[发明专利]基于域交互的自注意力因子分解机的Web服务推荐方法

权利要求书

1.一种基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，包括以下步骤：

获取文档的初始特征向量；基于所述初始向量，通过线性回归，计算得到线性回归部分预测分数；

基于所述初始特征向量，计算得到特征嵌入向量，还用于构建域隐藏向量；

获取域中每个特征的隐藏向量，并将所述隐藏向量替换成域隐藏向量，计算得到域中所有向量的公共特征；

基于自注意力机制和所述公共特征，计算得到成对交互向量；

对成对交互向量进行低阶和高阶特征的挖掘，计算得到特征交互部分分数；

基于所述特征交互部分分数和所述线性回归部分分数，计算得到Mashup调用Web API的概率预测结果。

2.根据权利要求1所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，获取文档的初始特征向量的过程包括：

基于网站描述文档，其中所述网站描述文档包括：Mashup描述文档和Web API描述文档；提取Mashup描述文档和Web API描述文档的文档信息，基于所述文档信息，计算得到若干个域特征向量，所述若干个域特征向量作为初始特征向量。

3.根据权利要求1所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，计算得到域中所有向量的公共特征的公式为：

其中，x_i，x_j为不同域中的初始特征向量，v_i为隐向量，x_iv_i为特征嵌入向量，⊙表示两个向量的逐元素乘积，v_F(j)表示包含特征j的域隐藏向量。

4.根据权利要求3所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，计算得到成对交互向量的公式为：

其中为应用自注意力机制的成对交互向量，Q、K和V均为自注意力参数矩阵，d_k为矩阵维度。

5.根据权利要求1所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，对成对交互向量进行低阶和高阶特征的挖掘的公式为：

其中L表示多层感知器的层数；W_l、b_l和σ分别表示第l层的权重、偏置和激活函数，o_l是第l层多层感知器的输出。

6.根据权利要求1所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，计算得到特征交互部分分数的公式为：

h(x)＝h^To_n

其中h表示预测层神经网络参数。

7.根据权利要求1所述的基于域交互的自注意力因子分解机的Web服务推荐方法，其特征在于，计算得到Mashup调用Web API的概率预测结果的公式为：

其中w₀表示偏置值，表示线性计算部分。