基于社交网络的服务推荐方法
【专利摘要】本发明属于Web服务推荐领域，公开了一种基于社交网络的服务推荐方法。本发明模拟现实情况下，结合了协同过滤推荐技术的优点，综合考虑用户的历史服务调用记录，使得为用户推荐的服务更能满足用户的需求；对服务按照功能属性进行了细粒度的划分，相对于用户的需求更加具有针对性。
【专利说明】基于社交网络的服务推荐方法
【技术领域】
[0001] 本发明属于Web服务推荐领域，尤其涉及一种基于社交网络的服务推荐方法。
【背景技术】
[0002] Web服务是一种可以用来解决跨网络应用集成问题的开发模式，这种模式为实现 "软件作为服务（Software as a service)"提供了技术保障。而"软件作为服务"实质上是 一种提供软件服务的机制，这种机制可以在网络上暴露可编程接口，并通过这些接口来共 享站点开放出来的功能。近年来，Web服务在企业应用集成、电子贸易和商业流程管理领域 得到广泛应用，导致因特网上可用的Web服务越来越多，这为用户从大量的候选服务中找 到能满足用户功能性和非功能性需求的服务带来了很大的挑战。尽管服务发现技术能帮助 用户检索目标服务，然而服务发现是一个被动的过程，意味着需要用户提前了解清楚他们 对服务的需求。而在很多情况下，一方面用户无法描述清楚他们对服务的需求；另一方面也 不确定因特网上是否存在能满足他们需求的服务。从而使得服务推荐在帮助用户走出服务 过载困境以及自动为用户发现合适的服务方面扮演着越来越大的作用。
[0003] 当前传统推荐系统的推荐算法可以分成两大类：影响力排名和协同过滤。影响 力排名推荐技术旨在社交网络中寻找最有影响力的人，基于影响力排名技术的推荐系统 向活跃用户推荐最受欢迎的服务，该类技术主要包含如下这些算法deputation，Hits和 PageRank。采用影响力排名推荐技术的推荐系统具有直观易懂，计算量小，简单和全面的优 点；该类算法的缺陷也显而易见，它是一类非个性化的推荐技术，而个性化推荐在现今的推 荐系统中已经成为一个必须具备的要素；协同过滤推荐算法目前主要划分成两类：基于用 户的协同过滤推荐算法和基于项目的协同过滤推荐算法。基于用户的协同过滤推荐算法 基于这样一个假设，即如果用户对一些项目的评分比较相似，则他们对其他项目的评分也 比较相似，从而得出活跃用户的相似用户组对某个项目的评分逼近活跃用户对该项目的评 分。基于项目的协同过滤推荐算法认为，用户对不同项目的评分存在相似性，当需要估计 用户对某个项目的评分时，可以以用户对该项目的若干相似项目的评分进行估计。采用协 同过滤推荐技术的推荐系统具有个性化推荐，综合考虑用户历史调用记录和推荐准确的优 点，但也存在不足的地方，在协同过滤推荐算法中，并没有把服务对于用户的可信性考虑在 内，无法模拟现实情况下，活跃用户更愿意调用自己信任的用户为其推荐的服务的情况。当 前越来越多的基于社交网络的服务推荐系统涌现，如社会化购物、社会化问答，内容分享社 区和垂直社区等。社会化推荐之所以受到很多网站的重视，是因为有如下优点：1)好友推 荐可以增加推荐的信任度。好友往往是用户最信任的，用户往往不一定信任计算机的智能， 但会信任好朋友的推荐。2)社交网络可以解决零启动的问题。从而我们可以在没有用户行 为记录时，通过推荐其好友喜欢的服务，就给用户提供较高质量的推荐结果，部分解决了推 荐系统的零启动问题。
【发明内容】
[0004] 本发明目的在于如何在大量的候选服务中为用户推荐其潜在需要的服务，提出了 一种基于用户信任关系对服务进行评价的方法。本发明提出了一种基于社交网络的服务推 荐方法，该方法的创新性表现在：1)把用户的历史服务调用记录考虑在内，使得为用户推荐 的服务更能满足用户的需求；2)在现实情况下，用户更信任好友为其推荐的服务，在提出的 方法中，同时考虑了用户之间的信任关系；3)对服务按照功能属性进行了细粒度的划分，相 对于用户的需求更加具有针对性。综合考虑以上因素为活跃用户推荐其潜在需要的服务。
[0005] 相关概念与定义：
[0006] (1)用户-服务调用记录：推荐系统是由m位用户和η个Web服务组成，用 iMup u2, . . . , uj和SHsp s2, . . .，sn}表示，用户的服务历史调用记录表示为1? = {(sn, category」, raten), · · · , (sin, category」, ratein)}，其中 1? 代表用户 ui {屮 e U 历史服务调 用记录，sn表示用户1^调用服务Sp categoryi(j=l，· · ·，k)表示某个服务类别，我们 对服务按照功能属性进行细粒度的划分，设置了 k个服务类别，mten表示用户Ui对服务Si 的评分，三元组（sn, categoryj，raten)表示一次服务调用记录即表示用户w调用了服务Si 并且对Si的评分为mten;
[0007] (2)用户-用户信任关系：用户之间的信任关系可以被细分成两种类型：显式的信 任关系和隐式的信任关系，显式的信任关系形式为"intrusts u2"，隐式的信任关系表现在 用户之间的关联活动上，用户a发表了对某一服务的评论，用户b对a发表的评论进行了反 馈，以表明该评论是否对自己有帮助，我们从中可以挖掘出用户a与用户b之间的隐式的信 任关系；
[0008] (3)用户特征向量：k个服务类别构成了用户特征向量的原型，表示为CVi = < category^ ···，categoryk >，其中CVj表示用户w的特征向量，category』对应某个服 务类别；
[0009] (4)用户个人偏好：根据用户的历史调用记录和用户与用户之间的信任关系，利用 公式（1)构建用户的个人偏好，其中μ (〇 < μ < 1)是一个平衡因子，I,表示用户4信 任的用户集合；
[0010]
【权利要求】
1. 一种基于社交网络的服务推荐方法，其特征在于，方法如下： 步骤①：判断是否完成推荐系统中每位用户个人偏好的构建，若已完成构建则转到步 骤③，若未完成构建则转到步骤②； 步骤②：选择下一个未完成用户个人偏好构建的用户，首先初始化该用户特征向量CVi =< categoryl, . . .，categoryk >中每个维度值为0 ;然后根据用户的历史服务调用记录， 提取出已调用服务所属的服务类别并在特征向量的相应维度上加1 ;最后根据用户与用户 之间的信任关系，找出当前用户信任的用户，并利用公式（1)更新该用户的特征向量，至此 该用户的个人偏好已经构建完成；重新转到步骤①； 步骤③：判断推荐系统是否已完成活跃用户与其他用户之间相似度的计算，若已完成 则转到步骤⑤，若未完成则转到步骤④； 步骤④：选择下一个未与活跃用户完成相似度计算的用户，首先得到该用户和活跃用 户的个人偏好；然后利用公式（2)计算该用户与活跃用户之间的相似度值。重新转到步骤 ③； 步骤⑤：完成活跃用户与其他用户之间的相似度计算之后，对相似度值进行非递减排 序，挑选出最相似的Top-M用户； 步骤⑥：判断是否已完成候选服务的rank score值的计算，若已完成则转到步骤⑧， 若未完成则转到步骤⑦； 步骤⑦：从候选服务池中挑选下一个候选服务，所述候选服务池由来自相似用户已调 用而活跃用户未调用的服务组成；首先在活跃用户所信任的用户中找到调用过该服务的用 户形成用户集合然后根据活跃用户与这些信任用户的相似度以及信任用户对该候 选服务的评分利用公式（3)计算该候选服务的rank score值；重新转到步骤⑥； 步骤⑧：设置k个服务类别，在为活跃用户做推荐时分别在每个服务类别下推荐Top-K 个服务；首先对候选服务按照服务类别进行分类；其次对每个服务类别下的候选服务按照 rank score值进行非递增排序；最后在每个服务类别下选择Top-K个候选服务推荐给活跃 用户。
2. 根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的推荐 系统是由m位用户和η个Web服务组成，用iMup u2,. . .，um}和SHsp s2,. . .，sn}表示， 用户的服务历史调用记录表示为1? = {(sn, category』, raten)，· · ·，（sin, category』， ratein)}，其中1?代表用户ujiii e U历史服务调用记录，sn表示用户w调用服务Sp Categ 〇ryi(j=l，· · ·Λ)表示某个服务类别，通过对服务按照功能属性进行细粒度的划分， 设置了 k个服务类别，mten表示用户w对服务Si的评分，三元组（sn, category』, raten) 表示一次服务调用记录即表示用户W调用了服务Sl并且对Sl的评分为mte n。
3. 根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所 述的用户特征向量：k个服务类别构成了用户特征向量的原型，表示为CVi = < category^ ···，categoryk >，其中CVi表示用户w的特征向量，category』对应某个服 务类别。
4. 根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的用户个 人偏好：根据用户的历史调用记录和用户与用户之间的信任关系，利用公式（1)构建用户 的个人偏好，其中μ (〇< μ彡1)是一个平衡因子，表示用户+信任的用户集合；其中， 公式⑴为：
5. 根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的用户相 似度：利用欧式距离计算用户与用户之间的相似度，欧式距离是一个通常采用的距离定义， 表示m维空间中两个点之间的真实距离，用户相似度计算公式为（2)，其中sim( Ui，up值越 小代表用户W和Ui越相似；其中，公式（2)为：
6. 根据权利要求1所述的基于社交网络的服务推荐方法，其特征在于：所述的Rank Score :根据候选服务的rank score值来为活跃用户推荐服务，rank score的计算公式为 定义为（3)，其中
sk表示某个候选服务，候选服务来自活跃用户未 调用而信任用户已调用的服务；其中，公式（3)为：
【文档编号】G06F17/30GK104111959SQ201310142104
【公开日】2014年10月22日 申请日期:2013年4月22日 优先权日:2013年4月22日
【发明者】邓水光, 唐伟通, 樊劲松, 尹建伟, 吴健, 李莹, 吴朝晖 申请人:浙江大学