一种基于双视图对比学习的服务组合推荐方法

技术领域

本发明属于服务组合推荐领域，尤其基于双视图对比学习的服务组合推荐方法。

背景技术

服务组合推荐是一种推荐系统技术，旨在为用户提供一系列相关的服务或产品组合。它基于用户的需求、偏好和行为数据，利用机器学习和推荐算法来分析用户的历史数据，从而生成个性化的服务组合建议，为用户提供更多选择、增加购买价值，并提升用户满意度。它在满足用户需求和促进商业增长方面具有潜力和应用前景。

服务组合推荐可以应用于各种领域，包括电子商务、旅游、金融等。服务组合推荐的目标是通过提供相关性强、多样性合适的服务组合，满足用户的需求并提升用户体验。它可以帮助用户在众多选择中迅速找到满足其需求的服务组合，同时也能够促进销售和增加用户留存。

服务组合推荐的实现通常依赖于大规模数据的收集和分析，以及机器学习和协同过滤等推荐算法的应用。通过不断优化和改进算法，服务组合推荐系统可以逐渐提升推荐的准确性和个性化程度，以更好地满足用户的需求。

在业务流程设计中和服务编排过程，服务组合可以帮助开发者更快的搭建稳定可用的面向企业端和政府端的应用，如何选取服务候选集合，如何合理组合已封装的产业服务资源，实现最终应用目标是亟待解决的问题。服务组合是一种典型的NP-hard问题，现阶段的服务组合方法存在时间复杂度高、组合效果差、组合路径只能达到次优解等问题。现有方法考虑服务之间的相关性以提高最优解的有效性，却忽略了服务组合之间的相关性，将单个服务视为独立处理的个体，可能会导致服务组合中质量不能达到预期的计算结果，增加服务间合作的开销及成本。

发明内容

针对上述问题，本发明公开了一种基于双视图对比学习的服务组合推荐方法。一个视图是用户与单一服务交互图，从中可以捕获用户对一些服务的偏好，另一个视图是用户与服务组合交互图，从中可以获取到用户对一类服务的喜好。通过以上两个视图的交叉对比学习可以进一步增强视图感知表示，使得推荐系统可以准确的推断用户的偏好，并给用户推荐一个更符合其需要的服务组合。

本发明方法的使用步骤是：

步骤一：建模用户对服务和服务组合的组成信息。

为了整合单一服务级信息以提高服务组合推荐的准确性，有两种类型的重要辅助信息需要建模，即用户对服务的偏好和服务组合的组成信息。假设有U个用户、I个服务和B个预定义的服务组合，分别用三个二进制稀疏矩阵表示：用户-服务交互矩阵N

由于用户可以直接通过点击，购买服务或服务组合，来获得用户与某个服务或服务组合的交互，因此用户-服务组合交互矩阵M

步骤二：由组成信息，对服务组合和服务进行特征表示。

服务组合特征表示：对于服务组合视图，基于历史用户一服务组合交互矩阵M

服务特征表示：对于服务视图，根据用户-服务交互矩阵N

步骤三：针对特征表示进行数据增强。

基于RegMixup的数据增强。虽然两个视图中的用户嵌入都是由GCN获得的，但是由于两个视图之间的数据类型不一致。分别是从用户与服务交互图学习的用户嵌入与从用户与服务组合交互图学习的用户嵌入。为了扩充用户在不同视图间的潜在的用户偏好，受Regmixup技术的启发，设计了一种预测风险最小化的方法，给用户推荐更符合用户偏好的服务组合。该方法生成相关和多样的扩充用户表示。然而，传统的混合技术不能直接用于本任务，因为交互数据不能像图像一样在像素级直接混合。因此，建议在两个视图中线性插值公共用户的嵌入并且引入一个额外的交叉熵损失来准确的预测用户在服务层级和服务组合层级之间偏好的准确性。

公共用户的扩充确保扩充的用户表示保持两个视图中用户偏好的相关性，即相关的扩充的用户表示，同时为两个视图中的用户添加更多的交互数据。此外，在线性插值中引入随机性而不是使用固定的混合系数可以产生多样化的增强用户表示，这可以为后续的模块提供更丰富的信息。

步骤四：构建服务层级的残差网络，输入增强后的用户与服务的特征表示，获取得到用户与服务之间的交互关系。

ResNet(Residual Network)是一种深度残差网络，用于解决深度神经网络中的梯度消失和网络退化问题。它的主要作用是允许训练更深的神经网络，提高网络的表达能力和性能。由于ResNet的设计和训练技术可以被广泛应用于各种不同的领域，如计算机视觉、自然语言处理和语音识别等。这使得ResNet在许多论文中成为研究不同问题的有力工具。

针对服务组合来说，用户对服务组合的选择会受到其中服务的影响。例如，与某个服务组合中的服务进行交互的用户可能更关心目标服务而不是服务组合。因此，更加关注服务表示建模。

通过引入残差块，更进一步得到用户与服务之间的交互关系，ResNet通过残差块的堆叠，可以更好地捕捉到用户与服务之间的交互细节和上下文信息，可以深度学习到用户对服务在不同情况下的偏好，以便更好优化推荐性能，提高网络的表达能力。

步骤五：根据用户与服务、用户与服务组合之间的交互关系，利用交叉视图对比损失来优化双视图表示。

从服务视图和服务组合视图中分别获得了用户和服务组合的交互关系，结合用户与服务之间的交互关系，每个视图都可以捕获用户偏好的一个独特方面，在服务视图中，涉及更多的服务来呈现用户的偏好意图。在服务组合视图中，可以揭示用户在每个服务组合下服务之间的关联。两个视图必须协同工作以最大化整体建模能力。为了对交叉视图合作关联进行建模，采用了交叉视图对比损失，通过对比，不同视角的意向相互补充，能够更好地呈现用户偏好的更细粒度上的服务关联。

步骤六：优化并推荐给用户符合其需求的服务组合。

推荐问题可以被确定为一个预测任务。准确地说，预测的分数表示用户和服务组合交互图之间存在边的概率。假设用户已经与一个服务组合进行了交互，真实值被设置为1，否则被设置为0。为了优化推荐任务，采用贝叶斯个性化排序(BPR)损失函数来提升推荐准确度。

本发明有益效果：

本发明从已知的服务组合历史数据中提取并不断优化服务和服务组合特征，基于业务流程设计和服务编排需求预测服务组合推荐概率，实现合理准确的服务组合推荐。

附图说明

图1为本发明提出的基于双视图对比学习的服务组合推荐方法总体框架；

图2为本发明提出的残差网络示意图；

图3为本发明提出的交叉视图对比损失与预测优化示意图。

具体实施方式

为了阐明本发明的技术方案和工作原理，下面将结合附图对本发明公开的实施方式做进一步的详细描述。本发明提供了一种基于双视图对比学习的服务组合推荐方法，如图1所示，该方法的实施主要包括以下步骤：

步骤一，特征表示建模：

服务组合特征表示：为了表示的简单性，假设LightGCN层的数量为1，

其中N

服务特征表示：类似于U-B图学习，

步骤二，数据增强：

数据增强的目的是通过对原始数据进行变换，引入一定的随机性和多样性，使模型对于输入数据的变化具有更好的鲁棒性。这可以帮助模型更好地学习数据的特征和模式，并减少过拟合的风险。

在对用户特征表示上，采用了数据插值扩充的方法来增强用户表示，公式表示如下：

其中e

步骤三，构建服务层级的残差网络：

如图2所示，将增强后的用户特征表示与服务特征表示通过残差网络，捕捉到用户与服务之间的交互细节和上下文信息。为了进一步增强用户和服务的表示嵌入，引入了消息丢失(MD)这一数据扩充的方法，它在图学习过程中以一定的丢失率ρ随机屏蔽传播嵌入的一些元素，从而得到最终的用户U和服务I的特征表示，公式如下：

e

e

其中e

然后，从服务到服务组合的信息池可以从服务级别获取到服务组合的语义信息。

其中，aggregate表示聚合操作。

步骤四，采用交叉对比损失优化双视图表示：

如图3所示，采用InfoNCE损失，分别建立在用户和服务组合的交叉视图表示上。更准确地说，对比损失能够从不同的角度对比用户和服务组合的嵌入，使同一用户/服务组合聚合，并强制不同用户/服务组合分离，从而捕获用户在不同情景下的偏好。对比损失的方程式如下：

其中

为了进一步获得用户在不同情景下的筛选意图，而不是仅限于用户的大众偏好，我们引入了一个意图对比损失，从服务和服务组合视图中分别获得用户和服务组合的特征表示，将其与意图耦合，增强用户在不同情景下对服务与服务组合的意图，从而优化推荐准确度。公式如下：

其中，e

步骤五，预测用户对服务组合的分数，以此来进行合理的推荐，并利用BPR优化预测分数：

从服务视图和服务组合视图获得用户和服务组合的表示后，将两个视图的表示连接起来以获得最终表示，并使用内积来估计它们交互的可能性，公式如下：

采用贝叶斯个性化排序(BPR)损失函数优化推荐任务。具体来说，每个训练样本配置有用户u、用户已经交互过的正样本b和用户没有交互过的负样本c。对于每个训练样本，最大化预测分数如下：

其中Q＝{(u，b，c)，(u，b)∈Y+，(u，c)∈Y-}表示具有负采样的成对训练数据，σ为超参数。Y+和Y-分别表示观察到的和未观察到的用户-服务组合交互。为了防止过度拟合，采用L2正则化，其中Θ代表模型参数，λ控制惩罚强度。

综上所述，本发明采用recall和NDCG指标来评估推荐的准确性能，本发明的recall值为0.5，NDCG为0.2，均高于相同场景下的推荐性能指标。具体实验结果如下表1所示：

表1

其中，BundeNet个性化捆绑推荐，BGCN图卷积神经网络的捆绑包推荐，从中可以看出本发明效果均优于其余两种方法。