买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽思高智能科技有限公司

摘要：本发明公开了一种时空感知多组件图注意力时序QoS预测方法及系统，涉及软件工程服务推荐领域，包括：对数据集数据进行时序动态图的构建，基于每个时刻的交互数据进行对应图结构的构建。运用多组件的方法从多维度在动态图结构中通过图注意力网络挖掘空间维度的信息学习到空间潜入表达。通过门控神经网络学习挖掘时序依赖关系，学习到时序信息，从而提高时序QoS预测精度。使用多层感知机来对时空高维信息进行综合处理来实现时序预测。本发明的有益效果是：能够综合挖掘空间依赖信息以及时间依赖信息从而在低稀疏度的情况下实现较高精度的QoS预测。

主权项：1.一种时空感知多组件图注意力时序QoS预测方法，其特征在于，包括：S1：针对不同时刻的用户和服务的交互数据，分别进行计算得到用户调用相似性矩阵和服务调用相似性矩阵，进而构建相应的邻接图，该邻接图包括用户邻接图和服务邻接图；S1.1：对于每个时刻的用户服务调用记录，计算得到该时刻的用户调用相似性矩阵，计算公式如下： ，其中，表示用户调用的相似性，分别表示用户和用户，表示和共同调用的服务，表示仅用户调用的服务集合，表示仅用户调用的服务集合，表示用户调用服务的QoS记录值，表示用户调用服务的QoS记录值，表示用户调用的服务的QoS平均值，表示用户调用的服务的QoS平均值；S1.2：对于每个时刻的用户服务调用记录，计算得到该时刻的服务调用相似性矩阵，计算公式如下： ，其中，表示服务调用相似性，表示共同调用了服务和服务的用户，表示仅调用了服务的用户集合，表示仅调用了服务的用户集合，表示用户调用服务的QoS记录值，表示用户调用服务的QoS记录值，表示服务的QoS平均值，表示服务的QoS平均值；S1.3：根据步骤S1.1和S1.2中计算得到的用户调用相似性矩阵和服务调用相似性矩阵，得到对应的邻接图，从中挖掘空间依赖信息；用户邻接图中，以用户为节点，当用户与用户之间的相似性超过设定阈值，构建两个用户之间的连接边；服务邻接图中，以服务为节点，当服务与服务之间的相似度超过设定阈值，构建两个服务间的连接边；S2：在邻接图中利用多组件图注意力网络从空间维度进行多角度挖掘，得到用户和服务的嵌入表达；（1）选取节点的唯一标识作为初始特征嵌入到维特征空间中，该节点包括用户邻接图中表示用户的节点和服务邻接图中表示服务的节点，在每个组件中引入图注意力网络进行表征学习，得到节点的嵌入表达： ， ， ， ，其中，表示在组件中用户对于用户的重要程度，=1,2,...,N，N表示组件的数量，表示拼接操作，表示组件中用户的嵌入表达，表示组件中用户的嵌入表达，表示图注意力网络，表示组件中转换矩阵，表示softmax激活函数，表示用户在组件中的最终嵌入表达，表示在组件中用户的邻居；表示在组件中服务对于服务的重要程度，表示组件中服务的嵌入表达，表示组件中服务的嵌入表达，表示服务在组件中的最终嵌入表达，表示在组件中服务的邻居；（2）经过多组件的学习后，通过注意力网络将多个组件学习到的向量加权相加得到最终的节点嵌入表达，具体计算公式如下所示： ， ， ， ，其中，表示用户注意力权重的表达，表示服务的注意力权重的表达，表示注意力权重，表示注意力网络，表示用户的嵌入表达，表示服务的嵌入表达；聚合多个学习组件所学习到的高维信息后得到用户和服务的嵌入表达，然后将其拼接后进行转化，计算公式如下所示： ， ，其中，表示嵌入层权重，表示嵌入层偏置项，表示线性整流函数，表示转化结果，即当前时间步的输入交互数据；S3：利用时序神经元从时间维度进行学习，得到QoS指标变化的时序趋势、综合空间特征和时间特征；S3.1：所述时序神经元GRU包括重置门控和更新门控两个部分；重置门控能够基于历史信息和当前信息的交互计算得到相应的权重来决定形成此刻挖掘的新用户服务特征，计算公式如下所示： ，其中，表示重置门控训练的权重矩阵，表示上一时间步的隐状态，表示当前时间步的输入交互数据，表示重置门权重系数，表示矩阵乘法，表示重置门控的偏置项；S3.2：将当前时间步重置门的输出与上一时间隐藏状态进行计算，得到当前时刻的所挖掘得到的候选隐状态，计算公式如下所示： ，其中，表示训练的权重矩阵，表示当前时间步的候选隐状态，表示候选隐状态的偏置项；S3.3：更新门控能够控制用户服务高维信息隐状态被包含了当前时间步的输入信息所更新的过程，计算方法如下所示： ，其中，表示更新门控训练的权重矩阵，表示更新门控的偏置项；S3.4：根据更新门控的输出，结合上一时间步的隐状态和当前时间步的候选隐状态，得到当前时间步的用户服务高维信息隐状态，计算公式如下所示： ，其中，表示当前时间步的隐状态；S4：根据步骤S2得到的用户和服务的嵌入表达和S3中得到的特征，使用多层感知机对时序进行实时预测；综合了历史QoS交互数据的隐状态后，接入全连接神经网络即可进行时间t处的输出运算，计算公式如下所示： ，其中，表示输出结果，表示输出层偏置项，ReLU表示线性整流函数。

全文数据：

权利要求：

百度查询： 安徽思高智能科技有限公司 一种时空感知多组件图注意力时序QoS预测方法及系统