基于位置和偏好特征交互的服务推荐方法及系统

1.本发明属于智能推荐技术领域，尤其涉及一种基于位置和偏好特征交互的服务推荐方法及系统。


背景技术：

2.随着互联网的飞速发展以及云计算和大数据的普及，人们的生活质量也随之提高，进而人们对于个性化推荐服务的需求日益增长，如何准确地为人们推荐个性化服务成为值得研究的问题。
3.目前，服务质量(quality of service，qos)是服务的非功能属性，是评价服务使用性能与效用的一个重要标准。现有技术中，利用基于qos的web服务推荐技术为用户推荐最合适的web服务，已成为近年来服务计算领域的研究热点。通过提高服务的qos属性值预测的准确度，能够获得更合理、更有效的web服务推荐结果。
4.同时，当用户和服务交互行为数据和历史行为数据较少时，将产生数据稀疏现象，在分析和推荐过程中因数据稀疏而带来数据缺失、采样不均衡等问题，进而造成泛化能力较差，训练效果不佳，最终导致推荐出现偏差。此外，现有方法中往往仅针对用户和服务的单一特征进行分析，这一方法仅具有单一性，没有将用户和服务的特征充分结合起来，考虑用户和服务的潜在信息，这也导致最终的推荐效果不佳。


技术实现要素：

5.为了解决现有推荐方法中推荐结果准确度不高的问题，本发明提供了一种基于位置和偏好特征交互的服务推荐方法及系统，根据用户和服务的交互记录和上下文信息，提取用户和服务的兴趣偏好，解决大量数据带来的冗余和不精确的问题，同时反应了用户和服务在位置上的偏好；将用户和服务的兴趣偏好、位置信息和标识信息进行整合后输入神经网络，能够更好的体现用户和服务的相关性；为了更好的体现用户和服务的隐含关系，利用神经网络对特征进行深度特征交互；通过深度残差神经网络完成服务质量的准确预测，以此实现服务推荐结果的优化，提升服务推荐的准确性。
6.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
7.本发明第一方面提供了一种基于位置和偏好特征交互的服务推荐方法。
8.一种基于位置和偏好特征交互的服务推荐方法，包括：
9.获取用户和服务的标识信息、位置信息和历史调用记录；
10.根据用户和服务的历史调用信息和位置信息，分别获得用户对应的服务集和服务对应的用户集，利用多头注意力融合网络和兴趣特征提取网络，融合并提取用户和服务的兴趣偏好；
11.将用户和服务的兴趣偏好、位置信息和标识信息进行特征交互后，输入深度残差神经网络，输出服务质量预测结果；
12.选择服务质量预测结果最优的服务作为最终的推荐服务。
13.进一步的技术方案，所述历史调用记录包括用户和服务的交互记录。
14.进一步的技术方案，根据用户的历史调用信息，确定所述用户调用的其他服务，根据位置信息进行服务筛选后，再利用修正的余弦相似度计算筛选出的服务中的每一个服务与所述服务的相似度，根据该相似度再次筛选，获得服务集。
15.进一步的技术方案，根据服务的历史调用信息，确定调用所述服务的其他用户，根据位置信息进行用户筛选后，再利用修正的余弦相似度计算筛选出的用户中的每一个用户与所述用户的相似度，根据该相似度再次筛选，获得用户集。
16.进一步的技术方案，服务与服务的相似度计算公式为：
[0017][0018]
其中，s
u,v
是服务u和服务v的相似度计算，i
uv
是服务u和服务v的公共用户集合，iu是服务u的用户集合，iv是服务v的用户集合，r
u,t
是服务u被用户t调用时所产生的qos值，r
v,t
是服务v被用户t调用时所产生的qos值，是服务u在用户集合上的平均qos值，是服务v在用户集合上的平均qos值。
[0019]
进一步的技术方案，用户与用户的相似度计算公式为：
[0020][0021]
其中，s
a,b
是用户a和用户b的相似度，i
ab
是用户a和用户b的公共服务集合，ia是用户a的服务集合，ib是用户b的服务集合，r
a,c
是用户a调用服务c时所产生的qos值，r
b,c
是用户b调用服务c时所产生的qos值，是用户a在服务集合上的平均qos值，是用户b在服务集合上的平均qos值。
[0022]
进一步的技术方案，针对用户和服务的兴趣偏好特征的提取，分别将融合后的服务特征组和用户特征组输入到一个单层的神经网络中，进行信息的压缩，学习每个维度的权重，融合后的特征结合学习的权重，进行用户和服务兴趣偏好特征的提取。
[0023]
本发明第二方面提供了一种基于位置和偏好特征交互的服务推荐系统。
[0024]
一种基于位置和偏好特征交互的服务推荐系统，包括：
[0025]
数据信息获取模块，用于获取用户和服务的标识信息、位置信息和历史调用记录；
[0026]
数据处理模块，用于根据用户和服务的历史调用信息和位置信息，分别获得用户对应的服务集和服务对应的用户集，利用多头注意力融合网络和兴趣特征提取网络，融合并提取用户和服务的兴趣偏好；
[0027]
服务质量预测模块，用于将用户和服务的兴趣偏好、位置信息和标识信息进行特征交互后，输入深度残差神经网络，输出服务质量预测结果；
[0028]
服务推荐模块，用于选择服务质量预测结果最优的服务作为最终的推荐服务。
[0029]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的一种基于位置和偏好特征交
互的服务推荐方法的步骤。
[0030]
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行如上所述的一种基于位置和偏好特征交互的服务推荐方法。
[0031]
以上一个或多个技术方案存在以下有益效果：
[0032]
(1)本发明根据用户和服务的交互记录和上下文信息两个方面，提取用户和服务的兴趣偏好，充分的利用上下文信息和用户和服务的交互记录，更好的定位用户和服务的兴趣偏好，减少特殊样本的数量占比，解决数据的冗余和不精确的问题；
[0033]
(2)本发明结合用户和服务的兴趣偏好、位置信息和标识信息，作为神经网络的输入进行训练学习，为了能够更好的体现用户和服务之间的交互关系，利用神经网络对特征进行特征交互，以此完成最后的预测和推荐；融合用户和服务的位置信息和兴趣偏好，利用神经网络进行线性和非线性变换，提高预测的精度。
附图说明
[0034]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0035]
图1为本发明实施例一所述基于位置和偏好特征交互的服务推荐方法的流程图；
[0036]
图2为本发明实施例一所述基于位置和偏好特征交互的服务推荐方法的理论框架图；
[0037]
图3为本发明实施例一中用户和服务兴趣偏好特征提取方法的示意图；
[0038]
图4为本发明实施例一中特征交互和qos预测方法的示意图。
具体实施方式
[0039]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0040]
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发明的示例性实施方式。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。
[0041]
实施例一
[0042]
为了解决现有推荐方法中推荐结果准确度不高的问题，本发明提供了一种基于位置和偏好特征交互的服务推荐方法及系统，根据用户和服务的交互记录和上下文信息，提取用户和服务的兴趣偏好，解决数据冗余和不精确的问题，再利用兴趣偏好结合用户和服务的位置信息和标识信息，进行特征交互，通过深度残差神经网络完成服务质量qos的准确预测，以此实现服务推荐结果的优化，提升服务推荐的准确性。
[0043]
如图1所示，本实施例公开了一种基于位置和偏好特征交互的服务推荐方法，包括：
[0044]
获取用户和服务的标识信息、位置信息和历史调用记录；
[0045]
根据用户和服务的历史调用信息和位置信息，分别获得用户对应的服务集和服务
对应的用户集，利用多头注意力融合网络和兴趣特征提取网络，融合并提取用户和服务的兴趣偏好；
[0046]
将用户和服务的兴趣偏好、位置信息和标识信息进行特征交互后，输入深度残差神经网络，输出服务质量预测结果；
[0047]
选择服务质量预测结果最优的服务作为最终的推荐服务。
[0048]
在本实施例中，基于位置和偏好特征交互的服务推荐方法的理论框架图如图2所示。
[0049]
首先，获取用户和服务的标识信息、位置信息和历史调用记录，其中，所述标识信息是指用户和服务的一个属性、用户和服务的id和识别资料(indentifier)。
[0050]
所述历史调用记录为用户和服务的交互记录。该交互记录即qos记录，qos的深层的潜在特征能够体现出用户和服务的兴趣偏好，对推荐过程产生一定的影响，但是，qos属性非常容易受到用户和服务上下文信息的影响，结合用户和服务的位置信息计算用户和服务的相似用户和相似服务，利用相似用户和相似服务筛选出用户方面的服务特征向量组和服务方面的用户特征向量组，解决大量的数据带来的冗余和不精确的问题，同时反应了用户和服务在位置上的偏好。
[0051]
用户和服务的上下文信息即是指的用户和服务的上下文，该信息包含多种内容，在本实施例中指用户和服务的位置信息。
[0052]
然后，通过多头注意力和兴趣提取网络从用户和服务两个方面提取出用户和服务的兴趣偏好，增加大范围出现的样本的概率，减少个别出现的样本数量的占比，符合用户和服务的兴趣偏好。
[0053]
最后，将提取出的用户和服务的兴趣偏好结合位置信息和标识信息作为残差网络的输入，进行训练学习，分别从位置、兴趣和标识信息三个方面深入的研究个性化的推荐，为了能够更好的体现用户和服务的隐含关系，对向量特征进行线性交互，深层次的网络更能够捕捉到数据的隐藏特征。但是，随着网络的加深同样也带来了网络退化的问题，因此，在神经网络中引入resnet，使该网络能够更好的学习非线性特征，利用特征重用优化神经网络，能够在网络的深度增加时获得更精确的预测结果。
[0054]
在本实施例中，如图3所示，首先，获取用户和服务的标识信息、位置信息和历史调用记录，并根据用户和服务的历史调用记录和位置信息，分别获得用户对应的服务集和服务对应的用户集，利用多头注意力融合网络和兴趣特征提取网络，融合并提取用户和服务的兴趣偏好。
[0055]
其中，历史调用记录为用户和服务的交互记录，上下文信息对用户的推荐产生一定的影响，位置相近的服务或位置相近的用户可能会有相似的兴趣偏好，因此，结合用户和服务的上下文对用户和服务的历史调用信息过滤，选择有效的qos记录。
[0056]
以用户z调用某一服务z时的qos预测为例，假设根据历史调用信息确定用户z调用的其他服务集为s＝{s1，s2,
…
sn}，服务z被其他用户调用过的用户集为u＝{u1，u2,
…
un}，分别对用户z和服务z的两个方面进行相似度计算。
[0057]
具体地，针对用户方面，针对用户z调用某一服务z时的qos预测，根据用户z的历史调用记录，确定用户z调用的其他服务集s＝{s1，s2,
…
sn}，从中筛选出与服务z处在同一国家和同一as(autonomous system，自治系统)的服务构成新的服务集s
′
，利用修正的余弦相
似度计算该筛选出的服务集s
′
内的每一个服务与该服务z的相似度，取其中相似度从大到小排序中的前k个相似服务，以此构成新的服务集s
″
。
[0058]
服务与服务的相似度计算公式为：
[0059][0060]
其中，s
u,v
是服务u和服务v的相似度计算，i
uv
是服务u和服务v的公共用户集合，iu是服务u的用户集合，iv是服务v的用户集合，r
u,t
是服务u被用户t调用时所产生的qos值，r
v,t
是服务v被用户t调用时所产生的qos值，是服务u在用户集合上的平均qos值，是服务v在用户集合上的平均qos值。
[0061]
若服务集s中与服务z处在同一国家和同一as的服务的数量太小，不足k个，假设为j个，则扩大筛选范围，选择服务集s中除服务集s
′
以外的、与该服务z处在同一个国家的服务，利用修正的余弦相似度计算相似度，取前k-j个相似服务，与服务集s
′
中的j个服务共形成k个相似服务，以此构成新的服务集s
″
。
[0062]
若服务集s中的服务的总数量很小，不足k个，则不再计算服务与服务之间的相似度，而是直接确定该服务集s，进行后续的计算。
[0063]
针对服务方面，用户的相似用户与上述方案相似，根据服务z的历史调用信息，即服务z被其他用户调用的历史信息，确定服务z被其他用户调用的用户集u＝{u1，u2,
…
un}，从中筛选出与用户z处在同一国家和同一as的用户集u
′
，利用修正的余弦相似度计算该筛选出的用户集u
′
内的每一个用户与该用户z的相似度，取其中相似度从大到小排序中的前k个相似用户，以此构成新的用户集u
″
。
[0064]
用户与用户的相似度计算公式为：
[0065][0066]
其中，s
a,b
是用户a和用户b的相似度，i
ab
是用户a和用户b的公共服务集合，ia是用户a的服务集合，ib是用户b的服务集合，r
a,c
是用户a调用服务c时所产生的qos值，r
b,c
是用户b调用服务c时所产生的qos值，是用户a在服务集合上的平均qos值，是用户b在服务集合上的平均qos值。
[0067]
若用户集u中与用户z处在同一国家和同一as的用户的数量太小，不足k个，假设为j个，则扩大筛选范围，选择用户集u中除用户集u
′
以外的、与该用户z处在同一个国家的用户，利用修正的余弦相似度计算相似度，取前k-j个相似用户，与用户集u
′
中的j个用户共形成k个相似用户，以此构成新的用户集u
″
。
[0068]
若用户集u中的用户的总数量很小，不足k个，则不再计算用户与用户之间的相似度，而是直接确定该用户集u，进行后续的计算。
[0069]
通过上述方案，计算相似用户和相似服务，得到偏好一致的一组用户集u
″
＝{u1，
u2,
…
uk}或服务集s
″
＝{s1，s2,
…
sk}，分别获取其qos，即qos记录，组成用户特征组xu＝{x
u1
，x
u2
,
…
x
uk
}和服务特征组xi＝{x
i1
，x
i2
,
…
x
ik
}，利用多头注意力融合网络和兴趣特征提取网络进行用户和服务两个方面的兴趣偏好的融合和提取。
[0070]
虽然得到的用户特征组和服务特征组偏好一致，但服务和服务之间或用户和用户之间也会有差异，不同的用户对于同一个服务的调用，同一个用户对不同的服务的调用也会存在偏差，为了解决出现这种偏差较大的问题，避免偏差带来影响，能够提取出更准确的兴趣偏好特征，本实施例利用多头注意力机制对用户特征组和服务特征组进行融合。
[0071]
多头注意力融合网络是利用多头注意力机制对用户特征和服务特征进行多组的注意力处理，得到融合后的特征，融合后得到的特征中的每一个特征，都可以用特征本身和其他相关特征来解释。
[0072]
假设用户特征组为xu＝{x
u1
，x
u2
,
…
x
uk
},服务特征组为xi＝{x
i1
，x
i2
,
…
x
ik
},利用多头注意力机制进行特征之间的融合。
[0073]
首先，针对用户方面的兴趣偏好特征的融合，将服务特征组使用嵌入层压缩为低维的、稠密的向量组，先进行单次的注意力处理，在处理的过程中计算向量组中的每个向量与其他所有向量的相似度，为了避免训练的过程中出现内积过大的现象，加入缩放因子调节内积的大小，然后进行归一化得到权重分布，后对向量进行加权，具体公式为：
[0074][0075]
其中，q、k、v是查询矩阵、键矩阵、值矩阵，特征向量的query、key和value通过线性映射得到的q、k、v三个矩阵，是缩放因子，dk是q、k的维度特征，softmax是激活函数。
[0076]
使用不同的可训练的矩阵线性的将查询、键、值线性映射h次，每一次放缩点积是一个头，h次就是h个头，参数不共享，其表达公式如下：
[0077][0078]
其中，是第j个线性映射的可训练矩阵，headj是第j个头。将h次的放缩点积操作结果进行拼接，再进行一次线性变换得到的值作为多头注意力的结果，其公式为：
[0079]
mhattention(xu)＝concat(head1,...headh)wo[0080]
其中，wo为可学习的参数矩阵，用于计算不同头部之间的相关性。
[0081]
通过上述多头注意力融合网络，输入服务特征组xi＝{x
i1
，x
i2
,
…
x
ik
}进行特征之间的融合，输出融合后的包含k个特征的特征组。
[0082]
针对服务方面的兴趣偏好特征的融合类似，将用户特征组xu＝{x
u1
，x
u2
,
…
x
uk
}输入上述多头注意力融合网络中，进行特征融合，输出融合后的包含k个特征的特征组。
[0083]
通过多头注意力操作在不同的子空间内比较向量之间的相似性和加权来完成信息的融合，对融合后的信息进行编码，每一个向量都可以都由自身和其他来表示，这使得向量之间的信息能够融合并相互补充。
[0084]
针对融合后的特征，利用兴趣特征提取网络进行兴趣偏好特征的提取。
[0085]
针对用户的兴趣偏好特征的提取，将融合后的服务特征组输入到一个单层的神经
网络中，进行信息的压缩，学习每个维度的权重，融合后的特征结合学习的权重，进行用户兴趣偏好特征的提取，公式如下：
[0086]up
＝x'i·
f(x'i)＝x'i·
σ1(w1·
x'i b1)
[0087]
其中，u
p
是用户兴趣偏好特征，x'i是融合网络的输出，w1是权重矩阵，b1是偏置，σ1是激活函数，激活函数选择softmax函数。
[0088]
服务的兴趣偏好特征的提取类似，将融合后的用户特征组输入到一个单层的神经网络中，进行信息的压缩，学习每个维度的权重，融合后的特征结合学习的权重，进行服务兴趣偏好特征的提取。
[0089]
通过以上步骤完成对用户和服务两部分的兴趣偏好特征的提取。
[0090]
如图4所示，根据提取的用户兴趣偏好和服务兴趣偏好，结合用户和服务的标识信息和位置信息，对用户特征和服务特征进行特征交互，利用深度残差神经网络完成服务质量预测。
[0091]
具体地，将用户标识信息和用户位置信息的嵌入向量与用户兴趣偏好特征连接起来形成一维向量，即用户特征向量。在预测的过程中充分考虑各种特征的相关性，提高预测的精确度。用户特征向量公式如下：
[0092][0093]
其中，ui是用户标识信息，u
l
是用户位置信息，u
p
是用户的兴趣偏好特征，xu是用户特征。
[0094]
同样的，服务特征向量计算过程类似。具体地，将服务标识信息和服务位置信息的嵌入向量与服务兴趣偏好特征连接起来形成一维向量，即服务特征向量。在预测的过程中充分考虑各种特征的相关性，提高预测的精确度。服务特征向量公式如下：
[0095][0096]
其中，ii是服务标识信息，i
l
是服务位置信息，i
p
是服务的兴趣偏好特征，xi是服务特征。
[0097]
对于用户特征向量和服务特征向量，因为用户和服务的特征向量的维度是一样的，通过向量之间相同位置元素的乘积来完成特征交互，实现特征的线性变化，公式如下：
[0098]
v＝φ(xi,xu)＝xi⊙
xu[0099]
根据残差连接构成深度残差神经网络，残差连接的特征重用能够解决随着网络的深度而产生的网络退化的现象，实现特征的非线性变化，在深度神经网络中提高网络的性能，提高预测的精度。神经网络由多个残差块组成，每个残差块都是由一条主路和一条捷径组成，通过捷径将原向量添加到主路径中，用以实现特征重用。
[0100]
在捷径中使用全连接层映射vi，使其能够成功的添加到主路径上来，w
it
表示权重矩阵，bi表示偏置：
[0101]
ni＝w
it
vi bi[0102]
主路径上的特征通过第一层全连接层和第二层的全连接层激活函数之前，w
it
表示权重矩阵，bi表示偏置：
[0103]
mi＝w
it
f(w
it
vi bi) bi[0104]
在第二层全连接层使用激活函数之前加入捷径上的向量，然后再进行激活后输出：
[0105]vi 1
＝f(si)＝f(ni mi)
[0106]
深度残差神经网络的输出层主要用于输出最后的预测结果，输出层与最后一个残差块的输出完全连接，利用输出层进行预测：
[0107][0108]
其中，表示为预测结果，表示为输出层的权重矩阵，bh表示为输出层的偏置，vn为最后一个残差块的输出结果，σ是激活函数。
[0109]
最后，选择服务质量预测结果最优的服务作为最终的推荐服务。具体的，通过上述方案，计算得到服务相对于用户的服务质量预测结果，该预测结果相对于现有的计算方案更准确，基于该预测结果，选择预测结果最优的服务最为最终的推荐服务，实现服务推荐的优化与改进，提高推荐的准确性。
[0110]
实施例二
[0111]
本实施例公开了一种基于位置和偏好特征交互的服务推荐系统，包括：
[0112]
数据信息获取模块，用于获取用户和服务的标识信息、位置信息和历史调用记录；
[0113]
数据处理模块，用于根据用户和服务的历史调用信息和位置信息，分别获得用户对应的服务集和服务对应的用户集，利用多头注意力融合网络和兴趣特征提取网络，融合并提取用户和服务的兴趣偏好；
[0114]
服务质量预测模块，用于将用户和服务的兴趣偏好、位置信息和标识信息进行特征交互后，输入深度残差神经网络，输出服务质量预测结果；
[0115]
服务推荐模块，用于选择服务质量预测结果最优的服务作为最终的推荐服务。
[0116]
实施例三
[0117]
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于位置和偏好特征交互的服务推荐方法中的步骤。
[0118]
实施例四
[0119]
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的一种基于位置和偏好特征交互的服务推荐方法中的步骤。
[0120]
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0121]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储
在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0122]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0123]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
[0124]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。