【技术实现步骤摘要】
本专利技术涉及一种基于服务互补关系学习模型的restful服务二次推荐方法。
技术介绍
1、随着软件即服务(saas，software-as-a-service)模式的发展，越来越多的企业和组织将业务、数据与资源封装为服务，以web api的形式发布在互联网上，web服务的数量呈倍增趋势。作为一种轻量化的web服务类型，restful服务凭借资源导向、结构清晰、拓展性强等特点，在互联网中得到了广泛的运用。以国内的云服务企业为例，阿里云、腾讯云、天翼云等企业均采用restful服务作为主要形式，向用户提供数据与计算资源。
2、restful服务数量的与日俱增，以及具有相似功能的restful服务不断涌现导致发现并选择高质量的服务成为一个难题。在此背景下，服务推荐技术受到了广泛的关注。
3、现有的服务推荐技术主要包括基于协同过滤的服务推荐技术、基于主题模型的服务推荐技术以及基于服务质量的服务推荐技术等。
4、基于协同过滤的服务推荐技术主要通过用户相似度、服务相似度等信息向用户推荐功能相近的服务。例如，专利号为201710211954.0，名称为一种用于web服务推荐的协同过滤方法利用服务可信度和用户偏好度信息，针对web服务进行过滤，对用户进行服务推荐。
5、基于主题模型的服务推荐技术能够挖掘服务之间的潜在主题关系，缩小服务搜索空间，提高服务推荐效率。例如，专利号为201810424947.3，名称为一种基于主题和服务组合信息的web服务推荐方法利用lda模型训练得出服务-主题矩阵，并
6、上述方法都在一定程度上提高了服务推荐的精确度和效率，但是仍存在以下两点不足：
7、(1)上述方法大多基于用户相似度和服务相似度进行服务推荐，忽视了服务间的互补关系。
8、(2)大部分现有服务推荐方法均为单次推荐方法，没有针对用户的输入和历史的推荐结果进行二次推荐。
9、在推荐系统中，互补推荐和二次推荐能较好地解决上述不足。互补推荐是通常以单个项目作为输入，给出的候选推荐项目往往与输入项目功能不同，但在某种程度上可以组合使用。互补推荐的关键在于对项目间互补关系的寻找。对于互补关系的寻找，一种常见的技术为关联规则(association rules)。例如，专利号为202010177173.6，名称为一种基于视频分析的商品推荐方法、装置、设备和介质。在该方法中，通过商品实例之间的相似关联、互补关联和情景关联，并结合商品关联规则得到兴趣度，根据所述兴趣度向潜在的消费者推荐商品实例。关联规则的生成主要依赖支持度和置信度两项参数，然而，通过数据挖掘算法生成的关联规则大多杂乱无章，难以直接用于推荐工作。二次推荐能够结合用户输入、用户反馈以及历史推荐项目给出新的推荐结果。常见的二次推荐方法大多基于逻辑回归、随机森林、神经网络等技术。二次推荐在电子商务、社交网络、短视频平台等领域得到了广泛的应用，目前在服务计算领域，有关二次推荐的研究运用还比较少。
10、目前并不存在一种简便有效的方法，能够利用关联规则挖掘restful服务之间潜在的互补关系，进行二次服务推荐。
技术实现思路
1、为了克服现有技术的不足，为充分挖掘restful服务之间的互补关系，提高服务推荐的精确度与效率，本专利技术给出了一种基于服务互补关系学习模型的restful服务二次推荐方法，该方法首先建立了一种服务互补关系学习模型，并设置了服务互补关系规则；在此基础上，提取初始服务互补关系，使用服务功能相似信息对初始服务互补关系进行拓展，并构建互补关系图结构；其次，结合掩码图注意力机制在互补关系图结构上进行表示学习，得到restful服务和服务功能的嵌入向量。然后，计算嵌入向量之间的距离，并利用合页损失函数缩小具有互补关系的嵌入向量之间的距离；最后，根据用户输入，找出具有互补关系的restful服务，进行二次服务推荐。
2、本专利技术所采用的技术方案是：
3、一种基于服务互补关系学习模型的restful服务二次推荐方法，包括以下步骤：
4、步骤1：创建服务互补关系学习模型，建立restful服务调用数据集，设置服务互补关系规则，提取初始服务互补关系，过程如下：
5、1.1、服务互补关系学习模型：能够学习restful服务数据样本间的服务互补关系，并以此进行二次推荐的深度学习模型，用符号scrm表示；
6、1.2、restful服务调用数据集：有关服务、服务调用序列、服务组合的数据样本集合，用符号c表示；
7、1.3、服务互补关系规则：在scrm中，用于描述两项restful服务之间互补关系强弱的相关信息；
8、1.4、提取初始服务互补关系：根据步骤1.3中制定的服务互补关系规则，提取c中的初始服务互补关系；
9、步骤2：利用服务功能相似信息，对步骤1.4中所提取的初始服务互补关系进行拓展，得到功能服务互补关系，过程如下：
10、2.1、服务功能相似信息：对于任意两项restful服务，若从属的服务功能存在相同项，则称两者是功能相似的，相似的程度使用服务功能相似度进行衡量；
11、2.2、拓展初始服务互补关系：在restful服务调用数据集中，找出功能相似的restful服务对初始服务互补关系进行拓展，得到功能服务互补关系；
12、步骤3：基于初始服务互补关系和功能服务互补关系构建互补关系图结构，过程如下：
13、3.1、互补关系图结构：在scrm中，用于描述初始服务互补关系和功能服务互补关系的有向带权图，定义为acwg＝<v，e，w>，其中，acwg代表互补关系图结构，v代表节点集，e代表有向边集，w代表权重矩阵；
14、3.2、构建互补关系图结构：将初始服务互补关系和功能服务互补关系转化为互补关系图结构中的节点、有向边和边权重；
15、步骤4：基于表示学习将restful服务转化为嵌入向量，利用掩码式图注意力机制从步骤3构建的互补关系图结构awcg中学习注意力系数，结合注意力系数对嵌入向量进行优化，过程如下：
16、4.1、表示学习是一种常用的深度学习方法，可将数据样本转化为低维向量表示，在scrm中，通过表示学习先将任意的restful服务a转化成维度为d的嵌入向量εa，d是代表维度大小的超参数；
17、4.2、结合掩码式图注意力机制用于学习互补关系图结构，得到注意力系数；
18、4.3、注意力系数对嵌入向量的优化：利用节点与其邻居节点之间的注意力系数对嵌入向量进行加权平均处理；
19、步骤5：计算scrm中不同restful服务的向量距离，将服务功能转化为嵌入向量，计算不同服务功能的向量距离，过程如下：
20、5.1restful服务的向量距离：通过步骤4可将r本文档来自技高网...
【技术保护点】
1.一种基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤1.2中，服务调用数据集包含以下信息：
3.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤1.3中，服务互补关系规则包含以下信息：
4.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于所述步骤1.4中，初始服务互补关系的提取过程如下：
5.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤2.1中，服务功能相似信息包含以下内容：
6.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤3.1中，互补关系图结构包含以下信息：
7.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所
8.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤5.1中，RESTful服务的向量距离计算过程如下：
9.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤6中，利用合页函数缩小SCRM中的向量距离的处理过程如下：
10.如权利要求1或2所述的基于服务互补关系学习模型的RESTful服务二次推荐方法，其特征在于，所述步骤7的过程如下：
...【技术特征摘要】
1.一种基于服务互补关系学习模型的restful服务二次推荐方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于服务互补关系学习模型的restful服务二次推荐方法，其特征在于，所述步骤1.2中，服务调用数据集包含以下信息：
3.如权利要求1或2所述的基于服务互补关系学习模型的restful服务二次推荐方法，其特征在于，所述步骤1.3中，服务互补关系规则包含以下信息：
4.如权利要求1或2所述的基于服务互补关系学习模型的restful服务二次推荐方法，其特征在于所述步骤1.4中，初始服务互补关系的提取过程如下：
5.如权利要求1或2所述的基于服务互补关系学习模型的restful服务二次推荐方法，其特征在于，所述步骤2.1中，服务功能相似信息包含以下内容：
6.如权利要求1或2所...
【专利技术属性】
技术研发人员：陆佳炜，李端倪，徐良忠，蔡耘，张晓烨，肖刚，宋俊峰，郑嘉弘，蔡万闯，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。