[发明专利]一种基于RGPS元模型的按需服务聚合及其推荐方法

权利要求书

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：

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(RG)、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；

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，

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；

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。

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。

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。

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。

(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；

(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)；

(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；

(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；

(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；

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。

LSTM神经网络每层模型的表达公式为：

输入门：作用是控制cell state的输出：

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：

细胞状态的输出：

然后是残差的反向传导至输出门来修正函数：

接下来误差传播到细胞状态：

误差传到遗忘门:

残差传导完成后，直接对残差对权值求导得

。