[发明专利]一种基于链接预测的服务组合推荐方法

权利要求书

1.一种基于链接预测的服务组合推荐方法，其特征在于，包括数据集整理、链接模型训练与预测、服务组合推荐，其步骤如下：

数据集整理包括：1a)整理用户服务数据集；1b)整理服务组合数据集；

链接模型训练与预测包括：2a)通过用户服务数据集中的服务链接关系扩充服务组件集合；2b)将扩充服务组件集合分解成二部图；2c)根据二部图计算每个服务的hub值，利用hub值给用户推荐能与其链接的服务；

所述步骤2a)通过用户服务数据集中服务链接关系扩充服务组件集合的方法为：

1)在用户服务数据集中找到用户的前n项服务作为种子服务集合，此集合为服务组件的根集合；

2)在种子服务集合的基础上，通过查找用户服务数据集，找到与种子服务集合有直接链接关系的服务组件并将其纳入集合中，形成扩充服务组件集合；

所述步骤2b)中扩充服务组件集合分解成二部图的方法如下：

1)将扩展服务组件集合中的服务组件转换为二个子集合hub和authority；

2)如果一个服务组件有出度，将此组件加入出度子集合，此集合定义为hub子集合；如果一个服务组件有入度，将此组件加入到入度子集合，此集合定义为authority子集合；当一个服务组件既有出度也有入度时，将此服务组件同时归入上述两个集合中；

所述步骤2c)中利用hub值给用户推荐能与其链接的服务的方法为：

1)根据二部图的链接关系，通过多次迭代生成hub子集合的节点转移图，即hub集合的连通图；

2)根据二部图和节点迁移图计算出hub子集中每个节点a_i1的权值r_ai1，r_ai1即为节点的hub值，计算公式为：

其中，A为二部图中hub子集合的节点数，A_j1为组件a_i1所在节点迁移图的节点数，O_j1为组件a_i1所在节点迁移图中包含的出度总数，B(i1)为二部图中组件a_i1的出度个数；

3)根据节点迁移图向用户推荐能与其所选服务链接的其他服务，其他服务按照hub值从高到低的顺序排序，即优先推荐与其能链接的hub值比较大的服务组件；

服务组合推荐包括：3a)确定用户已选择的服务组件集，通过信息增益算法约减服务组件集；3b)根据约减后的服务组件集调用朴素贝叶斯分类器确定用户的兴趣；3c)根据步骤3a) 中确定的用户已选择的服务组件集和步骤3b)中确定的用户兴趣，向用户推荐相似的服务组合；

所述步骤3a)中通过信息增益算法约减服务组件集的方法为：

1)根据服务组合数据集，离线计算服务系统中有这个服务组件的熵H(C)；

2)根据服务组合数据集，离线计算服务系统中没有这个服务组件的熵H(C|s)；

3)计算熵H(C)和熵H(C|s)两者差值即为此服务组件的分类增益值；

其中，P(c_i|s)代表服务s属于兴趣类别c_i的概率，P(c_i)代表兴趣类别c_i在所有兴趣类别中所占服务数的比例，代表兴趣类别c_i中不包含服务s的概率；

4)将用户已选择的服务组件集根据分类增益值排序，前n1个服务组件即为约减后的服务组件集；

所述步骤3b)中用贝叶斯分类器确定用户兴趣的方法为：

1)根据服务组合数据集，离线计算服务系统中各个服务组件属于不同用户兴趣类别的概率其中，sc_j代表服务组件，SC代表用户访问的组件序列(sc₁,sc₂,...,sc_n1)，c_i代表不同用户兴趣的类别，(c₁,c₂,...,c_m)表示兴趣类别变量C，n(c_i)代表兴趣类别c_i在整个类别组件库中所占服务个数，p(sc_j|c_i)代表在兴趣类别c_i中组件sc_j出现的次数；

2)根据概率P(c_i|sc_j)利用朴素贝叶斯分类器计算约减后的服务组件集SC(sc₁,sc₂,...,sc_n1)属于各类兴趣的概率：

P(c_i|sc₁,sc₂,…,sc_n1)∝P(sc₁,sc₂,...,sc_n1|c_i)P(c_i)，

其中，P(c_i)代表兴趣类别c_i在整个兴趣类别组件库中占的比例；

3)选择概率最大的类别作为用户的兴趣：

所述步骤3c)中根据用户兴趣推荐服务组合的方法为：

1)选择服务组合数据集中和用户兴趣相符的服务组合；

2)使用n-gram算法计算服务组合和用户已选择的约减后的服务组件集之间的距离；

3)根据距离的大小推荐和用户兴趣最相似的服务组合，求服务组合S_l和S_p的相似度的公式如下：Sim(S_l,S_p)＝GN(S_l)+GN(S_p)-2×|GN(S_l)∩GN(S_p)|；

其中，GN(S_l)表示服务组合S_l的服务组件个数，GN(S_p)表示服务组合S_p的服务组件个数，GN(S_l)∩GN(S_p)代表两个服务组合中相同的组件个数。