[发明专利]一种基于排序学习的服务推荐方法

说明书

本发明公开了一种基于排序学习的服务推荐方法，将传统服务推荐方法针对QoS进行预测推荐转化为进行排序推荐，提出了一种基于排序学习与矩阵分解的服务推荐方法。主要包括通过时间窗口的QoS记录计算出用户偏好程度因子，QoS波动程度因子，QoS衰减程度因子，再结合原始TOP值进行优化，通过构建损失函数进行矩阵分解，最后生成未知用户‑服务的排名评分，为用户进行推荐。

技术领域

本发明涉及服务推荐技术领域，特别是一种基于排序学习的服务推荐方法。

背景技术

随着互联网技术的飞速发展，网络上的服务数量也随之急剧增长.然而，这种增长远远超过个人或系统所能接受、处理和有效利用的范畴。在这种环境下，为了解决服务数量增长所带来的“信息过载”问题，能够针对不同用户需求的服务推荐系统应运而生，服务推荐理论及其相关技术已成为学术界和工业界的一个热门研究课题。

传统的服务推荐方法着重于预测未知用户-服务的QoS值，进而根据QoS值大小排序从而进行推荐。由于预测过程存在误差，根据预测QoS值排序构建的推荐列表并不一定能够符合用户期望。

同时，服务推荐与传统的推荐系统存在一定差别，服务推荐过程中的主要推荐依据是客观的服务质量，而后者的推荐依据是建立在用户个人兴趣基础上的评分。因此单纯根据服务质量的高低进行排序并不合理，在推荐过程需要考虑其他因素。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，而提供一种基于排序学习的服务推荐方法，将传统服务推荐的QoS预测问题转化为排序问题，同时在构建排序列表的过程中结合QoS的特点对排序列表进行优化，提高推荐质量。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于排序学习的服务推荐方法，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。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，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。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，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。

作为本发明所述的一种基于排序学习的服务推荐方法进一步优化方案，所述用户偏好程度因子γ(i,j)计算公式如下：