欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023100977449
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于边缘缓存的个性化推荐方法,其特征在于,包括:步骤1,根据用户历史服务调用记录,构建用户嵌入向量和服务嵌入向量;

步骤2,基于用户嵌入向量,利用服务缓存概率预测模型进行预测得到服务缓存概率预测值:

201、使用堆叠降噪编码器压缩用户嵌入向量;

202、基于压缩后的用户嵌入向量,通过DBSCAN聚类算法实现群组划分,得到群组划分结果;

203、根据所述群组划分结果,将同一群组中的用户在相同时段的服务调用记录进行融合,在不同时段的服务调用记录进行拼接,构建该群组的嵌入向量,使用多层感知机网络对群组的嵌入向量进行压缩,并利用门循环单元对群体偏好特征的动态变化进行建模,获得群组的偏好特征向量;通过全连接层和sigmoid函数输出服务缓存的概率;

步骤3,根据所述服务缓存概率预测值,利用Top‑k策略实现边缘缓存;

步骤4,基于服务嵌入向量和获取的用户社交关系特征,利用服务推荐概率预测模型进行预测得到服务推荐概率预测值:

401、使用超图建模用户间的社交关系,为每个用户构造一条超边,每条超边包含该用户的所有邻居用户结点,并使用图卷积网络挖掘超图中的高阶连通信息,从而获得用户社交关系特征;

402、使用多层感知机网络对所述服务嵌入向量进行压缩,将压缩后的服务嵌入向量和所述用户社交关系特征进行拼接后,输入全连接层,通过sigmoid函数输出服务被推荐的概率;

步骤5、利用Top‑k策略将服务推荐概率预测值进行降序排序,选择前k个服务推荐给用户;

步骤6、若被推荐的服务被缓存在边缘服务器中,则由边缘服务器向用户提供服务,否则,从云服务器中向用户提供服务。

2.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,步骤1中,根据用户历史服务调用记录,构建用户嵌入向量 其中 代表用户i与服务j交互的次数;

根据用户历史服务调用记录,构建服务嵌入向量 其中 代表服务j与用户i交互过的次数。

3.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,201、使用堆叠降噪编码器压缩用户嵌入向量包括:利用堆叠降噪编码器将稀疏的用户嵌入向量ui从高维空间压缩到低维隐藏空间,对于堆叠降噪编码器的每一层,输入hl‑1和输出hl表示为:hl=f(Wlhl‑1+bl),where h0=ui其中l∈{1,2,..,L},Wl和bl是第l层要学习的参数,堆叠降噪编码器的前L/2层为编码器,后L/2层为解码器,目标函数定义为:2

argmin||ui‑hL||

通过反向传播训练堆叠降噪编码器模型,用堆叠降噪编码器第L/2层的输出特征xu作为聚类样本;

和/或,202、基于压缩后的用户嵌入向量,通过DBSCAN聚类算法实现群组划分包括:基于压缩后的用户嵌入向量,计算每个样本点间的欧式距离dij,当dij不大于领域的距离阈值r时,认为点j包含在点i的领域内;

当且仅当点i的领域内包含样本点的数量大于等于领域内样本阈值M时,创建一个以点i为核心点的新类;

反复寻找与核心点直接密度可达或密度可达的点,将其添加到相应的类,并将核心点间密度可达的类合并成同一类,直至没有新的点能加入已有类,完成用户的群组划分;

和/或,步骤203包括:

根据群组划分结果,用户分为m个群组,将同一群组的用户在相同时段的行为进行融合,在不同时段的服务调用记录进行拼接,获得群组i的嵌入向量表示第i个群组中的用户在a时刻与服务j的交互次数;

将群组i的嵌入向量输入多层感知机网络,从高维空间压缩到低维隐藏空间,每一层的输入 和输出 为:(l) (l)

其中l∈{1,2,..,L},W 、b 是第l层要学习的参数, 在经过L层后,得到低维嵌入表示 作为后续的输入;

将多层感知机网络的输出输入门控循环单元,门控循环单元的处理过程表示为:其中t∈{1,2,..,T},zt是更新门,用来控制当前状态要从历史中保留多少信息,rt是重置门,用来控制当前候选状态 是否依赖于上一时刻状态ht‑1,σ是sigmoid激活函数,Wz,Wr和Wh是参数矩阵;bz,br和bh为偏差; 是t时刻的输入,ht是第t个隐藏节点的状态;通过门控循环神经网络,对群组偏好特征的动态变化进行建模,获得群组的偏好特征向量基于所述群组的偏好特征向量 使用全连接层和sigmoid函数输出服务缓存的概率:其中ye服务缓存概率预测值,We是参数矩阵,be为偏差。

4.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,选择二元交叉熵损失函数作为服务缓存概率预测模型训练的损失函数Le:其中N表示服务数量,ye,i表示真实值, 表示预测值,通过反向传播训练模型参数。

5.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,步骤3,根据服务缓存概率预测值利用Top‑k策略实现边缘缓存,包括:为每个群组进行TOP‑k匹配,并根据群组规模进行结果融合,将满足多数人偏好的服务部署在边缘服务器中,实现基于群体偏好感知和服务表示学习的边缘缓存。

6.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,401、使用超图建模用户间的社交关系,为每个用户构造一条超边,每条超边包含该用户的所有邻居用户结点,并使用图卷积网络挖掘超图中的高阶连通信息,从而获得用户社交关系特征,包括:超图形式化为G=(V,E),节点集V表示用户特征,超边集E表示用户社交关系,对于目标|V|×|E|用户,其所有邻居用户节点集构成关于该用户的超边;用邻接矩阵H∈R 表示该超图,其中邻接矩阵中每个元素h(v,e):表示v是否属于超边e;

使用图卷积网络挖掘超图中的高阶连通信息:

(l‑1)

其中l∈{1,2,..,L}, Θ 表示第l‑1层待学习的参数,D是度矩阵,对角线上的值为HG的度;与HG的乘运算表示从顶点特征到超边特征的聚合,与 的乘运算表示从超边特征到顶点特征的聚合,经过L层后,得到用户社交关系特征

7.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,步骤402、使用多层感知机网络对所述服务嵌入向量进行压缩,将压缩后的服务嵌入向量和所述用户社交关系特征进行拼接后,输入全连接层,通过sigmoid函数输出服务被推荐的概率,包括:其中,ys是服务缓存概率预测值, 是用户社交关系特征,xs是服务嵌入向量,Ws是参数矩阵,bs是偏差。

8.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法,其特征在于,选择交叉熵损失函数作为服务推荐概率预测模型训练的损失函数:其中ys表示真实值, 表示预测值,通过反向传播训练模型参数。

9.一种基于边缘缓存的个性化推荐装置,其特征在于,包括处理器及存储介质;

所述存储介质用于存储指令;

所述处理器用于根据所述指令进行操作以执行根据权利要求1至8任一项所述方法的步骤。

10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。