【技术实现步骤摘要】
本专利技术属于服务组合推荐领域，尤其基于双视图对比学习的服务组合推荐方法。
技术介绍
1、服务组合推荐是一种推荐系统技术，旨在为用户提供一系列相关的服务或产品组合。它基于用户的需求、偏好和行为数据，利用机器学习和推荐算法来分析用户的历史数据，从而生成个性化的服务组合建议，为用户提供更多选择、增加购买价值，并提升用户满意度。它在满足用户需求和促进商业增长方面具有潜力和应用前景。
2、服务组合推荐可以应用于各种领域，包括电子商务、旅游、金融等。服务组合推荐的目标是通过提供相关性强、多样性合适的服务组合，满足用户的需求并提升用户体验。它可以帮助用户在众多选择中迅速找到满足其需求的服务组合，同时也能够促进销售和增加用户留存。
3、服务组合推荐的实现通常依赖于大规模数据的收集和分析，以及机器学习和协同过滤等推荐算法的应用。通过不断优化和改进算法，服务组合推荐系统可以逐渐提升推荐的准确性和个性化程度，以更好地满足用户的需求。
4、在业务流程设计中和服务编排过程，服务组合可以帮助开发者更快的搭建稳定可用的面向企业端和政府端的应用，如何选取服务候选集合，如何合理组合已封装的产业服务资源，实现最终应用目标是亟待解决的问题。服务组合是一种典型的np-hard问题，现阶段的服务组合方法存在时间复杂度高、组合效果差、组合路径只能达到次优解等问题。现有方法考虑服务之间的相关性以提高最优解的有效性，却忽略了服务组合之间的相关性，将单个服务视为独立处理的个体，可能会导致服务组合中质量不能达到预期的计算结果，增加服务间合作的
技术实现思路
1、针对上述问题，本专利技术公开了一种基于双视图对比学习的服务组合推荐方法。一个视图是用户与单一服务交互图，从中可以捕获用户对一些服务的偏好，另一个视图是用户与服务组合交互图，从中可以获取到用户对一类服务的喜好。通过以上两个视图的交叉对比学习可以进一步增强视图感知表示，使得推荐系统可以准确的推断用户的偏好，并给用户推荐一个更符合其需要的服务组合。
2、本专利技术方法的使用步骤是：
3、步骤一：建模用户对服务和服务组合的组成信息。
4、为了整合单一服务级信息以提高服务组合推荐的准确性，有两种类型的重要辅助信息需要建模，即用户对服务的偏好和服务组合的组成信息。假设有u个用户、i个服务和b个预定义的服务组合，分别用三个二进制稀疏矩阵表示：用户-服务交互矩阵nu×i，如果用户u与服务i交互，则n(u，i)＝1，否则n(u，i)＝0；用户-服务组合交互矩阵mu×b，如果用户u与服务组合b交互，则m(u，b)＝1，否则m(u，b)＝0；以及服务组合-服务从属关系矩阵qb×i，如果服务组合b中包含服务i，则q(b，i)＝1，否则q(b，i)＝0。
5、由于用户可以直接通过点击，购买服务或服务组合，来获得用户与某个服务或服务组合的交互，因此用户-服务组合交互矩阵mu×b和用户-服务交互矩阵nu×i是相互独立的。给定一个用户u和一个预定义的服务组合，目标是估计用户u与服务组合b交互的概率。基于用户的历史交互和服务与服务组合之间的从属关系，通过根据用户的个性化分数向用户推荐与它的偏好最相关的服务组合来实现top-k推荐。
6、步骤二：由组成信息，对服务组合和服务进行特征表示。
7、服务组合特征表示：对于服务组合视图，基于历史用户一服务组合交互矩阵mu×b中的值(0代表节点间无边，1代表节点间有边)构造了一个无向二分用户服务组合(u-b)图。然后采用流行的基于gnn的推荐框架lightgcn作为编码器来学习用户和服务组合的特征表示。
8、服务特征表示：对于服务视图，根据用户-服务交互矩阵nu×i构建用户-服务u-i图，再通过编码器学习用户和服务的特征表示，方法与服务组合特征表示相同。
9、步骤三：针对特征表示进行数据增强。
10、基于regmixup的数据增强。虽然两个视图中的用户嵌入都是由gcn获得的，但是由于两个视图之间的数据类型不一致。分别是从用户与服务交互图学习的用户嵌入与从用户与服务组合交互图学习的用户嵌入。为了扩充用户在不同视图间的潜在的用户偏好，受regmixup技术的启发，设计了一种预测风险最小化的方法，给用户推荐更符合用户偏好的服务组合。该方法生成相关和多样的扩充用户表示。然而，传统的混合技术不能直接用于本任务，因为交互数据不能像图像一样在像素级直接混合。因此，建议在两个视图中线性插值公共用户的嵌入并且引入一个额外的交叉熵损失来准确的预测用户在服务层级和服务组合层级之间偏好的准确性。
11、公共用户的扩充确保扩充的用户表示保持两个视图中用户偏好的相关性，即相关的扩充的用户表示，同时为两个视图中的用户添加更多的交互数据。此外，在线性插值中引入随机性而不是使用固定的混合系数可以产生多样化的增强用户表示，这可以为后续的模块提供更丰富的信息。
12、步骤四：构建服务层级的残差网络，输入增强后的用户与服务的特征表示，获取得到用户与服务之间的交互关系。
13、resnet(residual network)是一种深度残差网络，用于解决深度神经网络中的梯度消失和网络退化问题。它的主要作用是允许训练更深的神经网络，提高网络的表达能力和性能。由于resnet的设计和训练技术可以被广泛应用于各种不同的领域，如计算机视觉、自然语言处理和语音识别等。这使得resnet在许多论文中成为研究不同问题的有力工具。
14、针对服务组合来说，用户对服务组合的选择会受到其中服务的影响。例如，与某个服务组合中的服务进行交互的用户可能更关心目标服务而不是服务组合。因此，更加关注服务表示建模。
15、通过引入残差块，更进一步得到用户与服务之间的交互关系，resnet通过残差块的堆叠，可以更好地捕捉到用户与服务之间的交互细节和上下文信息，可以深度学习到用户对服务在不同情况下的偏好，以便更好优化推荐性能，提高网络的表达能力。
16、步骤五：根据用户与服务、用户与服务组合之间的交互关系，利用交叉视图对比损失来优化双视图表示。
17、从服务视图和服务组合视图中分别获得了用户和服务组合的交互关系，结合用户与服务之间的交互关系，每个视图都可以捕获用户偏好的一个独特方面，在服务视图中，涉及更多的服务来呈现用户的偏好意图。在服务组合视图中，可以揭示用户在每个服务组合下服务之间的关联。两个视图必须协同工作以最大化整体建模能力。为了对交叉视图合作关联进行建模，采用了交叉视图对比损失，通过对比，不同视角的意向相互补充，能够更好地呈现用户偏好的更细粒度上的服务关联。
18、步骤六：优化并推荐给用户符合其需求的服务组合。
19、推荐问题可以被确定为一个预测任务。准确地说，预测的分数表示用户和服务组合交互图之间存在边的概率。假设用户已经与一个服务组合进行了交互，真实值被设置为1，否则被设置为0。为了优化推荐任务，采用贝叶斯个性化排本文档来自技高网...
【技术保护点】
1.一种基于双视图对比学习的服务组合推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述步骤一具体过程如下：
3.根据权利要求2所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述用户—服务组合交互矩阵Mu×b和用户—服务交互矩阵Nu×i是相互独立的。
4.根据权利要求3所述的基于双视图对比学习的服务组合推荐方法，其特征在于，步骤二所述特征表示具体为：
5.根据权利要求4所述的基于双视图对比学习的服务组合推荐方法，其特征在于，步骤三所述数据增强具体操作为：
6.根据权利要求5所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述步骤五具体为：
7.根据权利要求6所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述步骤六具体为：
【技术特征摘要】
1.一种基于双视图对比学习的服务组合推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述步骤一具体过程如下：
3.根据权利要求2所述的基于双视图对比学习的服务组合推荐方法，其特征在于，所述用户—服务组合交互矩阵mu×b和用户—服务交互矩阵nu×i是相互独立的。
4.根据权利要求3所述的基于双视图...
【专利技术属性】
技术研发人员：梁婷婷，李梓萌，殷昱煜，史斌彬，袁俊峰，万健，
申请(专利权)人：杭州电子科技大学，
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。