[发明专利]基于CNN和LSTM的Web服务推荐方法

说明书

本发明涉及一种基于CNN和LSTM的Web服务推荐方法。目前，传统的协同过滤技术在应用系统中占据很高的地位，但是还存在着数据稀疏性的问题。一种基于CNN和LSTM的Web服务推荐方法，将CNN与LSTM进行有效结合，构建深度学习模型以实现最佳的推荐结果，在计算用户偏好特征时，采用用户的历史行为这种隐式反馈信息来提取用户的偏好，使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练，得到其各属性的特征矩阵，构建基于CNN和LSTM的评分预测模型，将各特征矩阵输入到评分预测模型，得到用户对Web服务的预测评分，推荐策略选取用户评分Top_3的Web服务为用户生成推荐，本发明应用于互联网领域。

技术领域

本发明涉及一种基于CNN和LSTM的Web服务推荐方法。

背景技术

互联网的高速发展使得满足用户需求的候选服务数量飞速增长，如何从大规模的Web服务集合中，找到满足用户需求的Web服务，已经成为服务计算等领域的主要研究问题。传统的协同过滤技术在应用系统中占据很高的地位，但是还存在着数据稀疏性的问题。

发明内容

本发明的目的是提供一种基于CNN和LSTM的Web服务推荐方法，用以缓解推荐数据的稀疏性的问题，并提高了推荐的准确性。

上述的目的通过以下的技术方案实现：

一种基于CNN和LSTM的Web服务推荐方法，其特征是：将CNN与LSTM进行有效结合，构建深度学习模型以实现最佳的推荐结果，在计算用户偏好特征时，采用用户的历史行为这种隐式反馈信息来提取用户的偏好；使用基于BERT的语言表征模型词向量化方法对用户、API、Mashup的自然语言类属性进行训练，得到其各属性的特征矩阵；构建基于CNN和LSTM的评分预测模型；将各特征矩阵输入到评分预测模型，得到用户对Web服务的预测评分；推荐策略选取用户评分Top_3的Web服务为用户生成推荐，此方法使用用户的历史记录信息提取了用户的偏好特征，解决了用户对服务没有显式评分的问题，使用CNN较好地提取了内容的局部特征，使用LSTM的全局性对文本上下文的理解进行了补充，提高了推荐的准确率。

所述的基于CNN和LSTM的Web服务推荐方法，包括以下步骤：

步骤一，基于用户的隐式反馈信息计算用户偏好特征；

步骤二，将用户特征、用户的其他属性、API各属性、Mashup各属性的文本描述内容通过BERT语言表征模型得到向量化表示；

步骤三，构建基于CNN和LSTM评分预测模型，将用户、API、Mashup的各属性特征矩阵输入到评分预测模型，得到用户对Web API的预测评分；

步骤四，将步骤步骤三得到的预测评分进行排序，选取预测评分最高的Top_3的 Web服务推荐给用户。

所述的基于CNN和LSTM的Web服务推荐方法，所述的基于用户隐式反馈信息计算用户偏好特征方法包括：

（1）设用户的集合为，所有服务的集合为，用来表示用户对服务的评分；

（2）用户关注或跟踪服务时，该服务会存于用户的关注集中，表示用户关注集中用户-服务交互记录的总条数；

（3）考虑用户关注集中的Web服务被其他用户关注时，系统就会在当前用户的关注集中生成一条交互信息记录，表示用户的关注集中服务被其他用户关注的用户-服务交互记录条数；

（4）考虑用户关注集中的Web服务被其他用户取消关注时，系统就会在当前用户的关注集中生成一条交互信息记录，表示用户的关注集中服务被其他用户取消关注的用户-服务交互记录条数；

（5）考虑用户关注集中的Web服务被更新时，系统也会在当前用户的关注集中生成一条交互信息记录，表示用户的关注集中服务的更新记录条数；