一种位置感知的网络服务推荐方法

技术领域

本发明涉及一种位置感知的网络服务推荐方法，属于推荐算法、服务计算、服务推荐技术领域。

背景技术

在信息量爆炸发展的今日，推荐算法作为解决信息过载的有效方法之一，涌现了许多经典的算法，并一直被广泛应用于各个领域中。其中互联网作为发展最迅猛的领域之一，各式各样的功能需求衍生出繁杂多样的功能服务，自2011年6月到2022年7月，在ProgrammableWeb上统计的网络服务数量就从3261个增长到24471个，实现涨幅750％，那么要如何在众多服务中准确找到高质量的服务并推荐给用户使用便成为一大难题。

由于服务质量(QoS)作为描述Web服务质量高低的指标，于是许多学者便将服务推荐的重点放在服务QoS的预测计算上，包括响应时间(Response Time)以及吞吐量(throughput)等等。然而在真实场景中，真实调用服务所记录的QoS值仅占所有网络服务QoS值中的极小部分，极其稀疏的数据为QoS的预测带来了困难。

其次，大部分传统算法(比如：用户协同过滤，物品协同过滤，矩阵分解等等)在面临数据特征时，并未考虑特征交互所带的来的影响或者只考虑二阶特征交互所带来的影响，该思想会给QoS的预测带来相对来说并不高的预测精确度。

发明内容

本发明要解决的技术问题是提供一种位置感知的网络服务推荐方法，可以快速精确完成对网络服务质量进行预测，并且根据网络服务质量来完成高质量网络服务的相关推荐。

本发明的技术方案是：一种位置感知的网络服务推荐方法，具体步骤：

Step1：将地理位置文本特征转为数值特征，并以此来进行地理位置相似度计算；

Step2：通过LDIF方法，在每一SIS层中会完成对特征交互信息的学习和融合，从而在浅层中会完成对低阶特征交互信息的融合，在深层中会完成对高阶特征交互信息的融合；

Step3：融合低阶到高阶特征交互的信息，结合QoS的特征来进行排序，生成推荐列表并做出预测。

所述Step1具体为：采用Glove词嵌入算法将地理位置文本特征在之后分别转化为50、200、300维的稠密数值特征，然后使用Cosine相似度来计算用户和服务地理位置之间的相似度，相似度计算公式如下：

其中，

所述Step2具体为：首先将用户和服务的相关特征信息进行区分，将区分出来的用户、服务特征进行固定窗口大小的扫描，利用深度森林多粒度扫描机制，将局部特征当为整体样本，从而增加有效样本的样本量，以此来缓解数据稀疏性所带来的影响。在此基础上，采用特征交互信息计算步骤来表达特征交互信息，最后将局部特征所产生的特征交互信息融合进入原特征，以达到融合特征交互信息的效果。

所述采用特征交互信息计算步骤来表达特征交互信息具体为：

将扫描出来的局部特征记为矩阵A，其中A的表示为：

若要在该矩阵的基础上计算二阶特征交互信息，采用A*A

若要在该矩阵的基础上计算三阶特征交互信息，采用A*A

所述Step3具体为：

设输入向量为18维，其中9维为用户特征，另9维为服务特征。本文认为，由于只有用户和特征共同作用的时候，特征交互才有意义，于是将其展开为9维的两列特征，分别代表用户和服务的特征。当局部特征大小为2时，将会抽取特征U

在需要计算二阶以及三阶特征交互信息时，其计算公式分别如下：

由以上公式可以看出在二阶以及三阶特征交互信息矩阵中，四个数值都可以分别代表不同阶数下的组合情况及其影响。于是将二阶、三阶特征交互矩阵中的四个数值与原始四个数值特征进行拼接，以此达到特征增强以及融合特征交互信息的效果，从而实现预测推荐。

本发明的有益效果是：本发明解决了数据稀疏性和未充分融合特征交互信息等现象，进一步提高了预测精确度和节省了实际调用并且记录所产生的经济费用与时间。

附图说明

图1是本发明的步骤流程图；

图2是本发明SIS层结构图；

图3是本发明LDIF方法结构图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

实施例1：如图1所示，一种位置感知的网络服务推荐方法，具体步骤：

Step1：将地理位置文本特征转为数值特征，并以此来进行地理位置相似度计算。传统的词嵌入算法大多为word2vec和one-hot编码方式，由于Glove算法相比以上算法具有以下的优势：a)更多的考虑语料库的全局影响、b)训练效率高、c)计算规模和语料库大小成正比、d)当语料库小或者向量维度小的时候，依然能取得不错的效果，可以更多的考虑语料库的全局影响。因此采用Glove词嵌入算法将地理位置文本特征在之后分别转化为50、200、300维的稠密数值特征，若将这些数值特征直接进行特征交互运算将会大大加大计算复杂度，所以使用Cosine相似度来计算用户和服务地理位置之间的相似度，相似度计算公式如下：

其中，

Step2：通过LDIF方法，在每一SIS层中会完成对特征交互信息的学习和融合，从而在浅层中会完成对低阶特征交互信息的融合，在深层中会完成对高阶特征交互信息的融合；并且根据本轮最后输出平均预测精度相对上一层预测精度是否有提高来判断是否要进行下一层的循环生成，该机制有效的控制了模型的复杂度和层次的深度，避免了不必要的高阶特征交互计算。

所述LDIF方法是由逐层的SIS(Scaninteractstructure，扫描交互结构)层来组成。由于在每一SIS层中都会完成对相对应阶层特征交互信息的学习和融合，从而在浅层中会完成对低阶特征交互信息的融合，在深层中会完成对高阶特征交互信息的融合。在整体上达到了考虑了低阶特征交互信息到高阶特征交互信息的效果。

首先将用户和服务的相关特征信息进行区分，将区分出来的用户、服务特征进行固定窗口大小的扫描，利用深度森林多粒度扫描机制，将局部特征当为整体样本，从而增加有效样本的样本量，以此来缓解数据稀疏性所带来的影响。在此基础上，采用特征交互信息计算步骤来表达特征交互信息，最后将局部特征所产生的特征交互信息融合进入原特征，以达到融合特征交互信息的效果。

由于先前将用户和服务的特征信息进行了区分，并且由特定大小的扫描窗口来一同对用户服务特征进行扫描，因此将扫描出来的局部特征记为矩阵A，其中A的表示为：

若要在该矩阵的基础上计算二阶特征交互信息，采用A*A

若要在该矩阵的基础上计算三阶特征交互信息，采用A*A

Step3：融合低阶到高阶特征交互的信息，结合QoS的特征来进行排序，生成推荐列表并做出预测。所述排序是基于预测网络服务的QoS值来排序，网络服务是由多个QoS值指标决定推荐的，比如回复时间(ResponseTime)是以越短越优质的评价标准，而吞吐量(Throughout)则是越大越优质的评价标准，这里需要结合QoS的特征来决定排序顺序是降序或者是升序。同样的由于每个网络服务的功能特性不同，这里需要根据功能特性完成分类，并在每个类别下根据QoS值进行排序，从而生成推荐列表。最终达到快速给用户推荐高质量网络服务的效果。

对于融合特征交互信息的问题，将特征交互信息的表达和融合都依托于维度扫描的处理，而通过以上层层迭代的结构，最终的SIS层中将会融合低阶到高阶特征交互的信息并做出预测。如图2所示，图中假设输入向量为18维，其中9维为用户特征，另9维为服务特征。由于只有用户和特征共同作用的时候，特征交互才有意义，于是将其展开为9维的两列特征，分别代表用户和服务的特征。当局部特征大小为2时，将会抽取特征U

在需要计算二阶以及三阶特征交互信息时，其计算公式分别如下：

由以上公式可以看出在二阶以及三阶特征交互信息矩阵中，四个数值都可以分别代表不同阶数下的组合情况及其影响。于是将二阶、三阶特征交互矩阵中的四个数值与原始四个数值特征进行拼接，以此达到特征增强以及融合特征交互信息的效果，从而实现预测推荐。

实施例2：一种位置感知的网络服务推荐方法，具体步骤：

当需要进行网络服务调用的时候，可以较为轻松的获取到用户的位置性信息、网络相关信息，以及网络服务的功能性信息、网络相关信息、位置性信息。根据以上信息，首先需要计算地理位置相似性，根据发明内容中提出的Glove算法来替换文本向量为稠密数值向量，这里可以得到用户以及网络服务的地理位置向量，从而利用Cosine函数来计算用户以及网络服务之间的地理位置相似性，并且与其他信息一起进入到LDIF方法中。

在LDIF方法中，每一SIS层中会完成对特征交互信息的学习和融合，从而在浅层中会完成对低阶特征交互信息的融合，在深层中会完成对高阶特征交互信息的融合。并且根据本轮最后输出平均预测精度相对上一层预测精度是否有提高来判断是否要进行下一层的循环生成，该机制有效的控制了模型的复杂度和层次的深度，避免了不必要的高阶特征交互计算。

进一步地，对于融合特征交互信息的问题，将特征交互信息的表达和融合都依托于维度扫描块的处理，而通过以上层层迭代的结构，最终的SIS层中将会融合低阶到高阶特征交互的信息并做出预测。如图3所示，如发明内容中(2)，(3)，(4)的公式所示，当输入向量为18维时，在第一层2维SIS层中，将会被扫描8次，若将(3)，(4)矩阵中所有数值直接拼接到原特征上，将会引起维度爆炸问题，所以这里选择将矩阵(3)，(4)中的值进行加权求均值的处理，此时的输入向量便拓展为34维。然而在图2的SIS结构中，会对输入向量进行一次预测以及二次预测，分别会得到6个预测值，同样需要将6个预测值与34维的输入向量进行拼接，那么在经过第一层2维SIS层后将会输出40维的信息。在进入下一层之前，需要获取下一层的扫描维度大小，这里、将扫描维度大小设为

当出现当前SIS层所预测结果的精度并没有提升的时候，或者达到最大深度的时候，会终止继续生成下一SIS层，并且将最后层的预测结果当作最终的预测结果，即为QoS预测值。根据将所有网络服务的预测QoS值，可以对不同类别进行一个排序，以用于分别输出不同网络服务类别下的推荐列表。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。