基于图注意力网络的智慧空间协同服务推荐方法与系统

本发明涉及服务推荐，具体涉及基于图注意力网络的智慧空间协同服务推荐方法与系统。

背景技术：

1、随着社会的快速发展，越来越多的社会性公共服务不断涌现。这些社会性公共服务包括但不限于教育、医疗、就业、社会福利、文化娱乐等方面的服务，旨在满足社会公众日益增长的基本需求、提高生活质量、促进社会发展。然而，社会性公众服务的多样性意味着存在大量的服务提供者和服务选项，但公众可能无法获得足够的信息来做出理性的选择，从而难以获得满足自身需求的服务。另外，社会性公共服务的资源往往有限，部分服务领域存在着资源不足、服务不均等问题，而有的服务领域却存在资源未充分利用、资源浪费等问题。通过研究服务推荐技术，可以更好地分析和预测用户需求，为资源的合理配置提供科学依据，提高服务的社会效益。

2、不同用户的需求存在差异，传统的服务提供方式往往无法满足个性化的需求。服务推荐技术可以根据用户的个人特征、偏好、需求等因素，为其提供个性化、精准的社会性公共服务，提高服务的匹配度和用户满意度。现有的服务推荐技术主要有基于矩阵分解和基于深度学习的方法。基于矩阵分解的方法利用已知的用户-服务交互数据构建用户-服务评分矩阵，其中每个元素表示用户对服务的评分或者交互情况。然后，通过奇异值分解、主成分分析、潜在因子模型等矩阵分解方法，将评分矩阵分解为用户矩阵和服务矩阵。最后，通过这些分解后的低维表示，对未知的用户-服务对进行预测和推荐。然而，矩阵分解通常只能捕捉用户和服务之间的线性关系，难以处理更复杂的非线性关系，在某些复杂场景下的推荐效果有限。基于深度学习的方法利用神经网络模型来学习用户和服务之间的复杂关系。这种方法通过多层次的非线性变换，能够学习到更加复杂和抽象的表示，从而提高推荐的准确性和泛化能力。

3、在用户与服务之间的交互中，一个用户可以与多个服务进行交互，同时一个服务也可以被多个用户所使用或评价，反映了用户和服务之间复杂的多对多关系。而深度学习中的图网络可以捕捉和表达复杂的非线性关系，适用于处理用户与服务之间的多对多关系，能够提高推荐的准确性和效果。

4、目前的现有技术之一是一种基于知识图谱和图神经网络的服务推荐方法及系统(cn117688238a)，该发明构建了用户-应用的协同知识图谱，采用图注意力网络更新用户与应用节点的特征表示，预测用户选择应用的概率，为用户呈现符合其偏好的应用服务推荐列表；该发明的缺点是：该发明仅基于用户与应用的交互数据构建协同知识图谱，没有考虑每个应用服务本身的质量水平，可能为用户推荐一些劣质服务，无法很好地满足用户需求。

5、目前的现有技术之二是一种智能社区服务推荐方法与系统(cn116579904a)，该发明通过对社区服务与社区群体之间的适配程度、便利程度和执行效率进行分析，筛选出与社区群体的匹配程度最高的社区服务；该发明的缺点是：该发明将社区中的所有用户视为一个整体，基于简单的数据分析方法评估社区服务与社区群体的匹配程度，缺乏对每个用户的特征和偏好进行分析，无法为特定用户推荐最符合其个人特征与需求的社区服务。

技术实现思路

1、本发明的目的是克服现有方法的不足，提出了基于图注意力网络的智慧空间协同服务推荐方法与系统。本发明解决的主要问题在于：1)如何采用弱标签学习技术从服务的文本特征中解耦出属性特征，在缺少部分标签的情况下获得准确的属性特征表示；2)如何基于服务本身的属性特征评估服务质量，为用户推荐高质量的服务；3)如何基于用户的历史交互服务数据学习用户偏好，并与用户个人特征、服务质量有效融合，为用户推荐符合其需求和偏好的高质量服务。

2、为了解决上述问题，本发明提出了基于图注意力网络的智慧空间协同服务推荐方法，所述方法包括：

3、收集服务数据集，并为属性集合赋予属性集合标签，包括服务属性集合标签与用户属性集合标签；

4、提取服务的属性特征，首先从服务的文本描述中提取出文本特征，再以所述服务属性集合标签作为监督信号，从文本特征中解耦出服务属性特征；

5、提取用户特征表示，基于所述用户属性集合标签提取用户的属性特征表示，并通过全局平均操作将用户属性特征聚合起来，获得用户的初始全局特征表示；

6、构建服务属性图网络，为每个服务构建属性图网络，学习不同属性之间的协调关系，并更新服务的特征表示，以评估服务本身的质量水平；

7、构建用户与服务历史交互图网络，以用户历史交互过的服务为节点，为每个用户构建服务交互图网络，获得用户的服务偏好特征表示，从而实现对用户的服务偏好的学习；

8、计算用户对候选服务的偏好得分，训练模型，生成个性化服务推荐列表。

9、优选地，所述收集服务数据集，并为属性集合赋予属性集合标签，包括服务属性集合标签与用户属性集合标签，具体为：

10、所述服务数据集包括服务数据、用户特征、用户与服务的历史交互数据；其中，对于服务数据s，第i项数据包含服务编号服务文本描述以及服务属性集合对于用户特征u，第j项数据包含用户编号以及用户属性集合对于用户与服务的历史交互数据h，第k项数据代表用户使用过的一个服务，包含用户编号服务编号及用户对服务的评价等级对于第j个用户，将其历史交互过的服务总数记为xj；

11、在通常情况下，服务数据能够反映服务的重要特征，用户特征反映每个用户客观存在的个人信息，用户与服务的历史交互数据反映了不同用户对服务的主观偏好；

12、针对服务预先定义一个通用的属性集合：

13、sattr＝{sn|n＝1,2,...,n}

14、其中，n为服务属性的总个数，包含服务主题、服务内容、服务对象等因素，sn为服务的第n个属性；

15、对于每个属性sn，定义其可能的取值：

16、

17、其中，mn为第n个属性可能取值的总数；

18、此时每个服务具有的属性集合标签为：

19、

20、其中，为第i个服务在第n个属性上的真实取值，若第i个服务具有该属性标签，则否则，

21、对于用户，同样预先定义一个通用的属性集合：

22、uattr＝{ut|t＝1,2,...,t}

23、其中，t为用户属性的总个数，包含用户性别、用户年龄、用户职业等个人信息；

24、同样地，依据收集到的用户信息，获得每个用户具有的属性集合标签为：

25、

26、优选地，所述提取服务的属性特征，首先从服务的文本描述中提取出文本特征，再以所述服务属性集合标签作为监督信号，从文本特征中解耦出服务属性特征，具体为：

27、根据所收集到的服务数据中的所述服务文本描述，对第i个服务使用预训练的transformer模型，对其文本描述提取该服务的文本特征表示texti；

28、对于预定义的n个服务属性，采用n个mlp，从所述服务的文本特征表示中分别解耦出对应属性的特征，具体为：

29、

30、其中，为解耦所得的第i个服务在第n个属性上的特征表示；

31、为了让解耦得到的服务属性特征更为准确，在解耦的过程中采用弱标签学习技术，以已有的属性标签对其进行部分监督，包括采用n个mlp作为属性分类器classfier，分别根据解耦所得的服务属性特征预测属性值，具体为：

32、

33、其中，中每个元素为预测的第i个服务在第n个属性上为对应属性值的概率；

34、为了获得更为准确的属性特征，采用交叉熵损失进行约束，使得预测的服务属性值与真实标签更为接近，具体为：

35、

36、其中，为第i个服务在第n个属性上具有的真实属性标签；

37、在上述过程中，获得了n个预先定义好的服务属性特征表示，同时引入一个“其他”属性作为第n+1个属性来囊括所有未被定义的属性，该属性特征同样通过一个专门的mlp映射得到，具体为：

38、

39、其中，所述“其他”属性包含了这n个属性之外的信息，进而将服务特征补充完整，采用余弦相似性损失来约束“其他”属性特征与前n个属性特征分别正交，具体为：

40、

41、其中，cos(·,·)为余弦相似性函数，将“其他”属性特征也视为服务的一个正常属性特征，因此，每个服务共有n+1个属性特征对其各方面进行描述。

42、优选地，所述提取用户特征表示，基于所述用户属性集合标签提取用户的属性特征表示，并通过全局平均操作将用户属性特征聚合起来，获得用户的初始全局特征表示，具体为：

43、在所述用户属性集合uattr中，每个用户都填写了所有属性的对应取值，用户属性标签完整，故在提取用户的属性特征时，采用word2vec词嵌入模型直接将用户的属性标签映射到低维连续向量空间中，获得第j个用户在第t个属性上的特征表示

44、得到用户属性特征后，采用全局平均池化操作将所有属性特征聚合起来，获得第j个用户的初始全局特征表示其中包含了第j个用户的性别、年龄、职业等个人信息。

45、优选地，所述构建服务属性图网络，为每个服务构建属性图网络，学习不同属性之间的协调关系，并更新服务的特征表示，以评估服务本身的质量水平，具体为：

46、对于第i个服务，构建图网络，具体为：

47、

48、其中，是一组代表第i个服务第n个属性的节点集合，每个节点的特征初始化为所述解耦所得的属性特征表示为该图的边连接集合，在所有两两节点之间建立边连接，即将两两节点之间的边连接定义为1，每个节点都是其余节点的邻居节点；

49、将各个属性上的信息传递过程与注意力机制相结合，具体地，对第i个服务的属性节点hp和hq，计算二者的注意力得分，具体为：

50、

51、其中，αpq为节点hq对节点hp的重要性得分，||为向量拼接操作，ws为线性变换的权重矩阵，exp(·)为自然指数函数，用于将线性变化的结果转换为一个非负数值，为节点hp的邻居节点集合，和分别为节点hp、hp和hz的特征表示；

52、基于所述注意力得分，定义从节点hp传递属性信息到节点hp的过程，具体为：

53、

54、其中，wp和bp分别是待学习的权重和偏差，为leakyrelu激活函数，⊙为逐元素乘法，即计算节点特征和的hadamard积，使节点hp能够不断获取与节点hq的协调信息，有利于发现二者潜在的关联关系；

55、通过汇总所有邻居节点传递的信息，可以将节点hp的特征表示更新为：

56、

57、其中，为节点hp的邻居节点总数，为节点hp更新后的特征表示，具有其本身特征及与邻居节点的协调信息；

58、将所有属性节点更新后的特征表示拼接起来，输入mlp获得该服务的质量得分：

59、

60、其中，ws和bs为mlp的参数，ω(·)为relu激活函数，scorei为第i个服务的质量得分；

61、将图网络更新后的节点特征拼接起来，并采用全局平均操作映射到服务空间，获得服务的整体特征表示：

62、

63、其中，mean(·)为全局平均池化操作，fi为第i个服务的整体特征表示，其中包含了多个属性的信息及属性之间的协调关系。

64、优选地，所述构建用户与服务历史交互图网络，以用户历史交互过的服务为节点，为每个用户构建服务交互图网络，获得用户的服务偏好特征表示，从而实现对用户的服务偏好的学习，具体为：

65、根据所收集到的用户对服务的历史交互数据，对每个用户构建服务历史交互图网络，对第j个用户，构建服务历史交互图网络：

66、

67、其中，是一组由用户历史交互过的服务以及待评估的候选服务组成的节点集合；

68、对于第j个用户历史交互过的第i个服务，其特征初始化为所述服务属性图网络更新后的服务整体特征表示fi，则是该图的边连接集合，除了候选服务节点，同一个图网络中的其余所有节点都代表同一用户历史交互过的服务，代表用户的历史偏好；在候选服务节点与其余所有节点之间建立边连接，对于第j个用户历史交互过的第i个服务，对应的节点与候选服务节点之间的连接权重为用户对该服务的历史评分评分越高表示用户对该服务的满意程度越高，越能反映用户的历史服务偏好，此时所有节点都是候选服务节点的邻居节点；

69、基于不同的边连接权重，将各个服务上的信息传递过程与注意力机制相结合，更新候选服务节点的特征，对第j个用户历史交互过的服务节点hr和候选服务节点hi，计算二者的注意力得分如下：

70、

71、其中，αir为节点hr对节点hi的重要性得分，wu为线性变换的权重矩阵，为节点hi的邻居节点集合，fi、fr和fo分别为服务节点hi、hr和ho的整体特征表示；

72、基于所述注意力得分αir，定义从节点hr传递服务信息到节点hi的过程如下：

73、

74、其中，wr和br分别是待学习的权重和偏差，⊙为逐元素乘法，即计算节点特征fi和fr的hadamard积，使节点hi能够不断获取与节点hr的协调信息，有利于建模二者潜在的关联关系，通过汇总所有邻居节点传递的信息，可以将节点hi的特征表示更新为：

75、

76、为节点hi的邻居节点总数，为节点hi更新后的特征表示，具有其本身特征及与邻居节点的协调信息，即将用户的历史服务偏好信息融合到待评估的候选服务节点特征中。

77、优选地，所述计算用户对候选服务的偏好得分，训练模型，生成个性化服务推荐列表，具体为：

78、基于所述用户的初始特征表示和所述包含用户偏好信息的候选服务特征将二者拼接后输入mlp，输出融合用户个人特征与用户偏好的候选服务评分，并在此基础上融合服务质量得分，计算融合用户特征与候选服务质量的偏好得分：

79、

80、其中，wc和bc为mlp的参数，为第j个用户对第i个服务的偏好得分，λ的取值范围为[0,1]，表示用户特征和服务质量在计算个性化服务偏好得分时所占的比重；

81、以所述用户与服务的历史交互数据h为正训练样本ε+，在所述服务数据s中随机抽取一个服务，与用户组成一个用户服务交互负训练样本ε-，每个用户的正样本和负样本数量相同，并采用贝叶斯个性化排序算法bpr根据个性化服务偏好得分构造损失函数：

82、

83、其中，分别为正、负样本中用户对服务的个性化偏好得分，σ是sigmoid激活函数；

84、所述模型的总损失函数为：

85、l＝ls+lcos+lbpr

86、采用随机梯度下降算法训练神经网络模型参数，直至模型收敛；

87、训练好模型后，将待评估的候选服务依次输入网络获得用户对其的个性化偏好得分，对所有候选服务的偏好得分从高到低进行排序，生成对应的高质量服务个性化推荐列表。

88、相应地，本发明还提供了基于图注意力网络的智慧空间协同服务推荐系统，包括：

89、数据集合单元，收集服务数据集，并为属性集合赋予属性集合标签，包括服务属性集合标签与用户属性集合标签；

90、特征提取单元，提取服务的属性特征，首先从服务的文本描述中提取出文本特征，再以所述服务属性集合标签作为监督信号，从文本特征中解耦出服务属性特征；

91、特征聚合单元，提取用户特征表示，基于所述用户属性集合标签提取用户的属性特征表示，并通过全局平均操作将用户属性特征聚合起来，获得用户的初始全局特征表示；

92、网络构建单元，构建服务属性图网络，为每个服务构建属性图网络，学习不同属性之间的协调关系，并更新服务的特征表示，以评估服务本身的质量水平；

93、偏好学习单元，构建用户与服务历史交互图网络，以用户历史交互过的服务为节点，为每个用户构建服务交互图网络，获得用户的服务偏好特征表示，从而实现对用户的服务偏好的学习；

94、服务推荐单元，计算用户对候选服务的偏好得分，训练模型，生成个性化服务推荐列表。

95、实施本发明，具有如下有益效果：

96、本发明基于服务的文本描述，提取文本特征，并采用部分监督的方式从文本特征中解耦出属性特征，能够使解耦得到的属性特征更为准确，克服了服务的属性标签存在部分缺失的阻碍；本发明引入“其他”属性来囊括未被定义的属性特征，使得属性特征能够表达更为完整的服务信息，减少了解耦过程中的信息损失；本发明基于解耦得到的服务属性特征，为每个服务构建属性图网络，通过注意力机制学习不同属性之间的注意力权重，以注意力权重更新属性节点特征。通过图注意力网络的信息传递，能够学习到不同属性之间的协调关系，有助于评估服务的质量，进而能够为用户推荐高质量的服务；由于不同用户喜欢或需要的服务各异，需要学习用户的服务偏好，本发明基于用户与服务的历史交互数据，为每个用户构建服务历史交互图网络，学习用户的服务偏好；此外，基于用户的个人信息学习用户特征，本发明将用户个人信息、用户服务偏好与服务质量融合，计算用户对候选服务的个性化偏好得分，并根据得分高低为用户推荐既满足用户需求、质量又高的服务。

技术特征：

1.基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述方法包括：

2.如权利要求1所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述收集服务数据集，并为属性集合赋予属性集合标签，包括服务属性集合标签与用户属性集合标签，具体为：

3.如权利要求2所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述提取服务的属性特征，首先从服务的文本描述中提取出文本特征，再以所述服务属性集合标签作为监督信号，从文本特征中解耦出服务属性特征，具体为：

4.如权利要求2所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述提取用户特征表示，基于所述用户属性集合标签提取用户的属性特征表示，并通过全局平均操作将用户属性特征聚合起来，获得用户的初始全局特征表示，具体为：

5.如权利要求3所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述构建服务属性图网络，为每个服务构建属性图网络，学习不同属性之间的协调关系，并更新服务的特征表示，以评估服务本身的质量水平，具体为：

6.如权利要求4或5所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述构建用户与服务历史交互图网络，以用户历史交互过的服务为节点，为每个用户构建服务交互图网络，获得用户的服务偏好特征表示，从而实现对用户的服务偏好的学习，具体为：

7.如权利要求6所述的基于图注意力网络的智慧空间协同服务推荐方法，其特征在于，所述计算用户对候选服务的偏好得分，训练模型，生成个性化服务推荐列表，具体为：

8.基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述系统包括：

9.如权利要求8所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述收集服务数据集，并为属性集合赋予属性集合标签，包括服务属性集合标签与用户属性集合标签，具体为：

10.如权利要求9所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述提取服务的属性特征，首先从服务的文本描述中提取出文本特征，再以所述服务属性集合标签作为监督信号，从文本特征中解耦出服务属性特征，具体为：

11.如权利要求9所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述提取用户特征表示，基于所述用户属性集合标签提取用户的属性特征表示，并通过全局平均操作将用户属性特征聚合起来，获得用户的初始全局特征表示，具体为：

12.如权利要求10所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述构建服务属性图网络，为每个服务构建属性图网络，学习不同属性之间的协调关系，并更新服务的特征表示，以评估服务本身的质量水平，具体为：

13.如权利要求11或12所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述构建用户与服务历史交互图网络，以用户历史交互过的服务为节点，为每个用户构建服务交互图网络，获得用户的服务偏好特征表示，从而实现对用户的服务偏好的学习，具体为：

14.如权利要求13所述的基于图注意力网络的智慧空间协同服务推荐系统，其特征在于，所述计算用户对候选服务的偏好得分，训练模型，生成个性化服务推荐列表，具体为：

技术总结
本发明公布了基于图注意力网络的智慧空间协同服务推荐方法，包括：对服务数据集中的属性集合赋予标签；通过服务文本提取出服务的属性特征，通过用户属性集合标签获得用户特征表示；构建服务属性图网络和用户与服务历史交互图网络，以评估服务质量水平和学习用户服务偏好，以用户服务偏好训练模型，生成个性化服务推荐列表。此外，本发明还提供了基于图注意力网络的智慧空间协同服务推荐系统，本发明基于用户的个人信息学习用户特征，将用户个人信息、用户服务偏好与服务质量融合，计算用户对候选服务的个性化偏好得分，能够根据得分高低为用户推荐既满足用户需求、质量又高的服务。

技术研发人员：林格,陈小燕,苏卓,林谋广
受保护的技术使用者：中山大学
技术研发日：
技术公布日：2024/9/23