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: 2025100631990
申请人: 中国计量大学
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:2026-11-05
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:

1.一种基于双塔模型的序列感知服务推荐方法,其特征在于,所述方法包括以下步骤:步骤1:创建服务数据集,获取服务交互数据,利用双塔模型构建服务网络图;

步骤2:针对服务网络图中的图结构,设计查询感知自注意力机制聚合服务嵌入向量,利用图卷积网络进行服务特征提取;过程如下:步骤(2.1)在图卷积网络中设计查询感知自注意力机制;

步骤(2.2)根据用户查询调整服务嵌入向量在信息聚合中的权重,通过图卷积操作更新嵌入表示;

步骤3:利用图粗化为核心的图池化进一步提取重要服务信息,过程如下:步骤(3.1)利用全局图内容属性提取技术2GCont和交叉注意力机制CAMe进行图粗化,图粗化过程如下:步骤(3.1.1)计算全局图内容矩阵,将结果赋值给,该过程用公式表示,符号代表参数化的权重矩阵;

步骤(3.1.2)计算交叉注意力机制,将结果赋值给,该过程用公式表示,符号代表可训练的共享注意参数,符号代表粗化前的维度为的服务节点嵌入,代表粗化后维度为的服务聚类嵌入,代表拼接操作;

步骤(3.1.3)对进行归一化,将结果赋值给,该过程用公式表示,符号为自然指数运算,符号代表第行的所有元素,符号代表第行的列数;

步骤(3.2)利用粗化前服务节点嵌入矩阵生成粗化后图的服务聚类嵌入,将结果赋值给,该过程由公式表示,符号代表最终图卷积的层数,符号代表服务聚类嵌入个数,符号代表步骤(3.1.2)中交叉注意力机制的转置;

步骤(3.3)利用粗化前服务节点得分生成粗化后图的服务聚类得分,将结果赋值给,该过程用公式表示,符号代表步骤(3.1.2)中交叉注意力机制的转置,符号是由应用得到的服务节点的重要性得分,为计算按照时间排序的用户查询服务嵌入表示在不同时间的注意分数;

步骤4:捕捉动态变化的焦点服务以及进行图级表示读出,根据焦点服务表示和图级表示读出得到最终的输出嵌入,进而获得目标服务与用户交互的概率,过程如下:步骤(4.1)焦点服务为服务网络图中连接密集的服务,代表用户的主要需求;

步骤(4.2)在多头自注意力机制下捕捉用户动态变化的焦点服务;

步骤(4.3)在传播层的前向计算后使用平均函数计算所有服务节点的平均节点嵌入,生成粗化前的服务网络图的图级表示,将结果赋值给;

步骤(4.4)预测用户与目标服务交互的概率并进行推荐。

2.如权利要求1所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤1的过程如下:步骤(1.1)双塔模型是一种深度学习框架,其基本思想是分别从两个塔中学习两个不同数据特征,然后度量两个输入数据之间的相似度;

步骤(1.2)创建服务数据集,从相关网站爬取用户信息和API服务,对收集到的结果进行分析整理,得到服务数据集;

步骤(1.3)将交互序列按时间顺序排序构成交互序列集;

步骤(1.4)构建服务网络图,通过双塔模型将交互序列集转换成服务网络图。

3.如权利要求2所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤(1.2)中,服务数据集包含以下信息:步骤(1.2.1)用户:调用API服务的开发者,用符号表示;

步骤(1.2.2)API服务:一种允许不同软件应用程序之间进行通信和数据交换的接口,是服务推荐中的推荐对象,用符号表示;

步骤(1.2.3)交互序列:用户在一个时间戳上调用的API服务构成一个交互序列,用符号表示。

4.如权利要求2所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤(1.3)的过程为:步骤(1.3.1)构建交互序列集,用符号表示;

步骤(1.3.2)所有交互序列按照时间顺序排列得到交互序列集,该过程用表示,符号代表交互序列的总数;

所述步骤(1.4)中,服务网络图的构建过程为:

步骤(1.4.1)定义服务网络图,用符号表示,的节点集用符号表示,的边集用表示,邻接矩阵用表示;

步骤(1.4.2)将步骤(1.2.2)中的转换为节点;

步骤(1.4.3)将API服务节点输入双塔模型计算服务之间的相似度,并构建服务网络图。

5.如权利要求4所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤(1.4.3)的过程为:步骤(1.4.3.1)利用one-hot编码将任意两个API服务节点转换为嵌入向量和,所述one-hot编码是一种将分类变量转换为数值格式的编码方式;

步骤(1.4.3.2)将交互序列中的API服务的描述文档以及标签信息进行编码;

步骤(1.4.3.3)融合API服务嵌入向量和语义向量,得到含有语义信息的服务向量,该过程用公式表示,符号代表融合函数,该融合函数采用加权和方法将两个特征组合成单一表示,符号和符号均为融合函数参数;

步骤(1.4.3.4)利用加权余弦相似度度量两个嵌入向量之间的相似性,并将结果赋值给,该过程用公式表示,符号代表使用余弦相似度量方法,符号代表一个可学习的权重向量,符号代表哈达玛乘积,加权余弦相似度是一种衡量两个向量之间相似度的方法,其在余弦相似度的基础上加入权重的概念,以便更好的反映不同特征的重要性;

步骤(1.4.3.5)将具有相似性的任意两个API服务节点和之间连接一条边,用符号表示,以此构建服务网络图。

6.如权利要求5所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述(1.4.3.2)的过程为:步骤(1.4.3.2.1)API服务的描述文档是用于记录服务的功能、特性和接口信息的文档;

步骤(1.4.3.2.2)服务标签是用于标识服务功能类型的短文本;

步骤(1.4.3.2.3)对任意两个API服务的描述文档和标签信息进行分词、去除停用词处理;

步骤(1.4.3.2.4)利用BERT模型将处理过的两个API服务的描述文档和标签信息编码得到语义向量和,BERT模型是一种自然语言处理模型。

7.如权利要求1~6之一所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤(2.1)的查询感知自注意力机制的过程为:步骤(2.1.1)用户第次查询的API服务嵌入向量用符号表示,上标表示当前的服务向量为用户的查询向量;

步骤(2.1.2)按照时间排序的用户查询服务嵌入表示用符号表示,代表时间长度;

步骤(2.1.3)计算在不同时间的注意分数,将结果赋值给,该过程用公式表示,符号和为可训练的时间参数,代表将进行转置,符号代表查询表示维度,为根号运算,是一个以为激活函数的双层前馈神经网络;

步骤(2.1.4)以一种非破坏方式计算API服务节点聚合中的注意权重,将结果赋值给,该过程用公式表示,符号、和代表可学习的权重矩阵,为比例因子,避免内积的结果过大,代表源节点,代表目标节点,是一种激活函数,非破坏方式是指仅作为和的影响系数而不会影响,通过控制自注意组件的信息源实现更有效的建模;

所述步骤(2.2)的过程为:

步骤(2.2.1)将API服务节点嵌入矩阵输入第+1层,符号代表节点嵌入的数量,是一种数学符号,表示属于的关系,代表包含维实数向量的集合,为节点的嵌入尺寸;

步骤(2.2.2)计算第层的服务嵌入表示,将结果赋值给,该过程用公式表示,符号代表节点的邻居节点集,∑是一个求和符号,代表的一个邻居节点。

8.如权利要求2~6之一所述的基于双塔模型的序列感知服务推荐方法,其特征在于,所述步骤(4.2)的过程为:步骤(4.2.1)多头自注意力机制是自注意力机制的一种变体,其能够从不同位置的不同子空间提取信息;

步骤(4.2.2)将由步骤(3.2)得到的聚类嵌入矩阵用符号表示,即,符号代表第个服务聚类嵌入;

步骤(4.2.3)捕捉动态变化的焦点服务,将结果赋值给,该过程用公式表示,符号代表多头的总头数,符号代表拼接操作,符号代表从第个头中学习到的嵌入表示,该嵌入表示学习过程用公式表示,符号、、和均为可学习参数,注意力机制通过缩放点积和函数实现;

所述步骤(4.4)的过程如下:

步骤(4.4.1)将与进行拼接,并通过全连接层学习嵌入组合得到最终的输出嵌入,将结果赋值给,该过程用公式表示,符号代表读出函数;

步骤(4.4.2)将与目标服务嵌入进行点积运算得到用户与所述API服务交互的概率,将结果赋值给,该过程用公式表示;

步骤(4.4.3)构造交叉熵损失函数训练模型,损失函数结果赋值给,该过程用公式表示,符号代表服务数据集,符号代表真实标签,当代表用户与该服务交互过,代表用户未与该服务进行过交互,符号log代表对数运算。