大数据环境下双边感知的主动服务聚合理论与方法研究

Recently, with the development and maturation of new computing modes, a lot of services have become available on line. At the same time, mass personalized services became a reality for the popularization of mobile Internet and mobile terminals. However, the passive service mode of “request-response” severely hampered user experience and resource utilization efficiency. For this problem, this project, using Context Awareness and Artificial Intelligence theories, aims to introduce a set of theories and methods of intelligent active service aggregation with high-efficiency, based on big data of user behavior, social network and service application. Major research tasks include: (1) Through the mining and learning of big data of users and with regard to context clues, study the active and precise perceptual method of personalized services demanded. (2) Through the mining and learning of big data of services and users social networking, study the optimal candidate services screening method based on correlation graph model. (3) Based on Hidden Markov Model and Deep Learning Theory, study the active and adaptive perceptual method of quality of services. (4)Based on the above results, study the method of services optimization aggregation based on improved Social Learning Optimal Algorithm. Test and verify the research results through its application in smart elderly care services industry. This project aims to deepen the research on incorporation of big data, artificial intelligence and service computing, to explore new theories and methodologies in smart services.

近年来，随着新型计算模式的发展与成熟，网络上涌现出大量的可用服务；同时，移动互联技术与智能终端的普及，催生了大规模个性化的服务需求。而当前“请求-响应”被动式的服务模式严重影响了用户体验与资源利用率。为此，本课题拟通过对用户行为、社交网络、服务应用等多维大数据的挖掘，基于情景感知与人工智能理论，提出一套高效智能的主动服务聚合理论与方法。主要研究工作包括：(1)通过对用户相关大数据的挖掘，结合实时的情景，研究用户个性化服务需求的主动感知方法；(2)通过对服务与用户相关大数据的挖掘，研究基于关联图模型的最佳候选服务筛选方法；(3)基于隐马尔可夫模型与深度学习理论，研究服务质量的主动自适应感知方法；(4)基于上述结果，研究基于改进社会学习算法的服务优化聚合方法。通过在智慧养老服务领域的应用，验证并完善该课题的研究成果。本课题将深化大数据、人工智能与服务计算领域的结合，探索智能服务的新理论新方法。

服务优化组合技术通过聚合来自于不同领域的简单服务，形成功能强大的聚合服务，是支撑现代服务业(智慧养老、智慧医疗、智慧城市等)快速发展的重要技术。然而，当前已有的服务优化组合技术大都遵循“请求—响应”被动式的服务模式，缺乏智能性与主动性，严重影响了用户的满意度与服务资源的利用率。为此，本课题开展了大数据环境下双边感知的主动服务聚合理论与方法研究，提出了一套大数据环境下情景感知的服务需求主动感知方法、用户偏好演化方法、基于关联图的服务筛选方法、服务QoS主动感知方法以及基于双边感知的服务与组合服务推荐方法，并将研究成果在智慧养老服务领域得到成功的应用。. 为了实现大数据环境下对用户服务需求的主动精确感知，进而为主动服务提供精确的需求信息，本课题提出了一系列基于深度学习模型的服务需求主动感知方法。. 为了缩减候选服务规模，为服务与组合服务主动推荐提供高质量的候选服务，本课题首先构建常用的服务需求与服务之间的关联图；之后，研究了基于图搜索的候选服务筛选方法。. 为了实现大数据环境下对服务质量的主动感知，本课题提出了一种基于多任务深度学习模型的多维情景感知的多QoS预测方法；提出了一种情景感知的自适应QoS预测方法，该方法能够实现对即时服务调用与一段时间之后服务调用场景下，多个QoS值与拟合QoS值的预测，极大地提高了服务QoS预测的灵活性。. 本课题创新性提出了基于双边感知的主动服务推荐方法，以及用户需求驱动的的组合服务主动推荐方法。. 将研究成果应用于智慧养老服务领域，验证了究成果的有效性和正确性。在该项目资助下，发表学术论文35篇 (其中，SCI期刊论文10篇，EI收录16篇)；授权国家发明专利6项；获国家软件著作权3项；获2022年度山东省科技进步一等奖1项，获2020年度吴文俊人工智能科技进步奖一等奖1项，获2019年度河南省自然科学奖二等奖1项；培养\资助硕士研究生32名(毕业15人)；参加国内外学术会议10余人次，参与承办国内学术会议3次。