一种基于RGPS元模型的按需服务聚合及其推荐方法

一种基于rgps元模型的按需服务聚合及其推荐方法
技术领域
1.本发明属于计算机技术领域，具体涉及rgps元模型的按需服务聚合及其推荐方法。


背景技术：

[0002]“互联网+”概念和定制化服务的兴起，使得组成互联网的web服务呈现分布式、模块化、自描述等特点。同时，互联网上的用户需求趋于个性化、复杂化的特点，因此服务与用户的需求精准匹配问题会变得更加重要。但web服务在实际推荐中出现了用户需求多变、业务流程复杂，服务资源无法适应其变化等问题，导致服务推荐变得困难。现有的软件工程技术还没有充分研究此问题，由此可见一种能适合用户需求个性化的治理与管理方法已成为服务聚合与服务推荐领域的研究热点和进一步发展的重要方向。


技术实现要素：

[0003]
本发明针对现有技术的不足，提供一种基于rgps元模型的按需服务聚合及其推荐方法。
[0004]
本发明采用以下的技术方案：
[0005]
1.一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于，包含以下步骤：
[0006]
步骤1，根据具体领域问题中涉及的目标集合，首先加入与特定目标association
sdi
关系的角色以及两者之间的关联，然后添加角色与角色及目标之间的关系，分别抽取本体(o)、角色与目标模型(r&g)、过程模型(p)和服务模型(s)的公共核心元数据和管理信息，为不同类型的模型构建了相应的sdi，以促进异构信息模型的跨域或跨系统查询以及多粒度的复用；
[0007]
步骤2，根据采用步骤1所得不同类型的模型构建了相应的sdi，实现方式如下，
[0008]
给出了用户需求驱动的rgps关联网络生成步骤，其中对服务的评价(qos值)，若时，表示用户对服务的满意度在最低qos阈值之上，说明角色反推的服务满足用户的需求，则连接服务与角色节点之间的带权边；同理若时，表示用户对服务的满意度在最低qos阈值之上，说明目标反推的服务满足用户的需求，则连接服务与目标节点之间的带权边；
[0009]
步骤3，利用r和g反推服务的途径，结合lstm神经网络模型，来解析用户需求并推荐相关的潜在服务，因此可以为用户推荐新的即时服务。
[0010]
2、根据权利要求书1所述一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于：在步骤2中，给出了用户需求驱动的rgps关联网络生成步骤，其中对服务的评价(qos值)，若时，表示用户对服务的满意度在最低qos阈值之上，说明角色反推的服务满足用户的需求，则连接服务与角色节点之间的带权边；同理若
时，表示用户对服务的满意度在最低qos阈值之上，说明目标反推的服务满足用户的需求，则连接服务与目标节点之间的带权边；通过这种反馈修正机制对rgps关联网络进行不断地修改，从而找出能够很好符合用户需要的相关服务并能够对搜索出的服务集合进行排序，为服务的定制化推荐提供了科学的依据。
[0011]
3、根据权利要求书1所述一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于：采用有向图模型来表达聚合的服务，其关键点是如何从需求中获得准确的rgps元素，即利用lstm神经网络对需求进行分析建模。
[0012]
lstm神经网络处理服务推荐的核心思想：lstm的核心是“细胞状态(cell state)”它的功能就是整个模型中的记忆空间，它随着时间而变化，记忆空间无法控制哪些用户的需求信息是否被记忆，所以真正起控制作用的是控制门。
[0013]
(1)输入节点:输入节点接受上一个时刻点的隐藏节点的输出以及当前的输入作为输入，然后通过一个tanh的激活函数；
[0014]
(2)输入门：起控制输入信息的作用，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid(原因为sigmoid的输出为0
‑
1之间，将输入门的输出与输入节点的输出相乘可以起控制信息量的作用)；
[0015]
(3)内部状态节点：输入为被输入门过滤后的当前输入以及前一时间点的内部状态节点输出；
[0016]
(4)忘记门：起控制内部状态信息的作用，通过训练参数，将gate或开(置1)或闭(置0)，保护cell；
[0017]
(5)输出门：起控制输出信息的作用，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid；
[0018]
例如“旅行”领域中，用户输入需求“本人希望预定当天的火车票，同时需要预定住宿，还希望提供城市交通信息”；我们对上述例句进行机器识别并划分出用户需求，附图2中lstm 模型各个垂直矩形框代表每轮迭代的隐层，每个这样的隐层都拥有若干神经元，每个神经元都对输入向量执行线性矩阵操作，通过非线性操作产生输出结果(例如，tanh()函数)。在每一轮迭代中，前一步迭代的输出随着文档中下一条词汇的词向量而变化，x
t
是隐层的输入且隐层将产生预测输出值和提供给下一层隐层的输出特征向量h
t
。
[0019]
lstm神经网络每层模型的表达公式为：
[0020]
输入门：作用是控制cell state的输出：
[0021][0022]
记忆细胞：对于时刻t
‑1→
t,记忆细胞信息变化过程表示为t
‑
1时刻状态用遗忘门过滤得到将保存的信息与t时刻获取的输入门信息相加得到细胞状态的转变：
[0023][0024]
细胞状态的输出：
[0025]
然后是残差的反向传导至输出门来修正函数：
[0026][0027]
接下来误差传播到细胞状态：
[0028][0029]
误差传到遗忘门:
[0030][0031]
残差传导完成后，直接对残差对权值求导得
[0032][0033]
本发明具有的有益效果是：
[0034]
(1)通过对用户需求划分具体领域，然后通过共性需求建模，从其涉及的角色、目标、流程几个方面进行分析，设计了相应的按需服务聚合算法和绘制了其关联网络图。
[0035]
(2)设计了2种服务查找和推荐方法来满足用户所提的不同需求表达形式，更好解决了用户利用服务间的协作来推荐合适的潜在服务集合，使其满足所需。
[0036]
(3)设计具体的实验对服务查找时效和精准度、召回率、f值，四方面进行验证与分析，根据具体领域对相关定义和算法进行验证，以定量的表述来证明本文方法的可靠性。
附图说明
[0037]
附图1为基于rgps按需制导的服务聚合以及推荐框架图。
[0038]
附图2为用户需求lstm神经网络分析模型图。
具体实施方式
[0039]
本发明针对传统服务聚合的无序化的特点，基于角色(role)
‑
目标(goal)
‑
流程(process)
‑
服务(service)需求元模型的语义关联关系，提出了一个r、g、p、s关联的带权网络来有序化组织服务聚合的方法。下面结合附图和具体实施例对本发明的具体实施方式做进一步说明： 1.一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于，包含以下步骤：
[0040]
步骤1，根据具体领域问题中涉及的目标集合，首先加入与特定目标association
sdi
关系的角色以及两者之间的关联，然后添加角色与角色及目标之间的关系，分别抽取本体(o)、角色与目标模型(r&g)、过程模型(p)和服务模型(s)的公共核心元数据和管理信息，为不同类型的模型构建了相应的sdi，以促进异构信息模型的跨域或跨系统查询以及多粒度的复用；
[0041]
步骤2，根据采用步骤1所得不同类型的模型构建了相应的sdi，实现方式如下，
[0042]
给出了用户需求驱动的rgps关联网络生成步骤，其中对服务的评价(qos值)，若
时，表示用户对服务的满意度在最低qos阈值之上，说明角色反推的服务满足用户的需求，则连接服务与角色节点之间的带权边；同理若时，表示用户对服务的满意度在最低qos阈值之上，说明目标反推的服务满足用户的需求，则连接服务与目标节点之间的带权边；
[0043]
步骤3，利用r和g反推服务的途径，结合lstm神经网络模型，来解析用户需求并推荐相关的潜在服务，因此可以为用户推荐新的即时服务。
[0044]
2、根据权利要求书1所述一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于：在步骤2中，给出了用户需求驱动的rgps关联网络生成步骤，其中对服务的评价(qos值)，若时，表示用户对服务的满意度在最低qos阈值之上，说明角色反推的服务满足用户的需求，则连接服务与角色节点之间的带权边；同理若时，表示用户对服务的满意度在最低qos阈值之上，说明目标反推的服务满足用户的需求，则连接服务与目标节点之间的带权边；通过这种反馈修正机制对rgps关联网络进行不断地修改，从而找出能够很好符合用户需要的相关服务并能够对搜索出的服务集合进行排序，为服务的定制化推荐提供了科学的依据。
[0045]
3、根据权利要求书1所述一种基于rgps元模型的按需服务聚合及其推荐方法，其特征在于：采用有向图模型来表达聚合的服务，其关键点是如何从需求中获得准确的rgps元素，即利用lstm神经网络对需求进行分析建模。
[0046]
lstm神经网络处理服务推荐的核心思想：lstm的核心是“细胞状态(cell state)”它的功能就是整个模型中的记忆空间，它随着时间而变化，记忆空间无法控制哪些用户的需求信息是否被记忆，所以真正起控制作用的是控制门。
[0047]
(1)输入节点:输入节点接受上一个时刻点的隐藏节点的输出以及当前的输入作为输入，然后通过一个tanh的激活函数；
[0048]
(2)输入门：起控制输入信息的作用，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid(原因为sigmoid的输出为0
‑
1之间，将输入门的输出与输入节点的输出相乘可以起控制信息量的作用)；
[0049]
(3)内部状态节点：输入为被输入门过滤后的当前输入以及前一时间点的内部状态节点输出；
[0050]
(4)忘记门：起控制内部状态信息的作用，通过训练参数，将gate或开(置1)或闭(置0)，保护cell；
[0051]
(5)输出门：起控制输出信息的作用，门的输入为上一个时刻点的隐藏节点的输出以及当前的输入，激活函数为sigmoid；
[0052]
例如“旅行”领域中，用户输入需求“本人希望预定当天的火车票，同时需要预定住宿，还希望提供城市交通信息”；我们对上述例句进行机器识别并划分出用户需求，附图2中lstm 模型各个垂直矩形框代表每轮迭代的隐层，每个这样的隐层都拥有若干神经元，每个神经元都对输入向量执行线性矩阵操作，通过非线性操作产生输出结果(例如，tanh()函数)。在每一轮迭代中，前一步迭代的输出随着文档中下一条词汇的词向量而变化，x
t
是隐层的输入且隐层将产生预测输出值和提供给下一层隐层的输出特征向量h
t
。
[0053]
lstm神经网络每层模型的表达公式为：
[0054]
输入门：作用是控制cell state的输出：
[0055][0056]
记忆细胞：对于时刻t
‑1→
t,记忆细胞信息变化过程表示为t
‑
1时刻状态用遗忘门过滤得到将保存的信息与t时刻获取的输入门信息相加得到细胞状态的转变：
[0057][0058]
细胞状态的输出：
[0059]
然后是残差的反向传导至输出门来修正函数：
[0060][0061]
接下来误差传播到细胞状态：
[0062][0063]
误差传到遗忘门:
[0064][0065]
残差传导完成后，直接对残差对权值求导得
[0066][0067]
实施例1
[0068]
下面是应用本发明具体实施例：
[0069]
在“旅行”具体领域，对用户需求进行精准服务推荐，利用本发明方法的第一步：根据上述算法识别出用户需求并构建关联网络，通过本课题组开发的需求获取和分析工具，对用户需求进行语义分解，该需求对应的角色有4个，即“火车乘客”、“住宿者”、“咨询者”、“游客”，目标有5个分别为：“订购火车票”、“预定酒店”、“城市交通”、“城市天气”、“城市景点”；
[0070]
执行步骤1，对用户需求加标签的过程为：对“火车乘客”标签标为“1”，对“住宿者”的标签标为“2”，对“咨询者”的标签标为“3”，对“有课”的标签标为“4”。而对目标加标签的过程为，将目标为“订购火车票”的标签标为“1”，对目标为“预定酒店”的标签标为“2”，对目标为“城市交通”的标签标为“3”，对目标为“城市天气”的标签标为“4”，对目标为“城市景点”的标签标为“5”。
[0071]
执行步骤2，实现目标则可以进行流程分解如“订购火车票”可分解为两个流程“查询车票”、“购买车票”；“预定酒店”可分解为“查询酒店”、“在线支付系统”；“城市交通”可分解为“调用地图”、“导航路线生成”；“城市天气”可分解为“调用天气预报”；“城市景点”可分解为“生成热门景点”和“门票预订”。
[0072]
执行步骤3，服务推荐过程是通过角色层开始，“火车乘客”的目的是“订购火车票”，其流程是“查询票价”和“购买车票”两步骤，而“购买车票”子流程可分解为“提供车票信息”和“在线支付”。通过角色、目标和流程，我们可以对服务进行进准分类，通过rgps 关联网络的时序逻辑图，为了给用户推荐更好的服务，比如“游客”角色，我们可以从“支付系统”、“导航软件”、“旅行服务”三大服务类簇中选取推荐的子服务，此方法能有效提高服务推荐的合理性。
[0073]
在步骤3之后，模型参数基本固定后，用测试集对模型进行评价。
[0074]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。