多粒度动态的服务推荐模型与算法研究

With the development of service composition technology, users can now build new businesses by employing the existing atomic services on the Internet. Service Recommendation is the key technology to enable users compose the services effectively. However the following problems are obvious in existing recommendation methods：The dynamic features of user interests could not be fully identified, the service granularity is not flexible and lacks diversity, and the outcome is not precise or enough. In this project, the multi-granularity and dynamic service recommendation models and algorithms are studied based on the quotient space and granular computing theory. The main research includes: Firstly, the multiple-granularity service space is built based on quotient space and granular computing theory to describe the service associations accurately and organize the services effectively. Secondly, a new dynamic interest model is designed based on the sequential LDA to describe the diversity and dynamic characters of user interests. Thirdly, design a dynamic multi-granularity service recommendation algorithm based on the above models. At last, simulations based on 3 dataset will be carried out to verify the effectiveness and runtime by comparing with 9 classical algorithms. In return, the research achievements will improve the accuracy, diversity, novelty, and timeliness of recommendation to meet the dynamic, complex, and imperceptibly user demands, which will enrich the service computing theories.

随着服务组合技术的发展，用户可以通过对互联网上已经存在的各种基本服务进行组合来 构建自身应用。而服务推荐则是辅助用户进行有效服务组合的关键技术。然而，现有服务推荐方法存在用户建模相对静态、服务推荐粒度不够灵活多样、推荐效果不够准确等问题。本课题将结合人工智能领域的新理论，开展多粒度动态的服务推荐模型与算法研究。主要内容包括：基于商空间粒计算理论来研究多粒度服务空间构建方法，以实现准确的服务关联挖掘和有效的服务组织；研究基于时序LDA的用户动态兴趣建模方法，以实时准确地刻画变化多样的用户兴趣；基于上述两个模型研究一套高效的多粒度动态服务推荐算法；并拟基于9种基准算法在3个数据集上，对所提模型与算法的有效性和时效性进行检验。通过本课题研究，将从准确性、多样性、新颖性和实时性等方面提升推荐效果，以期满足用户动态、复杂多样、潜移默化的业务需求，为完善服务计算理论奠定基础。

随着服务组合技术的发展，用户可以通过对互联网上已经存在的各种基本服务进行组合来 构建自身应用。而服务推荐则是辅助用户进行有效服务组合的关键技术。然而，现有服务推荐方法存在用户建模相对静态、服务推荐粒度不够灵活多样、推荐效果不够准确等问题。本课题将结合人工智能领域的新理论和新技术，开展多粒度动态的服务推荐模型与算法研究。主要内容包括两个方面，一方面沿着原有的课题思路，对基于用户动态兴趣建模的推荐方法、多粒度服务的组织与服务推荐方法等问题进行了深入研究。课题基于十几种基准算法在3个服务计算经典数据集上，对所提模型与算法的有效性和时效性进行检验。通过本课题研究，我们从准确性、 多样性、新颖性和实时性等方面提升了服务推荐的效果，为满足用户动态、复杂多样、潜移默化的业务需求和完善服务计算理论贡献了一点力量。另一方面，课题针对研究过程中根据遇到到一些实际问题进行了扩展研究。首先针对服务计算领域中的非常严重的完全冷启动问题，利用深度学习方法，并提出一种深度协同框架，通过内容信息来映射得到评分，该框架在很大程度上缓解了冷启动问题；其次，对电商和POI等具体应用场景下的推荐问题开展研究，并分别设计了相应的几套具体算法来解决了实际问题；最后，对互联网环境下的用户行为进行了深入分析。一方面，针对网络水军的特征动态多变问题，提出一种基于贝叶斯模型的水军识别算法，显著提升了水军识别准确率。另一方面，针对区块链智能合约数据进行分析，并判别是否为旁氏骗局合约，其准确率达到96%。