[发明专利]一种基于服务多粒度属性的潜在用户推荐方法

说明书

本发明提供一种基于服务多粒度属性的潜在用户推荐方法，包括以下步骤：步骤S1：根据对服务包含类型标签进行聚类产生的服务共性类型类簇实施用户对服务粗粒度属性评分预测；步骤S2：根据jaccard系数基于服务包含类型计算服务间相似性，根据邻居服务进行用户对服务细粒度属性评分预测；步骤S3：对服务粗、细粒度属性的预测评分进行加权求和，实施用户对服务多粒度属性预测并对预测评分进行排序，选择top‑k个评分较高的潜在用户进行推荐。本发明的优点在于：从面向服务的角度进行潜在用户的推荐研究；从服务所属共性类型的类簇和服务所属类型方面同时考虑服务粗粒度属性和细粒度属性，有效解决冷启动问题，提高推荐准确度。

技术领域

本发明属于服务计算技术领域，具体涉及一种基于服务多粒度属性的潜在用户推荐方法。

背景技术

随着Web2.0时代的深入发展，人们已身处一个更加注重交互的互联网环境。人们不再单纯的站在信息获得者的角度，而是有了更强的参与性，以自身习性影响和改变着互联网信息。此外，信息聚合导致互联网信息不断的积累，使得用户选择个性化需求的信息变得越来越困难。

推荐系统是建立在数据挖掘之上的一门技术，根据对海量数据的分析，能够给用户推荐具有个性化的决策和相关信息。例如，当当网可以根据读者的阅读习惯为读者提供各种类型的书籍；网易云音乐可以根据用户的听歌记录推荐不同风格的乐曲；快手和抖音短视频可以根据用户点赞和双击的情况分析出用户的偏好，从而推荐给用户感兴趣的视频；美团网可以根据用户用餐地点、时间、人数、口味等为用户推荐喜欢的餐厅及套餐等等。可以看出，推荐系统正根深蒂固的存在于我们生活的各个角落。但是，随着人们日益增长的个性化服务需求和冗余的、干扰的信息过载之间的矛盾越来越明显，特别是推荐系统中常见的数据稀疏、冷启动等问题，如何为用户进行有效推荐仍然是一个挑战性问题。

协同过滤推荐及基于内容的推荐已成为推荐系统中应用比较广泛的推荐技术。协同过滤推荐方法简单来说就是找到与目标用户兴趣接近的群体，根据群体内用户对服务的选择情况来预测目标用户的选择；基于内容的推荐方法就是分析用户使用过的服务内容，根据服务内容提取出每个服务的特征，然后将使用过的所有服务特征综合起来表示用户特征，最后根据用户特征计算其与候选服务间的相似性，选择特征相似性较高的服务进行推荐。目前有关学者对上述两种推荐方法已展开了大量研究。但是，已有的推荐方法仍存在如下问题：1)、使用协同过滤方法的前提是一个服务至少被多个用户使用，这样才能保证该服务可能被推荐，但一个新发布服务往往没有被其他用户使用和评分，即新服务面临的冷启动问题；2)、基于内容的推荐方法易受到内容分析技术的影响，很难有效识别出服务特征，导致推荐结果不准确；3)、已有的推荐技术大多面向用户进行服务推荐，而没有从服务角度进行潜在用户推荐。

面对用户个性化的网络服务需求及网络信息过载，针对已有的推荐方法中存在的不足，如何有效刻画服务特征，主动为服务推荐潜在用户，并在解决冷启动问题的同时提高推荐准确度，成为推荐领域中一个亟待解决的关键技术问题。

因此，需要提供一种针对上述现有技术不足的改进技术方案。

发明内容

本发明主要是解决现有技术所存在的问题，提供了一种面向服务的、为服务推荐潜在用户的一种基于服务多粒度属性的潜在用户推荐方法。

为了实现上述目的，本发明提供如下技术方案：

本发明一种基于服务多粒度属性的潜在用户推荐方法，其特征在于：所述的基于服务多粒度属性的潜在用户推荐方法包括：

对服务原始数据集中的每个服务包含的类型标签信息进行聚类，依据聚类结果找到目标服务所属类簇；

对所述服务原始数据集中的每个服务包含的类型标签信息进行相似性计算，选择所述目标服务的邻居服务；

分别对所述目标服务所属类簇和所述领居服务进行分析计算，通过计算得到用户对服务属性的评分预测；