[发明专利]基于信任扩展和列表级排序学习的服务推荐方法

说明书

技术领域

本发明属于互联网服务计算领域，特别涉及一种基于信任扩展和列表级排序学习的服务推荐方法。

背景技术

随着互联网的普及和云计算技术的迅猛发展，网络上提供的Web服务呈指数级增长，构成了一个信息爆炸的现状。用户迫切地需要一种有效的服务推荐方法，来解决其面临的选择困境。因此，服务推荐技术在服务计算领域获得了广泛的关注。Web服务的服务质量(Quality of Services,QoS)包括服务失效率、响应时间、成本、吞吐量等，是用户进行服务选取时需要考虑的重要属性之一。而由于Web服务广泛地分布在网络中，一些QoS属性如响应时间、吞吐量等经常受到网络环境动态变化的影响，具有很大的不确定性，这就造成了服务推荐可靠性差的问题。研究人员考虑将协同过滤算法应用到服务推荐过程中，通过预测QoS值并以此对服务进行排序来实现推荐。为了提高QoS预测的准确性，研究者们对传统协同过滤算法做出了一系列改进，包括引入用户的信任网络、服务个性化特征、用户调用服务时的上下文信息等。主要存在的问题一方面是没有有效利用服务的排序位置信息；另一方面是引入的信任网络中用户直接信任关系稀疏，难以提供足够的辅助信息。同时，随着研究的深入，部分学者发现，QoS值预测的准确性并不代表服务推荐的准确性。

排序学习作为一种强监督性机器学习算法，排序学习通过整合大量复杂特征并自动学习最优参数，能够直接针对排序列表进行优化，近几年来在推荐领域获得了越来越多的关注。排序学习能够直接针对最终的推荐列表进行优化，这一特性可以避免根据QoS值排序来间接得到推荐列表所带来的缺陷。根据优化目标的不同，排序学习主要分为三类：点级(pointwise)、对级(pairwise)、列表级(listwise)。点级排序的处理对象是单独的一个项目，通过预测评分实现推荐，其相当于传统的预测QoS值的服务推荐方法；对级排序是根据评分来定义项目对之间的偏序关系，最终通过整合所有项目对的偏序关系得到整个排序列表。而其时间复杂度高，且在整合推荐列表时会损失一定的准确性；列表级排序的处理对象是所有的项目，直接对整个排序列表进行优化，在运行效率和推荐准确性方面具有更明显的优势，因此成为了被研究最多的方法。目前很少有研究将传统协同过滤算法与排序学习技术结合起来，并应用到服务推荐领域。

发明内容

针对现有技术中的不足，本发明提供一种基于信任扩展和列表级排序学习的服务推荐方法，解决传统服务推荐算法中仅仅依据QoS预测值排序带来的不准确性以及用户信任关系稀疏性问题等问题，通过将用户表示为已调用服务集合的概率分布，基于Kullback-Leibler距离进行概率型用户相似度的计算；通过信任扩展模型，充分挖掘用户信任关系，并结合用户相似度构建为目标用户构建可信邻居集合；并利用可信邻居集合改进列表级排序学习算法，训练出最优的排序模型，使其输出的服务推荐列表最符合目标用户的兴趣偏好，有效降低服务计算复杂度，提高服务推荐的准确性。

按照本发明所提供的设计方案，一种基于信任扩展和列表级排序学习的服务推荐方法，包含可信邻居集合建立阶段和服务排序学习阶段，其中，

可信邻居集合建立阶段中，根据已知的用户服务调用数据集，确定目标用户、其他用户集合及目标用户的直接信任集合，针对目标用户和其他用户集合中的任一用户，该任一用户记为其他用户，执行如下内容：

A)、通过Plackett-Luce模型将目标用户和其他用户表示为已调用服务集合的概率分布，并计算目标用户与其他用户的概率型相似度；

B)、利用信任扩展模型挖掘目标用户与其他用户之间的信任关系，该信任关系包括直接信任关系和间接信任关系，结合目标用户与其他用户的概率型相似度获取两者之间的可信相似度；

对目标用户和其他用户集合中其他用户之间的可信相似度进行排序，获取可信邻居集合；

服务排序学习阶段中，根据已知训练数据集，将已知训练数据集中用户评分矩阵分解为用户隐含特征矩阵和服务隐含特征矩阵，并结合可信邻居集合预测服务QoS值，通过排序学习模型对服务排序列表进行训练学习，获取目标用户最佳服务推荐列表。

上述的，A)中计算概率型相似度的过程如下：

A1)、设定目标用户u和其他用户集合中任一其他用户v的共同调用服务集合为I_u,v，确定I_u,v上所有的top-k排列集合，记为