基于用户分类和深度学习的服务需求动态预测方法及系统技术方案

本公开提供了一种基于用户分类和深度学习的服务需求动态预测方法及系统，所述方案首先基于k‑means算法对大规模的用户进行分类，基于每一类用户的服务使用数据进行服务需求，从而可以克服数据稀疏和冷启动问题；其次，本实施例构建了一种注意力机制增强的深度交互神经网络模型，并基于AMEDIN模型进行服务需求预测，其中，AMEDIN模型首先通过交互单元自适应地捕获不同场景和服务需求之间的交互关系，从而显式的建模不同场景对服务需求的影响；之后，合并场景特征、交互关系以及服务需求特征，基于注意力机制获取不同场景对服务需求的影响权重；最后，基于用户特征、加权的场景特征和服务需求特征训练AMEDIN模型，并基于训练好的AMEDIN模型实现情景感知的服务需求动态预测。

【技术实现步骤摘要】
基于用户分类和深度学习的服务需求动态预测方法及系统
本公开涉及计算机应用
，具体涉及一种基于用户分类和深度学习的服务需求动态预测方法及系统。
技术介绍
近年来，随着服务计算、物联网、智能终端以及5G网络的快速发展与普及，越来越多的用户可以随时随地访问来自于不同领域、功能丰富的服务，完成工作与日常生活事务。随着网络上可用服务数量的激增，用户难以快速及时地发现满足其需求的服务，严重影响了用户的满意度，降低了服务资源的利用率。主动服务推荐逐渐成为实现智能服务的关键技术，而服务需求动态预测是实现主动服务推荐的基础。如何实现服务需求的动态预测已经成为智能服务领域亟需解决的关键问题之一。近年来，国内外学者针对这一问题开展了研究，并取得了一定的研究成果。专利技术人发现，一方面，在实际应用中，由于单个用户使用服务的记录较少，难以实现基于单一用户的数据进行服务需求预测；而已有的研究工作大都基于协同过滤、支持向量机、矩阵分解以及机器学习方法来实现用户服务需求的预测；虽然上述研究工作取得了较好的成果，但是现有方法的精度严重依赖于训练集的数据量，经常存在数据稀疏以及冷启动问题，导致在单一类别用户服务预测精度较低的问题；另一方面，已有的研究工作通常将不同的场景对用户服务需求的影响视为同样重要的，导致模型无法充分学习不同场景对服务需求的影响，从而降低了服务需求预测的精度；同时，已有的研究工作没有充分考虑用户所处的场景对其服务需求的影响，导致服务需求预测精度不高。
技术实现思路
为了克服上述现有技术的不足，本公开提供了一种基于用户分类和深度学习的服务需求动态预测方法及系统，所述方案通过对大规模用户进行聚类，基于同一类用户的服务使用数据进行服务需求预测，很好地克服了数据稀疏与冷启动问题；同时提出了注意力机制增强的深度交互神经网络模型，来获取不同场景与服务需求之间的交互关系，进而获取不同场景对服务需求的影响权重，有效提高了服务需求预测的可解释性和准确度。根据本公开实施例的第一个方面，提供了一种基于用户分类和深度学习的服务需求动态预测方法，包括：获取用户提出服务需求时的相关数据，包括用户的特征信息、所处场景信息以及提出的服务需求信息；利用预训练的分类模型对用户进行分类，根据分类结果，利用预训练的注意力机制增强的深度交互神经网络模型进行服务需求的动态预测；其中，所述网络模型包括交互单元、影响权重学习模块以及服务需求预测模块组成，通过所述交互单元捕获不同场景与服务需求之间的交互关系；进而通过影响权重学习模块基于注意力机制学习不同场景对于服务需求的影响权重；最后，通过服务需求预测模块根据影响权重实现服务需求预测。进一步的，所述对用户进行分类的具体步骤包括：获取用户训练样本集合，随机选择预设数量的样本作为聚类中心；对训练样本中的用户进行聚类；计算当前各类中样本的均值作为新的聚类中心，顺序迭代直至迭代中心不变或达到最大迭代次数。进一步的，用户完成聚类之后将用户聚类之后的用户类别标签和用户特征合并在一起组成用户特征数据，对用户特征数据按照用户类别标签进行升序排序，最后将排序后用户特征数据和场景特征数据、服务特征数据合并在一起组成模型的训练数据，利用所述训练数据对注意力机制增强的深度交互神经网络模型进行训练。进一步的，为了获取不同场景与服务需求的交互关系，在将数据输入到交互单元之前，需要对数据进行预处理，首先，针对每个用户，将具有相同服务需求的数据分为一组；之后，提取同一组数据中不同的场景特征，将其与用户特征及服务需求特征合并在一起构成一条样本数据。进一步的，在获取不同场景特征与服务需求特征之间的交互关系之后，采用平均池化的方式对场景特征进行池化，得到多个场景特征的池化场景特征，所述池化场景特征表示发起服务需求的多个场景的主要场景特征；通过交互单元获取池化场景特征和服务需求特征之间的交互关系。进一步的，在计算不同场景对服务需求的影响权重时，将场景特征以及其对应的交互关系、池化特征对应的交互关系组成为一个新的拼接向量，通过所述注意力机制的输出的向量为拼接向量与影响权重的加权和，所述向量表示对用户发起服务需求影响程度明显的场景特征。根据本公开实施例的第二个方面，提供了一种基于用户分类和深度学习的服务需求动态预测系统，包括：数据获取单元，被配置为获取用户提出服务需求时的相关数据，包括用户的特征信息、所处场景信息以及提出的服务需求信息；服务需求预测单元，被配置为利用预训练的分类模型对用户进行分类，根据分类结果，利用预训练的注意力机制增强的深度交互神经网络模型进行服务需求的动态预测；其中，所述网络模型包括交互单元、影响权重学习模块以及服务需求预测模块组成，通过所述交互单元捕获不同场景与服务需求之间的交互关系；进而通过影响权重学习模块基于注意力机制学习不同场景对于服务需求的影响权重；最后，通过服务需求预测模块根据影响权重实现服务需求预测。根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于用户分类和深度学习的服务需求动态预测方法。根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于用户分类和深度学习的服务需求动态预测方法。与现有技术相比，本公开的有益效果是：(1)本公开所述方案基于K-means算法对大规模的用户进行分类，使得具有相似属性的用户归为一类，相似用户将会具有相似的服务使用行为，基于一类用户的服务使用数据可以很好地克服数据稀疏以及冷启动问题，实现高精度的服务需求预测。(2)本公开所述方案构建了一种注意力机制增强的深度交互神经网络模型AMEDIN,并基于AMEDIN提出了一种情景感知的服务需求动态预测方法。该方法捕获不同场景与服务需求之间的交互关系，并获取不同场景对服务需求的影响权重，使得与服务需求关联性较强的场景获得更高的影响权重，从而对情景感知的服务需求预测起到主导作用。(3)本公开所述方案引入了交互单元。通过交互单元可以显式地建模多个场景与服务需求之间的交互关系，充分捕获不同场景与服务需求之间的非线性关系，有助于提高服务需求预测的准确性。(4)本公开所述方案通过交互单元与注意力机制相结合，动态地获取不同场景对服务需求的影响权重，挖掘对用户服务需求影响较大的场景特征，从而提高了服务需求预测的可解释性与精度。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例一中所述的AMEDIN模型结构图；图2(a)-图2(d)为本公开实施例一中所述的AMEDIN模型在Movielens数据集上的损失值示意图；图3(a)-图3(d)为本公开实施例一中所述的AMEDIN模型在Alibaba数据集上的损失值示意图；图本文档来自技高网...

【技术保护点】
1.一种基于用户分类和深度学习的服务需求动态预测方法，其特征在于，包括：/n获取用户提出服务需求时的相关数据，包括用户的特征信息、所处场景信息以及提出的服务需求信息；利用预训练的分类模型对用户进行分类，根据分类结果，利用预训练的注意力机制增强的深度交互神经网络模型进行服务需求的动态预测；/n其中，所述网络模型包括交互单元、影响权重学习模块以及服务需求预测模块组成，通过所述交互单元捕获不同场景与服务需求之间的交互关系；进而通过影响权重学习模块基于注意力机制学习不同场景对于服务需求的影响权重；最后，通过服务需求预测模块根据影响权重实现服务需求预测。/n

【技术特征摘要】
1.一种基于用户分类和深度学习的服务需求动态预测方法，其特征在于，包括：
获取用户提出服务需求时的相关数据，包括用户的特征信息、所处场景信息以及提出的服务需求信息；利用预训练的分类模型对用户进行分类，根据分类结果，利用预训练的注意力机制增强的深度交互神经网络模型进行服务需求的动态预测；
其中，所述网络模型包括交互单元、影响权重学习模块以及服务需求预测模块组成，通过所述交互单元捕获不同场景与服务需求之间的交互关系；进而通过影响权重学习模块基于注意力机制学习不同场景对于服务需求的影响权重；最后，通过服务需求预测模块根据影响权重实现服务需求预测。


2.如权利要求1所述的一种基于用户分类和深度学习的服务需求动态预测方法，其特征在于，所述对用户进行分类的具体步骤包括：获取用户训练样本集合，随机选择预设数量的样本作为聚类中心；对训练样本中的用户进行聚类；计算当前各类中样本的均值作为新的聚类中心，顺序迭代直至迭代中心不变或达到最大迭代次数。


3.如权利要求1所述的一种基于用户分类和深度学习的服务需求动态预测方法，其特征在于，用户完成聚类之后将用户聚类之后的用户类别标签和用户特征合并在一起组成用户特征数据，对用户特征数据按照用户类别标签进行升序排序，最后将排序后用户特征数据和场景特征数据、服务特征数据合并在一起组成模型的训练数据，利用所述训练数据对注意力机制增强的深度交互神经网络模型进行训练。


4.如权利要求1所述的一种基于情景感知的服务需求预测方法，其特征在于，为了获取不同场景与服务需求的交互关系，在将数据输入到交互单元之前，需要对数据进行预处理，首先，针对每个用户，将具有相同服务需求的数据分为一组；之后，提取同一组数据中不同的场景特征，将其与用户特征及服务需求特征合并在一起构成一条样本数据。


5.如权利要求1所述的一种基于用户分类和深度学习的服务需求动态预测方法，其特征在于，在获取不同场景特征与服务需求特征之间的交互关系之后，采用平均池化的方式对场景特征进...

【专利技术属性】
技术研发人员：刘志中，丰凯，初佃辉，王莹洁，王鹏，
申请(专利权)人：烟台大学，
类型：发明
国别省市：山东;37