特許ウォッチ

公開番号2025080204
公報種別公開特許公報(A)
公開日2025-05-23
出願番号2023216478
出願日2023-12-22
発明の名称web3.0向けのサービスデータ損失関数正負例サンプリング及び再推薦方法
出願人中国計量大学,浙江浙旅投数字科技有限公司,浙江省旅游投資集団有限公司
代理人個人,個人,個人,個人
主分類G06F 16/28 20190101AFI20250516BHJP(計算;計数)
要約【課題】効率が高く、良い汎用性がある、web3.0向けのサービスデータ損失関数正負例サンプリング及び再推薦方法を提供する。
【解決手段】方法は、まず損失関数正負例サンプリングルールを利用して、サービスデータをサンプリングし、損失関数正例と負例を取得し、そして、損失関数正例と負例を利用して多様性サンプルペアを構成し、損失関数の収束過程を最適化させ、最後に、再推薦結果を生成し、且つ行列式点過程に基づく方法を用いて並べ替える。
【選択図】図1
特許請求の範囲【請求項１】
ｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法であって、
ステップ１において、サービスデータにおけるＡＰＩサービスの属する機能分野と記述文書情報に基づいて、損失関数正負例サンプリングルールを設計し、過程は、以下のとおりであり、
１．１サービスデータ：サービス推薦モデルが訓練過程において用いるデータであり、ＡＰＩサービス、機能分野、サービス組み合わせ、呼び出しシーケンス、及び記述文書を含み、
１．２ＡＰＩサービス：アプリケーションプログラムインターフェースＡＰＩであり、記号ａで表し、
１．３機能分野：ＡＰＩサービスの属する機能タイプ及び応用分野であり、記号ｃで表し、ＡＰＩサービスの事前情報であり、
１．４サービス組み合わせ：２つ以上のＡＰＩサービスを組み合わせ、新たなＡＰＩサービスを形成し、記号ｍで表し、ＡＰＩサービスの事前情報であり、
１．５呼び出しシーケンス：時間順に並べられる、ユーザがアクセスするＡＰＩサービス配列であり、記号ｓで表し、
１．６記述文書：ＡＰＩサービスの機能分野、インターフェース情報を記述するテキストデータであり、記号ｄで表し、ＡＰＩサービスの事前情報であり、
１．７損失関数正負例：損失関数の収束過程において、サンプリングされるサービスデータを損失関数正例と呼び、サンプリングされていないサービスデータを損失関数負例と呼び、それぞれ記号ｌ
＋
とｌ
－
で表し、各損失関数正例は、対応する複数の損失関数負例が存在し、両者の組み合わせを損失関数正負例と呼び、
１．８損失関数正負例サンプリングルール：ユーザにより直接的に呼び出される及びサービス組み合わせにより間接的に呼び出されるＡＰＩをサービスデータから損失関数正例として選択し、他のサービスデータに対して、まず事前情報に基づく損失関数正例類似度計算方法を用いて類似度を得、そして高類似度のサービスデータを損失関数負例として選択し、
ステップ２において、ステップ１．８において作成された損失関数正負例サンプリングルールに従って、サービスデータに対して損失関数正負例サンプリングを行った上で、類似度閾値ζを利用して損失関数負例の数を限制し、
ステップ３において、損失関数正負例を利用して多様性サンプルペアを構成し、サービス推薦モデルにおける損失関数の収束過程を最適化させ、多様化サービス推薦結果セットを得、
ステップ４において、初期サービス推薦結果セットと多様化サービス推薦結果セットを統合し、再推薦結果を生成し、最後に、行列式点過程方法を利用して再推薦結果の再並べ替えを行う、ことを特徴とするｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
続きを表示（約 9,500 文字）【請求項２】
前記１．８では、事前情報に基づく損失関数正負例類似度の計算過程は、以下のとおりであり、
１．８．１損失関数正例である１つのＡＰＩサービスを任意に選択し、ａ
＋
とし、それぞれそれが属する機能分野と記述文書を記号ｃ
＋
とｄ
＋
で表し、
１．８．２他のサービスデータから１つのＡＰＩサービスを任意に選択し、ａとし、それぞれそれが属する機能分野と記述文書を記号ｃとｄで表し、
１．８．３ｄ
＋
とｄを事前訓練言語モデルに入力し、得られた結果をａ
＋
とａの埋め込みベクトルとし、それぞれ記号ｅ
ａ＋
と記号ｅ
ａ
で表し、そのうち、事前訓練言語モデルは、常用のディープラーニング方法であり、テキストデータを語ベクトルに変換することができ、
１．８．４ｅ
ａ＋
とｅ
ａ
との間の余弦距離の計算：ｅ
ａ＋
の転置ベクトルとｅ
ａ
を乗算し、そして両者の大きさで割り、結果を記号
JPEG
2025080204000161.jpg
14
42
で表し、
１．８．５ｃ
＋
とｃとの間のＪａｃｃａｒｄ類似係数の計算：まずｃ
＋
の大きさとｃの大きさを加算した後、ｃ
＋
とｃの積集合の大きさを減算し、結果をｔｅｍｐとし、そして、ｃ
＋
とｃの積集合の大きさをｔｅｍｐで割り、結果を
JPEG
2025080204000162.jpg
13
48
とし、
１．８．６余弦距離のＪａｃｃａｒｄ類似係数を線形変換し、その結果を０～１の範囲に制限し、線形変換後の結果をそれぞれ記号
JPEG
2025080204000163.jpg
16
39
と記号
JPEG
2025080204000164.jpg
14
49
で表し、線形変換は、数学演算であり、ベクトルの加算と数の乗算を保持する性質を有し、
１．８．７
JPEG
2025080204000165.jpg
11
44
と
JPEG
2025080204000166.jpg
14
49
の大きさを比較し、大きい者をａ
＋
とａの類似度係数とし、記号
JPEG
2025080204000167.jpg
9
39
で表し、
１．８．８
JPEG
2025080204000168.jpg
9
39
を出力する、ことを特徴とする請求項１に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項３】
前記ステップ２の過程は、以下のとおりであり、
２．１損失関数正負例サンプリング：サービス推薦モデルの訓練過程で、損失関数正負例サンプリングルールに従って、損失関数で用いられるサービスデータを抽出、分類し、損失関数正例サンプリングと損失関数負例サンプリングの２つの過程に細分化することができ、
２．２損失関数正例サンプリング：損失関数正負例サンプリングルールに従って、サービスデータから損失関数正例を選択し、
２．３損失関数負例サンプリング：損失関数正負例サンプリングルールに従って、サービスデータから損失関数負例を選択し、
２．４損失関数負例の数の限制：２．３をした上で、損失関数負例を得た後、類似度閾値ζによって損失関数負例の数をさらに限制する、ことを特徴とする請求項１又は２に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項４】
前記２．２では、損失関数正例サンプリングの過程は、以下のとおりであり、
２．２．１損失関数正例セットを定義し、記号ｓｅｔ
＋
で表し、
２．２．２サービスデータにおけるＡＰＩサービスをトラバースし、ｉ回目に取られたＡＰＩサービスをａ
ｉ
とし、
２．２．３サービスデータにおける呼び出しシーケンスをトラバースし、ｊ回目に取られた呼び出しシーケンスをｓ
ｊ
とし、
２．２．４ｓ
ｊ
にａ
ｉ
が含まれる場合に、ａ
ｉ
が直接的に呼び出されると呼び、ａ
ｉ
を損失関数正例
JPEG
2025080204000169.jpg
10
6
とし、それをｓｅｔ
＋
に追加した後、２．２．２にジャンプし、
２．２．５ｓ
ｊ
がサービスデータにおける最後の１つの呼び出しシーケンスである場合に、トラバースを終了させ、
２．２．６サービスデータにおけるサービス組み合わせをトラバースし、ｋ回目に取られたサービス組み合わせをｍ
ｋ
とし、
２．２．７ｍ
ｋ
にａ
ｉ
が含まれる場合に、ａ
ｉ
が間接的に呼び出されると呼び、ａ
ｉ
を損失関数正例
JPEG
2025080204000170.jpg
10
6
とし、それをｓｅｔ
＋
に追加した後、２．２．２にジャンプし、
２．２．８ｍ
ｋ
がサービスデータにおける最後の１つの呼び出しシーケンスである場合に、トラバースを終了させ、
２．２．９ａ
ｉ
がサービスデータにおける最後の１つのＡＰＩサービスである場合に、トラバースを終了させ、
２．２．１０損失関数正例セットｓｅｔ
＋
を出力する、ことを特徴とする請求項３に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項５】
前記２．３では、損失関数負例サンプリングの過程は、以下のとおりであり、
２．３．１サービスデータにおけるすべてのＡＰＩサービスを取り出し、セットＡを構成し、
２．３．２セットＡと損失関数正例セットｓｅｔ
＋
との差集合を取り、差集合を損失関数負例候補セットと定義し、記号ｐｒｅＳｅｔで表し、
２．３．３損失関数正例セットｓｅｔ
＋
をトラバースし、ｉ回目に取られた損失関数正例を記号
JPEG
2025080204000171.jpg
10
6
で表し、
２．３．４
JPEG
2025080204000172.jpg
10
6
に対応する損失関数負例セットを定義し、記号
JPEG
2025080204000173.jpg
9
12
で表し、
２．３．５ｐｒｅＳｅｔをトラバースし、ｊ回目に取られた損失関数負例候補を記号ｐｓ
ｊ
で表し、
２．３．６ステップ１．８で定義された事前情報に基づく損失関数正負例類似度計算方法に従ってｐｓ
ｊ
と
JPEG
2025080204000174.jpg
10
6
との類似度を得、記号
JPEG
2025080204000175.jpg
12
28
で表し、
２．３．７ｐｓ
ｊ
を
JPEG
2025080204000176.jpg
9
12
に追加し、
２．３．８ｐｓ
ｊ
がｐｒｅＳｅｔにおける最後の１つの損失関数負例候補例である場合に、トラバースを終了させ、
２．３．９
JPEG
2025080204000177.jpg
10
6
がｓｅｔ
＋
における最後の１つである場合に、トラバースを終了させる、ことを特徴とする請求項３に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項６】
前記２．４では、損失関数負例の数の限制過程は、以下のとおりであり、
２．４．１類似度閾値ζが損失関数負例の数を制御するために用いられるように定義し、
２．４．２損失関数負例限制セット
JPEG
2025080204000178.jpg
10
15
を定義し、
２．４．３損失関数正例セットｓｅｔ
＋
をトラバースし、ｉ回目に取られた損失関数正例を
JPEG
2025080204000179.jpg
10
6
とし、それに対応する損失関数負例セットを
JPEG
2025080204000180.jpg
9
12
とし、
２．４．４
JPEG
2025080204000181.jpg
9
12
における類似度が最も高いｎ個の損失関数負例をＮ
－
として選択し、
２．４．５Ｎ
－
をトラバースし、ｊ回目に取られた損失関数負例を
JPEG
2025080204000182.jpg
12
9
とし、
２．４．６
JPEG
2025080204000183.jpg
12
9
と
JPEG
2025080204000184.jpg
10
6
との類似度を
JPEG
2025080204000185.jpg
11
26
とし、
２．４．７
JPEG
2025080204000186.jpg
11
26
とζの大きさを比較し、
JPEG
2025080204000187.jpg
11
26
が大きい場合に、
JPEG
2025080204000188.jpg
12
9
を保持し且つそれを
JPEG
2025080204000189.jpg
10
15
に追加し、ζが大きい場合に、
JPEG
2025080204000190.jpg
12
9
を捨て、
２．４．８
JPEG
2025080204000191.jpg
12
9
がＮ
－
における最後の１つの損失関数負例である場合に、トラバースを終了させ、
２．４．９
JPEG
2025080204000192.jpg
10
6
がｓｅｔ
＋
における最後の１つの損失関数正例である場合に、トラバースを終了させ、
２．４．１０
JPEG
2025080204000193.jpg
10
15
を出力する、ことを特徴とする請求項３に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項７】
前記ステップ３の過程は、以下のとおりであり、
３．１多様性サンプルペアの構成：損失関数正例と、数を限制した後の損失関数負例とを組み合わせて得られたサンプルペアは、一般的なサンプルペアに比べて、サービス推薦結果の多様性を高めることができ、
３．２初期サービス推薦結果セットの定義：ユーザのクエリに基づいて、サービス推薦モデルは、初期ＡＰＩサービス推薦からなるセットを与え、記号Ｒ
ｄ
で表し、そのうちサービス推薦モデルは、従来モデルであり、サービスデータを学習及びマイニングすることができるとともに、ユーザのクエリに基づいて、サービス推薦結果を与えることができるモデルを意味し、該当モデルは、協調フィルタリング、ニューラルネットワークに基づく方法で構築され、
３．３損失関数収束過程の最適化：まず３．１に基づいて多様性サンプルペアを得、そして３．１における損失関数で用いられる元のデータを多様性サンプルペアで置換し、且つ３．２で得られたモデルを再訓練し、
３．４多様化サービス推薦結果セット：３．３の後、サービス推薦モデルにより与えられた推薦ＡＰＩサービスからなるセットを多様化サービス推薦結果セットと定義し、記号Ｒ
ｍ
で表す、ことを特徴とする請求項１又は２に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項８】
前記３．１では、多様性サンプルペアの構成過程は、以下のとおりであり、
３．１．１多様性サンプルペアセットｍｕｌｔｉＳｅｔを定義し、
３．１．２損失関数正例セットｓｅｔ
＋
をトラバースし、ｉ回目に取られた損失関数正例を
JPEG
2025080204000194.jpg
10
6
とし、それに対応する、数を限制した後の損失関数負例セットを
JPEG
2025080204000195.jpg
10
15
とし、
３．１．３
JPEG
2025080204000196.jpg
10
15
から任意の数の損失関数負例をランダムに選択し、
３．１．４ランダムに選択された損失関数負例をトラバースし、ｊ回目に取られた損失関数負例を
JPEG
2025080204000197.jpg
10
11
とし、
３．１．５
JPEG
2025080204000198.jpg
10
11
と
JPEG
2025080204000199.jpg
10
6
で多様化サンプルペアを構成し、記号
JPEG
2025080204000200.jpg
12
34
で表し、そのうち、「＜」と「＞」記号は、
JPEG
2025080204000201.jpg
10
11
と
JPEG
2025080204000202.jpg
10
6
との間のバイグラム関係を表すために用いられ、
３．１．６
JPEG
2025080204000203.jpg
12
34
をｍｕｌｔｉＳｅｔに追加し、
３．１．７
JPEG
2025080204000204.jpg
10
6
がｓｅｔ
＋
における最後の１つの損失関数正例である場合に、トラバースを終了させ、
３．１．８ｍｕｌｔｉＳｅｔを出力する、ことを特徴とする請求項７に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。
【請求項９】
前記ステップ４の過程は、以下のとおりであり、
４．１再推薦結果：推薦品質を高めるために、サービス推薦モデル、損失関数又はデータサンプルを最適化させた後、２回又は複数回の推薦を行い、その結果を再推薦結果と呼び、記号Ｒ
ｃ
で表し、
４．２初期サービス推薦結果セットと多様化推薦結果セットとの統合：機能分野、サービス組み合わせに基づいて、初期サービス推薦結果セットと多様化推薦結果セットとを統合し、前記４．２では、統合過程は、以下のとおりであり、
４．２．１再推薦結果セットＲ
ｃ
を定義し、
４．２．２相関度超パラメータθを定義し、
４．２．３多様性超パラメータηを定義し、
４．２．４ユーザのクエリをサービス推薦モデルに入力（ｉｎｐｕｔ）し、初期サービス推薦結果セットＲ
ｄ
を与え、
４．２．５ステップ３を利用し、多様化サービス推薦結果セットＲ
ｍ
を得、
４．２．６Ｒ
ｄ
をトラバースし、ｉ回目に取られたＡＰＩサービスをａ
ｉ
とし、
４．２．７Ｒ
ｍ
をトラバースし、ｊ回目に取られたＡＰＩサービスをａ
ｊ
とし、
４．２．８ａ
ｉ
とａ
ｊ
が同じである場合に、ａ
ｉ
をＲ
ｃ
に追加し、４．２．７にジャンプし、
４．２．９ａ
ｉ
とａ
ｊ
が異なる場合に、それぞれ両者の機能分野をｃ
ｉ
とｃ
ｊ
とし、記号Ｍ
ｉ
でａ
ｉ
に対応するサービス組み合わせからなるセットを表し、Ｍ
ｊ
でａ
ｊ
に対応するサービス組み合わせからなるセットを表し、
４．２．１０ｃ
ｉ
とｃ
ｊ
との間のＪａｃｃａｒｄ類似係数を計算し、且つそれとηとを比較し、Ｊａｃｃａｒｄ類似係数がηよりも小さい場合に、４．２．７にジャンプし、
４．２．１１Ｍ
ｉ
とＭ
ｊ
との間のＪａｃｃａｒｄ類似係数を計算し、且つそれとθとを比較し、Ｊａｃｃａｒｄ類似係数がθよりも小さい場合に、４．２．７にジャンプし、
４．２．１２ａ
ｉ
とａ
ｊ
をＲ
ｃ
に追加し、
４．２．１３ａ
ｊ
がＲ
ｍ
における最後の１つのＡＰＩサービスである場合に、トラバースを終了させ、
４．２．１４ａ
ｉ
がＲ
ｄ
における最後の１つのＡＰＩサービスである場合に、トラバースを終了させ、
４．２．１５Ｒ
ｃ
を出力し、
【請求項１０】
前記４．３では、行列式点過程を利用して再推薦結果を再並べ替える過程は、以下のとおりであり、
４．３．１類似度行列を定義し、その行、列要素がいずれも推薦サービスの類似度であり、記号Ｑで表し、
４．３．２スコアマトリックスを定義し、その行、列要素がいずれもサービス推薦モデルにより与えられた推薦スコアであり、記号Ｐで表し、
４．３．３カーネルマトリックスを定義し、記号Ｌで表し、カーネルマトリックスは、スコアマトリックスと類似度行列から行列演算を行って得られ、演算式は、Ｌ＝Ｐ・Ｑ・Ｐであり、「・」記号は、行列乗算を表し、「＝」記号は、行列代入を表し、
４．３．４バランス係数を定義し、再推薦結果の多様性と相関性のバランスの度合いを表し、記号σで表し、
４．３．５４．２を利用して再推薦結果セットＲ
ｃ
を得、記号
JPEG
2025080204000205.jpg
9
17
で、コアマトリクにおける、Ｒ
ｃ
によりインデックスされるサブ行列を表し、
４．３．６カーネルマトリックスにおける、Ｒ
ｃ
によりインデックスされるすべてのサブ行列をトラバースし、ｉ回目に取られた結果を
JPEG
2025080204000206.jpg
8
18
とし、
４．３．７
JPEG
2025080204000207.jpg
8
18
に対して行列式計算を行い、且つ結果に対して対数を取り、
JPEG
2025080204000208.jpg
14
34
とし、そのうち、記号ｄｅｔは、行列式計算を表し、行列式計算は、基本的な行列演算であり、行列におけるすべての要素の積と対応する余因数の和であり、記号ｌｏｇは、対数演算を表し、
４．３．８
JPEG
2025080204000209.jpg
14
34
とσを加算し、
４．３．９
JPEG
2025080204000210.jpg
8
18
が最後の１つのサブ行列である場合に、トラバースを終了させ、
４．３．１０Ｑに対して行列式計算を行い、且つ結果に対して対数を取り、
JPEG
2025080204000211.jpg
11
24
とし、
４．３．１１ σから
JPEG
2025080204000212.jpg
11
24
を減算し、
４．３．１２ σに対して最大事後確率推定を行い、即ちＲ
ｃ
から再推薦結果をスクリーニングし、σの数値を最大にし、記号Ｒ
ｆ
でスクリーニング後の再推薦結果を表し、
４．３．１３Ｒ
ｆ
を出力する、ことを特徴とする請求項９に記載のｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、ｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法に関する。
続きを表示（約 6,100 文字）【背景技術】
【０００２】
サービス計算、ビッグデータ、ブロックチェーン、モビリティインターネットなどの技術を異なる分野で組み合わせ、Ｗｅｂ技術が「３．０時代」に入ることを推進した。ｗｅｂ技術の更新交替は、大量のデータをもたらし、情報技術の発展をさらに推進したが、インターネットにおける無効なリソースやノイズデータもある程度増加している。そのため、サービス計算の分野では、大量のデータから、開発者のニーズに合ったＡＰＩサービスをいかに迅速かつ正確に見つけるかが課題となっている。
【０００３】
この背景では、サービス推薦技術が広く注目されている。従来のサービス推薦技術は、協調フィルタリング方法により、ユーザ類似度とサービス類似度を計算してサービス推薦を行う。例えば、特許番号が２０２０１１１２２９５５．６で、特許名称が協調フィルタリングアルゴリズムに基づくサービス情報推薦装置及び方法は、ＧＲＵニューラルネットワークを用いて潜在的な人々をスクリーニングし、且つピアソン相関係数を組み合わせて潜在的な人々の類似度を計算するサービス推薦方法を提案する。特許番号が２０１７１０２１１９５４．０で、名称がＷｅｂサービス推薦用の協調フィルタリング方法は、サービス品質情報を用いてユーザの好みを推定し、ｔｏｐ－ｋアルゴリズムを利用して、ユーザの好みに合ったＡＰＩサービスを探し出すことができる。大連理工大学系統工程研究所の郭艶紅らは、疎行列に基づくパーソナライズ改善ポリシーを提案し、ユーザの間の類似度が密でない関係を制限することで、サービス推薦過程におけるデータの疎性の問題を緩和する。
【０００４】
以上の推薦方法の多くは、推薦アルゴリズム又は推薦モデルを修正することでサービス推薦を実現したが、サービス推薦プロセスに革新的な改良を加えていない。推薦プロセスから見ると、以上の推薦方法は、いずれも単回の推薦方法に属し、推薦結果の多様性と相関性は、向上する必要がある。再推薦技術は、サービス組み合わせ、サービス機能、サービス構造などの事前情報を利用して単回の推薦結果を最適化させることができ、生成された再推薦結果は、高いサービス推薦品質を持っている。再推薦技術は、ソーシャルネットワーク、電子商取引販売、ストリーミングプラットフォームなどの分野で広く応用されているが、サービス計算分野では、現在、再推薦に関する研究運用はまだ少ない。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
従来技術の不足を克服し、サービス推薦結果の多様性と相関性をバランスさせ、サービス推薦品質を高めるために、本発明は、効率が高く、良い汎用性を有するｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法を提供し、この方法は、まず損失関数正負例サンプリングルールを利用して、サービスデータをサンプリングし、損失関数正例と負例を取得し、そして、損失関数正例と負例を利用して多様性サンプルペアを構成し、損失関数の収束過程を最適化させ、最後に、再推薦結果を生成し、且つ行列式点過程に基づく方法を用いて並べ替える。
【課題を解決するための手段】
【０００６】
本発明で用いられる技術案は、以下のとおりである。
【０００７】
ｗｅｂ３．０向けのサービスデータ損失関数正負例サンプリング及び再推薦方法であって、
ステップ１において、サービスデータにおけるＡＰＩサービスの属する機能分野と記述文書情報に基づいて、損失関数正負例サンプリングルールを設計し、過程は、以下のとおりであり、
１．１サービスデータ：サービス推薦モデルが訓練過程において用いるデータであり、ＡＰＩサービス、機能分野、サービス組み合わせ、呼び出しシーケンス、及び記述文書を含み、
１．２ＡＰＩサービス：アプリケーションプログラムインターフェース（ＡｐｐｌｉｃａｔｉｏｎＰｒｏｇｒａｍｍｉｎｇＩｎｔｅｒｆａｃｅ，ＡＰＩ）であり、記号ａで表し、
１．３機能分野：ＡＰＩサービスの属する機能タイプ及び応用分野であり、記号ｃで表し、ＡＰＩサービスの事前情報であり、
１．４サービス組み合わせ：２つ以上のＡＰＩサービスを組み合わせ、新たなＡＰＩサービスを形成し、記号ｍで表し、ＡＰＩサービスの事前情報であり、
１．５呼び出しシーケンス：時間順に並べられる、ユーザがアクセスするＡＰＩサービス配列であり、記号ｓで表し、
１．６記述文書：ＡＰＩサービスの機能分野、インターフェース情報を記述するテキストデータであり、記号ｄで表し、ＡＰＩサービスの事前情報であり、
１．７損失関数正負例：損失関数の収束過程において、サンプリングされるサービスデータを損失関数正例と呼び、サンプリングされていないサービスデータを損失関数負例と呼び、それぞれ記号ｌ
＋
とｌ
－
で表し、各損失関数正例は、対応する複数の損失関数負例が存在し、両者の組み合わせを損失関数正負例と呼び、
１．８損失関数正負例サンプリングルール：ユーザにより直接的に呼び出される及びサービス組み合わせにより間接的に呼び出されるＡＰＩをサービスデータから損失関数正例として選択し、他のサービスデータに対して、まず事前情報に基づく損失関数正例類似度計算方法を用いて類似度を得、そして高類似度のサービスデータを損失関数負例として選択し、
ステップ２において、ステップ１．８において作成された損失関数正負例サンプリングルールに従って、サービスデータに対して損失関数正負例サンプリングを行った上で、類似度閾値ζを利用して損失関数負例の数を限制し、
ステップ３において、損失関数正負例を利用して多様性サンプルペアを構成し、サービス推薦モデルにおける損失関数の収束過程を最適化させ、多様化サービス推薦結果セットを得、
ステップ４において、初期サービス推薦結果セットと多様化サービス推薦結果セットを統合し、再推薦結果を生成し、最後に、行列式点過程方法を利用して再推薦結果の再並べ替えを行う。
【０００８】
好ましくは、前記１．８では、事前情報に基づく損失関数正負例類似度の計算過程は、具体的に以下のとおりであり、
１．８．１損失関数正例である１つのＡＰＩサービスを任意に選択し、ａ
＋
とし、それぞれそれが属する機能分野と記述文書を記号ｃ
＋
とｄ
＋
で表し、
１．８．２他のサービスデータから１つのＡＰＩサービスを任意に選択し、ａとし、それぞれそれが属する機能分野と記述文書を記号ｃとｄで表し、
１．８．３ｄ
＋
とｄを事前訓練言語モデルに入力し、得られた結果をａ
＋
とａの埋め込みベクトルとし、それぞれ記号ｅ
ａ＋
と記号ｅ
ａ
で表し、そのうち、事前訓練言語モデルは、常用のディープラーニング方法であり、テキストデータを語ベクトルに変換することができ、
１．８．４ｅ
ａ＋
とｅ
ａ
との間の余弦距離の計算：ｅ
ａ＋
の転置ベクトルとｅ
ａ
を乗算し、そして両者の大きさで割り、結果を記号
JPEG
2025080204000002.jpg
14
42
で表し、
１．８．５ｃ
＋
とｃとの間のＪａｃｃａｒｄ類似係数の計算：まずｃ
＋
の大きさとｃの大きさを加算した後、ｃ
＋
とｃの積集合の大きさを減算し、結果をｔｅｍｐとし、そして、ｃ
＋
とｃの積集合の大きさをｔｅｍｐで割り、結果を
JPEG
2025080204000003.jpg
13
48
とし、
１．８．６余弦距離のＪａｃｃａｒｄ類似係数を線形変換し、その結果を０～１の範囲に制限し、線形変換後の結果をそれぞれ記号
JPEG
2025080204000004.jpg
16
39
と記号
JPEG
2025080204000005.jpg
14
49
で表し、線形変換は、数学演算であり、ベクトルの加算と数の乗算を保持する性質を有し、
１．８．７
JPEG
2025080204000006.jpg
11
44
と
JPEG
2025080204000007.jpg
14
49
の大きさを比較し、大きい者をａ
＋
とａの類似度係数とし、記号
JPEG
2025080204000008.jpg
9
39
で表し、
１．８．８
JPEG
2025080204000009.jpg
9
39
を出力する。
【０００９】
さらに、前記ステップ２の過程は、以下のとおりであり、
２．１損失関数正負例サンプリング：サービス推薦モデルの訓練過程で、損失関数正負例サンプリングルールに従って、損失関数で用いられるサービスデータを抽出、分類し、損失関数正例サンプリングと損失関数負例サンプリングの２つの過程に細分化することができ、過程は、２．２～２．４に記載した通りであり、
２．２損失関数正例サンプリング：損失関数正負例サンプリングルールに従って、サービスデータから損失関数正例を選択し、好ましくは、前記２．２では、損失関数正例サンプリングの過程は、以下のとおりであり、
２．２．１損失関数正例セットを定義し、記号ｓｅｔ
＋
で表し、
２．２．２サービスデータにおけるＡＰＩサービスをトラバースし、ｉ回目に取られたＡＰＩサービスをａ
ｉ
とし、
２．２．３サービスデータにおける呼び出しシーケンスをトラバースし、ｊ回目に取られた呼び出しシーケンスをｓ
ｊ
とし、
２．２．４ｓ
ｊ
にａ
ｉ
が含まれる場合に、ａ
ｉ
が直接的に呼び出されると呼び、ａ
ｉ
を損失関数正例
JPEG
2025080204000010.jpg
10
6
とし、それをｓｅｔ
＋
に追加した後、２．２．２にジャンプし、
２．２．５ｓ
ｊ
がサービスデータにおける最後の１つの呼び出しシーケンスである場合に、トラバースを終了させ、
２．２．６サービスデータにおけるサービス組み合わせをトラバースし、ｋ回目に取られたサービス組み合わせをｍ
ｋ
とし、
２．２．７ｍ
ｋ
にａ
ｉ
が含まれる場合に、ａ
ｉ
が間接的に呼び出されると呼び、ａ
ｉ
を損失関数正例
JPEG
2025080204000011.jpg
10
6
とし、それをｓｅｔ
＋
に追加した後、２．２．２にジャンプし、
２．２．８ｍ
ｋ
がサービスデータにおける最後の１つの呼び出しシーケンスである場合に、トラバースを終了させ、
２．２．９ａ
ｉ
がサービスデータにおける最後の１つのＡＰＩサービスである場合に、トラバースを終了させ、
２．２．１０損失関数正例セットｓｅｔ
＋
を出力する。
【００１０】
２．３損失関数負例サンプリング：損失関数正負例サンプリングルールに従って、サービスデータから損失関数負例を選択し、好ましくは、前記２．３では、損失関数負例サンプリングの過程は、以下のとおりであり、
２．３．１サービスデータにおけるすべてのＡＰＩサービスを取り出し、セットＡを構成し、
２．３．２セットＡと損失関数正例セットｓｅｔ
＋
との差集合を取り、差集合を損失関数負例候補セットと定義し、記号ｐｒｅＳｅｔで表し、
２．３．３損失関数正例セットｓｅｔ
＋
をトラバースし、ｉ回目に取られた損失関数正例を記号
JPEG
2025080204000012.jpg
10
6
で表し、
２．３．４
JPEG
2025080204000013.jpg
10
6
に対応する損失関数負例セットを定義し、記号
JPEG
2025080204000014.jpg
9
12
で表し、
２．３．５ｐｒｅＳｅｔをトラバースし、ｊ回目に取られた損失関数負例候補を記号ｐｓ
ｊ
で表し、
２．３．６ステップ１．８で定義された事前情報に基づく損失関数正負例類似度計算方法に従っててｐｓ
ｊ
と
JPEG
2025080204000015.jpg
10
6
との類似度を得、記号
JPEG
2025080204000016.jpg
12
28
で表し、
２．３．７ｐｓ
ｊ
を
JPEG
2025080204000017.jpg
9
12
に追加し、
２．３．８ｐｓ
ｊ
がｐｒｅＳｅｔにおける最後の１つの損失関数負例候補例である場合に、トラバースを終了させ、
２．３．９
JPEG
2025080204000018.jpg
10
6
がｓｅｔ
＋
における最後の１つである場合に、トラバースを終了させる。
（【００１１】以降は省略されています）

関連特許