一种基于高效马尔科夫毯学习机制的服务推荐方法及系统与流程

本发明涉及服务推荐领域，特别是一种基于高效马尔科夫毯学习机制的服务推荐方法及系统。

背景技术：

1、随着互联网和信息技术的快速发展，电子商务、网上服务与交易等网络业务越来越普及，大量的信息聚集起来，形成海量信息。用户想要从海量信息中快速准确地寻找到自己感兴趣的信息已经变得越来越困难，特别是在各类电子商务领域中这点显得更加突出。为了解决这个问题，各类个性化服务推荐系统应运而生。

2、对于服务推荐，其关键技术之一是对大量用户数据进行准确的特征选择。其中，马尔科夫毯理论是常见的因果特征选择策略，相较于传统的特征选择方法，其更多专注特征之间的因果关系，而不是相关关系，从而能够提升推荐模型的可解释性和鲁棒性。在因果贝叶斯网络中，目标变量的马尔科夫毯集合暗示了变量的局部因果关系，从而能够应用于服务推荐模型。为了提升马尔科夫毯学习的效果，学者们从多种角度提出了不同的方案。然而现有的一些马尔科夫毯学习方法仍然具有高复杂度，效率较低的缺点，在一些节点数量较多的贝叶斯网络上难以取得理想的效果，而且会造成服务平台计算资源、存储空间的消耗较大。因此如何在降低计算机资源消耗的同时保证在多层网络中特征选择的正确性，是目前亟需解决的技术难题。

技术实现思路

1、针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种基于高效马尔科夫毯学习机制的服务推荐方法及系统。本发明使用互信息对变量关系的量化，我们使用两个参数δ1和δ2分别用来控制父子变量的候选配偶集合的大小，从而简化问题规模，提高效率。在方法的输入阶段需要将代表整个bn网络数据的数据集，以及感兴趣的目标变量作为输入。而经过算法的处理，在网络中暗含的目标变量的马尔科夫毯成为算法的输出，并成为服务推荐模型的一种可解释性与鲁棒性更高的一个特征集合，并使用该特征集合构建推荐过程。具体来说，本发明从马尔科夫毯学习的两阶段过程出发，使用分别简化两阶段学习过程的策略来实现高效的马尔科夫毯学习机制，降低了计算的复杂度，减少了计算机资源消耗，提高了推荐过程的速度和准确率。

2、根据本发明的目的，本发明提出了一种基于高效马尔科夫毯学习机制的服务推荐方法，应用于服务推荐平台，包括如下的步骤：

3、s1：从表征贝叶斯网络的数据集中获取两个节点之间的关系；

4、s2：利用最大相关最小冗余（max-relevance and min-redundancy，mrmr）方法，获取目标变量的父子变量；

5、s3：结合s2中的父子变量确定非父子变量，计算节点之间互信息关系并保持降序排序；

6、s4：结合s3中的结果，从非父子变量筛选出候选配偶变量；

7、s5：从候选配偶变量中根据配偶变量的性质识别真实配偶节点，从而提升效率，并结合s2中获取的父子变量，得到目标变量的马尔科夫毯集合。

8、其中，所述表征贝叶斯网络的数据集为用户行为信息的集合，所述马尔科夫毯集合用于服务推荐模型的用户特征选择，所述服务推荐模型依据前述选择出来的用户特征进行网络训练。

9、所述步骤s1-s5的具体实施方式参见下文。

10、本发明还提供了可编程的各类处理器（fpga、asic或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述方法中的步骤；本发明还提供了对应的计算机推荐系统，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上述方法中的步骤。

11、本发明挖掘了因果网络中节点之间的因果关系以学习马尔科夫毯集合，利用父子节点和配偶节点识别过程的连续性，通过简化在因果网络中迭代识别目标变量父子变量和从其他变量中识别配偶变量的过程，结合新的识别节点之间的因果关系策略简化马尔科夫毯学习过程，降低了马尔科夫毯学习过程的复杂度，进而减少了计算机资源消耗，提高了推荐过程的速度和准确率。

12、本发明具备如下的有益效果：

13、1.传统马尔科夫毯学习具有极高的复杂度，本文提出的两阶段分别简化的方法简化了马尔科夫毯学习的过程，减少了计算机资源的消耗，提升了运算平台的性能。

14、2.在配偶变量的学习中，不仅利用了节点间的因果关系，还考虑了非相关节点的冗余性，在提升运算速度的同时提升了结果准确率。

15、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

技术特征：

1.一种基于高效马尔科夫毯学习机制的服务推荐方法，应用于服务推荐平台，其特征在于，包括如下的步骤：

2.如权利要求1所述的方法，其特征在于，所述s1包括：

3.如权利要求2所述的方法，其特征在于，所述s2包括：

4.如权利要求3所述的方法，其特征在于，所述s3包括：

5.如权利要求1所述的方法，其特征在于，所述s4包括：

6.如权利要求1所述的方法，其特征在于，所述s5包括：

7.如权利要求3或5所述的方法，其特征在于，δ1和δ2的取值分别为0.05与0.1。

8.一种服务推荐系统，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，其特征在于：所述处理器执行所述程序时实现如权利要求1-6中任一项所述的方法。

技术总结
本发明提供了一种基于高效马尔科夫毯学习机制的服务推荐方法，应用于服务推荐平台，其特征在于，包括：S1：从表征贝叶斯网络的数据集中获取两个节点之间的关系；S2：利用最大相关最小冗余MRMR方法，获取目标变量的父子变量；S3：结合S2中的父子变量确定非父子变量，计算节点之间互信息关系并保持降序排序；S4：结合S3中的结果，从非父子变量筛选出候选配偶变量；S5：从候选配偶变量中根据配偶变量的性质识别真实配偶节点，从而提升效率，并结合S2中获取的父子变量，得到目标变量的马尔科夫毯集合。所述方法减少了计算机资源的消耗，提升了运算平台的性能。

技术研发人员：王愿,曹骞,冯松,丁泽舟,张以文
受保护的技术使用者：安徽省模式识别信息技术有限公司
技术研发日：
技术公布日：2024/1/14