论文部分内容阅读
Web服务推荐作为服务信息过载问题的有效解决方案,已成为服务计算领域的热门研究方向。目前大多数服务推荐研究都是基于协同过滤算法,严重的数据稀疏问题对服务或用户的相似度计算产生了较大的负面影响,降低了推荐的准确性,同时也带来冷门服务很难被推荐到的问题即冷启动问题,影响了推荐的多样性。本文从Web服务知识图谱构建、实体和关系的向量化算法以及服务推荐算法等方面对Web服务推荐技术进行了深入研究,目的是利用实体向量表示中蕴涵的实体间丰富的关联关系,改善数据稀疏及冷启动问题,提高推荐的准确性和多样性。本文在对Web服务推荐、知识图谱、实体向量化和实体相似度度量等理论和技术进行分析和研究的基础上,对基于知识图谱的Web服务推荐技术进行了深入研究。首先,设计了一个Web服务推荐框架,该框架给出基于知识图谱进行Web服务推荐的整个过程,达到了利用用户、服务之间丰富的关联关系和用户分类为用户推荐相对准确且多样的Web服务的目的。同时,分析了 Web服务知识图谱的构成要素并构建了 Web服务知识图谱,通过真实Web服务相关数据进行Web服务知识图谱中的实体、关系识别与抽取,利用Neo4j图数据库完成Web服务知识图谱的存储及可视化。然后,提出了改进的实体向量化算法imp-TransH并将其与其他的一些相关算法进行了实验对比。该算法针对Web服务中多对多关系较多的特点,通过对负样本采集算法的改进,优化了翻译模型算法TransH,在保留图谱中语义信息的基础上将Web服务知识图谱中的实体和关系表示为数值化向量。最后,提出了基于知识图谱的Web服务推荐算法WS-KG并设计实验对算法的有效性进行了验证。该算法使用imp-TransH算法求得的实体向量计算用户之间和服务之间的相似度,依据用户最近邻和服务最近邻预测用户对未关注服务的评分,根据兴趣分布进行用户分类从而在生成推荐列表时进行针对性推荐。实验结果表明,本文提出的WS-KG算法较对比算法,准确性和多样性均有提升。本文利用知识图谱中丰富的语义信息,弥补了基于协同过滤算法的服务推荐中没有考虑服务及用户语义信息的缺陷有效地改善了数据稀疏问题,并一定程度解决了冷启动问题。