[发明专利]一种基于云计算的智能服务推荐方法

说明书

本发明提供一种基于云计算的智能服务推荐方法，其解决了现有服务推荐算法计算量大、效率低、准确率低和不稳定的技术问题，其先对若干种精确服务特征进行训练，得到模型参数，存入模型数据库中；运用逻辑回归算法进行精确服务选择决策，在接到需求者服务特征数据后，将数据送到每个计算节点，在计算完毕后，送入reduce节点进行综合分析，最终确定所需服务，本发明可广泛用于智能服务推荐。

技术领域

本发明涉及一种推荐系统，尤其是涉及一种基于云计算的智能服务推荐方法。

背景技术

信息技术的发展给人们的生活带来了巨大的便利。随着网络中信息的大量增加，信息出现了过载现象。为了使用户准确地获取所需的信息，推荐系统应运而生。因为能带来巨大的商业价值和利益，无论是在学术界还是工业界，推荐系统都受到了极大的关注。在学术界，出现了许多推荐方法，在工业界，推荐系统被广泛应用在各种场合。服务推荐是推荐系统的应用实例之一。它是能够解决相似物品选择决策问题并初步具有专家级水平的智能程序。机器学习领域为这类系统提供了很多可以用来进行实际预测的分类方法。如何进行快速有效且精确的服务推荐是解决此类问题所需要面对难题。

现有推荐方法大都存在如算法效率低、准确率低、计算量大和不稳定等缺点，所以研究一种新的智能服务推荐算法势在必行。

发明内容

本发明就是针对现有服务推荐算法计算量大、效率低、准确率低和不稳定的技术问题，提供一种计算量小、效率高、准确率高和稳定性好的基于云计算的智能服务推荐算法。

本发明包含以下两个步骤：

(1)模型训练

先对若干种精确服务特征进行训练，采用分布式训练的方法，将不同精确服务选择决策数据的训练任务分散到不同的计算节点上，得到不同类型的服务选择模型参数，将不同类型的服务选择模型参数存入模型数据库中；模型数据库应根据历史精确服务选择决策数据建立，针对不同的服务提取并整理不同的服务特征数据并定期更新；模型数据库包括服务特征训练库和服务选择决策模型库；

(2)服务选择决策

运用逻辑回归算法进行精确服务选择决策，在接到需求者服务特征数据后，首先，依据检测标准数据模型，过滤出检测的服务特征数据中的不正常指标信息，确定需要的服务范围，将服务特征数据送到每个计算节点，在计算完毕后，送入reduce节点进行综合分析，最终确定所需服务。

优选的，步骤(2)中每个计算节点的计算过程都是一样的，下面列出每个计算节点训练及精确服务选择决策的模型：

(1)拟合函数

本方法采用拟合函数的目的是为了将计算得到的概率集中在[0,1]区间，让计算结果尽量趋近于0或者1；

由拟合函数可得:

其中，x为输入的服务特征数据，y为服务选择决策结果，f_t为服务选择决策阀值；h_θ(x)为拟合函数,θ为拟合参数，即为服务选择决策模型参数，T为转置；

(2)损失函数

当y＝1时：

当y＝0时：

将损失函数合并:

cost(h_θ(x),y)＝-y log(h_θ(x))-(1-y)log(1-h_θ(x))