0 概述

随着服务计算、云计算、边缘计算以及移动计算等新型计算模式的快速发展, 网络上出现了大量跨网跨域的可用服务, 同时无线网络和智能终端的快速发展与普及, 也使更多的用户可以随时随地调用各个领域的服务来完成工作业务与生活事务。然而在海量服务为用户带来方便的同时, 也导致了服务发现与服务选择难题。此外, 当前服务系统通常采用“请求-响应”被动式的服务模式来处理用户的服务需求, 该模式缺乏智能性与主动性, 严重影响了服务资源的利用率与用户体验, 不能满足当前大数据与人工智能时代下用户对服务应用的体验要求。

针对当前被动服务模式存在的不足, 研究者提出主动服务的思想^[1-2], 以使大规模用户能够更快捷地获取到其迫切需要的服务。主动服务现已成为服务应用领域的研究热点^[3], 其是一种运行于Web上的新型信息服务模式, 可以解决服务信息过载以及用户需求多变而带来的服务可扩展性问题, 在当前动态、互联、智能的信息环境下, 主动捕获用户的个性化服务需求, 并为用户提供满足其个性化需求的服务^[4-5]。以智慧养老服务为例, 老人在发现服务、使用服务等方面比常人存在更多的困难, 而主动服务模式则可以智能、实时地感知老人的需求, 主动为老人推荐亟需使用并且最适合其自身情况的服务。因此, 深入开展主动服务相关技术的研究, 具有重要的理论意义与应用价值。

主动服务推荐是实现主动服务的主要技术之一^[6-7]。目前, 国内外学者针对服务推荐问题展开了大量的研究工作^[8-10], 其中部分基于协同过滤^{[7, 11]}、内容^{[8, 12]}或关联规则^[13-14]为用户推荐服务, 部分则基于服务质量(Quality of Service, QoS)预测为用户推荐服务^{[10, 15]}。然而, 当前的研究工作多数仅关注对服务模式的研究或基于QoS预测的服务推荐, 忽略了服务推荐过程中用户需求对服务推荐效果的影响, 导致服务推荐的准确性较差。

针对上述问题, 本文提出一种基于用户需求预测的主动服务推荐方法。利用矩阵分解(Matrix Factorization, MF)算法从大量历史服务使用数据中快速地提取用户特征和服务特征, 基于此训练深度学习算法实现对用户服务需求的精确预测, 并根据所预测的服务需求选择最合适的服务主动推荐给用户。

1 相关工作

近年来, 研究者针对主动服务开展了一系列的研究。文献[16]提出一种在移动互联网下基于情景感知的透明主动服务架构, 利用传感器设备对用户所处情景信息进行收集并发送给云服务端, 经过服务器端的服务选择算法处理数据, 最终返回给用户一个合适的服务推荐列表。该文以智能手机代替传感器设备, 在云服务器端进行了模拟实验, 验证了所设计架构的有效性。文献[17]提出一种基于熟人模型与最小二乘支持向量机的主动服务选择策略, 利用最小二乘支持向量机预测随机服务列表, 并基于熟人模型进行服务分配。实验结果表明, 该服务选择策略不仅缩短了通信时间, 而且还减少了服务组合的执行时间, 显著提高了服务选择的成功率。

文献[4]在物联网环境下对服务模式进行研究, 通过应用模糊逻辑对服务资源进行等级划分和评估, 提出一种三级结构的主动服务资源选择策略, 并在模拟物联网的分布式环境下, 验证其性能优于随机策略。文献[5]针对当前车联网环境下被动服务模式带来的误报、延报等问题, 设计一种多层次感知的主动行车服务模型, 其中每一层次都作为一个智能体存在。实验仿真验证了该模型的主动性与高效性。

此外, 文献[18]设计了一种基于规则归纳推理的推荐机制来预测用户需求, 利用智能手机收集用户的情景信息以及该情景下用户的活动信息, 并基于收集到的信息建立 < 时间, 条件, 行为>规则模型。近年来研究者尝试引入新的方法和技术对主动服务进行创新和改进。文献[19]提出一种将边缘化去噪自动编码器(mDA)与隐含因子模型相结合的混合推荐算法。通过利用mDA算法引入辅助信息来改善传统CF模型的数据稀疏性, 并在4个不同数据集上验证了其性能的提升。文献[20]将概率图模型与深度信念网络结合, 提出一种在线音乐推荐方法。文献[21]使用循环神经网络提取文本数据的隐含特征以提升协同过滤算法的性能, 并通过在2个不同稀疏程度的数据上验证结果, 证明了其显著的性能优势。文献[22]将层叠降噪自动编码器与隐含因子模型相结合, 综合考虑用户评分信息和评论文本信息。在亚马逊公开数据集上验证结果表明, 该混合推荐算法对评分预测的准确性高于传统推荐模型。

上述工作分别从服务模式、服务架构等方面对服务推荐进行研究, 但未从用户需求预测的角度出发, 缺乏对用户需求的主动感知, 导致服务推荐的主动性与准确性较低。因此, 本文提出一种基于用户需求预测的主动服务推荐方法, 以弥补当前研究工作存在的不足。

2 基于矩阵分解与深度学习的服务需求预测

用户需求预测是实现主动服务推荐的关键。在网络服务平台上, 存在着大量关于用户使用服务的数据, 这些数据中隐藏着用户和服务的重要特征, 可以通过数据挖掘与机器学习方法来获这些规则特征, 从而预测用户未来对不同类型服务的需求概率。用户需求预测为实现主动的服务推荐提供了重要的信息支持。

基于用户使用服务的历史数据可以生成 < 用户-服务>矩阵。然而, < 用户-服务>矩阵具有很强的数据稀疏性, 严重影响了用户服务需求预测的准确性。针对这一问题, 本文采用隐语义模型的矩阵分解方法, 从大量用户使用服务的历史数据中快速提取用户特征和服务特征, 形成用户特征矩阵和服务特征矩阵, 从而有效解决数据稀疏性问题。在此基础上, 利用用户特征矩阵与服务特征矩阵训练深度学习模型并完成对用户需求的预测。本文方法流程如图 1所示。图中实线部分是对用户需求的正向预测, 虚线部分则是利用预测值与真实值的误差反向训练用户需求预测模型。

本文方法能够弥补矩阵分解方法在特征提取方面的不足, 其具有以下特点:

1) 从用户与服务的交互矩阵中提取每个用户与服务的向量, 用户向量能够表征用户与所有服务的不同映射关系。

2) 服务向量能够表征服务与所有用户的不同关系映射。

3) 利用深度神经网络高效的特征提取能力, 通过3个隐层不断向上的特征抽取, 获得具有高表征能力的用户向量和服务向量表示。

2.1 基于矩阵分解的特征提取

矩阵分解(MF)是一种高效的特征提取方法^{[19, 23]}。基于MF可以把用户与服务的交互矩阵分解为用户和服务特征的共同潜在空间, 进而分别发现用户对服务需求的潜在因素。

给定用户与服务的交互矩阵R=(r_{u, i})_U×I, 矩阵的行表示一位用户对所有类型服务的历史使用情况, 列则表示关于某一种服务的所有用户的历史使用情况。经过矩阵分解分别得到用户和服务的低秩矩阵M_U×D和N_I×D, 其中, 矩阵M_U×D是U个用户的D维潜在空间表示, 而N_I×D是I类服务的D维潜在空间表示, 且矩阵M_U×D和N_I×D的乘积能还原成原始矩阵R=(r_{u, i})_U×I, 即可以通过矩阵还原预测用户u对服务i的需求r′_{u, i}:

$ r_{u, i}^{\prime}=\boldsymbol{M}_{u} \boldsymbol{N}_{i}^{\mathrm{T}} $

(1)

从用户和服务的整体范围考虑, 每个用户有自己的服务使用习惯, 每个服务具有自身的服务特征, 因此, 也可以使用带有平均偏差的预测模型进行矩阵还原操作。对于每个用户服务, 分别引入一个偏移量b_u和b_i, 基础部分是所有需求数值的平均值a, 考虑平均偏差的矩阵分解预测公式如下:

$ r_{u, i}^{\prime}=a+b_{u}+b_{i}+\boldsymbol{M}_{u} \boldsymbol{N}_{i}^{\mathrm{T}} $

(2)

为尽可能准确地表达用户和服务特征, 本文定义一个损失函数f_loss来衡量预测值与真实值之间的差距, 并通过最小化损失函数来预测和修改参数。

损失函数的定义有很多种, 本文通过计算预测值与真实值的均方误差作为损失函数, 设用户对服务的所有交互集合为H={(u, i, r)}, 则最小化损失函数如式(3)所示。

$ f_{\text {loss }}=\sum\limits_{(u, i) \in H} e_{u, i}^{2} $

(3)

其中:

$ e_{u, i}^{2}=\left(r_{u, i}-r_{u, i}^{\prime}\right)^{2}=\left(r_{u, i}-\sum\limits_{k=1}^{D} m_{u, k} n_{k, i}\right)^{2} $

(4)

基于矩阵分解的用户特征与服务特征提取算法描述如下:

算法1  基于矩阵分解的特征提取算法

输入  用户列表U, 服务类型列表I, 用户对不同服务类型的历史需求记录列表R

输出  用户特征矩阵M, 服务特征矩阵N

1.Begin

2.构造用户和服务初始特征

3.For u=1→U Do//遍历用户列表U中的每位用户u

4.r(u)=embed(1, 8)

//通过嵌入矩阵方法初始化用户特征, 维度为1×8

5.M=r(U)//矩阵M是由所有用户特征组成的

6.End For

7.For i=1→I Do//遍历每个服务类型i

8.r(i)=embed(1, 8)//初始化服务特征, 维度为1×8

9.N=r(I)//矩阵N是由所有服务特征组成的

10.End For

11.预测用户需求

12.通过式(1)预测用户u对服务i的需求r′_{u, i}

13.矩阵分解

14.通过式(3)、式(4)计算损失函数

15.M, N=gd(f_loss)//采用梯度下降法优化损失函数, 得//到用户特征矩阵M和服务特征矩阵N

16.迭代训练

17.For j=1→1 500 Do//迭代次数

18.重复步骤11

19.重复步骤13

20.End For

21.End

2.2 基于深度神经网络的用户需求预测

深度神经网络(Deep Neural Network, DNN)是深度学习的通用型神经网络架构, 其目的是通过确定性学习将原始数据表达为隐藏性表示。DNN通过对原始数据进行重构输入, 从数据中学习到具有高表征的输入和输出的关系映射。近年来, DNN已在多个应用领域取得优异成果^[24-25]。本文利用DNN 3个隐层的数学运算学习特征表达输出, 将前一层网络的输出作为下一层的输入, 其表达形式如式(5)所示。

$ a^{l}=\sigma\left(\boldsymbol{w}^{l} a^{l-1}+\boldsymbol{b}^{l}\right) $

(5)

其中:a是DNN的输出, 表示预测的用户需求概率值; l表示网络的层数; w和b分别表示对应的权重矩阵和偏倚向量; σ是激活函数。本文采用ReLU函数作为激活函数, 该函数的单侧抑制性使神经网络中的神经元具有稀疏激活性, 在线性函数中有更强的表达能力, 而对于非线性函数, ReLU函数非负区间为正值的特性, 也解决了神经网络反向传播求解参数时经常会出现的梯度消失的问题。ReLU激活函数如式(6)所示。

$ \operatorname{ReLU}(a)=\left\{\begin{array}{ll} {a, } & {a>0} \\ {0, } & {a \leqslant 0} \end{array}\right. $

(6)

在DNN的输出层, 本文采用Softmax函数对输出结果进行分类, 进而得到用户对每种服务类型的需求概率。Softmax函数模型可以看作是Logistic函数模型的推广, 其本质是把一个n维的向量映射成另一个具有相同维度表示的向量, 主要用于多分类问题, 对于不同类别的输入, 分别用一个概率值表示输出, 且所有类别的概率和为1。Softmax函数表达式如下:

$ \sigma_{j}(a)=\frac{a^{z_{j}}}{\sum\limits_{k=1}^{K} a^{z_{k}}} $

(7)

其中, j=1, 2, …, K。DNN通过反向传播求解最适合的神经网络参数, 也需要选择一个损失函数来度量神经网络训练的输出和真实值的误差。在神经网络中, 损失函数的选取直接影响网络的训练输出结果, 本文采用均方差函数和交叉熵函数之和作为损失函数。设定真实值为y, 预测值为a, 下标i表示第i个样本, w_i是权重, 则神经网络每次迭代训练的均方差可以表示为:

$ M_{\mathrm{MSE}}=\frac{1}{n} \sum\limits_{i=1}^{m} w_{i}\left(y_{i}-a_{i}\right)^{2} $

(8)

交叉熵是用来度量神经网络预测用户需求实际输出和期望值接近程度的一种方法, 交叉熵的值越小, 表示实际输出和期望值越接近。交叉熵函数的公式表示为:

$ C=-\frac{1}{n} \sum\limits_{x}[y \ln a+(1-y) \ln (1-a)] $

(9)

利用DNN进行预测时, 为避免过拟合, 在损失函数中引入正则化惩罚项, 通过控制学习参数, 防止网络学习到特别复杂的模型, 减小过拟合发生的概率, 引入了正则化的损失函数如下:

$ f_{\text {loss } 2}=M_{\mathrm{MSE}}+C+\frac{\lambda}{2} \sum\limits_{W}^{n} W^{2} $

(10)

其中, W表示所有学习参数, λ为一个可调节的参数, 用来控制正则化对损失函数的影响。基于DNN的用户需求预测算法描述如下:

算法2  基于DNN的用户需求预测算法

输入  用户特征矩阵M, 服务特征矩阵N

输出  用户u对不同类型服务i的需求概率r′_{u, i}

1.Begin

2.初始化参数

3.For layer=2→4 Do//DNN的3个隐层

4.parameter[w, b]=init_param(layer)//随机生成//初始权重值和偏置值, 3个隐藏层中的节点个数分别为//64、32和16

5.End For

6.DNN前向传播

7.加载矩阵M、N作为输入层的输入数据

8.通过式(5)~式(7)预测用户u对每种类型服务i的需求概率r′_{u, i}

9.DNN反向传播

10.通过式(10)计算损失函数

11.parameter[w, b]=gd(f_loss)//采用梯度下降法优化//参数w、b

12.迭代训练

13.For j=1→1 500 Do//迭代次数

14.重复步骤6

15.重复步骤9

16.End For

17.End

3 基于需求预测的主动服务推荐

经过对用户服务需求的预测, 可以得到用户未来使用某一类服务的概率, 以此选取概率值较大的服务类作为该用户的服务需求, 并依据预测的用户服务需求, 确定满足该需求的候选服务集。在候选服务集内部, 按用户历史使用服务的频率并结合服务的评价数据, 选择综合评价最优的服务并主动地推荐给用户。

设满足用户u服务需求的候选服务集合为S={S_i, i∈1, 2, …, n}, 其中, n表示候选服务的总数。对于每个候选服务S_i, 计算其针对用户u的使用频率f(S_i), 并计算每个候选服务的平均评价值g(S_i), 在此基础上, 计算每个候选服务的综合推荐指数e(S_i), 将综合推荐指数最大的服务S_i推荐给用户, 如式(11)所示。

$ e\left(S_{i}\right)=\lambda f\left(S_{i}\right)+(1-\lambda) g\left(S_{i}\right) $

(11)

其中, λ是一个可变参数, 用于调整候选服务的评价值和使用频率在综合推荐指数中所占的比重。在推荐过程中, 对于每个用户都需要进行上述操作, 且每个候选服务的实际评价数值较大, 在进行综合推荐指数计算时要对其进行归一化处理。基于需求预测的服务推荐算法描述如下:

算法3  基于需求预测的主动服务推荐算法

输入  用户u对每种类型服务i的需求概率r(u, i), 每个服务的平均评价值g

输出  推荐服务S_i

1.Begin

2.确定候选服务集合s

3.S←max(r(u, i))

4.计算服务使用频度

5.For j=1→len(S) Do

6.f(S(j)=count(S(j))/len(S)

7.EndFor

8.推荐服务

9.采用式(11)计算各服务的综合推荐指数

10.将综合推荐指数最大的服务S_i推荐给用户u

11.End

4 实验与结果分析 4.1 实验环境和数据集

为验证本文方法的有效性, 笔者进行了模拟实验。从公开的数据网站MovieLens获取到用户对电影的评分数据, 该实验把“电影”看作“服务”, 把“评分”看作“需求”的概率值。选取MovieLens 1M数据集模拟用户对服务的需求, 该数据包括约6 000名用户对4 000部电影产生的100万条评分数据, 评分共分为5个等级, 用1~5表示。为便于实验, 对数据做如下处理:将用户对电影的前三个评分等级视为用户未使用过此服务, 标记为0;将后两个评分等级视为1, 表示用户使用过本服务。2种交互类型数据之比约为1:1.35, 每位用户交互过的服务记录至少20条, 以保证真实数据的独立性和稀疏性。

实验环境为个人电脑, 操作系统:Windows 10家庭版64位, CPU:Intel酷睿i5 4210M;RM:4 GB。实验应用Python3版本编程语言, 基于谷歌开源深度学习框架TensorFlow 1.6.0, 在Pycharm社区版编程软件上完成。

4.2 实验评价指标

该实验将数据集随机划分成两部分, 分别用于训练和测试。其中, 数据集的70%作为训练数据, 30%用于对模型进行评估。在介绍评估方法前, 首先引入混淆矩阵, 如图 2所示, 其中, True、False分别表示分类是否正确, Positive、Negative分别表示正负样本的分类情况。

本文实验设置预测结果1为正样本, 0为负样本。评估方法如下:

1) 准确率, 即总样本中分类正确的样本个数所占比重, 表达式为:

$ A=\frac{T_{\mathrm{P}}+T_{\mathrm{N}}}{T_{\mathrm{P}}+T_{\mathrm{N}}+F_{\mathrm{P}}+F_{\mathrm{N}}} $

(12)

2) 精确率, 即正样本预测结果中正确预测为正样本个数所占比重, 表达式为:

$ P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}} $

(13)

3) 召回率, 即正样本总数中被正确预测为正样本个数所占比重, 表达式为:

$ R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}} $

(14)

由于分类问题是回归模型输出结果的离散化表现, 因此本文还引入平均绝对误差和均方根误差2种回归模型的评估方法, 用于衡量预测值与真实值的误差。

4) 平均绝对误差表达式为:

$ M_{\mathrm{MAE}}=\frac{1}{N} \sum\limits_{i=1}^{N}\left|\left(y_{i}-y_{i}^{\prime}\right)\right| $

(15)

5) 均方根误差表达式为:

$ R_{\mathrm{RMSE}}=\sqrt{\frac{1}{N} \sum\limits_{i=1}^{N}\left(y_{i}-y_{i}^{\prime}\right)} $

(16)

4.3 实验结果与分析

根据实验评价指标, 依次对比矩阵分解(MF)模型、DNN模型和基于矩阵分解的DNN混合模型的性能, 以1 500次迭代为机器学习终止条件, 预测准确率对比如图 3所示。可以看出, 与MF模型相比, DNN模型在预测准确率上效果并不理想, 最终结果略低于MF模型。在1 500次的迭代训练中, MF模型的预测准确率从42.5%左右开始逐步增加, 最终稳定在73.5%, DNN模型的预测精确度则从56.3%左右增加至73%。混合模型MF+DNN的表现要优于2种单一的模型, 不仅比MF拥有较高的起点, 并且最终准确率达到了78.8%, 相比于MF和DNN分别提高了近5%和6%, 表明基于矩阵分解的DNN方法具有更高的用户需求预测准确性。

3种模型的精确率和召回率对比如图 4所示, 可以看出, 相比于MF方法, DNN模型取得了较好的结果。在精确率的对比上, MF为75%, 而DNN为72%, 两者相差仅为3%, 并无明显的差异。在召回率的对比上, DNN为86.6%, 高出MF的80.2%约6.5%。混合模型MF+DNN整体表现要优于2种单一的模型, 其精确率为79.85%, 高于MF和DNN, 而召回率为84.4%, 仅低于DNN约2.2%。上述实验结果表明, 基于矩阵分解的DNN预测模型具有较强的预测能力, 可弥补矩阵分解算法预测的不足。

3种模型的平均绝对误差和均方根误差对比如图 5所示, 可以看出, MF模型和DNN模型几乎相等, 而混合模型MF+DNN效果要优于这2种模型, 在平均绝对误差和均方根误差上均低于MF和DNN模型约0.05, 可见由数据稀疏性导致的预测误差对MF+DNN模型影响较小, 因此, 该模型具有更好的稳定性。

3种模型的实验数据对比如表 1所示。综合5项评估指标对比可以得出结论:基于矩阵分解的DNN模型性能优于单一使用的矩阵分解模型。

5 结束语

为实现服务的智能化主动推荐, 提高用户满意度与资源利用率, 本文提出一种基于用户需求预测的主动服务推荐方法。该方法基于隐语义模型的矩阵分解算法, 从服务应用历史数据中快速提取用户特征与服务特征, 为精确预测用户的服务需求提供了更有效的数据, 同时解决了数据稀疏性问题。此外, 其基于深度学习算法建立用户与服务之间的非线性关系映射, 有助于挖掘数据中隐含的特征, 能够提高用户服务需求预测的准确性以及服务需求预测模型的可扩展性。由于本文模型仅基于用户的历史服务使用数据进行预测, 并未考虑用户使用时的情景信息, 因此下一步将研究情景感知的主动服务推荐方法。