_IMAGE005
被其他用户关注的用户-服务交互记录条数；
（4）考虑用户
Figure 948565DEST_PATH_IMAGE004
关注集中的Web服务
Figure 27379DEST_PATH_IMAGE005
被其他用户取消关注时，系统就会在当前用户的关注集中生成一条交互信息记录，
Figure 712307DEST_PATH_IMAGE009
表示用户
Figure 483954DEST_PATH_IMAGE004
的关注集
Figure 372276DEST_PATH_IMAGE006
中服务
Figure 254781DEST_PATH_IMAGE005
被其他用户取消关注的用户-服务交互记录条数；
（5）考虑用户
Figure 797146DEST_PATH_IMAGE004
关注集中的Web服务
Figure 739694DEST_PATH_IMAGE005
被更新时，系统也会在当前用户
Figure 115311DEST_PATH_IMAGE004
的关注集中生成一条交互信息记录，
Figure 535928DEST_PATH_IMAGE010
表示用户
Figure 195449DEST_PATH_IMAGE004
的关注集中服务
Figure 308898DEST_PATH_IMAGE005
的更新记录条数；
（6）考虑用户
Figure 171812DEST_PATH_IMAGE004
关注集中的Web服务
Figure 396120DEST_PATH_IMAGE005
被开发者用户调用时，会在Web服务
Figure 644568DEST_PATH_IMAGE005
的Developer列表生成一条记录，
Figure 928918DEST_PATH_IMAGE011
是用户
Figure 279128DEST_PATH_IMAGE004
关注的服务
Figure 307127DEST_PATH_IMAGE005
被开发者调用的次数；
（7）综合（1）-（6），得到用户
Figure 675661DEST_PATH_IMAGE004
对服务
Figure 865333DEST_PATH_IMAGE005
的评分
Figure 702839DEST_PATH_IMAGE012
；
（8）将用户
Figure 268950DEST_PATH_IMAGE004
对服务
Figure 760499DEST_PATH_IMAGE005
的评分
Figure 121073DEST_PATH_IMAGE003
作为用户的偏好特征（User Pre），也作为权利要求1所述的基于CNN和LSTM评分预测模型的训练依据。
4.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法，其特征是，所述的基于BERT的语言表征模型的词向量化方法包括：
将用户、Web API以及Mashup的自然语言类文本数据输入到BERT模型， BERT模型通过查询词向量表将文本中的每一个词转换成一个一维向量，即Token Embeddings作为模型的输入；
此外，模型的输入还包含Segment Embeddings和Position Embeddings，SegmentEmbeddings向量的取值由模型在训练过程中自动学习，它用来刻画文本的全局语义信息，并与单个词的语义信息相融合；
Position Embeddings会对不同位置的词分别附加一个不同位置的向量以做区分，用来区分同一个词在文本中的不同位置所携带的语义信息差异；
最后，BERT会将Token Embeddings、Segment Embedding、Position Embeddings的向量和作为最终的模型输入，而输出则是输入的各词融合全文语义信息后的向量表示。
5.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法，其特征是，所构建的基于CNN和LSTM的评分预测模型，包括：
模型共分为四层，分别为：输入层、深度学习网络层、全连接层和输出层；
（1）输入层：主要是将用户、API以及Mashup信息的向量化表示输入到评分预测模型中；
（2）深度学习网络层：主要是将输入数据映射到隐层特征空间，它分为三个部分：一是词嵌入层，将用户性别等类别字段数据进行简单的词嵌入，得到其特征矩阵；而是CNN层，将用户、API以及Mashup的名称等短文本属性数据进行特征提取：三是LSTM层，将用户、API以及Mashup的描述等具有上下文依赖关系的长文本属性数据进行特征提取；
（3）全连接层：主要是对深度学习网络层所输出的分布式特征表示做加权，映射到样本标记空间，得到用户的特征向量和融合了Mashup特征的Web API的特征向量；
（4）输出层：将用户特征向量和Web API的特征向量做内积，得到用户对于Web服务的预测评分。
6.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法，其特征是：所述的用户对服务预测评分的方法，包括：
（1）将用户数据：Username（
Figure 445875DEST_PATH_IMAGE013
）、Real Name（
Figure 815676DEST_PATH_IMAGE014
）、UserPre（
Figure 706272DEST_PATH_IMAGE015
）、Gender（
Figure 690277DEST_PATH_IMAGE016
）、Location（
Figure 299113DEST_PATH_IMAGE017
）、Country（
Figure 410289DEST_PATH_IMAGE018
）、About Me（
Figure 420970DEST_PATH_IMAGE019
）输入到基于CNN和LSTM的评分预测模型；
（2）将API数据：API Id（
Figure 575877DEST_PATH_IMAGE020
）、API Name（
Figure 672009DEST_PATH_IMAGE021
）、API Tags（
Figure 321296DEST_PATH_IMAGE022
）、API Desc（
Figure 186484DEST_PATH_IMAGE023
）、APICategory（
Figure 512292DEST_PATH_IMAGE024
）、API URL（
Figure 95720DEST_PATH_IMAGE025
）、API Changelog（
Figure 283119DEST_PATH_IMAGE026
）输入到基于CNN和LSTM的评分预测模型；
（3）将Mashup数据：Mashup Id（
Figure 268392DEST_PATH_IMAGE027
）、Mashup Name（
Figure 779750DEST_PATH_IMAGE028
）、Mashup Tags（
Figure 850474DEST_PATH_IMAGE029
）、MashupDesc（
Figure 903881DEST_PATH_IMAGE030
）、Mashup Category（
Figure 681344DEST_PATH_IMAGE031
）、Mashup URL（
Figure 162004DEST_PATH_IMAGE032
）、Mashup Changelog（
Figure 641396DEST_PATH_IMAGE033
）输入到基于CNN和LSTM的评分预测模型；
（4）将
Figure 498493DEST_PATH_IMAGE034
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 130463DEST_PATH_IMAGE035
进行卷积操作，得到用户特征矩阵
Figure 782024DEST_PATH_IMAGE036
，其中，
Figure 14291DEST_PATH_IMAGE037
为输入到CNN的用户各属性的向量化表示；
（5）同（4），将
Figure 409500DEST_PATH_IMAGE038
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 895976DEST_PATH_IMAGE039
进行卷积操作，得到API特征矩阵
Figure 984018DEST_PATH_IMAGE040
，其中，
Figure 438002DEST_PATH_IMAGE041
为输入到CNN的API各属性的向量化表示；
（6）同（4），将
Figure 636902DEST_PATH_IMAGE042
输入到CNN，设置卷积核的数量为50，卷积的尺寸为5，步长为1，根据式
Figure 40202DEST_PATH_IMAGE043
进行卷积操作，得到Mashup特征矩阵
Figure 236828DEST_PATH_IMAGE044
，其中，
Figure 991157DEST_PATH_IMAGE045
为输入到CNN的API各属性的向量化表示；
（7）根据式
Figure 918050DEST_PATH_IMAGE046
进行全局池化操作，在当前维度下对整个数据求最大值，从而降低维度，得到新的特征向量
Figure 379118DEST_PATH_IMAGE047
；
（8）将
Figure 808962DEST_PATH_IMAGE019
输入到LSTM，通过输入门、遗忘门和输出门的计算得到用户的特征
Figure 971959DEST_PATH_IMAGE048
；
（9）同（8），将
Figure 512662DEST_PATH_IMAGE049
输入到LSTM，通过输入门、遗忘门和输出门的计算得到API的特征
Figure 93816DEST_PATH_IMAGE050
；
（10）同（8），将
Figure 428982DEST_PATH_IMAGE051
输入到LSTM，通过输入门、遗忘门和输出门的计算得到Mashup的特征
Figure 157904DEST_PATH_IMAGE052
；
（11）将用户特征
Figure 423669DEST_PATH_IMAGE053
，
Figure 921647DEST_PATH_IMAGE016
，
Figure 365397DEST_PATH_IMAGE017
，
Figure 581615DEST_PATH_IMAGE018
，
Figure 651071DEST_PATH_IMAGE048
进行全连接，得到新的用户特征向量
Figure 3555DEST_PATH_IMAGE054
；
（12）同（11），将API特征
Figure 883786DEST_PATH_IMAGE055
进行全连接，得到新的API特征向量
Figure 321721DEST_PATH_IMAGE056
；
（13）同（12），将Mashup特征
Figure 932218DEST_PATH_IMAGE057
进行全连接，得到新的Mashup特征向量
Figure 404788DEST_PATH_IMAGE058
；
（14）将API特征
Figure 190341DEST_PATH_IMAGE056
与Mashup特征
Figure 115572DEST_PATH_IMAGE058
进行全连接，得到融合Mashup信息的API特征向量
Figure 526831DEST_PATH_IMAGE059
；
（15）将用户特征向量
Figure 853907DEST_PATH_IMAGE054
与融合Mashup信息的API特征向量
Figure 75941DEST_PATH_IMAGE059
根据式
Figure 488468DEST_PATH_IMAGE060
做内积运算，得到用户对Web API的预测评分
Figure 437838DEST_PATH_IMAGE061
。
7.根据权利要求1或2所述的基于CNN和LSTM的Web服务推荐方法，其特征是：所述的推荐策略为：
将用户对Web API的预测评分
Figure 619420DEST_PATH_IMAGE061
进行排序，选取
Figure 12356DEST_PATH_IMAGE061
最高的Top_3的Web服务推荐给用户。
CN202010994470.XA 2020-09-21 2020-09-21 基于CNN和LSTM的Web服务推荐方法 Pending CN112084416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010994470.XA CN112084416A (zh) 2020-09-21 2020-09-21 基于CNN和LSTM的Web服务推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010994470.XA CN112084416A (zh) 2020-09-21 2020-09-21 基于CNN和LSTM的Web服务推荐方法

Publications (1)

Publication Number Publication Date
CN112084416A true CN112084416A (zh) 2020-12-15

Family

ID=73739251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010994470.XA Pending CN112084416A (zh) 2020-09-21 2020-09-21 基于CNN和LSTM的Web服务推荐方法

Country Status (1)

Country Link
CN (1) CN112084416A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804080A (zh) * 2020-12-24 2021-05-14 中国科学院信息工程研究所 一种访问控制初始化智能推荐方法
CN113343078A (zh) * 2021-05-11 2021-09-03 浙江工业大学 基于主题模型聚类的Web API推荐方法
CN113743081A (zh) * 2021-09-03 2021-12-03 西安邮电大学 技术服务信息的推荐方法
CN114201669A (zh) * 2021-11-19 2022-03-18 西安电子科技大学 一种基于词嵌入与协同过滤技术的api推荐方法
CN114817745A (zh) * 2022-05-19 2022-07-29 大连海事大学 一种图嵌入增强的Web API推荐方法和系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834747A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 基于卷积神经网络的短文本分类方法
CN106919702A (zh) * 2017-02-14 2017-07-04 北京时间股份有限公司 基于文档的关键词推送方法及装置
US20170262925A1 (en) * 2016-03-09 2017-09-14 Ebay Inc. Methods and apparatus for querying a database for tail queries
CN108536856A (zh) * 2018-04-17 2018-09-14 重庆邮电大学 基于双边网络结构的混合协同过滤电影推荐模型
CN108573411A (zh) * 2018-04-17 2018-09-25 重庆理工大学 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN109635291A (zh) * 2018-12-04 2019-04-16 重庆理工大学 一种基于协同训练的融合评分信息和物品内容的推荐方法
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
CN111061961A (zh) * 2019-11-19 2020-04-24 江西财经大学 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统
CN111179919A (zh) * 2019-12-20 2020-05-19 华中科技大学鄂州工业技术研究院 一种确定失语类型的方法及装置
CN111368197A (zh) * 2020-03-04 2020-07-03 哈尔滨理工大学 一种基于深度学习的评论推荐系统及方法
CN111538898A (zh) * 2020-03-24 2020-08-14 上海交通大学 基于组合特征提取的Web服务包推荐方法及系统
US20200293564A1 (en) * 2019-02-12 2020-09-17 Live Objects, Inc. Automated process collaboration platform in domains

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834747A (zh) * 2015-05-25 2015-08-12 中国科学院自动化研究所 基于卷积神经网络的短文本分类方法
US20170262925A1 (en) * 2016-03-09 2017-09-14 Ebay Inc. Methods and apparatus for querying a database for tail queries
CN106919702A (zh) * 2017-02-14 2017-07-04 北京时间股份有限公司 基于文档的关键词推送方法及装置
WO2018191555A1 (en) * 2017-04-14 2018-10-18 Drishti Technologies. Inc Deep learning system for real time analysis of manufacturing operations
CN108536856A (zh) * 2018-04-17 2018-09-14 重庆邮电大学 基于双边网络结构的混合协同过滤电影推荐模型
CN108573411A (zh) * 2018-04-17 2018-09-25 重庆理工大学 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法
CN109635291A (zh) * 2018-12-04 2019-04-16 重庆理工大学 一种基于协同训练的融合评分信息和物品内容的推荐方法
US20200293564A1 (en) * 2019-02-12 2020-09-17 Live Objects, Inc. Automated process collaboration platform in domains
CN110196946A (zh) * 2019-05-29 2019-09-03 华南理工大学 一种基于深度学习的个性化推荐方法
CN111061961A (zh) * 2019-11-19 2020-04-24 江西财经大学 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统
CN111179919A (zh) * 2019-12-20 2020-05-19 华中科技大学鄂州工业技术研究院 一种确定失语类型的方法及装置
CN111368197A (zh) * 2020-03-04 2020-07-03 哈尔滨理工大学 一种基于深度学习的评论推荐系统及方法
CN111538898A (zh) * 2020-03-24 2020-08-14 上海交通大学 基于组合特征提取的Web服务包推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张倩等: "《基于改进CNN-SRBM文本分类的评分预测推荐研究》", 《洛阳理工学院学报(自然科学版)》 *
桑晓倩等: "《面向高效派单的可配置代买服务平台》", 《科技创新与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112804080A (zh) * 2020-12-24 2021-05-14 中国科学院信息工程研究所 一种访问控制初始化智能推荐方法
CN113343078A (zh) * 2021-05-11 2021-09-03 浙江工业大学 基于主题模型聚类的Web API推荐方法
CN113743081A (zh) * 2021-09-03 2021-12-03 西安邮电大学 技术服务信息的推荐方法
CN114201669A (zh) * 2021-11-19 2022-03-18 西安电子科技大学 一种基于词嵌入与协同过滤技术的api推荐方法
CN114201669B (zh) * 2021-11-19 2023-02-03 西安电子科技大学 一种基于词嵌入与协同过滤技术的api推荐方法
CN114817745A (zh) * 2022-05-19 2022-07-29 大连海事大学 一种图嵌入增强的Web API推荐方法和系统

Similar Documents

Publication Publication Date Title
CN112084416A (zh) 基于CNN和LSTM的Web服务推荐方法
CN111753060B (zh) 信息检索方法、装置、设备及计算机可读存储介质
CN107133224B (zh) 一种基于主题词的语言生成方法
CN112069408B (zh) 一种融合关系抽取的推荐系统及方法
Shuang et al. AELA-DLSTMs: attention-enabled and location-aware double LSTMs for aspect-level sentiment classification
Sohail et al. Feature-based opinion mining approach (FOMA) for improved book recommendation
CN111062775A (zh) 一种基于注意力机制的推荐系统召回方法
CN107862561A (zh) 一种基于图片属性提取建立用户兴趣库的方法及设备
WO2023065211A1 (zh) 一种信息获取方法以及装置
WO2016135905A1 (ja) 情報処理システム及び情報処理方法
CN112991017A (zh) 基于用户评论解析的标签体系精准推荐方法
CN115964560B (zh) 基于多模态预训练模型的资讯推荐方法及设备
CN115630145A (zh) 一种基于多粒度情感的对话推荐方法及系统
CN111666752A (zh) 一种基于关键词注意力机制的电路教材实体关系抽取方法
Zhiyuli et al. Bookgpt: A general framework for book recommendation empowered by large language model
Peng et al. Cooperative gating network based on a single BERT encoder for aspect term sentiment analysis
Theosaksomo et al. Conversational recommender system chatbot based on functional requirement
Gan et al. CDMF: a deep learning model based on convolutional and dense-layer matrix factorization for context-aware recommendation
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质
CN114491265B (zh) 一种经营性空间平台运营服务系统的构建方法
Song et al. QIVISE: a quantum-inspired interactive video search engine in VBS2023
CN109885748A (zh) 基于语意特征的优化推荐方法
Zhang et al. Learning personalized end-to-end task-oriented dialogue generation
Shama et al. A meticulous critique on prevailing techniques of aspect-level sentiment analysis
CN115203532A (zh) 一种项目推荐方法、装置、电子设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201215

WD01 Invention patent application deemed withdrawn after publication