[发明专利]一种服务资源的语义表征模型构建方法

权利要求书

1.一种服务资源的语义表征模型构建方法，其特征在于，包括：

构建服务资源描述模型：

采用资源描述框架定义SRes={SR_Id,SR_Property,SR_Relation},对服务资源进行标准化描述；其中，SR_Id表示服务资源的唯一标识，SR_Property表示服务资源属性信息，SR_Relation表示服务同其他服务或资源的关系；

采用资源描述框架定义SR_Property={BaseInfo,FuncProp,QosProp}，对服务资源属性信息进行标准化描述；其中，BaseInfo表示资源基本信息；FuncProp表示资源的功能描述；QosProp表示服务质量及能力评估；

构建短语语义模型FuncProp={(Predicate,Object,RL=动宾))，将服务资源描述模型中的功能描述转换为结构化的关系集合；其中，Predicate表示谓语，Object表示宾语，RL表示实体之间的关系；

构建长句语义模型，基于长句语义模型得到长句的描述语言表征向量：

建立包含语序的词向量矩阵；

构建并训练细粒度交互注意力网络；

采用细粒度交互注意力网络将包含语序的词向量矩阵处理为描述语言表征向量；

其中，构建的细粒度交互注意力网络包括：

编码层，采用双向门控循环单元网络模块提取词向量矩阵中具有全局性的长期依赖关系，采用多尺度扩张卷积模块来获取词向量矩阵中局部语义特征；

交互层，构建多粒度注意力交互矩阵得到长期依赖关系和局部语义特征之间的相关性；以及利用多粒度注意力交互矩阵进行特征的聚合，得到全局表示向量和局部表示向量；

输出层，将全局表示向量和局部表示向量进行拼接，并送入到带有非线性激活函数的全连接网络输出最终的描述语言表征向量；

训练细粒度交互注意力网络，具体包括：

无监督训练，利用收集到的服务资源功能描述数据，通过细粒度交互注意力网络预测服务描述中的分词；

监督训练，添加分类层网络，利用已有的标签预测服务类别，得到的语义表征向量把语义相似的句子映射到向量空间相近的位置。

2.根据权利要求1所述的服务资源的语义表征模型构建方法，其特征在于，建立包含语序的词向量矩阵，具体包括：

将输入句子处理为文本序列，处理文本序列为词向量矩阵；

计算词向量矩阵中每个分词的位置编码；

将位置编码添加到词向量矩阵中得到包含语序的词向量矩阵。

3.根据权利要求1所述的服务资源的语义表征模型构建方法，其特征在于，采用双向门控循环单元网络模块提取词向量矩阵中具有全局性的长期依赖关系，包括：

对于双向门控循环单元模块中的每层网络，将其前向输出的隐藏状态和后向输出的隐藏状态拼接作为层的隐藏状态；

经过多层的堆叠网络得到最终的隐藏状态矩阵。

4.根据权利要求1所述的服务资源的语义表征模型构建方法，其特征在于，采用多尺度扩张卷积模块来获取词向量矩阵中局部语义特征，具体包括：

采用带有非线性激活函数的一维卷积检测不同词位置的局部语义特征，得到整个序列的卷积结果；

使用多尺度扩张卷积在每个位置生成可变的局部特征，得到多尺度扩张卷积模块的输出。

5.根据权利要求1所述的服务资源的语义表征模型的构建方法，其特征在于，在构建多粒度注意力交互矩阵之前，所述方法还包括：

将长期依赖关系和局部语义特征通过一个线性层映射到N个维度为的子空间中分别运算；

在每个子空间分别构建长期依赖关系和局部语义特征的注意力交互矩阵；

对每一个注意力交互矩阵的行和列分别应用平均池化得到长期依赖关系和局部语义特征交互的平均相关程度；

应用softmax函数突出长期依赖关系和局部语义特征中每个上下文特征向量的重要性，基于重要性与长期依赖关系的乘积得到子空间输出的全局向量表示，以及基于重要性与局部语义特征的乘积得到子空间输出的局部向量表示。

6.根据权利要求1所述的服务资源的语义表征模型构建方法，其特征在于，所述短语语义模型中的宾语模型可表示为：

Object={(Object1,Object1,RL),……,(Objectm,Objectn,RL)};其中，RL包括并列、定中、或状中。