[发明专利]一种考虑用户评价的资源或服务推荐方法

说明书

一种考虑用户评价的资源或服务推荐方法属于计算机人工智能领域，涉及一种考虑用户评价的资源或服务推荐方法。该方法包括：用户特征编码模块、资源或服务编码模块、Encoder模块、Decoder模块。本发明的原理是一种考虑用户评价的资源或服务推荐方法，应用多层次编码方法不仅学习了资源或服务本来的特征还学习到了用户评价对于资源或服务的作用，通过注意力机制得到了用户特征与资源或服务的相关重要性程度，通过残差网络降低了模型复杂度且更快更准确的得到资源或服务的推荐结果。

技术领域

本发明属于计算机人工智能领域，涉及一种考虑用户评价的资源或服务推荐方法。

背景技术

资源或服务是一个平台独立的，低耦合的，自包含的、基于可编程的应用程序，可使用开放的标准来描述、发布、发现、协调和配置这些应用程序，用于开发分布式的互操作的应用程序。

随着资源或服务数量的增长，大量的服务因为小访问量不为人知。资源或服务推荐就是来解决小访问量的服务无法被推荐到无法被访问和冷启动的问题。于是传统的推荐算法无法应用在资源或服务的推荐中

资源或服务的特殊性在于用户的评价对于服务或资源在动态的变化且不能简单的利用数据进行计算，评价使得在资源或服务推荐与其他事物的推荐不同；通过多层次编码的方式使得资源或服务能够学习到用户的反馈评价使得推荐准确性提高。注意力机制使得神经网络模型可以很好的学习到了不同的用户特征在资源或服务推荐中的重要性程度，通过加权相加的方式得到中间向量，将中间向量通过编解码的方式得到最终的资源或服务推荐输出。

在现有技术中提出的BiLSTM模型来学习用户特征与资源或服务之间的特征关系，单纯的采用了用户特征与资源或服务的特征，并没有考虑到资源或服务的特殊性即用户评价对于资源或服务推荐的作用，也没有考虑到不同的用户特征对于推荐的重要性程度。该方法虽然不够完善但为我们提供了思路即使用深度神经网络来实现对资源或服务的推荐。

发明内容

一种考虑用户评价的资源或服务推荐方法，该方法包括：

①本发明提出了一种对于用户特征与资源或服务的多层次编码方法，该方格通过对用户特征的语义输入做word-embedding与position-embedding两种编码方式，将两种编码结果按位相加得到最终的用户特征的输入向量；对资源或服务数据做onehot-embedding、QOE-embedding、QOS-embedding三种编码方式，将三种编码结果按位相加得到最终的资源或服务的输入向量。

②本发明提出了一种基于Mulit-Head Self-Attention机制的Encoder-Decoder结构，将用户特征的输入向量作为Encoder端的输入，将资源或服务的输入向量作为Decoder端的输入，将Encoder端的输出同样作为Decoder端的输入。

③Encoder结点的结构为Encoder Mulit-Head Self-Attention层、全连接层，在每一层均使用了残差结构；Encoder端为相同的若干个Encoder结点串行组成。

④Decoder结点的结构为Decoder Mulit-Head Self-Attention层、Encoder-Decoder Self-Attention层、全连接层，在每一层均使用了残差结构；Decoder端为相同的若干个Decoder结点串行组成。

⑤Decoder端的输出向量通过Softmax之后，将概率值最高的前K个作为本次资源或服务的推荐结果。

本发明的原理是一种考虑用户评价的资源或服务推荐方法，应用多层次编码方法不仅学习了资源或服务本来的特征还学习到了用户评价对于资源或服务的作用，通过注意力机制得到了用户特征与资源或服务的相关重要性程度，通过残差网络降低了模型复杂度且更快更准确的得到资源或服务的推荐结果。

为达到以上发明目的，本发明采用如下的技术方案：