[发明专利]基于注意力机制及多模态的服务需求动态预测方法及系统

说明书

本公开提供了一种基于注意力机制及多模态的服务需求动态预测方法及系统，包括：获取服务使用过程中产生的文本数据及图像数据；分别对所述文本数据及图像数据进行特征提取；将提取的特征输入预先训练的基于软注意力与多模态机器学习的预测模型中，实现用户下一时刻的服务需求的预测；其中，所述基于软注意力与多模态机器学习的预测模型，具体为：基于特征共享机制实现多模态数据特征的融合；利用软注意力机制对融合后的特征进行处理，并将获得的结果输入到预先训练的GRU网络，获得用户的服务兴趣特征向量表示；基于用户信息特征及其服务兴趣特征向量表示，通过全连接层实现对用户下一时刻的服务需求的预测。

技术领域

本公开属于服务偏好预测技术领域，尤其涉及一种基于注意力机制及多模态的服务需求动态预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

近年来，随着服务计算、云计算、移动边缘计算等新型计算模式的快速发展与成熟，网络上出现了大量来自于不同领域的可用服务；与此同时，随着移动网络与智能终端的广泛普及，使得大规模用户可以随时随地的访问服务，极大地方便了用户的生活和工作。然而，用户如何从海量的候选服务中发现用户需要的服务具有一定挑战性，影响了服务的利用率和用户的满意度。为了解决这一问题，研究人员针对服务推荐开展了大量的研究工作，并取得了丰富的研究成果，在一定程度上解决的服务发现的难题。但是，发明人发现，已有的服务推荐方法大都通过挖掘相似用户或相似服务之间的信息，为用户推荐其感兴趣的可能会使用的服务，没有考虑用户的实际服务需求，导致推荐准确度有待提高。

服务需求预测是提高服务推荐准确率的重要基础。目前，国内外学者针对服务需求预测进行了初步的研究，并取得了一定的成果。已有服务需求预测方法主要包括基于协同过滤(CF：Collaborative Filtering)技术、基于机器学习(ML:Machine Learning)以及基于深度学习(DL：Deep Learning)的预测方法。具体的，Guo等人提出了一种用于短期出行需求预测的残差时空网络，能够捕捉出行需求的空间、时间及出行需求之间的依赖关系，在出行需求预测方面具有较好的预测效果。Liu等人提出了一种基于注意力机制的深度集成网络模型，分别对特征地图的通道间关系、空间关系和位置关系进行建模并预测用户的服务需求。Zheng等人针对时空需求预测和竞争性供应问题，提出了一种同时考虑时空预测和供需状态的需求感知路径规划算法，并构建了一种时空图卷积顺序预测模型，该模型能够通过位置和时间预测用户服务请求。为了帮助服务提供商预先分配服务起点，以减少客户的等待时间，Chu等人提出了一种多尺度卷积长短期记忆网络模型，该模型可以同时考虑时间和空间的相关性来预测未来的用户需求。Lu等人针对现有的服务需求预测缺少考虑用户在移动中的隐私问题，提出了一种结合隐私关注强度的用户协同过滤方法，并考虑了关于用户隐私的相关因素进行服务需求预测。Gardino等人利用多视角的方法来学习视图之间的联系，以此解决行业间零售商与批发商之间的需求预测问题。Rob等人利用深度学习方法缓解人工网络模型带来的复杂度，将旅游搜索强度作为唯一输入指标，为旅游业务人员提供了游客与目的地之间的需求预测。Xu等人将历史时刻需水量作为数据信息，对城市供水系统提供有效的需水量预测。尽管已有的服务需求预测研究在一定程度上提高了服务推荐的准确度；但是，已有的研究工作大都是基于单一模态数据开展的，没有考虑多模态数据下的服务需求预测。

发明内容

本公开为了解决上述问题，提供了一种基于注意力机制及多模态的服务需求动态预测方法及系统，所述方案考虑服务使用过程产生的文本数据和图像数据，并利用基于软注意力与多模态机器学习的预测模型，实现了用户服务需求的精确预测。

根据本公开实施例的第一个方面，提供了一种基于注意力机制及多模态的服务需求动态预测方法，包括：

获取服务使用过程中产生的文本数据及图像数据；

分别对所述文本数据及图像数据进行特征提取；将提取的特征输入预先训练的基于软注意力与多模态机器学习的预测模型中，实现用户下一时刻的服务需求的预测；