公开(公告)号：CN117370651A

公开(公告)日：2024-01-09

申请号：CN202311271550.2

申请日：2023-09-28

Applicant: 中国计量大学 ,  浙江工业大学

Inventor： 陆佳炜 ,  李端倪 ,  王琪冰 ,  肖刚 ,  李琛 ,  张旭东 ,  费佳欢 ,  施佳程

IPC: G06F16/9535 ,  G06F16/901 ,  G06N3/0464 ,  G06N3/048

Abstract: 一种基于全局多行为依赖的SaaS服务推荐方法,该方法首先对服务交互数据进行挖掘，得到行为感知序列和服务划分集；其次，利用行为感知序列和服务划分集构建行为感知超图，并结合超图自注意力机制度量用户与API服务之间多行为交互的重要性差异；然后，基于谱分解理论设计了行为感知超图上的超图卷积过程，利用超图信号表示全局多行为依赖；最后，结合全局序列特征和服务嵌入向量得到API服务的推荐分数，进行服务推荐。本发明对用户复杂、异构的行为特征进行有效建模，能较好地度量多行为交互的重要性差异，使得服务推荐结果具有较高的相关性。

公开(公告)号：CN120066556A

公开(公告)日：2025-05-30

申请号：CN202510085350.0

申请日：2025-01-20

Applicant: 中国计量大学

Inventor： 肖刚 ,  施佳程 ,  陆佳炜 ,  费佳欢 ,  高佳诚

IPC: G06F8/70 ,  G06F8/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 一种基于多策略预训练模型的冷启动服务推荐方法，包括以下步骤：第一步，基于标签构建超图，提取冷启动服务特征，构建服务嵌入；第二步，基于奇异值分解的超图对比学习，获取增强的服务嵌入；第三步，基于描述文本的对比学习，获得基于内容优化的服务嵌入；第四步，通过下游推荐任务对冷启动推荐模型进行微调。本发明针对无历史交互记录的Web API的数据特征进行分析优化，并以超图神经网络作为技术支撑，设计了一种基于多策略预训练模型的冷启动服务推荐方法，旨在解决无任何历史交互信息的API的推荐问题，并优化服务的推荐性能。

公开(公告)号：CN117539941A

公开(公告)日：2024-02-09

申请号：CN202311504037.3

申请日：2023-11-13

Applicant: 中国计量大学 ,  浙江浙旅投数字科技有限公司 ,  浙江省旅游投资集团有限公司 ,  浙江工业大学

Inventor： 陆佳炜 ,  李端倪 ,  张晓烨 ,  蔡耘 ,  徐良忠 ,  肖刚 ,  徐俊 ,  郑嘉弘 ,  施佳程

IPC: G06F16/25 ,  G06F16/9535 ,  G06F16/9538

Abstract: 一种面向web3.0的服务数据损失函数正负例采样与再推荐方法，该方法首先利用损失函数正负例采样规则，对服务数据进行采样，获取损失函数正例与负例；然后，利用损失函数正例与负例，构成多样性样本对，优化损失函数的收敛过程；最后，生成再推荐结果，并使用基于行列式点过程的方法进行排序。本发明效率高、具有较好的通用性。

公开(公告)号：CN120066557A

公开(公告)日：2025-05-30

申请号：CN202510085356.8

申请日：2025-01-20

Applicant: 中国计量大学

Inventor： 陆佳炜 ,  施佳程 ,  肖刚 ,  费佳欢 ,  王琪冰 ,  高佳诚

IPC: G06F8/70 ,  G06F8/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06N3/0455 ,  G06F18/213

Abstract: 一种云原生场景冷启动数据服务特征提取方法，包括以下步骤：第一步、提取基于标签信息的冷启动服务超图；第二步、基于元聚合器处理冷启动邻居节点数据；第三步、基于自适应采样策略改进超图聚合操作；第四步、根据热启动编码器预测的嵌入对冷启动编码器参数进行优化；第五步、通过下游推荐任务对冷启动推荐模型进行微调。本发明有效解决无任何历史交互信息的纯冷启动API的推荐问题。

公开(公告)号：CN119271879A

公开(公告)日：2025-01-07

申请号：CN202411271158.2

申请日：2024-09-11

Applicant: 中国计量大学

Inventor： 陆佳炜 ,  李端倪 ,  蔡万闯 ,  王琪冰 ,  肖刚 ,  施佳程

IPC: G06F16/9535 ,  G06Q50/10

Abstract: 一种基于跨视图对比学习的多样化云原生服务推荐方法，首先创建服务数据集，抽取图结构，包括用户‑服务图、用户‑组合图和组合‑服务图，然后，进行多样化推荐视图划分；针对多样化推荐视图中的图结构，利用图编码器进行编码，构建单项服务视图的用户向量、云原生服务向量，以及组合服务视图的用户向量、云原生服务向量和服务组合向量；对单项服务视图以及组合服务视图中的用户、云原生服务向量进行数据增强操作，构造用户样本对和服务样本对，基于用户样本对和服务样本对开展跨视图对比学习；计算服务推荐分数和列表内相似性，根据服务推荐分数和列表内相似性进行多样化服务推荐。本发明优化服务推荐体验，提高服务推荐结果的多样性程度。

公开(公告)号：CN119271878A

公开(公告)日：2025-01-07

申请号：CN202411271155.9

申请日：2024-09-11

Applicant: 中国计量大学

Inventor： 陆佳炜 ,  李端倪 ,  蔡万闯 ,  肖刚 ,  王琪冰 ,  郑嘉弘 ,  施佳程

IPC: G06F16/9535 ,  G06Q50/10

Abstract: 一种基于云场景服务组合关系的服务数据捆绑推荐方法，引入捆绑推荐思想对服务场景进行建模，首先从API服务和服务组合中抽取出捆绑推荐层和捆绑推荐关系，并将其转换为捆绑交互图结构；其次，对捆绑交互图进行初始编码，利用初始编码结果构造中间向量，加权聚合中间向量以构造用户、服务和捆绑向量；然后，对用户、服务和捆绑向量进行拼接，构建用户‑服务向量和用户‑捆绑向量；最后，利用用户‑服务向量和用户‑捆绑推荐向量计算捆绑分数，基于捆绑推荐分数进行服务推荐。本发明提高服务推荐的相关性和精确度。