CN113095084B - 一种物联网中语义服务匹配方法、装置及存储介质 - Google Patents
一种物联网中语义服务匹配方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113095084B CN113095084B CN202110279367.1A CN202110279367A CN113095084B CN 113095084 B CN113095084 B CN 113095084B CN 202110279367 A CN202110279367 A CN 202110279367A CN 113095084 B CN113095084 B CN 113095084B
- Authority
- CN
- China
- Prior art keywords
- user
- ijk
- intelligent
- model
- semantic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008447 perception Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013550 semantic technology Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于边缘计算与物联网领域,涉及一种物联网中语义服务匹配方法、装置及存储介质;所述方法包括从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;利用初始兴趣对偏好强度的影响和偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取用户的偏好强度;利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,估计出智能对象之间的社会相似度;根据用户的偏好程度和智能对象之间的社会相似度,构建出语义服务匹配模型;接收来自用户或智能对象的服务请求,基于语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果;本发明保障服务发现的有效性、扩展性和服务匹配结果的精确性。
Description
技术领域
本发明属于边缘计算与物联网领域,基于用户时间偏好和物品社交关系进行语义服务匹配,具体涉及一种物联网中语义服务匹配方法、装置及存储介质。
背景技术
物联网被誉为互联网的未来,将使当前人与人之间的沟通形态拓展到人与人、人与物、物与物之间。智能空间是物理位置的名称,其中众多设备相互交互,在给定的条件下为人类用户提供相关服务。这些对象所具备的功能可以称为服务,它们提供了物理世界实时的状态信息。在这种环境下,如何提供合适服务的任务面临许多新的挑战和要求。再者,物联网具有动态特性,物理实体状态在不断变化并且它们之间的异质性也造成了相互之间的交互方式不同,为了应对物理世界对象的动态特征和解决面向服务架构的紧密耦合的问题,一些研究人员试图将面向事件驱动服务架构,应用在物联网服务发现之中。同时,物联网也将使社交网络的定义不在局限于人与人之间,而是扩展到人与人、人与物、物与物之间。现有技术中认为在物联网中增加社交网络的属性,可以类比人类的社交网络来定义物联网对象之间的关系,设计社交物联网的抽象模型,分析基于物联网对象建立的社交网络结构,从而将基于人类社交网络的模型拓展到对象的社交网络中,实现物联网中的对象共享,用户与物品对象之间直接交互。
一些研究已经提出了使用语义Web技术发现SIOT对象服务。基于语义的服务发现技术背后的思想是,定义元数据模型来描述SIOT对象的各种特征,然后通过语义相似性匹配来推荐满足用户需求的对象。当前,该领域中的大多数研究都集中在面向任务的方案上。Jin X,Chun S,Jung J,et al.A fast and scalable approach for IoT serviceselection based on a physical service model[J].Information Systems Frontiers,2017中通过应用服务的动态聚类并基于准度量计算服务和请求之间的语义相似性,提出了一种有效的服务发现机制,Zhou M,Ma Y.A web service discovery computationalmethod for IOT system[C]//IEEE International Conference on Cloud Computing&Intelligent Systems.0.也提出了一种基于本体的服务匹配算法,将语义相似度和语义相对性相结合,用于物联网中的服务发现。由于物联网服务和对象使用事件的类型和数量迅速增加,一方面,用于事件驱动的手动服务匹配方法变得越来越低效和不灵活,另一方面,单纯地考虑物理事件驱动服务发现,仅考虑到了物与物之间的交互,并没有将人的因素考虑其中,但在SIOT的架构下,本发明便可利用对象间的社交关系,透明化它们之间的差异性,结合用户之间的社交关系,减少用户数据稀疏性影响,实现分布式服务发现,保障服务发现的有效性和扩展性。如前所述,智能商店可以利用传感器来收集顾客的签到行为,例如:签到时间和停留时间,这为本发明了解用户所需服务的倾向提供了一种新的方法。然而,智能对象的服务发现不仅要考虑到用户的选择偏向,还应考虑到智能对象之间的社会关系,如协同位置关系、协同工作关系等等。此外,由于SIOT服务发现存在的自发性、上下文依赖性和垄断性等特点,也为SIOT服务发现带来了一系列的困难和挑战:
1)用户对于智能对象的偏好倾向通常是隐式的,并且难以衡量:不像社交网络或评价网站,用户对于一个对象的偏好可以通过评价或评论句子来表示,而用户对于智能对象服务的偏好通常隐藏在SIOT中,因此现有的基于内容和协同过滤的服务发现和推荐的方式并不适用。
2)SIOT中的智能对象通常是异构的,它们的相似性通常难以估计:在SIOT中,对象在功能和属性上都是异构的,不能在统一的特征空间内表示。此外,对象的服务文本描述通常是不完整的,因此,无论是基于特征的模型还是基于文本的模型都不能用于估计对象之间的相似度。
3)数据稀疏性问题:大多数的物联网服务发现***通常会根据用户的历史记录来学习用户的偏好,当有新的智能对象加入,用户使用智能对象过少时,因隐私和安全问题用户和对象之间交互的历史数据很难收集的情况下,会导致数据稀疏的问题,影响服务匹配和服务发现的准确度。
发明内容
基于以上分析,本发明提出了一种物联网中语义服务匹配方法、装置及存储介质以解决以下问题:
1)由于用户倾向于在一天的不同时段使用不同的对象,且对服务的选择受时间因素影响,因此本发明提出通过对象的使用频率和平均使用时间提取用户的时间偏好,以更好地利用时间上下文和用户主观上下文信息实现物联网服务发现。
2)通过超平面时间感知的知识图谱嵌入机制,以更好的捕捉智能对象之间的动态社会关系,从而加强异构对象之间的交互性,实现物与物之间自主服务发现。
3)最后,提出了SIOT语义服务匹配模型,用于接收和响应来自用户和智能对象的服务请求,并在标准数据集上评估验证了本发明所提模型的有效性和准确性。
在本发明的第一方面,本发明提供了一种物联网中语义服务匹配方法,包括:
从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
根据用户的偏好程度和智能对象之间的社会相似度,构建出语义服务匹配模型;
接收来自用户或智能对象发出的服务请求,基于语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
在本发明的第二方面,本发明提供了一种物联网中语义服务匹配装置,所述装置包括:
兴趣采集单元,用于从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
偏好强度确定单元,利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
相似度确定单元,利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
语义服务匹配模型搭建单元,根据用户的偏好程度和智能对象之间的社会相似度,构建出语义服务匹配模型;
匹配单元,接收来自用户或智能对象发出的服务请求,基于所述语义服务匹配模型搭建单元搭建出的语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
在本发明的第三方面,本发明提供了一种存储介质,所述存储介质储存多条指令,所述指令适用于由处理器加载并执行本发明第一方面所述的一种物联网中语义服务匹配方法。
在本发明的第四方面,本发明还提供了一种服务器,所述服务器包括处理器和存储介质,所述处理器用于实现各个指令:
所述指令适用于由处理器加载并执行如本发明第一方面所述的一种物联网中语义服务匹配方法。
本发明的有益效果:
本发明针对用户服务选择受时间因素影响,用户偏好信息难以在社交物联网环境下收集的问题,且对象的异质性和对象之间社交关系动态变化的特点,使得对象之间的社会关系难以估计的问题,本发明提出一种时间感知的社交物联网语义服务发现模型。首先,从对象的使用频率和平均使用时间中提取用户的时间偏好,利用超平面时间感知知识图谱嵌入模型,构建对象之间的社会关系,保障设备服务发现的有效性和扩展性,最后将服务请求输入到语义服务匹配模型实现快速服务响应,保障服务匹配结果的精确性。
附图说明
图1为本发明实施例中基于社交关系的社交物联网服务匹配框架图;
图2为本发明实施例中语义服务匹配方法流程图;
图3为本发明实施例中所采用的HyTE模型图;
图4为本发明实施例中语义服务匹配装置结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例中基于社交关系的社交物联网服务匹配框架图,如图1所示,本发明首先引入服务匹配框架图的整体结构,然后对服务匹配框架图的每一个组成模块进行详细阐述,包括:基于时间的用户偏好提取、利用图嵌入估算智能对象之间的社会相似性和语义服务匹配模型。首先从用户对智能对象的使用频率和平均使用时间中,提取用户的使用偏好,同时针对SIOT对象的异构性和相似度难以估计的特点,本发明使用图嵌入的方法采用基于超平面的时间感知知识图谱嵌入模型,构建对象社会关系,估计它们之间的社会相似性。最后,本发明提出语义服务匹配模型,用于服务匹配响应,可接受来自用户或智能对象发出的服务请求,基于相似度计算完成匹配,并维护动态的服务列表,实现快速响应。
图2是本发明实施例中语义服务匹配方法流程图,如图2所示,该语义服务匹配方法通过如下的方法进行语义服务匹配:
101、从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
在这个过程中,由于感知技术的发展,不同种类的大量传感器分布,使得本发明可以很容易地收集SIOT对象(智能对象)的使用事件,这些使用事件中包含十分丰富的上下文信息,可以用来揭示用户的目标、偏好、情绪等认知状态。由于时间、精力和资源的限制,用户倾向于在对象使用事件中选择他们喜欢的内容。由于智能对象使用事件发生的可能性与用户对该智能对象的偏好呈正相关。因此,本发明可以将用户对某一智能对象服务的使用倾向作为智能对象使用事件的隐藏因素,并对它进行建模,来提取用户的偏好,用于服务匹配。
用户对于服务的选择受到其偏好的影响,往往会选择自己经常使用的服务,而用户对于智能对象的偏好倾向通常是隐式的,使得服务选择的偏好难以衡量;其次用户的服务选择也受时间因素的影响,随时间动态变化,需将用户基于时间的偏好强度作为隐藏因素为用户服务选择进行建模,就可以在服务匹配时充分考虑用户在时间和偏好两个维度的服务需求,提高服务匹配的有效性和准确性。
因此,智能对象的初始兴趣的建模计算过程如下:
用户ui在时隙tk对智能对象oj的偏好强度I(ijk)由e(ijk)决定,e(ijk)表示用户ui在时隙tk处对智能对象oj的初始兴趣。本发明可从智能对象的使用频率和平均使用时间中估算初始兴趣e(ijk);e(ijk)的计算公式如下:
其中,Fijk和Qijk分别代表用户ui在时间间隙tk处使用oj的使用频率和平均使用时间,表示对象ui在时隙tk对对象使用频率的最大数值,同理,表示对象平均使用时间的最大数值。θ是调节模型使用频率和时间的权重;θ表示调节智能对象使用频率和平均使用时间的权重,在本实施中可以设置为0.5左右。
102、利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
本发明将用户的使用偏好I(ijk)作为隐藏因素对用户对象使用事件建模,本发明可以进一步为Fijk和Qijk引入辅助变量和以增加模型的精度。本发明建模了初始兴趣e(ijk)对用户偏好I(ijk)的影响和I(ijk)对智能对象使用时间的影响,建模来表示这些变量之间的关系,联合分布函数表示为:
P(I(ijk),Fijk,Qijk|e(ijk))=P(I(ijk)|e(ijk))P(Fijk|I(ijk))P(Qijk|I(ijk))
其中,P(I(ijk),Fijk,Qijk|e(ijk))表示基于初始兴趣e(ijk)下I(ijk)、Fijk、Qijk的联合分布概率;P(I(ijk)|e(ijk))表示第一条件概率;P(Fijk|I(ijk))表示第二条件概率;P(Qijk|I(ijk))表示第三条件概率;e(ijk)表示用户ui在时隙tk处对智能对象oj的初始兴趣;I(ijk)表示用户ui在时隙tk对智能对象oj的偏好强度;Fijk代表用户ui在时隙tk处使用智能对象oj的使用频率;Qijk代表用户ui在时间间隙tk处使用智能对象oj的平均使用时间。
建立联合分布模型后,如何具体的提取用户的偏好强度则需要进一步的处理,根据对样本数据统计分析可知,初始兴趣对用户的影响呈现高斯分布,将服务再次被选择的概率作为用户对于服务使用频率和平均时间的函数可知,呈现幂律分布趋势,本实施例中,将第一条件概率P(I(ijk)|e(ijk))使用高斯分布模型来表示:
P(I(ijk)|e(ijk))=(ηe(ijk),σ2)
其中,η是采用EM算法估计的参数,在每轮迭代中进行更新,它的取值决定了服务匹配模型的精度,本实施例中,σ2在EM算法中设置为0.5。
将第二条件概率P(Fijk|I(ijk))和第三条件概率P(Qijk|I(ijk))均各自采用幂律分布模型进行表示:
其中,α1,β1,α2,β2都是采用EM算法估计的参数,在每轮迭代中进行更新,它们的取值决定极大似然函数的收敛性,在何时取得极大值,精确的参数取值能够增加服务匹配模型的精度,从而增加用户对服务匹配结果的满意度。
为了避免过度学习,本发明需要对这些参数进行正则化处理,正则化处理后表示为:
l=1,2
处理完成这些参数后,需要对这些参数进行训练学习,而本发明将样本数据表示为Φ=U×O×T,(i,j)∈φ,即用户-智能对象-时间三元组,记为D={(i1,j1,k1),...,(iM.jN,kS)},即i表示用户,j表示智能对象,k表示时间(时隙),其下标代表各自的序号或者个数。在模型训练的过程中,变量e(ijk)、Fijk和Qijk都是可见的,因此本发明将上述正则化后的模型带入联合分布模型中,可以得到:
上式表示联合分布模型的极大似然函数,当它取到极值后,模型参数接近精确解,从而达到收敛,模型训练完毕。本发明将正则化参数λη,和皆取为0.01,可以理解的是,该正则化参数表示正则化过程中所需使用的参数,而本发明中的正则化后的参数即为本发明所需要求解的参数,该参数用于优化联合分布模型,从而提取出更为准确的用户的偏好强度;本发明可以用极大似然函数来估计未知模型参数∑{η,αl,βl|l=1,2},对极大似然函数两边取对数,将连乘转变成求和方便运算,得到:
为了加快模型的训练过程,在参数η,αl,βl和变量I(ij)的优化上采用随机梯度下降算法,在每轮迭代中,随机优化某一条训练数据上的损失函数,这样使得每轮参数的更新速度大大加快。梯度向量为函数对每个变量的导数,该向量的方向为梯度的方向,向量的大小也为梯度的大小,对正则化处理后的每个变量求偏导,可得:
在每轮迭代中,使用牛顿法对参数η,αl,βl和变量I(ij)进行更新,使得它们能够快速接近精确解,达到收敛,结束模型训练过程,参数更新公式可写为:
模型参数优化过程如表1所示,将算法输出的模型参数带入到幂律分布建模后的模型中即就可利用对象使用频率和平均使用时间来描述用户偏好强度的大小。使用概率P(I(ijk),Fijk,Qijk|e(ijk))来描述变量间的依赖关系,表示对象使用频率和平均使用时间对用户偏好强度的影响有多大,举个例子,当对象使用频率为每小时4次,在所有时间段的平均使用时间为12分钟时,通过上述方法则可以得出用户的偏好强度为0.7。
表1模型参数优化算法
本发明实施例中,如表1所示,本发明采用牛顿法进行处理的每轮迭代中,首先遍历每个三元组的样本数据,更新用户对智能对象的偏好强度;其次遍历幂律分布建模处理后的正则化参数;最后更新高斯分布建模处理后的正则化参数
103、利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
在本实施例中,利用图嵌入估算智能对象之间的社会相似性,传统的SIOT服务发现方法是根据用户的历史评论或评分揭示用户的服务选择偏好,这忽略了SIOT对象的语义信息。况且,随着语义技术的发展,如语义传感网络、事物语义网,SIOT积累了大量的开放语义数据,本发明便可利用这些数据,构建一个时间感知的SIOT知识图谱来捕获异构SIOT对象之间的各种动态关系,然后将实体与各种社会关系映射到一个低维的空间内,来估计对象之间的语义相似性。
考虑到时间对SIOT服务发现的影响,且任何实体之间的关系都是有时效性的,本发明采用基于超平面的时间感知知识图谱嵌入模型(HyTE),来构建对象之间的关系。HyTE将整体的KG按照时间分割为多个静态子图,每个子图对应一个时间戳,然后将实体与子图投射到特定平面上,由此得到包含时间信息的超平面法向量与KG元素的分布表示,在这种方法下,本发明便可使时间信息直接参与到嵌入过程。
首先区别于常规的(h,r,t),HyTE模型提出一种加入时间戳的三元组(h,r,t,[Ts,Te]),如图3所示,把实体与实体之间的关系通过时间片段映射到每个子平面上,每个子平面表示当前时刻实体与实体之间的关系,Ts和Te分别代表了三元组有效期的开始时间和结束时间。这样,KG可以被表示为:
其中,实体eh表示头实体,et表示尾实体,er表示这两个实体之间的关系,wγ满足约束||wγ||2=1,表示所有时间切片上的时间超平面。约束eh、et和er的关系式和衡量它们之间距离的分函数参加如下公式:
Pγ(eh)+Pγ(er)≈Pγ(et)
fΥ(h,r,t)=||PΥ(eh)+PΥ(er)-PΥ(et)||l1/l2
其中,l1和l2表示距离衡量方式,分别表示曼哈顿距离和欧式距离,为了差异化正确与不正确的三元组,利用基于间隔的成对最小化排名损失函数,优化目标,如以下公式所示:
D+表示正确的三元组,D-表示错误的三元组,本发明采用时间相关负采样得到负样本,由此生成的负样本只存在于SIOT知识图谱中,而不存在于特定时间片的子图中。通过将实体向量正则化和时间嵌入归一化,通过多次随机访问SIOT知识图谱中的三元组,采用随机梯度下降算法得到损失函数的最小值。本发明用kj和kv分别表示对象oj和ov的嵌入向量,由于相似度的计算对变量的取值范围是敏感的,而且嵌入向量又是高纬度的,所以本发明采用Pearson相关系数来估计对象oj和ov之间的社会相似度sem(oj,ov),计算公式如下:
由于SIOT中对象之间的社会关系通常是动态的而不是静态的,例如:同地点的对象关系和共同工作的对象关系,因此本发明将知识图谱表示为G={E,R,T,Λ},E表示对象集合,表示对象之间的一组类型化关系,T表示对象关系开始和结束的时间,表示关系类型集合的本体。例如,G:(h,r,t,[γs,γe])表示在时间间隙γs到γe内的有效三元组(h,r,t)。本发明首先将SIOT知识图谱嵌入到图G中,然后学习到每一组和的嵌入向量表示,最后估算每一对SIOT对象的社会相似度。
104、根据用户的偏好程度和智能对象之间的社会相似度,构建出语义服务匹配模型;
SIOT中的智能对象通常是异构的,它们的相似性通常难以估计,需要将其低维向量空间内,根据物联网智能对象之间建立的所有权关系(ownership)、父母社会关系(parental relationship)、共置关系(co-location)、协作关系(co-work)和社会关系(social object relationship)等社交物联网关系,计算它们之间的社会相似度。在服务匹配中,不止考虑用户的时间偏好,还考虑到对象之间的社交关系,这样可以基于对象之间的社会相似度,为用户匹配到多个令其感兴趣的候选服务,从而增加模型的扩展性和可用性。
服务匹配的本质目的是建立服务请求和服务响应之间的相关关系。现有的研究主要是通过人工和先验知识来完成的,换而言之,服务和事件是由主观经验指定的匹配对,而不是自动匹配。而且与传统的服务发现不同,事件驱动的服务发现的触发器是物理事件,物理事件是从感知信息中提取出来的,而忽略了用户发起请求这一方面,使得在以人为中心的服务发现方法中并不适用。针对以上的问题,本发明提出了自己的语义服务匹配模型,主要分为三部分:服务请求识别、语义服务匹配和维护可供服务列表。服务请求识别的主要工作是用于识别用户或智能对象发起的服务请求,然后将此服务请求和待选服务做语义相似度匹配,由上述实施例可以知道,智能对象之间由社会相似度建立起了SIOT动态知识图谱,由此本发明可以找到多个能够提供服务的对象,并把它们服务功能维护成一个动态的服务列表,有类似请求发起时,本发明便可从服务列表中及时选择,以达到进行快速的效果。
服务由OWL-SE描述,它主要包含服务配置文件中的四个方面的信息,即输入、输出、前提条件和结果。输入和输出通常代表服务匹配的基本功能特征,基于描述逻辑,本发明将服务请求识别(RS)和语义服务匹配(MS)的能力表示为服务。在本发明规范中,本发明将用户或对象发起的服务请求定义为服务请求识别的输出和语义服务匹配的输入,这就意味着,最终的匹配结果就可以表示为语义服务匹配的输出。
根据上述公式,服务匹配的模型可表示为:
其中τ是给定的阈值,Er和Em分别表示服务请求识别的输出和语义服务匹配的输入,Sim(Er,Em)是两者之间的相似度,当Sim(Er,Em)大于τ时被认为相似,且成功匹配。
通过下面公式计算Sim(Er,Em),其中sem(oj,ov)是对象oj与对象ov之间的社会相似度,sim(oj,ov)是对象oj和ov之间基于相关性的相似度,由同时对oj和ov进行评级的一组用户估计得出。
Sim(Er,Em)=λ*sem(oj,ov)
+(1-λ)*sim(oj,ov)
最后,通过基于物品的协同过滤模型来评价本发明语义服务匹配结果的好坏。设u∈U表示用户集U中的用户,o∈O表示对象集O中的一个对象,根据服务请求发起方的不同,本发明把评分函数分为两类:ru(ui,oj,tk)和ro(oi,oj,tk),ru(ui,oj,tk)表示用户发起服务请求,获得服务响应的评分,ro(oi,oj,tk)则表示对象发起请求,获取服务响应的评分。计算公式如下:
105、接收来自用户或智能对象发出的服务请求,基于语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
在本实施例中,当用户或者智能对象发出了服务请求后,无论是用户发出的还是智能对象发出的,都可以从语义服务匹配模型进行相似度进行匹配,按照上述的匹配度确定出对应的用户或者对应的智能对象。
在本发明实施例中,服务由OWL-SE语言描述,该语言信息主要包含服务配置文件中的四个方面信息,即输入、输出、前提条件和结果,当接收到来自用户或者智能对象发出的服务请求后,首先将OWL-SE语言描述的服务请求通过词嵌入技术转换成语义化表示的词向量,将转换后的词向量输入到语义服务匹配模型中进行相似度匹配,从而输出用户与智能对象之间的服务匹配结果,本。
本发明实施例的方案能够解决物联网中“物”与“物”之间的动态交互问题,实现了“物”与“物”之间的自主服务发现,能够提高互操作性,为用户提供个性化的服务发现结果。
本实施例的方法可以应用于物联网平台中的搜索引擎、问答***等用户-智能对象交互***。
本发明的一个实施例还提供了一种物联网中语义服务匹配装置,如图4所示,所述装置包括:
兴趣采集单元,用于从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
偏好强度确定单元,利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
所述偏好强度单元将用户的使用偏好I(ijk)作为隐藏因素对用户对象使用事件建模,本发明可以进一步为Fijk和Qijk引入辅助变量和以增加模型的精度;所述偏好强度单元建模了初始兴趣e(ijk)对用户偏好I(ijk)的影响和I(ijk)对智能对象使用时间的影响,建模来表示这些变量之间的关系,按照高斯分布模型和幂律分布模型重新对这些变量关系进行挖掘,通过对这些变量关系中的参数进行梯度学习,最终获取学习后的参数,并将这些参数重新带入模型中,获取用户的偏好强度。
相似度确定单元,利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
所述相似度确定单元利用图嵌入估算出智能对象之间的社会相似性,利用SIOT对象的语义信息,构建出一个基于时间感知的SIOT知识图谱来捕获异构SIOT对象之间的各种动态关系,然后将实体与各种社会关系映射到一个低维的空间内,来估计智能对象之间的语义相似性。
语义服务匹配模型搭建单元,根据用户的偏好程度和智能对象之间的社会相似度,构建出语义服务匹配模型;
所述语义服务匹配模型搭建单元通过服务请求识别、语义服务匹配和维护可供服务列表搭建出语义服务匹配模型,服务请求识别的主要工作是用于识别用户或智能对象发起的服务请求,然后将此服务请求和待选服务做语义相似度匹配,因前文工作,智能对象之间由社会相似度建立起了SIOT动态知识图谱,由此本发明可以找到多个能够提供服务的对象,并把它们服务功能维护成一个动态的服务列表,有类似请求发起时,本发明便可从服务列表中及时选择,以达到进行快速的效果。
匹配单元,接收来自用户或智能对象发出的服务请求,基于所述语义服务匹配模型搭建单元搭建出的语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
所述匹配单元通过基于物品的协同过滤模型来评价本发明语义服务匹配结果的好坏。设u∈U表示用户集U中的用户,o∈O表示对象集O中的一个对象,根据服务请求发起方的不同,本发明实施例中把评分函数分为两类:ru(ui,oj,tk)和ro(oi,oj,tk),ru(ui,oj,tk)表示用户发起服务请求,获得服务响应的评分,ro(oi,oj,tk)则表示智能对象发起请求,获取服务响应的评分,可以选择出评分较高的结果作为匹配结果。
本发明实施例还提供了一种存储介质,所述存储介质储存多条指令,所述指令适用于由处理器加载并执行如上述实施例中所述的一种物联网中语义服务匹配方法。
本发明实施例还提供了一种服务器,所述服务器包括处理器和存储介质,所述处理器用于实现各个指令:
所述指令适用于由处理器加载并执行如上述实施例中所述的一种物联网中语义服务匹配方法。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种物联网中语义服务匹配方法,其特征在于,所述方法包括以下步骤:
从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
所述用户对智能对象的初始兴趣的计算方式表示为:
其中,e(ijk)表示用户ui在时隙tk处对智能对象oj的初始兴趣;θ是调节模型使用频率和使用时间的权重;Fijk代表用户ui在时隙tk处使用智能对象oj的使用频率;Fuitk表示用户ui在时隙tk处使用智能对象的使用频率;Qijk代表用户ui在时隙tk处使用智能对象oj的平均使用时间;Quitk表示用户ui在时隙tk处使用智能对象的平均使用时间;
利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
所述联合分布模型表示为:
P(I(ijk),Fijk,Qijk|e(ijk))=P(I(ijk)|e(ijk))P(Fijk|I(ijk))P(Qijk|I(ijk))
其中,P(I(ijk),Fijk,Qijk|e(ijk))表示基于初始兴趣e(ijk)下I(ijk)、Fijk、Qijk的联合分布概率;P(I(ijk)|e(ijk))表示第一条件概率;P(Fijk|I(ijk))表示第二条件概率;P(Qijk|I(ijk))表示第三条件概率;e(ijk)表示用户ui在时隙tk处对智能对象oj的初始兴趣;I(ijk)表示用户ui在时隙tk对智能对象oj的偏好强度;Fijk代表用户ui在时隙tk处使用智能对象oj的使用频率;Qijk代表用户ui在时隙tk处使用智能对象oj的平均使用时间;
利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
根据用户的偏好强度和智能对象之间的社会相似度,构建出语义服务匹配模型;
接收来自用户或智能对象发出的服务请求,将该服务请求通过词嵌入技术转换成语义化表示的词向量,输入到基于语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
2.根据权利要求1所述的一种物联网中语义服务匹配方法,其特征在于,对所述第一条件概率采用高斯分布建模处理,对所述第二条件概率和所述第三条件概率采用幂律分布建模处理,将建模处理后的参数进行正则化处理;输入用户-智能对象-时间三元组的样本数据,对正则化处理后的参数进行训练,训练完成后对所述联合分布模型进行优化。
3.根据权利要求2所述的一种物联网中语义服务匹配方法,其特征在于,所述对正则化处理后的参数进行训练,采用EM算法进行参数估计,将第一条件概率使用高斯分布建模,第二条件概率和第三条件概率使用幂律分布建模,根据联合分布概率求得极大似然函数,采用牛顿法进行处理的每轮迭代中,首先遍历每个三元组的样本数据,更新用户对智能对象的偏好强度;其次遍历幂律分布建模处理后的正则化参数;最后更新高斯分布建模处理后的正则化参数。
4.一种物联网中语义服务匹配装置,其特征在于,其用于实现如权利要求1~3任一项所述的一种物联网中语义服务匹配方法,所述装置包括:
兴趣采集单元,用于从用户对智能对象的使用频率和平均使用时间中获取用户对智能对象的初始兴趣;
偏好强度确定单元,利用所述初始兴趣对偏好强度的影响以及所述偏好强度对智能对象使用事件的影响,建立出联合分布模型来提取出用户的偏好强度;
相似度确定单元,利用超平面时间感知知识图谱嵌入模型获取智能对象之间的动态关系,并估计出智能对象之间的社会相似度;
语义服务匹配模型搭建单元,根据用户的偏好强度和智能对象之间的社会相似度,构建出语义服务匹配模型;
匹配单元,接收来自用户或智能对象发出的服务请求,基于所述语义服务匹配模型搭建单元搭建出的语义服务匹配模型进行相似度匹配,输出用户与智能对象之间的服务匹配结果。
5.一种存储介质,其特征在于,所述存储介质储存多条指令,所述指令适用于由处理器加载并执行如权利要求1-3任一项所述的一种物联网中语义服务匹配方法。
6.一种服务器,其特征在于,所述服务器包括处理器和存储介质,所述处理器用于实现各个指令:
所述指令适用于由处理器加载并执行如权利要求1-3任一项所述的一种物联网中语义服务匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279367.1A CN113095084B (zh) | 2021-03-16 | 2021-03-16 | 一种物联网中语义服务匹配方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279367.1A CN113095084B (zh) | 2021-03-16 | 2021-03-16 | 一种物联网中语义服务匹配方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095084A CN113095084A (zh) | 2021-07-09 |
CN113095084B true CN113095084B (zh) | 2022-09-23 |
Family
ID=76668121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279367.1A Active CN113095084B (zh) | 2021-03-16 | 2021-03-16 | 一种物联网中语义服务匹配方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095084B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807977B (zh) * | 2021-09-02 | 2023-05-05 | 北京建筑大学 | 基于动态知识图谱的托攻击检测方法、***、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271497A (zh) * | 2018-08-31 | 2019-01-25 | 华南理工大学 | 一种基于词向量的事件驱动服务匹配方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103188755B (zh) * | 2013-01-06 | 2016-04-27 | 西安交通大学 | 一种面向物联网移动感知的服务节点选择方法 |
KR101611988B1 (ko) * | 2014-04-17 | 2016-04-14 | 전자부품연구원 | 글로벌 IoT 리소스 디스커버리 서비스 방법 및 이를 적용한 서버 |
CN107205016B (zh) * | 2017-04-18 | 2020-01-21 | 中国科学院计算技术研究所 | 物联网设备的检索方法 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN109194746B (zh) * | 2018-09-06 | 2021-03-26 | 贵州我联你联网络技术有限公司 | 基于物联网的异构信息处理方法 |
CN115334146A (zh) * | 2018-12-11 | 2022-11-11 | Oppo广东移动通信有限公司 | 物联网的资源发布方法、装置、设备及存储介质 |
CN111901144B (zh) * | 2020-06-19 | 2023-05-12 | 深圳奇迹智慧网络有限公司 | 物联网设备的交互方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-16 CN CN202110279367.1A patent/CN113095084B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271497A (zh) * | 2018-08-31 | 2019-01-25 | 华南理工大学 | 一种基于词向量的事件驱动服务匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095084A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363804B (zh) | 基于用户聚类的局部模型加权融合Top-N电影推荐方法 | |
CN108717408B (zh) | 一种敏感词实时监控方法、电子设备、存储介质及*** | |
WO2018121690A1 (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
US10223727B2 (en) | E-commerce recommendation system and method | |
TWI623842B (zh) | Image search and method and device for acquiring image text information | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN111177538B (zh) | 一种基于无监督权值计算的用户兴趣标签构建方法 | |
Li et al. | Product innovation concept generation based on deep learning and Kansei engineering | |
WO2019233077A1 (zh) | 业务对象的排序 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN111222847B (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
CN116244513B (zh) | 随机群组poi推荐方法、***、设备及存储介质 | |
CN108389113B (zh) | 一种协同过滤推荐方法和*** | |
Zhang et al. | The generative adversarial networks and its application in machine vision | |
Kakad et al. | Ontology construction from cross domain customer reviews using expectation maximization and semantic similarity | |
CN113095084B (zh) | 一种物联网中语义服务匹配方法、装置及存储介质 | |
Wang et al. | A data‐driven approach for sketch‐based 3d shape retrieval via similar drawing‐style recommendation | |
CN114637920A (zh) | 对象推荐方法以及装置 | |
CN117788122A (zh) | 一种基于异质图神经网络商品推荐方法 | |
CN116958740A (zh) | 基于语义感知和自适应对比学习的零样本目标检测方法 | |
CN111950646A (zh) | 电磁图像的层次化知识模型构建方法及目标识别方法 | |
CN116029793A (zh) | 商品推荐方法及其装置、设备、介质 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN114417166A (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |