本申请实施例提供一种原子服务组合优化方法及装置，涉及机器学习领域，方法包括：对数据集中的原子服务进行聚类，得到原子服务组合样本集；根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型；通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，并根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件；本申请能够准确、高效得为用户选择原子服务组合。得为用户选择原子服务组合。得为用户选择原子服务组合。
【技术实现步骤摘要】
原子服务组合优化方法及装置
[0001]本申请涉及机器学习领域，具体涉及一种原子服务组合优化方法及装置。
技术介绍
[0002]随着原子服务的发展，它可以更好的解耦服务之间的密切关系。它通过将较小的服务组合在一起，形成新的Web应用程序，原子服务的组合方式多种多样，每个小的原子服务都有不同的服务质量属性(如执行价格、执行时间、可用性、吞吐量、成功执行率和可靠性等，他们共同衡量了一个服务的服务质量)，随着发展，海量的功能相同，服务质量属性不同的原子服务供服务组合系统使用和组合。用户希望的是组合在一起的整体服务的服务质量尽可能的最优。
[0003]现有方法在解决大规模原子服务选择的问题上表现欠佳，稳定性好的启发式方法效率低下，经典类的问题在大规模问题上优化效果欠佳，现有的学习类算法在服务组合问题上的应用较少，效果也不佳。
技术实现思路
[0004]针对现有技术中的问题，本申请提供一种原子服务组合优化方法及装置，能够准确、高效得为用户选择原子服务组合。
[0005]为了解决上述问题中的至少一个，本申请提供以下技术方案：
[0006]第一方面，本申请提供一种原子服务组合优化方法，包括：
[0007]对数据集中的原子服务进行聚类，得到原子服务组合样本集；
[0008]根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型；
[0009]通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，并根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。
[0010]进一步地，所述对数据集中的原子服务进行聚类，得到原子服务组合样本集，包括：
[0011]根据功能类型不同对设定数据集中的各原子服务进行聚类，生成待选择优化的抽象组合服务；
[0012]根据所述抽象组合服务，得到原子服务组合样本集。
[0013]进一步地，所述根据所述抽象组合服务，得到原子服务组合样本集，包括：
[0014]根据所述抽象组合服务随机生成多个不同的原子服务组合样本；
[0015]根据预设样本优选规则从多个不同的原子组合样本中选取设定数量的原子服务组合得到原子服务组合样本集。
[0016]进一步地，所述根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型，包括：
[0017]根据所述原子服务组合样本集对预设组合推荐神经网络进行最大似然估计预训练，得到经过预训练后的组合推荐神经网络模型。
[0018]进一步地，所述通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，包括：
[0019]通过小批量梯度下降算法对所述组合推荐神经网络模型进行模型训练，得到预测结果集。
[0020]进一步地，所述根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件，包括：
[0021]计算所述预测结果集的服务质量数值与预设服务质量阈值的差值；
[0022]根据所述差值更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。
[0023]第二方面，本申请提供一种原子服务组合优化装置，包括：
[0024]初始化模块，用于对数据集中的原子服务进行聚类，得到原子服务组合样本集；
[0025]预训练模块，用于根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型；
[0026]强化学习模块，用于通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，并根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。
[0027]进一步地，所述初始化模块包括：
[0028]聚类单元，用于根据功能类型不同对设定数据集中的各原子服务进行聚类，生成待选择优化的抽象组合服务；
[0029]样本构建单元，用于根据所述抽象组合服务，得到原子服务组合样本集。
[0030]进一步地，所述样本构建单元包括：
[0031]随机子单元，用于根据所述抽象组合服务随机生成多个不同的原子服务组合样本；
[0032]抽取子单元，用于根据预设样本优选规则从多个不同的原子组合样本中选取设定数量的原子服务组合得到原子服务组合样本集。
[0033]进一步地，所述预训练模块包括：
[0034]最大似然估计单元，用于根据所述原子服务组合样本集对预设组合推荐神经网络进行最大似然估计预训练，得到经过预训练后的组合推荐神经网络模型。
[0035]进一步地，所述强化学习模块包括：
[0036]梯度下降单元，用于通过小批量梯度下降算法对所述组合推荐神经网络模型进行模型训练，得到预测结果集。
[0037]进一步地，所述强化学习模块还包括：
[0038]服务质量计算单元，用于计算所述预测结果集的服务质量数值与预设服务质量阈值的差值；
[0039]收敛训练单元，用于根据所述差值更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。
[0040]第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可
在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的原子服务组合优化方法的步骤。
[0041]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的原子服务组合优化方法的步骤。
[0042]第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的原子服务组合优化方法的步骤。
[0043]由上述技术方案可知，本申请提供一种原子服务组合优化方法及装置，通过对预设组合推荐神经网络模型进行预训练，提高了后续运算效率，并通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，能够准确、高效得为用户选择原子服务组合。
附图说明
[0044]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本申请实施例中的原子服务组合优化方法的流程示意图之一；
[0046]图2为本申请实施例中的原子服务组合优化方法的流程示意图之二；
[0047]图3为本申请实施例中的原子服务组合优化方法的流程示意图之三；
[0048]图4为本申请实施例中的原子服务组合优化方法的流程示意图之四；
[0049]图5为本申请实施例中的原子服务组合优化装置的结构图之一；...
【技术保护点】
【技术特征摘要】
1.一种原子服务组合优化方法，其特征在于，所述方法包括：对数据集中的原子服务进行聚类，得到原子服务组合样本集；根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型；通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，并根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。2.根据权利要求1所述的原子服务组合优化方法，其特征在于，所述对数据集中的原子服务进行聚类，得到原子服务组合样本集，包括：根据功能类型不同对设定数据集中的各原子服务进行聚类，生成待选择优化的抽象组合服务；根据所述抽象组合服务，得到原子服务组合样本集。3.根据权利要求2所述的原子服务组合优化方法，其特征在于，所述根据所述抽象组合服务，得到原子服务组合样本集，包括：根据所述抽象组合服务随机生成多个不同的原子服务组合样本；根据预设样本优选规则从多个不同的原子组合样本中选取设定数量的原子服务组合得到原子服务组合样本集。4.根据权利要求1所述的原子服务组合优化方法，其特征在于，所述根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预训练，得到经过预训练后的组合推荐神经网络模型，包括：根据所述原子服务组合样本集对预设组合推荐神经网络进行最大似然估计预训练，得到经过预训练后的组合推荐神经网络模型。5.根据权利要求1所述的原子服务组合优化方法，其特征在于，所述通过梯度下降算法对所述组合推荐神经网络模型进行模型训练，包括：通过小批量梯度下降算法对所述组合推荐神经网络模型进行模型训练，得到预测结果集。6.根据权利要求5所述的原子服务组合优化方法，其特征在于，所述根据模型训练结果更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件，包括：计算所述预测结果集的服务质量数值与预设服务质量阈值的差值；根据所述差值更新所述原子服务组合样本集，直至经过模型训练后的组合推荐神经网络模型满足预设收敛条件。7.一种原子服务组合优化装置，其特征在于，包括：初始化模块，用于对数据集中的原子服务进行聚类，得到原子服务组合样本集；预训练模块，用于根据所述原子服务组合样本集对预设组合推荐神经网络模型进行预...
【专利技术属性】
技术研发人员：卜晓璇，续倩，谭珂，徐云筱，马嘉琪，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。