服务推荐方法、系统及服务器技术方案

本发明专利技术适用于网络推荐技术领域，提供了一种服务推荐方法、系统及服务器，所述方法包括：获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；对用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；根据用户关系矩阵计算并修正用户相似度矩阵；将用户关系矩阵和服务关系矩阵进行相乘运算，得到第一预测推荐结果；根据修正后的用户相似度矩阵以及用户的观测值，得到第二预测推荐结果；将第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵。上述方法采用随机行走解决数据稀疏所带来的用户相似度矩阵不精确的问题，采用矩阵分解的方法降低矩阵维度，通过将两者结合提高了服务推荐的精度。

Service recommendation method, system and server

The invention is applicable to the technical field of network recommendation and provides a service recommendation method, system and server. The method includes: obtaining the service quality information of each user treating each service in the recommendation service set in the user centralized, constructing the user service matrix, decomposing the user service matrix, and obtaining the user relationship moments. Matrix and service relation matrix; calculate and modify user similarity matrix according to user relation matrix; multiply user relation matrix and service relation matrix to get the first prediction recommendation result; get the second prediction recommendation result according to the revised user similarity matrix and user observation value; and pre-calculate the first prediction recommendation result. The test recommendation result is weighted and fused with the second prediction recommendation result, and the user service recommendation matrix is obtained. The above method uses random walk to solve the problem of inaccurate user similarity matrix caused by sparse data. The matrix decomposition method is used to reduce the matrix dimension, and the precision of service recommendation is improved by combining the two methods.

【技术实现步骤摘要】
服务推荐方法、系统及服务器
本专利技术属于网络推荐
，尤其涉及服务推荐方法、系统及服务器。
技术介绍
面向服务的体系架构(Service-OrientedArchitecture，SOA)作为一种新型的分布式计算模型已经在电子商务和应用集成等领域发挥了重大作用。SOA的核心思想是强调以服务为基本单位，发现并组合符合用户需求的一系列服务。其中，在分布式的环境中，将各种功能都以服务的形式提供给最终用户或者其他服务。随着SOA和Web服务的迅速发展，在网络上可用的Web服务数量急剧增加，因此基于web服务的推荐机制成为关注的重大问题。web服务推荐机制主要考虑两个方面，一个是服务功能，另一个是服务质量。然而，传统的基于服务质量的推荐方法存在数据稀疏，以及测量不精确、数据随机性、环境复杂等因素引起的不确定性问题，这些问题会导致web服务推荐算法精度不高的结果。
技术实现思路
有鉴于此，本专利技术实施例提供了服务推荐方法、系统及服务器，以解决现有技术中服务推荐方法预测精度不高的问题。本专利技术实施例的第一方面提供了一种服务推荐方法，包括：获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；根据所述用户关系矩阵计算用户相似度矩阵，根据所述用户相似度矩阵计算稳定的概率转换矩阵，并根据所述稳定的概率转换矩阵修正所述用户相似度矩阵；根据所述用户关系矩阵和所述服务关系矩阵得到第一预测推荐结果，根据修正后的用户相似度矩阵以及用户的观测值得到第二预测推荐结果；将所述第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵，并根据所述用户服务推荐矩阵进行服务推送。可选的，所述对所述用户服务矩阵进行矩阵分解，包括：通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解；所述通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解，包括：通过所述用户服务矩阵对用户关系矩阵和服务矩阵进行预测；计算所述用户服务矩阵、预测后的用户关系矩阵与预测后的服务矩阵乘积之间的损失函数，所述损失函数包括正则项；对所述损失函数分别关于用户关系矩阵和服务关系矩阵进行求导，并根据求导结果以及上一次对用户关系矩阵和服务关系矩阵的预测值对用户关系矩阵和服务关系矩阵进行更新。可选的，所述根据所述用户关系矩阵计算用户相似度矩阵，具体包括：根据如下公式计算用户的相似度矩阵：其中，Simi,j表示为用户i与用户j的相似度矩阵，Ui,k表示为第i个用户的k维向量，Uj,k表示为第j个用户的k维向量。可选的，所述根据所述用户相似度矩阵计算稳定的概率转换矩阵，具体包括：利用用户位置关系参数和所述用户相似度矩阵计算各用户之间的概率转换矩阵：其中，Ai,j表示用户i与用户j之间的位置关系参数；Adji表示用户i附近的用户；将得到的各用户之间的概率转换矩阵应用到马尔科夫模型中得到稳定的概率转换矩阵：其中，P0表示初始化单位矩阵，α表示所述用户在转换过程中和所述用户本身联系的概率。可选的，利用所述概率转换矩阵修正所述用户相似度矩阵，具体包括：根据所述概率转换矩阵计算概率权重：根据所述概率权重修正用户的相似度矩阵：其中，Nj为用户i的邻近用户的数量，Um,k为用户i的邻近用户集合。本专利技术实施例的第二方面提供了一种服务推荐系统，包括：信息采集模块、矩阵分解模块、相似度计算模块、第一预测模块、第二预测模块和推荐模块；信息采集模块，获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；矩阵分解模块，与所述信息采集模块相连，用于对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；相似度计算模块，与所述矩阵分解模块相连，用于根据所述用户关系矩阵计算用户相似度矩阵，根据所述用户相似度矩阵计算稳定的概率转换矩阵，并根据所述稳定的概率转换矩阵修正所述用户相似度矩阵；第一预测模块，与所述矩阵分解模块相连，用于根据所述用户关系矩阵和所述服务关系矩阵得到第一预测推荐结果；第二预测模块，与所述相似度计算模块相连，用于根据修正后的用户相似度矩阵以及用户的观测值，得到第二预测推荐结果；推荐模块，与所述第一预测模块和所述第二预测模块相连，用于将所述第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵，并根据所述用户服务推荐矩阵进行服务推送。可选的，所述矩阵分解模块对所述用户服务矩阵进行矩阵分解，包括：矩阵分解模块通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解；所述矩阵分解模块包括：预测训练单元，用于通过所述用户服务矩阵对用户关系矩阵和服务关系矩阵进行预测；损失计算单元，用于计算所述用户服务矩阵、预测后的用户关系矩阵与预测后的服务关系矩阵乘积之间的损失函数，所述损失函数包括正则项；更新单元，用于对所述损失函数分别关于用户关系矩阵和服务关系矩阵进行求导，并根据求导结果以及上一次对用户关系矩阵和服务关系矩阵的预测值对用户关系矩阵和服务关系矩阵进行更新。可选的，所述相似度计算模块包括：相似度计算单元，用于根据如下公式计算用户的相似度矩阵：其中，Simi,j表示为用户i与用户j的相似度矩阵，Ui,k表示为第i个用户的k维向量，Uj,k表示为第j个用户的k维向量。可选的，所述相似度计算模块还包括：概率转换矩阵计算单元，用于利用用户位置关系参数和所述用户相似度矩阵计算各用户之间的概率转换矩阵：其中，Ai,j表示用户i与用户j之间的位置关系参数；Adji表示用户i附近的用户；概率转换矩阵计算单元，还用于将得到的各用户之间的概率转换矩阵应用到马尔科夫模型中得到稳定的概率转换矩阵：其中，P0表示初始化单位矩阵，α表示所述用户在转换过程中和所述用户本身联系的概率。可选的，所述相似度计算模块还包括：相似度修正单元，用于根据所述稳定的概率转换矩阵计算概率权重：相似度修正单元，还用于根据所述概率权重去修正用户的相似度矩阵：其中，Nj为用户i的邻近用户的数量，Um,k为用户i的邻近用户集合。本专利技术实施例的第三方面提供了一种服务器，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项服务推荐方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项服务推荐方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术实施例，通过采用矩阵分解的方法将用户服务矩阵进行分解，得到低维度的用户关系矩阵和服务关系矩阵，再利用得到的低维度的用户关系矩阵计算用户相似度矩阵，进而通过随机行走模型得到稳定的概率转换矩阵，并根据得到的稳定的概率转换矩阵修正用户相似度矩阵，通过矩阵分解的用户关系矩阵和服务关系矩阵得到第一预测推荐结果，根据修正后的用户相似度矩阵和用户观测值得到第二预测推荐结果，最后将第一预测推荐结果和第二预测推荐结果加权融合得到用户服务推荐矩阵，通过基于随机行走模型的相似矩阵运算能够增加用户间相似度的可靠性，同时将矩阵分解的推荐结果和相似度增强后的协同推荐结果进行融合，能够提高服务推荐的预测精度。附图说明为了更清楚地本文档来自技高网...

【技术保护点】
1.一种服务推荐方法，其特征在于，包括：获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；根据所述用户关系矩阵计算用户相似度矩阵，根据所述用户相似度矩阵计算稳定的概率转换矩阵，并根据所述稳定的概率转换矩阵修正所述用户相似度矩阵；根据所述用户关系矩阵和所述服务关系矩阵得到第一预测推荐结果，根据修正后的用户相似度矩阵以及用户的观测值得到第二预测推荐结果；将所述第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵，并根据所述用户服务推荐矩阵进行服务推送。

【技术特征摘要】
1.一种服务推荐方法，其特征在于，包括：获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；根据所述用户关系矩阵计算用户相似度矩阵，根据所述用户相似度矩阵计算稳定的概率转换矩阵，并根据所述稳定的概率转换矩阵修正所述用户相似度矩阵；根据所述用户关系矩阵和所述服务关系矩阵得到第一预测推荐结果，根据修正后的用户相似度矩阵以及用户的观测值得到第二预测推荐结果；将所述第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵，并根据所述用户服务推荐矩阵进行服务推送。2.如权利要求1所述的服务推荐方法，其特征在于，所述对所述用户服务矩阵进行矩阵分解，包括：通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解；所述通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解，包括：通过所述用户服务矩阵对用户关系矩阵和服务关系矩阵进行预测；计算所述用户服务矩阵、预测后的用户关系矩阵与预测后的服务关系矩阵乘积之间的损失函数，所述损失函数包括正则项；对所述损失函数分别关于用户关系矩阵和服务关系矩阵进行求导，并根据求导结果以及上一次对用户关系矩阵和服务关系矩阵的预测值对用户关系矩阵和服务关系矩阵进行更新。3.如权利要求1所述的服务推荐方法，其特征在于，所述根据所述用户关系矩阵计算用户相似度矩阵，具体包括：根据如下公式计算用户的相似度矩阵：其中，Simi,j表示为用户i与用户j的相似度矩阵，Ui,k表示为第i个用户的k维向量，Uj,k表示为第j个用户的k维向量。4.如权利要求3所述的服务推荐方法，其特征在于，所述根据所述用户相似度矩阵计算稳定的概率转换矩阵，具体包括：利用用户位置关系参数和所述用户相似度矩阵计算各用户之间的概率转换矩阵：其中，Ai,j表示用户i与用户j之间的位置关系参数；Adji表示用户i附近的用户；将得到的各用户之间的概率转换矩阵应用到马尔科夫模型中得到稳定的概率转换矩阵：其中，P0表示初始化单位矩阵，α表示所述用户在转换过程中和所述用户本身联系的概率。5.如权利要求4所述的服务推荐方法，其特征在于，利用所述概率转换矩阵修正所述用户相似度矩阵，具体包括：根据所述概率转换矩阵计算概率权重：根据所述概率权重修正用户的相似度矩阵：其中，Nj为用户i的邻近用户的数量，Um,k为用户i的邻近用户集合。6.一种服务推荐系统，其特征在于，包括：信息采集模块、矩阵分解模块、相似度计算模块、第一预测模块、第二预测模块和推荐模块；信息采集模块，获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；矩阵分解模块，与所述信息采集模块相连，用于对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵；相似度计算模块，与所述矩阵分解模块相连，...

【专利技术属性】
技术研发人员：李俊，林坚，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33