一种基于稀疏性感知的分布式混合协同智能推荐方法技术

本发明专利技术公开了一种基于稀疏性感知的分布式混合协同智能推荐方法。该方法为：首先由历史用户行为信息获取用户对服务的评分数据集；然后根据QoS评分波动特征区分时间敏感的QoS属性和空间敏感的QoS属性；接着采用基于阈值的分层聚类算法和自适应K均值聚类算法，分别聚合相似的时段和相似的区域，构建时间‑空间‑用户‑服务的四维张量模型；最后利用CP分解模型对四维评分张量进行分解，并利用分布式同步随机梯度下降机制对参数进行学习，预测目标用户对候选服务的评分，将具有最高预测评分的服务推荐给目标用户。本发明专利技术能够为云服务用户提供个性化的服务推荐，提高了云服务推荐算法的计算效率和预测的准确性，并提高了推荐系统的扩展性。

A distributed hybrid collaborative intelligent recommendation method based on sparse awareness

【技术实现步骤摘要】
一种基于稀疏性感知的分布式混合协同智能推荐方法
本专利技术涉及计算机数据处理
，特别是一种基于稀疏性感知的分布式混合协同智能推荐方法。
技术介绍
随着云计算的兴起和移动应用的增长，越来越多的企业和组织进入了云市场，为全球用户部署了繁荣的分布式云服务。由于用户、云服务、在线信息数量的爆炸式增长，由此产生了大数据问题，使用户如何在大量功能相似的候选服务中挖掘有价值的信息，找到最令人满意的服务变得越来越困难。智能推荐系统是处理信息过载的有效工具，现今已成为一个热门的研究课题。在工业界和学术界已经进行了许多研究工作来设计用于个性化和智能计算的有效推荐模型。矩阵分解(MatrixFactorization，MF)是最成功的推荐模型之一，旨在从部分可观察的用户项目评分矩阵中挖掘知识，来满足用户的个性化需求。然而，现有大多数基于MF的推荐方法主要集中在处理二维的用户项目评分矩阵，而忽略了上下文信息。实际上，在动态云环境和实际应用中，上下文因素(如时间和位置)对推荐系统性能有很大影响。由于云环境的动态特性，大多数云服务都是时间敏感的和空间本文档来自技高网...

【技术保护点】
1.一种基于稀疏性感知的分布式混合协同智能推荐方法，其特征在于，包括以下步骤：/n步骤1、获取数据集，对数据进行预处理，构建用户-服务-时间-位置模型；/n步骤2、区分时间敏感的QoS属性和空间敏感的QoS属性；/n步骤3、采用基于阈值的分层聚类算法和自适应K均值聚类算法分别对时间段和空间区域进行聚类操作，合并相似的时间段和相似的空间区域，构建时间-空间-用户-服务四维评分张量；/n步骤4、利用CP张量分解模型对四维评分张量进行分解，并基于分布式同步随机梯度下降机制对参数进行学习，预测目标用户对候选服务的评分，并且将具有最高预测评分的服务推荐给目标用户。/n

【技术特征摘要】
1.一种基于稀疏性感知的分布式混合协同智能推荐方法，其特征在于，包括以下步骤：
步骤1、获取数据集，对数据进行预处理，构建用户-服务-时间-位置模型；
步骤2、区分时间敏感的QoS属性和空间敏感的QoS属性；
步骤3、采用基于阈值的分层聚类算法和自适应K均值聚类算法分别对时间段和空间区域进行聚类操作，合并相似的时间段和相似的空间区域，构建时间-空间-用户-服务四维评分张量；
步骤4、利用CP张量分解模型对四维评分张量进行分解，并基于分布式同步随机梯度下降机制对参数进行学习，预测目标用户对候选服务的评分，并且将具有最高预测评分的服务推荐给目标用户。


2.根据权利要求1所述的基于稀疏性感知的分布式混合协同智能推荐方法，其特征在于，步骤1所述的获取数据集，对数据进行预处理，构建用户-服务-时间-位置模型，具体如下：
从目标网站获取服务的历史用户的评分信息，评分信息包括总体评分、每个QoS属性的评分、时间标签和位置标签，并对数据进行清洁数据、汇总同类服务处理，然后构建用户-服务-时间-位置模型；
在用户-服务-时间-位置模型中，给定用户集U和服务集S，用户和服务的数量分别为N和M；服务集S中的每个服务包含H个QoS属性，记为向量Q＝[q1,q2,…，qH]，表示服务的非功能属性的特征；用户i对服务j的评分表示为{rij，RQij，tij，lij}，其中rij≥0表示用户i对服务j的总体评分；为QoS评分向量，即对各QoS属性的评分向量，表示用户i对服务j在第h个QoS属性qh上的评分，其中1≤h≤H；tij和lij分别为时间标签和位置标签，指示用户i何时何地调用服务j。


3.根据权利要求1所述的基于稀疏性感知的分布式混合协同智能推荐方法，其特征在于，步骤2所述的区分时间敏感的QoS属性和空间敏感的QoS属性，具体如下：
步骤2.1、将评分数据集的历史时间段划分为K个时间段，即{T1,T2,…,TK}，Tk表示第k个时间段，1≤k≤K，每个时段的长度表示为ΔT；将服务的调用位置划分为G个区域，即{R1.R2,…,RG}；给定时间波动阈值δt和空间波动阈值δr；
步骤2.2、通过计算在K个时间段内评分的方差，识别时间敏感的QoS属性qh：



其中Ft(qh)表示qh属性在K个时间段内评分的方差，|S|是服务集S中的服务数量，是服务s的qh属性在时间段Tk中的平均评分，是服务s的QoS属性qh在整个时间段内的总体平均评分；
根据给出的时间波动阈值δt确定qh是时间敏感的还是时间不敏感的，如果Ft(qh)>δt，则qh是时间敏感的QoS指标，设定TQ＝[tq1,tq2,…，tqa]为时间敏感的QoS属性向量，tqw表示第w个时间敏感的QoS属性，1≤w≤a，a是时间敏感QoS属性的数量；RTij表示用户i对服务j的时间敏感QoS的评分向量，表示用户i对服务j在第w个时间敏感的QoS属性的评分；
步骤2.3、通过计算在G个空间区域内评分的方差，识别空间敏感的QoS属性qh：



其中Fr(qh)表示qh属性在G个空间区域内评分的方差，|S|是服务集S中的服务数量，是服务s的qh属性在区域Rg中的平均评分，是在服务的所有区域内属性qh的总体平均评分；
根据给出的空间波动阈值δr来确定qh是空间敏感的还是空间不敏感的，如果Fr(qh)>δr，则qh是空间敏感的QoS属性，设定LQ＝[lq1,lq2,…，lqb]为空间敏感的QoS属性向量，lqm表示第m个空间敏感的QoS属性，1≤m≤b，b是空间敏感QoS属性的数量；RLij表示用户i对服务j的空间敏感QoS的评分向量，表示用户i对服务j在第m个空间敏感的QoS属性的评分。


4.根据权利要求1所述的基于稀疏性感知的分布式混合协同智能推荐方法，其特征在于，步骤3所述的采用基于阈值的分层聚类算法和自适应K均值聚类算法分别对时间段和空间区域进行聚类操作，合并相似的时间段和相似的空间区域，构建时间-空间-用户-服务四维评分张量，具体如下：
步骤3.1、进行基于皮尔森相关系数的时间段Tu和时间段Tv的相似度φ(Tu,Tv)计算：



式中，S(Tu)∩S(Tv)是用户在时间段Tu和Tv处的共同服务的集合，是用户...

【专利技术属性】
技术研发人员：孟顺梅，高子建，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32