[发明专利]基于自注意力因子分解机的时间感知服务推荐系统及方法

说明书

本发明提出了一种基于自注意力因子分解机的时间感知服务推荐系统及方法，系统包括PFM模型，将从输入层输入的用户隐藏向量、服务隐藏向量以及时间隐藏向量输入到FM模块中处理，处理后的数据依次经过中间层的第一全连接层和第一激活函数输出到输出层；SAGRU模型，将从输入层输入的时间间隔t上的用户、服务集合的嵌入向量输入到GRU模块中处理，处理后的数据依次经过中间层的自注意力机制单元、第二全连接层，第二激活函数输出到输出层。相比较矩阵分解技术，本发明不仅可以有效学习用户以及服务间的非线性关系，还能捕获用户随着时间变化的动态行为特征，能有效减轻现实世界中服务质量数据稀疏的问题。

技术领域

本发明涉及推荐系统的技术领域，尤其涉及一种基于自注意力因子分解机的时间感知服务推荐系统及方法。

背景技术

在一系列功能相似的服务中向用户推荐符合用户需求的个性化服务，称之为服务推荐。传统的方法主要是利用协同过滤技术，可以分为基于内容的协同过滤算法以及基于模型的协同过滤算法。

基于内容的协同过滤算法主要是依据完整的数据来进行QoS值的预测。此类方法可根据内容的类别分为三种类型：基于用户相似性、基于项的相似性以及基于混合相似性的方法。Jin等已经提出了一种基于领域感知的深度学习方法来预测web服务的QoS值。首先，他使用皮埃尔相关系数来获取用户和服务的top-k邻域，然后通过多层感知器学习用户和服务之间的非线性关系，最终通过卷积神经网络来获取潜在特征。虽然这些方法能够提高服务推荐的性能，但却很难处理大量数据。

基于模型的协同过滤算法主要是从一个真实数据集中提取出一部分数据作为训练集来训练这个模型，然后利用这个模型来预测缺失的QoS值。如zhang等提出了一个Web服务的QoS预测模型利用不同用户过去使用Web服务的经验来进行预测。虽然能在某些方面提高推荐性能，但仍存在两个问题：第一是冷启动问题，当遇到新的用户和数据时，数据不能及时更新。第二个就是数据稀疏性问题。

发明内容

针对背景技术中的不足，为此，本发明提出了一种基于自注意力因子分解机的时间感知服务推荐系统及方法，具体方案如下：

基于自注意力因子分解机的时间感知服务推荐系统，包括

PFM模型，将从输入层输入的用户隐藏向量、服务隐藏向量以及时间隐藏向量输入到FM模块中处理，处理后的数据依次经过中间层的第一全连接层和第一激活函数输出到输出层；

SAGRU模型，将从输入层输入的时间间隔t上的用户、服务集合的嵌入向量输入到GRU模块中处理，处理后的数据依次经过中间层的自注意力机制单元、第二全连接层，第二激活函数输出到输出层。

具体地说，所述输出层包括三个维度调节模块，第一维度调节模块包括第三全连接层和第三激活函数，用于给PFM模型和SAGRU模型的输出量降维；第二维度调节模块包括第四全连接层和第四激活函数，用于保持下降后的维度；第三维度调节模块包括第五全连接层和第五激活函数，用于升维，将两个PFM模型和SAGRU模型输出总的QoS值。

具体地说，所述输入层对所有的输入数据进行独热码编码，再将其映射成用户隐藏向量、服务隐藏向量以及时间隐藏向量，用户隐藏向量、服务隐藏向量以及时间隐藏向量组成三维向量。

一种基于自注意力因子分解机的时间感知服务推荐方法，包括以下步骤：

S1、对所有的输入数据进行编码，并映射成三个固定的向量，分别为用户隐藏向量、服务隐藏向量以及时间隐藏向量，用户隐藏向量、服务隐藏向量以及时间隐藏向量组成三维向量，作为PFM模型中FM模块的输入；时间间隔t上关于用户隐藏向量和服务隐藏向量的嵌入向量X作为SAGRU模型中GRU模块的输入；

S2、FM模块的输出依次经过中间层的第一全连接层和第一激活函数输出到输出层，GRU模块的输出进入到自注意力机制单元、第二全连接层，第二激活函数输出到输出层；