一种基于边缘缓存的个性化推荐方法技术

本发明专利技术公开了一种基于边缘缓存的个性化推荐方法。该方法通过挖掘用户社交关系来进行个性化推荐。同时，利用边缘缓存降低传输时延和消耗，以满足用户低时延、高精准的服务需求。方法包括：构建用户嵌入向量和服务嵌入向量；压缩用户嵌入向量，并群组划分；构建群组嵌入向量，并利用门循环单元获得群组的偏好特征向量；通过全连接层和sigmoid函数输出服务缓存的概率，实现边缘缓存；获得用户社交关系特征；使用多层感知机网络对服务嵌入向量进行压缩，并与用户社交关系特征一同输入全连接层，通过sigmoid函数输出服务被推荐的概率，根据Top

【技术实现步骤摘要】
一种基于边缘缓存的个性化推荐方法


[0001]本专利技术涉及边缘计算与推荐系统领域，具体涉及一种基于边缘缓存的个性化推荐方法。

技术介绍

[0002]随着5G、云计算、边缘计算、大数据等新兴技术的快速发展，服务数量与种类呈现爆发式增长。然而，当面对大量的服务时，用户发现很难根据自己的喜好发现所需的服务。推荐系统作为一种有效缓解信息过载的方法，旨在通过用户的画像、历史行为记录等信息挖掘出用户偏好，并为用户推荐可能感兴趣的项目或服务。
[0003]传统的推荐系统大多采用云
‑
端两点式架构，通过将用户数据从客户端上传到云服务器，并在云中完成模型的建模与计算，再将推荐结果返回给用户。然而，随着服务规模的膨胀和用户日志的不断增长，云服务器负载将进一步增大，难以满足用户低延迟、高精准的服务需求。此外，用户信息和服务信息往往是稀疏的，导致用户特征向量和服务特征向量的高维稀疏性，难以得到较好的推荐质量。

技术实现思路

[0004]鉴于上述问题，本专利技术旨在提供一种基于边缘缓存的个性化推荐方法。通过调整推荐应用架构，在云端部署服务匹配模型，将用户划分至不同群组，通过挖掘群组偏好，将满足多数人需求的服务缓存到边缘服务器中，以降低服务传输的时延和花消耗。同时，在边缘端捕获用户行为，使用超图建模用户的社交关系，并通过卷积网络计算用户间邻域级特征，实现个性化推荐，进一步提高推荐的准确率。
[0005]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0006]第一方面，本专利技术提供一种基于边缘缓存的个性化推荐方法，包括：
[0007]步骤1，根据用户历史服务调用记录，构建用户嵌入向量和服务嵌入向量；
[0008]步骤2，基于用户嵌入向量，利用服务缓存概率预测模型进行预测得到服务缓存概率预测值：
[0009]201、使用堆叠降噪编码器压缩用户嵌入向量；
[0010]202、基于压缩后的用户嵌入向量，通过DBSCAN聚类算法实现群组划分，得到群组划分结果；
[0011]203、根据所述群组划分结果，将同一群组中的用户在相同时段的服务调用记录进行融合，在不同时段的服务调用记录进行拼接，构建该群组的嵌入向量，使用多层感知机网络对群组的嵌入向量进行压缩，并利用门循环单元对群体偏好特征的动态变化进行建模，获得群组的偏好特征向量；通过全连接层和sigmoid函数输出服务缓存的概率；
[0012]步骤3，根据所述服务缓存概率预测值，利用Top
‑
k策略实现边缘缓存；
[0013]步骤4，基于服务嵌入向量和获取的用户社交关系特征，利用服务推荐概率预测模型进行预测得到服务推荐概率预测值：
[0014]401、使用超图建模用户间的社交关系，为每个用户构造一条超边，每条超边包含该用户的所有邻居用户结点，并使用图卷积网络挖掘超图中的高阶连通信息，从而获得用户社交关系特征；
[0015]402、使用多层感知机网络对所述服务嵌入向量进行压缩，将压缩后的服务嵌入向量和所述用户社交关系特征进行拼接后，输入全连接层，通过sigmoid函数输出服务被推荐的概率；
[0016]步骤5、利用Top
‑
k策略将服务推荐概率预测值进行降序排序，选择前k个服务推荐给用户；
[0017]步骤6、若被推荐的服务被缓存在边缘服务器中，则由边缘服务器向用户提供服务，否则，从云服务器中向用户提供服务。
[0018]在一些实施例中，步骤1中，根据用户历史服务调用记录，构建用户嵌入向量其中代表用户i与服务j交互的次数；
[0019]根据用户历史服务调用记录，构建服务嵌入向量其中代表服务j与用户i交互过的次数。
[0020]在一些实施例中，步骤2具体包括：
[0021]201、使用堆叠降噪编码器压缩用户嵌入向量包括：
[0022]利用堆叠降噪编码器将稀疏的用户嵌入向量u
i
从高维空间压缩到低维隐藏空间，对于堆叠降噪编码器的每一层，输入h
l
‑1和输出h
l
表示为：
[0023]h
l
＝f(W
l
h
l
‑1+b
l
),where h0＝u
i
[0024]其中l∈{1,2,..,L}，W
l
和b
l
是第l层要学习的参数，堆叠降噪编码器的前L/2层为编码器，后L/2层为解码器，目标函数定义为：
[0025]argmin||u
i
‑
h
L
||2[0026]通过反向传播训练堆叠降噪编码器模型，用堆叠降噪编码器第L/2层的输出特征x
u
作为聚类样本；
[0027]202、基于压缩后的用户嵌入向量，通过DBSCAN聚类算法实现群组划分包括：
[0028]基于压缩后的用户嵌入向量，计算每个样本点间的欧式距离d
ij
，当d
ij
不大于领域的距离阈值r时，认为点j包含在点i的领域内；
[0029]当且仅当点i的领域内包含样本点的数量大于等于领域内样本阈值M时，创建一个以点i为核心点的新类；
[0030]反复寻找与核心点直接密度可达或密度可达的点，将其添加到相应的类，并将核心点间密度可达的类合并成同一类，直至没有新的点能加入已有类，完成用户的群组划分。
[0031]步骤203包括：
[0032]根据群组划分结果，用户分为m个群组，将同一群组的用户在相同时段的行为进行融合，在不同时段的服务调用记录进行拼接，获得群组i的嵌入向量融合，在不同时段的服务调用记录进行拼接，获得群组i的嵌入向量表示第i个群组中的用户在a时刻与服务j的交互次数；
[0033]将群组i的嵌入向量输入多层感知机网络，从高维空间压缩到低维隐藏空间，每一层的输入和输出为：
[0034][0035]其中l∈{1,2,..,L}，W
(l)
、b
(l)
是第l层要学习的参数，在经过L层后，得到低维嵌入表示作为后续的输入；
[0036]将多层感知机网络的输出输入门控循环单元，门控循环单元的处理过程表示为：
[0037][0038][0039][0040][0041]其中t∈{1,2,..,T}，z
t
是更新门，用来控制当前状态要从历史中保留多少信息，r
t
是重置门，用来控制当前候选状态是否依赖于上一时刻状态h
t
‑1，σ是sigmoid激活函数，W
z
，W
r
和W
h
是参数矩阵；b
z
，b
r
和b
h
为偏差；是t时刻的输入，h
t
是第t个隐藏节点的状态；通过门控循环神经网络，对群组偏好特征的动态变化进行建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘缓存的个性化推荐方法，其特征在于，包括：步骤1，根据用户历史服务调用记录，构建用户嵌入向量和服务嵌入向量；步骤2，基于用户嵌入向量，利用服务缓存概率预测模型进行预测得到服务缓存概率预测值：201、使用堆叠降噪编码器压缩用户嵌入向量；202、基于压缩后的用户嵌入向量，通过DBSCAN聚类算法实现群组划分，得到群组划分结果；203、根据所述群组划分结果，将同一群组中的用户在相同时段的服务调用记录进行融合，在不同时段的服务调用记录进行拼接，构建该群组的嵌入向量，使用多层感知机网络对群组的嵌入向量进行压缩，并利用门循环单元对群体偏好特征的动态变化进行建模，获得群组的偏好特征向量；通过全连接层和sigmoid函数输出服务缓存的概率；步骤3，根据所述服务缓存概率预测值，利用Top
‑
k策略实现边缘缓存；步骤4，基于服务嵌入向量和获取的用户社交关系特征，利用服务推荐概率预测模型进行预测得到服务推荐概率预测值：401、使用超图建模用户间的社交关系，为每个用户构造一条超边，每条超边包含该用户的所有邻居用户结点，并使用图卷积网络挖掘超图中的高阶连通信息，从而获得用户社交关系特征；402、使用多层感知机网络对所述服务嵌入向量进行压缩，将压缩后的服务嵌入向量和所述用户社交关系特征进行拼接后，输入全连接层，通过sigmoid函数输出服务被推荐的概率；步骤5、利用Top
‑
k策略将服务推荐概率预测值进行降序排序，选择前k个服务推荐给用户；步骤6、若被推荐的服务被缓存在边缘服务器中，则由边缘服务器向用户提供服务，否则，从云服务器中向用户提供服务。2.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法，其特征在于，步骤1中，根据用户历史服务调用记录，构建用户嵌入向量根据用户历史服务调用记录，构建用户嵌入向量其中代表用户i与服务j交互的次数；根据用户历史服务调用记录，构建服务嵌入向量其中代表服务j与用户i交互过的次数。3.根据权利要求1所述的一种基于边缘缓存的个性化推荐方法，其特征在于，201、使用堆叠降噪编码器压缩用户嵌入向量包括：利用堆叠降噪编码器将稀疏的用户嵌入向量u
i
从高维空间压缩到低维隐藏空间，对于堆叠降噪编码器的每一层，输入h
l
‑1和输出h
l
表示为：h
l
＝f(W
l
h
l
‑1+b
l
),where h0＝u
i
其中l∈{1,2,..,L}，W
l
和b
l
是第l层要学习的参数，堆叠降噪编码器的前L/2层为编码器，后L/2层为解码器，目标函数定义为：argmin||u
i
‑
h
L
||2通过反向传播训练堆叠降噪编码器模型，用堆叠降噪编码器第L/2层的输出特征x
u
作为
聚类样本；和/或，202、基于压缩后的用户嵌入向量，通过DBSCAN聚类算法实现群组划分包括：基于压缩后的用户嵌入向量，计算每个样本点间的欧式距离d
ij
，当d
ij
不大于领域的距离阈值r时，认为点j包含在点i的领域内；当且仅当点i的领域内包含样本点的数量大于等于领域内样本阈值M时，创建一个以点i为核心点的新类；反复寻找与核心点直接密度可达或密度可达的点，将其添加到相应的类，并将核心点间密度可达的类合并成同一类，直至没有新的点能加入已有类，完成用户的群组划分；和/或，步骤203包括：根据群组划分结果，用户分为m个群组，将同一群组的用户在相同时段的行为进行融合，在不同时段的服务调用记录进行拼接，获得群组i的嵌入向量合，在不同时段的服务调用记录进行拼接，获得群组i的嵌入向量表示第i个群组中的用户在a时刻与服务j的交互次数；将群组i的嵌入向量输入多层感知机网络，从高维空间压缩到低维隐藏空间，每一层的输入和输出为：其中l∈{1,2,..,L}，W
(l)
、b
(l)
是第l层要学习的参数，在经过L层后，得到低维嵌入表示作为后续的输入；...

【专利技术属性】
技术研发人员：王海艳，洪俊，骆健，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：