[发明专利]一种用于设备运维方案推荐的知识图谱优化的协同过滤算法

说明书

本发明公开了一种基于知识图谱优化的协同过滤算法，通过引入融合因子函数进行相似度融合的推荐算法。本发明主要提供一种基于知识图谱的运维推荐系统，能够大幅度提升推荐系统的效果以及解决传统推荐系统数据稀疏的问题。该系统主要包括：基于加权欧氏距离的知识图谱的相似度计算模块；基于用户的协同过滤算法相似度计算模块；通过融合因子函数进行两种相似度融合的模块；利用融合后的相似度进行推荐方案的推荐模块。本发明通过引入融合因子函数实现两种相似度融合的方式来提高推荐算法的准确率，可以根据推荐算法的评价方案来更新融合因子函数中的参数，增加了推荐算法的有效性。

技术领域

本发明涉及设备运维信息推荐技术领域，具体涉及推荐系统中关心的数据稀疏性问题，通过引入知识图谱作为辅助信息来更好的描述运维系统中异常问题的相似性，然后根据用户对运维方案的评分来推荐合适的运维方案，使得推荐的结果更精确。

背景技术

推荐系统已经广泛应用在实际生活中的很多场景，特别是个性化推荐系统已经有越来越多的研究工作和落地实践，但是仍然面临着一些问题，例如数据稀疏、冷启动等问题。推荐算法大致分为基于内容的推荐、基于协同过滤的推荐、混合推荐。其中协同过滤算法是应用最为广泛的且最有效的推荐算法。其基本思想是利用用户和物品历史的反馈数据，挖掘用户和物品本身的相关联性，并基于此进行推荐排序。具体地，协同过滤推荐又被分为3类：基于用户的协同过滤推荐，基于物品的协同过滤推荐，基于模型的推荐。基于用户的协同过滤方法是基于假设“用户可能喜欢与他相似用户喜欢的物品”，通过用户历史反馈记录计算用户间的相似度，利用其相似的用户对物品的反馈来预测对应用户的反馈情况并进行推荐。这类方法的主要优点在于避开了对物品自身属性的特征挖掘，但是在实际应用中我们会发现当我们在使用用户历史行为数据来构建用户-项目评分矩阵的时候随着系统上的用户和项目的数量逐渐增多使得评分矩阵变大，然而其中的每一位用户评分过少因此会产生数据稀疏的问题。为了解决这类问题，我们提出了基于用户对项目评分来预测用户对项目属性偏好的方法。其次，我们还考虑到用户偏好相似度仅仅通过用户评分来刻画并不全面，所以我们结合知识图谱，从用户的历史交互项目出发，沿着知识图谱上有向的传播用户的偏好能很好的刻画用户隐藏偏好相似性。

发明内容

本发明主要解决的技术问题是提供一种基于知识图谱的运维推荐系统，能够大幅度提升推荐系统的效果以及解决传统推荐系统数据稀疏的问题。该方法的流程如下：

步骤S1：基于知识图谱的相似度计算模块，其中知识图谱的相似度计算方法采取利用加权的欧式距离计算知识图谱实体之间的语义相似度；

步骤S2：基于用户的协同过滤相似度计算模块，该模块利用系统中用户的评分矩阵表示用户对运维方案的偏好，计算不同用户之间在运维方案属性偏好上的相似性；

步骤S3：预测评分模块，用于通过融合因子函数计算得到最终的相似性，通过融合后的相似性得到指定运维方案的最近邻居后，通过评分预测公式来计算系统中的用户对未评分方案的评分，然后向用户推荐评分最高的前N种运维方案。

本发明中提出新的融合因子函数公式如公式(1)所示，推导过程如下：

实际使用场景中的用户对某个异常的问题的考虑角度不一致等原因，需要考虑评分数量对相似度计算的影响。因此设定用户对异常问题-运维方案评分数量的共同阀值γ，根据其大小调整两个相似度在数据稀疏性情况下的权重比例，这样做可以保证算法的精度。由此可得计算两种相似度的融合的公式具体计算方法如下：

式(3)中的sim(I_i,I_j)代表混合后的相似度，count代表员工对运维方案的评分数量，a为融合因子，其中α的取值范围为0到1。如果α的值为0，则此算法只选择使用协同过滤的相似度，α的值是1代表的情况是仅利用知识图谱的计算的相似度。

知识图谱中实体的相同属性对融合因子函数的影响计算知识图谱的相似度占比大小的权重的公式为：