一种基于知识图谱和LDA模型的推荐方法及系统技术方案

本发明专利技术公开了一种基于知识图谱和LDA模型的推荐方法及系统，涉及个性化推荐技术领域，包括从互联网上爬取Web服务数据；处理初始数据集，构建Web服务知识图谱生成器，生成特定的三元组数据；初始化每个实体的特征向量，通过反复训练得到各个实体的学习表征向量；通过LDA算法模型计算得到主题分布向量；通过特征融合器得到最终的Mashup特征向量和API特征向量；融合Mashup特征向量和API特征向量，采用内积运算得到交互概率矩阵，更新矩阵。本发明专利技术整合了Web服务中相对完整的可利用信息，构建了一个包含完整信息的知识图谱，解决了数据稀疏的问题。利用LDA主题模型算法挖掘Mashup和API描述信息中潜在的联系，解决了冷启动等问题，提高了推荐结果的准确性。

【技术实现步骤摘要】

本专利技术涉及个性化推荐，特别是一种基于知识图谱和lda模型的推荐方法及系统。

技术介绍

1、mashup是一种应用技术，它通过整合和重新组合现有的web服务来创建出新的功能更为丰富且个性化的web应用程序，解决了api功能单一等缺点。随着面向服务计算的日渐成熟，许多和web相关的企业，如google、amazon和microsoft等都将其业务功能发布为可远程访问的api(application programming interfaces)，这种面向服务的软件开发范例可以大大降低软件开发时所需的开发成本、时间和精力，同时可以提高可重用性、质量和客户满意度。在这种情况下，开发人员开始关注于如何重用或组合这些api来创建满足复杂业务需求的轻量级web应用程序。

2、随着web服务带动的经济不断繁荣，出现了很多api共享平台，web api数量的迅速增加对有效的服务管理和重用提出了挑战。因此，如何在海量的web api中及时的为开发人员推荐合适的组件服务，成为了开发mashup中的一个重要问题。

3、常用的web服务推荐主要分为三类：本文档来自技高网...

【技术保护点】

1.一种基于知识图谱和LDA模型的推荐方法，其特征在于：包括，

2.如权利要求1所述的基于知识图谱和LDA模型的推荐方法，其特征在于：所述训练包括将初始化的特征向量和三元组数据输入进TransH算法模块，TransH算法将一个三元组(h,r,t)中的h,t映射到定义好的超平面wr上，并采用评分函数判断三元组关系是否正确，且所述TransH算法满足下式：

3.如权利要求2所述的基于知识图谱和LDA模型的推荐方法，其特征在于：所述TransH算法模块还包括损失函数L，如下式所示：

4.如权利要求3所述的基于知识图谱和LDA模型的推荐方法，其特征在于：所述L...

【技术特征摘要】

1.一种基于知识图谱和lda模型的推荐方法，其特征在于：包括，

2.如权利要求1所述的基于知识图谱和lda模型的推荐方法，其特征在于：所述训练包括将初始化的特征向量和三元组数据输入进transh算法模块，transh算法将一个三元组(h,r,t)中的h,t映射到定义好的超平面wr上，并采用评分函数判断三元组关系是否正确，且所述transh算法满足下式：

3.如权利要求2所述的基于知识图谱和lda模型的推荐方法，其特征在于：所述transh算法模块还包括损失函数l，如下式所示：

4.如权利要求3所述的基于知识图谱和lda模型的推荐方法，其特征在于：所述lda算法模型包括计算标签属于mashup的概率，如下式所示：

5.如权利要求4所述的基于知识图谱和lda模型的推荐方法，其特征在于：所述融合包括知识图谱学习表征...

【专利技术属性】
技术研发人员：陈丽琼，许征宇，孙怀英，虞才珠，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：