[发明专利]一种基于排序学习的服务推荐方法

权利要求书

1.一种基于排序学习的服务推荐方法，其特征在于，包括以下步骤：

步骤一、计算TOP值：首先根据用户调用服务过程产生QoS，通过计算TOP值构建排序列表；其中，TOP是服务对应的服务质量在用户排序列表中排在第一位置的概率，QoS是服务质量；

步骤二、优化TOP值：通过设置时间窗口收集一段时间内的QoS数据，并通过计算时间窗口内的QoS提取信息对步骤一计算得到TOP值进行优化；

步骤三、训练特征矩阵：利用ListRank-MF构建优化损失函数，通过矩阵分解技术对ListRank-MF模型分解训练得到用户特征矩阵与服务特征矩阵；

步骤四、列表预测：通过训练得到用户特征矩阵与服务特征矩阵计算得到推荐列表，从而根据推荐列表对用户进行推荐；

TOP值的计算方式如下：

其中，q_i,j表示第i个用户调用第j个服务所产生的QoS记录，l_i为第i个用户所调用的服务列表，K为l_i的长度，q_i,k为第i个用户调用服务列表l_i中的第k个服务所产生的QoS记录，为第i个用户调用第j个服务的QoS记录的原始的TOP值；

步骤二中优化过后的TOP值为：

其中，γ(i,j)为用户偏好程度因子，ε(i,j)为QoS波动程度因子，τ(i,j)为QoS衰减程度因子。

2.根据权利要求1所述的一种基于排序学习的服务推荐方法，其特征在于，所述用户偏好程度因子γ(i,j)计算公式如下：

其中，t为在收集最近一段时间内的QoS记录列表Lq_i,j中的记录次数，为调节参数，e为自然常数，如果t等于列表Lq_i,j长度，则γ(i,j)＝1；

QoS波动程度因子ε(i,j)的计算公式如下：

其中，T为QoS记录列表Lq_i,j的记录个数，q_i,j,t为第i个用户在第t个时间节点调用第j个服务所产生的QoS记录，α与δ为调节参数，为Lq_i,j中QoS记录的平均值；

QoS衰减程度因子τ(i,j)的计算方式如下：

其中，θ与q_μ为调节参数。

3.根据权利要求2所述的一种基于排序学习的服务推荐方法，其特征在于，所述步骤三具体如下：

根据步骤2优化后的TOP值，据此构造出优化损失函数：

其中，g(·)为logistic函数，g(x)＝1/(1+exp(x))，x为任意数值变量，N与M分别为用户数量与服务数量，λ为正则化项，U表示用户特征矩阵，S表示服务特征矩阵，U_i为用户特征矩阵U中的第i行，S_j为服务特征矩阵中的第j行；

然后通过梯度下降对特征矩阵U与S进行更新，具体如下：

首先分别计算优化损失函数对于用户特征矩阵U与服务特征矩阵S的偏导数：

其中，I(q_i,j)为指示函数，当q_i,j存在时，I(q_i,j)为1，否则为0，g′(x)为g(x)的导数，g′(x)＝g(x)·(1-g(x))；

然后，通过下列公式分别对用户特征矩阵与服务特征矩阵进行更新直至收敛；

其中，ρ为固定学习步长。

4.根据权利要求3所述的一种基于排序学习的服务推荐方法，其特征在于，所述步骤四具体如下：

最后通过用户特征矩阵U与服务特征矩阵S的内积计算未知项的排名得分，从而生成推荐列表对用户进行推荐；对于未知的第i个用户的第j个服务的排名得分R_ij通过如下公式计算：