专利交易市场

一种基于主题模型聚类的Web API推荐方法，根据上下文信息计算单词的语义权重信息从而得到文档‑单词语义权重信息矩阵D；统计单词共现信息，从而计算出SPPMI矩阵信息；基于得到Mashup服务文档单词的词频信息矩阵D，单词的上下文SPPMI矩阵M，通过分解M可以得到词嵌入信息矩阵，进一步将上述两种信息进行结合，计算服务的主题信息；将得到的Mashup服务主题特征，作为谱聚类的输入进行聚类，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，子图内的边权重和尽可能的高，达到聚类的目的；结合GBDT和FM方法对Web API服务进行预测推荐。本发明有效实现Web API推荐。

本发明公开了一种面向群组的服务推荐列表生成方法，该方法包括步骤：根据群组内用户的关系，生成用户关系有向图；在群组中选择p个质心用户，根据质心用户，将群组划分为p个子组，对每个子组建立分层分组模型；构建每个子组的推荐服务集评级矩阵，并计算每个子组对待推荐服务集的推荐权重；根据所有子组的推荐服务集评级矩阵和推荐权重，计算每个待推荐服务的聚合指数，对所有服务按照聚合指数做升序排列，得到服务推荐列表。该方法得到的服务推荐列表能够提高推荐服务的用户满意度，而且以用户‑群组‑项目之间的相互关系为中心，可以实现更加优质的群组推荐服务体验。

本发明提供了一种基于社会网络的旅游服务推荐方法，包括：以用户的位置为圆心，由用户指定半径；聚类在此半径内的其他用户位置信息以产生中心点；再进一步筛选中心点，产生推荐点。本发明减少了用户搜索周围地点的时间成本，采用多种热点展示，方便用户规划行程，热门地点筛选排除无关地点，避免无关信息干扰用户选择。

本发明提供了一种基于社会网络的旅游服务推荐方法，包括：以用户的位置为圆心，由用户指定半径；聚类在此半径内的其他用户位置信息以产生中心点；再进一步筛选中心点，产生推荐点。本发明减少了用户搜索周围地点的时间成本，采用多种热点展示，方便用户规划行程，热门地点筛选排除无关地点，避免无关信息干扰用户选择。

本发明公开了一种基于动静态兴趣建模与持续时间感知的序列服务推荐方法，由三个主要步骤组成：动态兴趣挖掘建模、静态兴趣挖掘建模和兴趣融合推荐。在动态兴趣挖掘中，利用时间感知神经霍克斯过程中的时间感知连续长短期记忆网络挖掘用户的动态兴趣，其中通过个性化的时间桶嵌入在服务之间嵌入持续时间信息，并在TCLSTM上添加持续时间门，以利用持续时间协助进行动态兴趣挖掘。在静态兴趣挖掘中，通过设计辅助信息感知的自注意力机制来挖掘静态兴趣，将辅助信息作为自我注意机制的辅助部分，以非侵入性的方式学习更好的注意力分布，从而避免信息过度泛滥的问题，有效挖掘并建模用户的静态兴趣。

本发明提供一种基于QoS多时段变化特征预测的云服务推荐方法及装置，方法包括：接收当前用户的服务请求，由服务请求解析出当前用户的服务需求和客户端上下文特征信息；获取与服务需求匹配的候选云服务集合；依据服务质量历史数据库中的时序数据预测各候选云服务的变化特征的相似度，并结合用户客户端上下文特征的相似性，为当前用户提取邻近用户集合；根据所有邻近用户的历史服务质量时序数据计算候选云服务集合中各候选云服务的综合评价值，并将综合评价值最高的候选云服务推荐给当前用户。本申请可实现对云服务QoS的变化性特征进行全面的刻画和量化计算，提高邻近用户的识别准确度，为当前用户准确预测云服务的QoS并推荐适合的云服务。

本发明涉及一种用于Web服务推荐的协同过滤方法，首先从原QoS数据中提取出用户偏好数据，将其作为相似邻居近似度计算的源数据；其次从原QoS数据中提取出服务可信度数据，将其作为服务的个性化比重融入用户邻居相似度计算的过程中；然后使用top‑k算法确定目标用户的相似邻居集合；最后联合用户邻居的偏好相似度比重使用调和的皮尔逊相关系数算法(pcc)预测目标用户各未知服务的QoS值。通过WSDREAM库上197万条真实Web服务QoS数据集进行的实验，证明了所提算法相比于目前基于协同过滤的Web服务推荐算法，能有效提高QoS预测准确率从而提高Web服务推荐质量。