CN113656453A - 一种服务供需双边模式关联矩阵构造与更新方法 - Google Patents
一种服务供需双边模式关联矩阵构造与更新方法 Download PDFInfo
- Publication number
- CN113656453A CN113656453A CN202110863456.0A CN202110863456A CN113656453A CN 113656453 A CN113656453 A CN 113656453A CN 202110863456 A CN202110863456 A CN 202110863456A CN 113656453 A CN113656453 A CN 113656453A
- Authority
- CN
- China
- Prior art keywords
- service
- mode
- demand
- matching
- incidence matrix
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title description 6
- 230000000694 effects Effects 0.000 claims abstract description 8
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 15
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 15
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种服务供需双边模式关联矩阵构造与更新方法。步骤1：定义关联矩阵，所述关联矩阵包括需求，服务，需求模式，服务模式以及用户情境信息；步骤2：设置与步骤1关联矩阵相中的用户情境维度信息；步骤3：基于步骤1的关联矩阵与步骤2的用户情境维度信息进行供需双边模式匹配度计算；步骤4：基于步骤3的供需双边模式匹配度构建供需双边模式关联矩阵；步骤5：利用步骤4的模型进行供需双边模式关联矩阵的更新，在更新效率与更新效果间进行均衡。用以解决越来越难以高效快速得到满足大规模个性化用户需求的服务方案的问题。
Description
技术领域
本发明涉及服务供需匹配领域，具体涉及一种服务供需双边模式关联矩阵构造与更新方法。
背景技术
随着大数据、云计算、物联网等理论和技术的快速发展，互联网上可用的服务数量急剧增加。与此同时，单一的服务越来越难以满足用户日益复杂的服务需求，如何高效构建用户满意的服务方案成为了服务设计和优化的核心问题。现有的服务组合和服务选择技术局限在使用单个服务进行匹配，越来越难以高效快速得到满足大规模个性化用户需求的服务方案。
在服务互联网中，用户需求倾向于大粒度和个性化，涉及到的应用业务也体现了很强的复杂性、关联性与跨界性。这时，单一服务往往无法满足用户的需求，通常需要多个不同功能的服务集成使用。由于服务数量繁多，传统的服务组合和服务选择方法在大规模数据量下表现不佳。因此，如何提高服务匹配的效率成为了服务互联网中亟待解决的问题。
发明内容
本发明提供一种服务供需双边模式关联矩阵构造与更新方法，用以解决越来越难以高效快速得到满足大规模个性化用户需求的服务方案的问题。
本发明通过以下技术方案实现：
一种服务供需双边模式关联矩阵构造与更新方法，所述关联矩阵构造与更新方法具体包括以下步骤：
步骤1：定义关联矩阵，所述关联矩阵包括需求，服务，需求模式，服务模式以及用户情境信息；
步骤2：设置与步骤1关联矩阵相中的用户情境维度信息；
步骤3：基于步骤1的关联矩阵与步骤2的用户情境维度信息进行供需双边模式匹配度计算；
步骤4：基于步骤3的供需双边模式匹配度构建供需双边模式关联矩阵；
步骤5：利用步骤4的模型进行供需双边模式关联矩阵的更新，在更新效率与更新效果间进行均衡。
进一步的，所述步骤1具体为：关联矩阵由R,S,RP,SP,Context五个维度构成，其中，R为需求集合，S为服务集合，RP为需求模式集合，SP为服务模式集合，Context为用户情境信息集合；需求模式与服务模式在不同情境下的关联关系，关联关系的强弱通过匹配度pij∈[0,1)进行度量；
假设共有n个需求模式与m个服务模式，关联矩阵定义如下：
当情境ctk相同时，设需求模式rpi能匹配mi个服务模式。aij为需求模式rpi与服务模式spj的匹配度；如果二者不能匹配，则匹配度aij＝0；
由于每个需求模式只对应少量服务模式，mi小于m，故需求模式与服务模式之间关系表达为稀疏矩阵Ak：
当同一需求模式rpi所处的用户情境不同时，其对应的服务模式也不同；设有c个情境信息，设bk,j为情境ctk时，需求模式rpi与服务模式spj的匹配度，如果二者不能匹配，则匹配度bk,j＝0；设每个情境信息对应的候选服务模式都有m0个，则相应匹配关系表达为稀疏矩阵Bi：
进一步的，所述步骤2具体为，情境信息包括两类：用户情境，即用户年龄、性别等自然信息以及用户的职业和人际关系群体信息；环境情境，即时间和地点用户提出需求时所处的环境；
采用键值对形式对情境进行建模，对于连续型情境，使用标准化欧氏距离度量两个情境的相似程度；
对于离散型情境，按照one-hot编码规则转换为连续型情境。
进一步的，所述步骤3具体为，历史和当前部分数据的匹配度计算需考虑包括时间衰减Ti、约束满足度Ci和使用次数；
所述时间衰减Ti为第i次匹配的时间衰减程度。其中t0表示当前时间，ti表示第i次匹配时间点：
所述约束满足度Ci为第i次匹配时需求模式约束满足程度：
其中，n为约束数量，cj为第j个约束的服务模式满足度；
对于枚举值，满足约束为1，不满足为0；对于范围值的情况，服务模式满足度定义如下式所示：
其中，wmin与wmax指需求模式中约束的最小值与最大值，w为约束的实际值；
匹配次数记为N；
综合三个参数，包含历史和当前部分信息的匹配度pn表示为：
其中，
为N次匹配时间衰减Ti的平均值，
为约束满足度Ci的平均值；
未来部分的匹配度pf需要结合特定领域对未来需求与服务的使用情况进行预测，针对性地调整匹配度；
需求模式中每个子需求的预测值为
则需求模式的预测值为
其中n为子需求的个数，ai为子需求i的权值，需求模式中约束多的子需求为更重要的部分，在匹配度计算中权值越大，因此ai为子需求i约束的数量；
同理，服务模式的预测值pf,s即为每个服务预测值的平均值。
进一步的，所述步骤4具体为，使用Birch聚类算法对关联矩阵中的情境信息进行聚类分析，构建的双边模式关联矩阵通过以下步骤实现：
步骤4.1：输入方案集合solution；
步骤4.2：设用户情境集合
匹配时间点集合
关联矩阵
步骤4.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X[(rpj,spk)]与D[(rpj,spk)]初始化为空列表，X[(rpj,spk)]←X[(rpj,spk)]+ci，其中ci为si中用户情境；D[(rpj,spk)]←D[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤4.4：(rpj,spk)∈X中的每个元素重复本步骤，使用PCA算法对X[(rpj,spk)]降维，使用Birch算法对X[(rpj,spk)]聚类；
步骤4.5：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
进一步的，所述步骤5供需双边模式关联矩阵的更新具体包括新增策略、突变策略及服务质量变化策略；
所述新增策略，在需求匹配的时候匹配到需求模式，但是没有合适的服务模式进行对应，当a超过预设值时更新关联矩阵，
增加新的需求模式或服务模式，此时在服务日志中找到新增模式的匹配情况，并更新关联矩阵；
所述突变策略，需求模式或服务模式的使用情况发生突变，使用余弦相似度度量当前和历史的需求模式，服务模式使用情况的相似程度，小于某阈值代表用户需求或服务的使用情况发生突变；
需求模式每过n天对这n天使用的需求模式进行统计，第k次统计记为
其中，
为需求模式rpi在第k次统计时的使用次数；
记
1为m维全1向量，以b＝cos(yk,1)表示需求模式使用情况的变化程度，当b小于预设值时更新关联矩阵；
服务模式同理；
所述服务质量变化策略，服务质量发生变化会导致匹配度中约束满足度发生变化，需要对关联矩阵中的匹配度进行更新。
进一步的，在关联矩阵使用时，需定期判断是否满足上述策略。如满足新增策略或突变策略，使用双边模式关联矩阵更新方法对关联矩阵进行更新；如满足服务质量变化策略，对使用该服务的<需求模式，服务模式>对的匹配度进行更新。当<需求模式，服务模式>对在某情境下的匹配度降低到某一阈值时，在匹配中不予考虑，视为该对失效，但在关联矩阵中保留数据，随关联矩阵进行更新
从历史记录中取出需要更新的<需求模式，服务模式>对，读取其PCA模型与Birch模型，将新的匹配记录加入模型中并计算匹配度，在更新效率与更新效果间进行均衡。
进一步的，所述双边模式关联矩阵更新方法包括以下步骤：
步骤5.1：输入需要更新的<需求模式，服务模式>对集合rpsp，服务方案集合solution，用户情境集合X，匹配时间点集合D，关联矩阵A；
步骤5.2：设用户情境
匹配时间点
步骤5.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X'[(rpj,spk)]与D'[(rpj,spk)]初始化为空列表，如果(rpj,spk)∈rpsp和匹配时间点大于上次更新时间均满足，则X'[(rpj,spk)]←X'[(rpj,spk)]+ci，其中ci为si中用户情境；D'[(rpj,spk)]←D'[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤5.4：(rpj,spk)∈X'中的每个元素重复本步骤，当
时，使用PCA算法对X'[(rpj,spk)]降维，使用Birch算法对X'[(rpj,spk)]聚类；
步骤5.5：否则读取PCA模型，对X[(rpj,spk)]与X'[(rpj,spk)]降维，并将X'[(rpj,spk)]加入Birch聚类模型中；
步骤5.6：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
本发明的有益效果是：
本发明提高服务匹配的效率。
本发明挖掘了历史成功服务方案中的匹配关系，提高了搜索效率，降低了搜索空间。
本发明通过发现历史服务方案中需求模式和服务模式的匹配记录，构建了多维双边模式关联矩阵，提高后续匹配的效率。
本发明关联矩阵的适应性更新策略，以适应需求和服务变化对匹配的影响。
附图说明
图1是本发明的结构示意图。
图2是本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种服务供需双边模式关联矩阵构造与更新方法，所述关联矩阵构造与更新方法具体包括以下步骤：
步骤1：定义关联矩阵，所述关联矩阵包括需求，服务，需求模式，服务模式以及用户情境信息；使用历史服务方案中供需双边模式间的成功匹配先验知识，可以构建双边模式间的多维概率关联矩阵，支持服务方案构建中的快速搜索；
步骤2：设置与步骤1关联矩阵相中的用户情境维度信息；在不同情境下，同一需求模式能够匹配的服务模式可能不同，在服务方案构建过程中，需要依据服务情境信息的不同，采用不同的策略和优化方法。因此在关联矩阵构建时，要考虑情境维度的信息；
步骤3：基于步骤1的关联矩阵与步骤2的用户情境维度信息进行供需双边模式匹配度计算；双边模式匹配度是需求模式在某情境下匹配服务模式的匹配概率。匹配度的计算需要考虑历史、当前和未来三部分的服务数据以及时间衰减、约束满足度和使用次数三个参数；
步骤4：基于步骤3的供需双边模式匹配度构建供需双边模式关联矩阵；构建关联矩阵的目标是要计算特定<需求模式，服务模式，情境>数据对下的匹配度，由于情境信息众多且离散，因此，需要对情境信息进行聚类，把<需求模式，服务模式>对构建成不同情境范围的多个取值，合理地减少情境个数，降低矩阵的复杂度；
步骤5：利用步骤4的模型进行供需双边模式关联矩阵的更新，在更新效率与更新效果间进行均衡。经实验可知，当服务日志中总方案数量很多时，更新时间会达到一小时甚至更多，关联矩阵更新代价巨大。因此需要根据总服务方案数量动态调整更新频率，在更新效率与更新效果间进行均衡；
进一步的，所述步骤1具体为：通过固化需求间和服务间的关联关系可以形成需求模式和服务模式，提升需求与服务的构建单元粒度，缩小搜索空间。本专利中，我们进一步利用历史服务方案中供需双边模式间的成功匹配先验知识，构建双边模式间的多维概率关联矩阵，支持服务方案构建中的快速搜索。关联矩阵由R,S,RP,SP,Context五个维度构成，其中，R为需求集合，S为服务集合，RP为需求模式集合，SP为服务模式集合，Context为用户情境信息集合；图1为供需双边模式关联矩阵的示意，X轴为需求模式，Y轴为服务模式，Z轴为情境信息；五个维度间存在多种关联关系，需求模式与服务模式分别蕴含了需求间的关联和服务间的关联，需求模式与服务模式在不同情境下的关联关系，关联关系的强弱通过匹配度pij∈[0,1)进行度量；
假设共有n个需求模式与m个服务模式，关联矩阵定义如下：
当情境ctk相同时，设需求模式rpi能匹配mi个服务模式。aij为需求模式rpi与服务模式spj的匹配度；如果二者不能匹配，则匹配度aij＝0；
由于每个需求模式只对应少量服务模式，mi通常远小于m，故需求模式与服务模式之间关系表达为稀疏矩阵Ak；
当同一需求模式rpi所处的用户情境不同时，其对应的服务模式也不同；设有c个情境信息，设bk,j为情境ctk时，需求模式rpi与服务模式spj的匹配度，如果二者不能匹配，则匹配度bk,j＝0；设每个情境信息对应的候选服务模式都有m0个，则相应匹配关系表达为稀疏矩阵Bi：
进一步的，所述步骤2具体为，情境信息包括两类：用户情境，即用户年龄、性别等自然信息以及用户的职业和人际关系群体信息；环境情境，即时间和地点用户提出需求时所处的环境；
采用键值对形式对情境进行建模，对于连续型情境，使用标准化欧氏距离度量两个情境的相似程度；
对于离散型情境，按照one-hot编码规则转换为连续型情境。
由于抽象后的情境维度过高，使用PCA进行降维。
进一步的，所述步骤3具体为，历史和当前部分数据的匹配度计算需考虑包括时间衰减Ti、约束满足度Ci和使用次数；
所述时间衰减Ti为第i次匹配的时间衰减程度。其中t0表示当前时间，ti表示第i次匹配时间点：
所述约束满足度Ci为第i次匹配时需求模式约束满足程度：
其中，n为约束数量，cj为第j个约束的服务模式满足度；
对于枚举值，满足约束为1，不满足为0；对于范围值的情况，服务模式满足度定义如下式所示：
其中，wmin与wmax指需求模式中约束的最小值与最大值，w为约束的实际值；
匹配次数记为N；
综合三个参数，包含历史和当前部分信息的匹配度pn表示为：
其中，
为N次匹配时间衰减Ti的平均值，
为约束满足度Ci的平均值；
未来部分的匹配度pf需要结合特定领域对未来需求与服务的使用情况进行预测，针对性地调整匹配度；
需求模式中每个子需求的预测值为
则需求模式的预测值为
其中n为子需求的个数，ai为子需求i的权值，需求模式中约束多的子需求为更重要的部分，在匹配度计算中权值越大，因此ai为子需求i约束的数量；
同理，服务模式的预测值pf,s即为每个服务预测值的平均值。
在实际应用中，可根据使用具体情境，采用对应的预测模型，获得需求和服务的变化趋势，设计预测值
的计算方法。综上，包含历史、当前和未来三个部分信息的匹配度：
其中，由于历史和当前部分可以同时考虑，统一用k1表示历史和当前部分的权重，k2为将来部分的权重。k2的大小与需求和服务预测的置信度有关，预测的置信度越低，k2越小。
将p归一化即为最后得到的匹配度。
关联矩阵在使用时，首先通过用户情境信息找到Ak，再根据需求模式找到与其对应的服务模式集，经过优化得到最终的服务方案。用户提出居家老人的日常生活意图树，假设其情境信息的一部分为<60岁，哈尔滨>，那么根据其情境信息，就只会找到适合60岁且地点在哈尔滨的家庭医生和慢病管理的服务模式。
进一步的，所述步骤4具体为，使用Birch聚类算法对关联矩阵中的情境信息进行聚类分析，构建的双边模式关联矩阵的模型通过以下步骤实现：
步骤4.1：输入方案集合solution；
步骤4.2：设用户情境集合
匹配时间点集合
关联矩阵
步骤4.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X[(rpj,spk)]与D[(rpj,spk)]初始化为空列表，X[(rpj,spk)]←X[(rpj,spk)]+ci，其中ci为si中用户情境；D[(rpj,spk)]←D[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤4.4：(rpj,spk)∈X中的每个元素重复本步骤，使用PCA算法对X[(rpj,spk)]降维，使用Birch算法对X[(rpj,spk)]聚类；
步骤4.5：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
进一步的，所述步骤5供需双边模式关联矩阵的更新具体包括新增策略、突变策略及服务质量变化策略；
所述新增策略，在需求匹配的时候匹配到需求模式，但是没有合适的服务模式进行对应，当a超过预设值时更新关联矩阵，
增加新的需求模式或服务模式，此时在服务日志中找到新增模式的匹配情况，并更新关联矩阵；
所述突变策略，需求模式或服务模式的使用情况发生突变，使用余弦相似度度量当前和历史的需求模式，服务模式使用情况的相似程度，小于某阈值代表用户需求或服务的使用情况发生突变；
需求模式每过n天对这n天使用的需求模式进行统计，第k次统计记为
其中，
为需求模式rpi在第k次统计时的使用次数；
记
1为m维全1向量，以b＝cos(yk,1)表示需求模式使用情况的变化程度，当b小于预设值时更新关联矩阵；
服务模式同理；
所述服务质量变化策略，服务质量发生变化会导致匹配度中约束满足度发生变化，需要对关联矩阵中的匹配度进行更新。
进一步的，在关联矩阵使用时，需定期判断是否满足上述策略。如满足新增策略或突变策略，使用双边模式关联矩阵更新方法对关联矩阵进行更新；如满足服务质量变化策略，对使用该服务的<需求模式，服务模式>对的匹配度进行更新。当<需求模式，服务模式>对在某情境下的匹配度降低到某一阈值时，在匹配中不予考虑，视为该对失效，但在关联矩阵中保留数据，随关联矩阵进行更新
从历史记录中取出需要更新的<需求模式，服务模式>对，读取其PCA模型与Birch模型，将新的匹配记录加入模型中并计算匹配度，在更新效率与更新效果间进行均衡。
进一步的，所述双边模式关联矩阵更新方法包括以下步骤：
步骤5.1：输入需要更新的<需求模式，服务模式>对集合rpsp，服务方案集合solution，用户情境集合X，匹配时间点集合D，关联矩阵A；
步骤5.2：设用户情境
匹配时间点
步骤5.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X'[(rpj,spk)]与D'[(rpj,spk)]初始化为空列表，如果(rpj,spk)∈rpsp和匹配时间点大于上次更新时间均满足，则X'[(rpj,spk)]←X'[(rpj,spk)]+ci，其中ci为si中用户情境；D'[(rpj,spk)]←D'[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤5.4：(rpj,spk)∈X'中的每个元素重复本步骤，当
时，使用PCA算法对X'[(rpj,spk)]降维，使用Birch算法对X'[(rpj,spk)]聚类；
步骤5.5：否则读取PCA模型，对X[(rpj,spk)]与X'[(rpj,spk)]降维，并将X'[(rpj,spk)]加入Birch聚类模型中；
步骤5.6：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
Claims (8)
1.一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述关联矩阵构造与更新方法具体包括以下步骤：
步骤1：定义关联矩阵，所述关联矩阵包括需求，服务，需求模式，服务模式以及用户情境信息；
步骤2：设置与步骤1关联矩阵相中的用户情境维度信息；
步骤3：基于步骤1的关联矩阵与步骤2的用户情境维度信息进行供需双边模式匹配度计算；
步骤4：基于步骤3的供需双边模式匹配度构建供需双边模式关联矩阵；
步骤5：利用步骤4的模型进行供需双边模式关联矩阵的更新，在更新效率与更新效果间进行均衡。
2.根据权利要求1所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述步骤1具体为：关联矩阵由R,S,RP,SP,Context五个维度构成，其中，R为需求集合，S为服务集合，RP为需求模式集合，SP为服务模式集合，Context为用户情境信息集合；需求模式与服务模式在不同情境下的关联关系，关联关系的强弱通过匹配度pij∈[0,1)进行度量；
假设共有n个需求模式与m个服务模式，关联矩阵定义如下：
当情境ctk相同时，设需求模式rpi能匹配mi个服务模式。aij为需求模式rpi与服务模式spj的匹配度；如果二者不能匹配，则匹配度aij＝0；
由于每个需求模式只对应少量服务模式，mi小于m，故需求模式与服务模式之间关系表达为稀疏矩阵Ak：
当同一需求模式rpi所处的用户情境不同时，其对应的服务模式也不同；设有c个情境信息，设bk,j为情境ctk时，需求模式rpi与服务模式spj的匹配度，如果二者不能匹配，则匹配度bk,j＝0；设每个情境信息对应的候选服务模式都有m0个，则相应匹配关系表达为稀疏矩阵Bi：
3.根据权利要求1所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述步骤2具体为，情境信息包括两类：用户情境，即用户自然信息以及用户的职业和人际关系群体信息；环境情境，即时间和地点用户提出需求时所处的环境；
采用键值对形式对情境进行建模，对于连续型情境，使用标准化欧氏距离度量两个情境的相似程度；
对于离散型情境，按照one-hot编码规则转换为连续型情境。
4.根据权利要求1所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述步骤3具体为，历史和当前部分数据的匹配度计算考虑包括时间衰减Ti、约束满足度Ci和使用次数；
所述时间衰减Ti为第i次匹配的时间衰减程度；其中t0表示当前时间，ti表示第i次匹配时间点：
所述约束满足度Ci为第i次匹配时需求模式约束满足程度：
其中，n为约束数量，cj为第j个约束的服务模式满足度；
对于枚举值，满足约束为1，不满足为0；对于范围值的情况，服务模式满足度定义如下式所示：
其中，wmin与wmax指需求模式中约束的最小值与最大值，w为约束的实际值；
匹配次数记为N；
综合三个参数，包含历史和当前部分信息的匹配度pn表示为：
其中，
为N次匹配时间衰减Ti的平均值，
为约束满足度Ci的平均值；
未来部分的匹配度pf结合特定领域对未来需求与服务的使用情况进行预测，针对性地调整匹配度；
需求模式中每个子需求的预测值为
则需求模式的预测值为
其中n为子需求的个数，ai为子需求i的权值，需求模式中约束多的子需求为更重要的部分，在匹配度计算中权值越大，因此ai为子需求i约束的数量；
同理，服务模式的预测值pf,s即为每个服务预测值的平均值。
5.根据权利要求1所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述步骤4具体为，使用Birch聚类算法对关联矩阵中的情境信息进行聚类分析，构建的双边模式关联矩阵通过以下步骤实现：
步骤4.1：输入方案集合solution；
步骤4.2：设用户情境集合
匹配时间点集合
关联矩阵
步骤4.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X[(rpj,spk)]与D[(rpj,spk)]初始化为空列表，X[(rpj,spk)]←X[(rpj,spk)]+ci，其中ci为si中用户情境；D[(rpj,spk)]←D[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤4.4：(rpj,spk)∈X中的每个元素重复本步骤，使用PCA算法对X[(rpj,spk)]降维，使用Birch算法对X[(rpj,spk)]聚类；
步骤4.5：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
6.根据权利要求1所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述步骤5供需双边模式关联矩阵的更新具体包括新增策略、突变策略及服务质量变化策略；
所述新增策略，在需求匹配的时候匹配到需求模式，但是没有合适的服务模式进行对应时，当a超过预设值时更新关联矩阵，
增加新的需求模式或服务模式，此时在服务日志中找到新增模式的匹配情况，并更新关联矩阵；
所述突变策略，需求模式或服务模式的使用情况发生突变，使用余弦相似度度量当前和历史的需求模式，服务模式使用情况的相似程度，小于设定阈值代表用户需求或服务的使用情况发生突变；
需求模式每过n天对这n天使用的需求模式进行统计，第k次统计记为
其中，
为需求模式rpi在第k次统计时的使用次数；
记
1为m维全1向量，以b＝cos(yk,1)表示需求模式使用情况的变化程度，当b小于预设值时更新关联矩阵；
服务模式同理；
所述服务质量变化策略，服务质量发生变化会导致匹配度中约束满足度发生变化，对关联矩阵中的匹配度进行更新。
7.根据权利要求6所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，在关联矩阵使用时，需定期判断是否满足上述策略；如满足新增策略或突变策略，使用双边模式关联矩阵更新方法对关联矩阵进行更新；如满足服务质量变化策略，对使用该服务的<需求模式，服务模式>对的匹配度进行更新；当<需求模式，服务模式>对在某情境下的匹配度降低到设定阈值时，在匹配中不予考虑，视为该对失效，但在关联矩阵中保留数据，随关联矩阵进行更新；
从历史记录中取出需要更新的<需求模式，服务模式>对，读取其PCA模型与Birch模型，将新的匹配记录加入模型中并计算匹配度，在更新效率与更新效果间进行均衡。
8.根据权利要求7所述一种服务供需双边模式关联矩阵构造与更新方法，其特征在于，所述双边模式关联矩阵更新方法包括以下步骤：
步骤5.1：输入需要更新的<需求模式，服务模式>对集合rpsp，服务方案集合solution，用户情境集合X，匹配时间点集合D，关联矩阵A；
步骤5.2：设用户情境
匹配时间点
步骤5.3：服务方案si∈solution，(rpj,spk)∈si中的每个元素重复本步骤，将X'[(rpj,spk)]与D'[(rpj,spk)]初始化为空列表，如果(rpj,spk)∈rpsp和匹配时间点大于上次更新时间均满足，则X'[(rpj,spk)]←X'[(rpj,spk)]+ci，其中ci为si中用户情境；D'[(rpj,spk)]←D'[(rpj,spk)]+ti，其中ti为si中匹配时间点；
步骤5.4：(rpj,spk)∈X'中的每个元素重复本步骤，当
时，使用PCA算法对X'[(rpj,spk)]降维，使用Birch算法对X'[(rpj,spk)]聚类；
步骤5.5：否则读取PCA模型，对X[(rpj,spk)]与X'[(rpj,spk)]降维，并将X'[(rpj,spk)]加入Birch聚类模型中；
步骤5.6：计算匹配度，并将聚类结果与匹配度加入关联矩阵A中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863456.0A CN113656453A (zh) | 2021-07-29 | 2021-07-29 | 一种服务供需双边模式关联矩阵构造与更新方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110863456.0A CN113656453A (zh) | 2021-07-29 | 2021-07-29 | 一种服务供需双边模式关联矩阵构造与更新方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113656453A true CN113656453A (zh) | 2021-11-16 |
Family
ID=78490849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110863456.0A Pending CN113656453A (zh) | 2021-07-29 | 2021-07-29 | 一种服务供需双边模式关联矩阵构造与更新方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113656453A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610896A (zh) * | 2023-07-07 | 2023-08-18 | 浙江大学高端装备研究院 | 一种基于子图同构的制造服务供需匹配方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321489A (zh) * | 2019-07-11 | 2019-10-11 | 重庆邮电大学 | 一种基于改进推荐算法的智慧旅游推荐方法及系统 |
| EP3567539A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models, reinforcement learning and finite-state automata |
-
2021
- 2021-07-29 CN CN202110863456.0A patent/CN113656453A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3567539A1 (en) * | 2018-05-09 | 2019-11-13 | Volvo Car Corporation | Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models, reinforcement learning and finite-state automata |
| CN110321489A (zh) * | 2019-07-11 | 2019-10-11 | 重庆邮电大学 | 一种基于改进推荐算法的智慧旅游推荐方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| HANCHUAN XU 等: "Domain Priori Knowledge based Integrated Solution Design for Internet of Services", 2020 IEEE INTERNATIONAL CONFERENCE ON SERVICES COMPUTING (SCC), 11 December 2020 (2020-12-11), pages 446 - 453 * |
| 王笑: "服务供需双边模式匹配组合方法及实现", 中国优秀硕士学位论文全文数据库, no. 01, 15 January 2021 (2021-01-15), pages 22 - 29 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116610896A (zh) * | 2023-07-07 | 2023-08-18 | 浙江大学高端装备研究院 | 一种基于子图同构的制造服务供需匹配方法 |
| CN116610896B (zh) * | 2023-07-07 | 2023-10-27 | 浙江大学高端装备研究院 | 一种基于子图同构的制造服务供需匹配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022126971A1 (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
| Wang et al. | Unifying user-based and item-based collaborative filtering approaches by similarity fusion | |
| JP5143879B2 (ja) | ランキング指向の協調フィルタリング推薦方法および装置 | |
| Ye et al. | A novel and better fitness evaluation for rough set based minimum attribute reduction problem | |
| CN117290364B (zh) | 一种市场调查数据智能存储方法 | |
| CN113807422A (zh) | 融合多特征信息的加权图卷积神经网络评分预测模型 | |
| CN113656453A (zh) | 一种服务供需双边模式关联矩阵构造与更新方法 | |
| CN113342994B (zh) | 一种基于无采样协作知识图网络的推荐系统 | |
| CN117035837B (zh) | 一种电力用户购电需求预测及零售合同定制方法 | |
| CN105447767A (zh) | 一种基于联合矩阵分解模型的电力用户细分方法 | |
| CN107886132A (zh) | 一种求解音乐流量预测的时间序列分解方法及系统 | |
| CN115544250B (zh) | 一种数据处理方法及系统 | |
| WO2022257457A1 (zh) | 产品数据的融合方法、装置、设备及存储介质 | |
| CN111368168A (zh) | 一种基于大数据的电价获取和预测方法、系统和计算机可读存储介质 | |
| CN110457685A (zh) | 一种基于机器学习的中文商业文本预处理方法 | |
| CN116167078A (zh) | 基于最大权重匹配的差分隐私合成数据发布方法 | |
| CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
| CN117194966A (zh) | 对象分类模型的训练方法和相关装置 | |
| US11544332B2 (en) | Bipartite graph construction | |
| Liu et al. | Nonnegative group bridge and application in financial index tracking | |
| CN114024912A (zh) | 一种基于改造chameleon算法的网络流量应用识别分析方法及系统 | |
| Wang et al. | Incorporating graphical structure of predictors in sparse quantile regression | |
| CN111127184A (zh) | 一种分布式组合信用评估方法 | |
| Yin et al. | Query-focused multi-document summarization based on query-sensitive feature space | |
| Yang | Fuzzy Covering‐Based Three‐Way Clustering |
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 |