多属性融合评级的Mashup服务推荐算法

传统的Mashup服务推荐是基于关键字的检索方法,对于所推荐API服务的社会和功能属性利用较少,不利于全面评价所推荐API的适用度,对此提出一种多属性融合评级的Mashup服务推荐算法.首先,利用网爬工具收集ProgrammableWeb上的Mashup服务信息,并采用后缀剥离算法把Mashup服务的标签信息修改为名词形式,以此作为研究分析的数据集.其次,融入API服务的社会和功能等多属性对API模型进行扩充,并采用多属性相似度加权融合的方式对候选API的适用度进行评价,以此作为API服务推荐的依据.实验结果表明,多属性融合评级Mashup服务推荐算法具有更高的正确率和更快的运算时间,是可行有效的.     

基于双注意力深度学习的在线资源推荐

为了提高在线资源推荐的性能，采用深度学习卷积神经网络(Convolutional neural network, CNN)进行资源推荐，同时对资源-用户特征进行双注意力机制特征提取，以进一步提高推荐精准度。对资源-用户特征进行编码并初始化，分别进行通道注意力机制运算和空间注意力机制运算。将两个注意力机制的运算结果加权求和得到新的用户-资源特征。建立基于CNN的在线资源推荐模型，并以资源和用户的最小特征差作为损失函数进行迭代优化，从而求解出CNN网络参数。通过双注意力机制的用户-资源特征输入到CNN模型，并执行训练以获得符合用户需求的推荐结果。试验结果表明，通过合理设置双注意力机制通道数及卷积核尺寸等参数，可以有效提高双注意力CNN的推荐性能。与常用资源推荐算法相比，所提算法在推荐准确度及稳定性方面均具有一定的提升。