本發(fā)明屬于物聯(lián)網(wǎng)，具體涉及一種基于用戶需求的物聯(lián)網(wǎng)服務發(fā)現(xiàn)方法。

背景技術：

1、隨著物聯(lián)網(wǎng)服務數(shù)量和種類的增加，越來越多的類似服務可以滿足用戶不同的需求。但是，服務發(fā)現(xiàn)的目的在于為用戶匹配滿足其需求的服務信息，而用戶對服務質量的偏好在決定匹配過程的成功率方面起著關鍵作用。與互聯(lián)網(wǎng)服務不同，在物聯(lián)網(wǎng)領域，由于硬件資源和網(wǎng)絡環(huán)境的多樣化，服務質量經(jīng)常發(fā)生動態(tài)變化。此外，不同供應商會為同一功能提供不同的服務，這給一些有不同服務質量需求的用戶造成了困擾。因此，當面對眾多擁有類似功能但服務質量不同的環(huán)境時，選擇符合用戶需求的服務信息變得更加關鍵。

2、當前，為了在眾多功能相同的物聯(lián)網(wǎng)服務中為選擇滿足用戶需求的服務信息，采用了一系列依基于用戶需求和語義挖掘方法的服務發(fā)現(xiàn)技術，例如：基于聚類的語義服務選擇和用戶偏好模型，使用戶能夠從所發(fā)現(xiàn)的服務庫中挑選出與他們的需求精確一致的服務，進而來提高了服務發(fā)現(xiàn)的準確率；一種基于qos的情境服務發(fā)現(xiàn)方法，以提高服務發(fā)現(xiàn)的準確性，該模型通過在用戶的功能和非功能服務要求的相似性與滿足其需求的服務發(fā)現(xiàn)之間建立關聯(lián)來實現(xiàn)這一目的；為解決web服務領域中信息孤島的問題，采用一個基于語義挖掘和索引的快速網(wǎng)絡服務發(fā)現(xiàn)框架，該模型配備了一個高度精確的網(wǎng)絡服務匹配引擎，提供了一個全新的解決方案，以保證服務發(fā)現(xiàn)的速度和準確性。

3、然而，目前關于用戶的個性化服務需求的信息過多，同時又缺乏對這些需求的統(tǒng)一和標準化的描述。因此，隨著時間的推移，實時準確地捕捉用戶的個性化偏好會帶來許多挑戰(zhàn)。此外，在物聯(lián)網(wǎng)環(huán)境中，物聯(lián)網(wǎng)服務的質量客觀上會隨著網(wǎng)絡環(huán)境的波動而波動，從而使得將用戶對服務質量的需求與現(xiàn)有服務質量的客觀衡量指標相衡量成為了挑戰(zhàn)。這不可避免地導致用戶和服務之間的匹配精度低，以及整體用戶服務體驗差。

技術實現(xiàn)思路

1、為了解決上述技術問題，本發(fā)明提供了一種基于用戶需求的物聯(lián)網(wǎng)服務發(fā)現(xiàn)方法，以解決現(xiàn)有難以實時準確地捕捉用戶的個性化偏好，且在物聯(lián)網(wǎng)環(huán)境中，物聯(lián)網(wǎng)服務的質量客觀上會隨著網(wǎng)絡環(huán)境的波動而波動，從而使得將用戶對服務質量的需求與現(xiàn)有服務質量的客觀衡量指標相衡量成為了挑戰(zhàn)，這不可避免地導致用戶和服務之間的匹配精度低，以及整體用戶服務體驗差的問題。

2、本發(fā)明采用的技術方案如下：一種基于用戶需求的物聯(lián)網(wǎng)服務發(fā)現(xiàn)方法，包括以下步驟：

3、s100，獲取用戶的歷史服務請求數(shù)據(jù)，并對歷史服務請求數(shù)據(jù)進行預處理，篩選與用戶需求相關的若干服務質量評價指標，并建立輸入樣本數(shù)據(jù)集；

4、s200，基于bi-lstm網(wǎng)絡，根據(jù)輸入樣本數(shù)據(jù)集中的服務質量評價指標數(shù)據(jù)，將服務質量評價指標作為輸入層的輸入，將用戶的服務質量需求作為輸出層的輸出，構建用戶需求預測模型；

5、s300，根據(jù)用戶的服務質量需求，通過層次分析法計算用戶對服務質量需求的第一權重值；

6、s400，根據(jù)服務質量評價指標，通過熵值法計算用戶對服務質量需求的第二權重值；

7、s500，根據(jù)用戶對服務質量的第一權重值和第二權重值，采用算術平均法計算服務質量評價的混合權重值；

8、s600，根據(jù)混合權重值，采用topsis多屬性決策方法為用戶匹配滿足用戶需求的服務，并生成服務發(fā)現(xiàn)結果。

9、進一步，s100中，篩選與用戶需求相關的若干服務質量評價指標，若干所述服務質量評價指標包括可用性、響應時間、延遲、可靠和成功率，采用輸入樣本數(shù)據(jù)集x'＝[x1,x2,x3,x4,x5]進行表示，其中，x1至x5依次表示服務質量評價指標中的可用性、響應時間、延遲、可靠性和成功率。

10、進一步，s200中，所述構建用戶需求預測模型包括以下步驟：

11、s201，對歷史服務請求數(shù)據(jù)進行歸一化處理，并使用輸入樣本數(shù)據(jù)集設置時間步長為t，構建用戶需求預測模型的輸入層數(shù)據(jù)矩陣x：

12、

13、式中，t表示時間步長，x1至x5依次表示服務質量評價指標中的可用性、響應時間、延遲、可靠性和成功率；xμ,1表示第μ個時間步的可用性，xμ,2表示第μ個時間步的響應時間，xμ,3表示第μ個時間步的延遲，xμ,4表示第μ個時間步的可靠性，xμ,5表示第μ個時間步的成功率

14、s202，構建包括輸入層、bi-lstm層、注意力層和輸出層的用戶需求預測模型；

15、s203，對用戶需求預測模型進行訓練，將輸入樣本數(shù)據(jù)集分為訓練集和測試集，訓練集用于訓練模型，測試集用于評估訓練后的用戶需求預測模型的有效性；

16、s204，對用戶需求預測模型進行測試，利用測試集數(shù)據(jù)驗證用戶需求預測模型的準確度。

17、進一步，s202中，所述bi-lstm層包括若干個lstm模板組成的雙向反饋連接，使得bi-lstm網(wǎng)絡能夠從正向和反向兩個方向提取用戶需求信息，每個lstm模塊的反饋過程的計算公式表示如下：

18、

19、式中，與第ε組lstm模塊的正向記憶向量與反向記憶向量；與分別為lstm模塊的正向與反向轉化矩陣，xt為當前時間步的輸入，yt,ε表示隱藏層向量；b為補償值參數(shù)。

20、進一步，所述注意力層的計算公式表示如下：

21、

22、式中，與為特征狀態(tài)學習更新的權值矩陣，tanh表示雙曲正切激活函數(shù)，ht為h的轉置，形狀為d×t，softmax函數(shù)表示歸一化指數(shù)函數(shù)；

23、y＝[o1,o2,o3,...o5]ht

24、式中，使用輸出后的注意力矩陣[o1,o2,o3,...o5]與lstm模塊輸出的隱藏層向量ht相乘，y為經(jīng)過注意力層的注意力機制優(yōu)化后的輸出向量。

25、進一步，s202中，將所述輸出向量y輸入全連接層中進行特征融合，生成融合結果，使用sigmoid激活函數(shù)將融合結果歸一化到[0,1]范圍，生成t+1時刻的用戶需求預測值zt+1，并根據(jù)輸出向量和用戶需求預測值生成預期服務。

26、進一步，s300包括：

27、s301，采用相對優(yōu)勢值αij表示用戶對服務質量的評價，相對優(yōu)勢值的計算公式如下：

28、

29、式中，qi表示當前時刻用戶對服務質量的評價指數(shù)，qj表示前一時刻用戶對服務質量的需求評價指數(shù)，數(shù)值0、1、2分別表示用戶對服務質量需求的當前評價指數(shù)qi次于、等于、優(yōu)于對服務質量需求的先前評價指數(shù)qj；

30、s302，根據(jù)相對優(yōu)勢值，形成用戶對服務質量需求的判斷矩陣：

31、

32、式中，αkk表示判斷矩陣(aij)k×k中第k行第k列的元素；

33、s303，對判斷矩陣進行歸一化，將判斷矩陣轉化為標準單元格矩陣xij，計算公式如下：

34、

35、s304，對標準評判矩陣(xij)k×k進行歸一化處理，生成用戶對服務質量需求的第一權重值wsub，公式表示如下：

36、

37、式中，xij表示標準單元格矩陣，標準評判矩陣(xij)k×k是一個k×k的矩陣，表示第i行元素的和，而表示整個矩陣所有元素和的總和。

38、進一步，s400包括：

39、s401，對服務質量評價指標qij進行歸一化處理，具體處理公式如下：

40、

41、式中，qij表示服務質量評價指標，n表示候選服務的數(shù)量；

42、s402，通過以下公式計算信息熵：

43、

44、式中，若pij＝0，則n表示候選服務的數(shù)量；k為服務質量評價指標的維度數(shù)；

45、s403，根據(jù)信息熵，計算用戶對服務質量需求的第二權重值，計算公式如下：

46、

47、式中，k為服務質量評價指標的維度數(shù)，ej表示信息熵。

48、進一步，s500中，所述混合權重值的計算公式如下：

49、w＝αwsub+(1-α)wobj，0≤α≤1

50、式中，α為混合權重值的偏好系數(shù)，wsub和wobj分別表示用戶對服務質量需求的第一權重值和第二權重值。

51、進一步，s600包括：

52、s601，獲取若干候選服務，并構建服務質量評價矩陣：

53、

54、式中，n表示候選服務的服務數(shù)量，k表示每個候選服務的k個維度的服務質量評價指標；

55、s602，對服務質量評價矩陣進行歸一化處理，生成單元服務質量評價矩陣f，所述單元服務質量評價矩陣的計算公式如下：

56、

57、式中，fij表示服務質量評價矩陣，n表示候選服務的服務數(shù)量；

58、s603，根據(jù)所述混合權重值構建加權決策矩陣vij，所述加權決策矩陣vij的計算公式如下：

59、vij＝fij'×w

60、式中，fij'表示單元服務質量評價矩陣，w表示混合權重值；

61、s604，基于topsis多屬性決策方法，計算正理想點和負理想點，計算公式如下：

62、

63、式中，v+表示指標的正理想點，正理想點表示所有候選服務中服務質量指標的最大值，v-表示指標的負理想點，負理想點表示所有候選服務中服務質量指標的最小值，vnj表示加權決策矩陣vij中的元素；

64、s605，計算各候選服務到正理想點和負理想點的距離，計算公式如下：

65、

66、式中，表示第i個候選服務到正理想點的距離，表示第i個候選服務到負理想點的距離，vij表示加權決策矩陣；

67、s606，計算各候選服務與預期服務的貼近度，計算公式如下：

68、

69、式中，cdi表示第i個候選服務的貼近度，表示第i個候選服務到正理想點的距離，表示第i個候選服務到負理想點的距離，n表示候選服務的數(shù)量；

70、s607，根據(jù)各候選服務對應的貼合度，對各候選服務對應的貼合度進行降序排序，生成基于用戶需求驅動的服務質量評價指標的貼近度排序結果；

71、s608，根據(jù)所述貼近度排序結果，篩選貼近度排序結果中排名第一的候選服務作為服務發(fā)現(xiàn)結果。

72、本發(fā)明的有益效果：

73、本發(fā)明提出了一種基于用戶需求驅動的服務發(fā)現(xiàn)方法。首先，利用bi-lstm網(wǎng)絡構建用戶需求預測模型，以挖掘用戶對于服務質量的實時需求信息；其次，為了綜合考慮用戶對服務質量需求和服務質量評價指標之間的權重關系，本發(fā)明利用層次分析法和熵值法來計算用戶對服務質量的第一權重值和第二權重值。通過對包含第一權重值和第二權重值的混合權重因素的綜合評價，并生成服務發(fā)現(xiàn)結果，在動態(tài)變化的物聯(lián)網(wǎng)環(huán)境中為用戶匹配滿足其需求的服務，從而提高服務匹配準確率。