[发明专利]服务推荐方法、系统及服务器

权利要求书

1.一种服务推荐方法，其特征在于，包括：

获取用户集中各用户对待推荐服务集中各服务的服务质量信息，构建用户服务矩阵；通过随机梯度下降的优化方法，对所述用户服务矩阵进行矩阵分解，得到用户关系矩阵和服务关系矩阵，包括：通过所述用户服务矩阵对用户关系矩阵和服务关系矩阵进行预测；计算所述用户服务矩阵、预测后的用户关系矩阵与预测后的服务关系矩阵乘积之间的损失函数，所述损失函数包括正则项；对所述损失函数分别关于用户关系矩阵和服务关系矩阵进行求导，并根据求导结果以及上一次对用户关系矩阵和服务关系矩阵的预测值对用户关系矩阵和服务关系矩阵进行更新；其中，损失函数关于用户关系矩阵的导数为：根据导数值对用户关系矩阵进行迭代更新的公式如下：U_i＝U_i-λ_ggradU_i，其中，Q_i,j为按密度采样的用户服务矩阵的训练数据，gradU_i为用户关系矩阵向量U_i的梯度，λ_g为梯度下降的系数，损失函数采用的是真实的用户服务关系矩阵与预测时用户关系矩阵和服务关系矩阵乘积之间差值的平方值以及用户关系矩阵和服务关系矩阵的二范数；损失函数关于服务关系矩阵的导数为：根据导数值对服务关系矩阵进行迭代更新的公式如下：S_j＝S_j-λ_ggradS_j；

根据所述用户关系矩阵计算用户相似度矩阵，根据所述用户相似度矩阵计算稳定的概率转换矩阵，并根据所述稳定的概率转换矩阵修正所述用户相似度矩阵；所述根据所述用户关系矩阵计算用户相似度矩阵，具体包括：根据如下公式计算用户的相似度矩阵：其中，sim_i,j表示为用户i与用户j的相似度矩阵，U_i,k表示为第i个用户的k维向量，U_j,k表示为第j个用户的k维向量；所述根据所述用户相似度矩阵计算稳定的概率转换矩阵，具体包括：利用用户位置关系参数和所述用户相似度矩阵计算各用户之间的概率转换矩阵：其中，A_i,j表示用户i与用户j之间的位置关系参数；Adj_i表示用户i附近的用户；将得到的各用户之间的概率转换矩阵应用到马尔科夫模型中得到稳定的概率转换矩阵：其中，P₀表示初始化单位矩阵，α表示所述用户在转换过程中和所述用户本身联系的概率；其中地理位置A_i,j为数据库中的信息，把相同区域的用户用同一区域编号进行标识；

根据所述用户关系矩阵和所述服务关系矩阵得到第一预测推荐结果，根据修正后的用户相似度矩阵以及用户的观测值得到第二预测推荐结果；

将所述第一预测推荐结果与所述第二预测推荐结果进行加权融合，得到用户服务推荐矩阵，并根据所述用户服务推荐矩阵进行服务推送，包括：采用加权融合获得服务推荐矩阵的过程如下：Q_i,j＝λQ1_i,j+(1-λ)Q2_i,j，其中，λ表示为融合系数，Q1_i,j表示为采用矩阵分解得到的第一预测推荐结果，Q2_i,j表示为采用修正后的用户相似度矩阵得到的第二预测推荐结果。

2.如权利要求1所述的服务推荐方法，其特征在于，利用所述概率转换矩阵修正所述用户相似度矩阵，具体包括：

根据所述概率转换矩阵计算概率权重：

根据所述概率权重修正用户的相似度矩阵：

其中，N_j为用户i的邻近用户的数量，U_m,k为用户i的邻近用户集合。