[发明专利]一种基于多任务学习的云服务发现方法

说明书

本发明涉及一种基于多任务学习的云服务发现方法，该方法构建了一个构建PDAML模型，PDAML模型由ad‑hoc模块和个性化模块构成，通过所述ad‑hoc模块负责理解服务请求者查询意图并对候选服务计算排名得分，通过所述个性化模块得到一个表示服务请求者的兴趣特征的得分，对PDAML模型进行训练更新参数，对于一个服务请求者的当前查询，将ad‑hoc模块计算的当前查询对应的候选服务描述文档的得分和当前查询对应的候选服务描述文档的个性化排名得分送入一个MLP层中得到最终的排名得分，按照最终排名得分的由高到低的顺序进行候选服务描述文档推荐。通过在公开可用的AOL数据集上进行实验表明，本发明方法较以往的方法有显著的性能提升，获得了最新的结果。

技术领域

本发明涉及云服务发现领域，特别涉及一种基于个性化动态注意力和多任务学习模型的云服务发现方法。

背景技术

云服务查询是信息检索研究中的一个核心问题，其目的是学习一个评分函数来确定服务描述文档与服务请求方查询的相关程度，传统的解决方案如：基于概率检索的算法BM25和建立各种排序模型lamdamark等。近年来，基于深度神经网络的模型在检索领域得到了应用，并取得了一些重要进展。许多深层模型都遵循这样的模式：首先将整个句子表示成一个单一的分布式表示，然后计算两个向量之间的相似度来输出匹配分数。例如：DSSM，CDSMM，ARC-I等，这些方法旨在返回给服务请求者查询最相关的服务，却忽略了服务请求者信息。在真实的检索场景中，不同的服务请求者发布相同的查询可能表达的是不同的检索意图,例如：针对服务请求者的查询“google”,一些服务请求者希望得到有关“google”地图的信息(google map API)，一些服务请求者却希望检索“google”浏览器(google searchAPI),所以为所有服务请求者的相同查询返回同一服务描述文档列表并不是一个最好的服务发现策略。

针对这种问题目前提出的一个解决方案是为服务请求者的偏好进行建模，并以此为基础确定被检索的服务描述文档与服务请求者发出的查询的个性化关联程度。具体来说，服务请求者查询日志被划分为几个搜索session，它记录了同一服务请求者在一段时间间隔内(如30分钟)发出的查询和其点击的服务描述文档。搜索session提供了关于服务请求者查询意图的丰富上下文信息，根据这些服务请求者行为信息，学习服务请求者偏好，为不同的服务请求者制定符合最佳策略的服务描述文档列表。以往的工作采用统计学方法在服务搜索引擎日志中提取服务请求者偏好特征(如点击数，主题，点击熵等)，并融入到相关性计算当中，但是这些特征通常是人工设计的，不但存在稀疏性特征，而且效率低下，检索性能也很不稳定。还有一些是采用深度学习的方法自动学习服务请求者的行为特征，利用上下文信息对服务请求者偏好进行建模，并从编码序列中学习服务请求者偏好，但是这些方法忽略了服务请求者兴趣变化的序列关系，这些方法将服务请求者上下文进行统一编码，并没有单独考虑长期偏好还是短期偏好对其兴趣产生的影响，这将导致不能充分理解服务请求者意图。另外，现有的神经检索方法在建模时大多没有考虑查询与服务描述文档的交互，编码后的查询和服务描述文档并不具有语义关联。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：充分利用服务请求者偏好的行为特征和服务请求者兴趣变化的信息，对查询和服务描述文档进行交互建模，增强对服务请求者查询意图的理解，提高查询结果的准确性。

为解决上述技术问题，本发明采用如下技术方案：一种基于多任务学习的云服务发现方法，包括如下步骤：