豐 凱，劉志中，宋 成，張 麗

1(河南理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，河南 焦作 454003)

2(煙臺大學(xué) 計算機與控制工程學(xué)院，山東 煙臺 264005)

1 引 言

近年來，隨著服務(wù)計算、物聯(lián)網(wǎng)、智能終端以及5G網(wǎng)絡(luò)的快速發(fā)展與普及，越來越多的用戶可以隨時隨地訪問來自于不同領(lǐng)域、功能豐富的服務(wù)，完成工作與日常生活事務(wù).隨著網(wǎng)絡(luò)上可用服務(wù)數(shù)量的激增，用戶難以快速及時地發(fā)現(xiàn)滿足其需求的服務(wù)，嚴重影響了用戶的滿意度，降低了服務(wù)資源的利用率.主動服務(wù)推薦逐漸成為實現(xiàn)智能服務(wù)的關(guān)鍵技術(shù)，而服務(wù)需求動態(tài)預(yù)測是實現(xiàn)主動服務(wù)推薦的基礎(chǔ).如何實現(xiàn)服務(wù)需求的動態(tài)預(yù)測已經(jīng)成為智能服務(wù)領(lǐng)域亟需解決的關(guān)鍵問題之一.近年來，國內(nèi)外學(xué)者針對這一問題開展了研究，并取得了一定的研究成果[1-5].已有的研究工作大都基于協(xié)同過濾[6，7]、支持向量機[8，9]、矩陣分解[10]以及機器學(xué)習(xí)[10]方法來實現(xiàn)用戶服務(wù)需求的預(yù)測.然而，已有的研究工作沒有充分考慮用戶所處的場景對其服務(wù)需求的影響，導(dǎo)致服務(wù)需求預(yù)測精度不高.事實上，用戶的服務(wù)需求與其所處的場景具有密切的關(guān)聯(lián)關(guān)系.用戶所處的場景是觸發(fā)用戶提出服務(wù)需求的重要因素，因此，在進行用戶服務(wù)需求預(yù)測時，需要充分考慮用戶所處的場景.

在實際應(yīng)用中，用戶在不同的場景下常常會提出相同的服務(wù)需求，不同的場景對服務(wù)需求的影響也是不同的.因此，在進行服務(wù)需求預(yù)測時，需要考慮多個不同場景對服務(wù)需求的影響權(quán)重，從而提高服務(wù)需求預(yù)測的準(zhǔn)確性.為了簡化描述，后文用“服務(wù)需求”替代“同一個服務(wù)需求”.為了實現(xiàn)高精度的服務(wù)需求預(yù)測，本文構(gòu)建了一種注意力機制增強的深度交互神經(jīng)網(wǎng)絡(luò)模型AMEDIN，并基于AMEDIN提出了一種情景感知的服務(wù)需求動態(tài)預(yù)測方法.該方法捕獲不同場景與服務(wù)需求之間的交互關(guān)系，并獲取不同場景對服務(wù)需求的影響權(quán)重，使得與服務(wù)需求關(guān)聯(lián)性較強的場景獲得更高的影響權(quán)重，從而對情景感知的服務(wù)需求預(yù)測起到主導(dǎo)作用.本文的創(chuàng)新點主要包括：

1)引入了交互單元.通過交互單元可以顯式地建模多個場景與服務(wù)需求之間的交互關(guān)系，充分捕獲不同場景與服務(wù)需求之間的非線性關(guān)系，有助于提高服務(wù)需求預(yù)測的準(zhǔn)確性.

2)通過交互單元與注意力機制相結(jié)合，動態(tài)地獲取不同場景對服務(wù)需求的影響權(quán)重，挖掘?qū)τ脩舴?wù)需求影響較大的場景特征，從而提高了服務(wù)需求預(yù)測的可解釋性與精度.

本文組織結(jié)構(gòu)如下：第2節(jié)介紹相關(guān)工作；第3節(jié)介紹情景感知的服務(wù)需求動態(tài)預(yù)測方法；第4節(jié)是本文的實驗部分；第5節(jié)對本文工作進行了總結(jié)與展望.

2 相關(guān)工作

隨著近年來個性化服務(wù)需求信息的增長，國內(nèi)外一些學(xué)者對用戶服務(wù)需求預(yù)測進行了研究.Yao等[11]針對現(xiàn)有的出租車需求預(yù)測只考慮空間或時間關(guān)系的不足，提出了一種深度多視角時空網(wǎng)絡(luò)模型，對空間和時間關(guān)系進行建模并預(yù)測用戶服務(wù)需求.為了為IaaS提供商選擇長期服務(wù)請求并使其利潤最大化，Mistry等[12]提出了一種基于多變量隱馬爾可夫模型和自回歸綜合移動平均模型的資源利用模式預(yù)測方法，能夠預(yù)測服務(wù)請求的高頻度和季節(jié)性的長期行為.考慮到許多客戶的不同行為，Koshiba等[13]提出了一種基于客戶分類模型的服務(wù)需求預(yù)測方法.

為了幫助公司為未來市場生產(chǎn)產(chǎn)品，Song等[14]開發(fā)了一種預(yù)測客戶需求轉(zhuǎn)變趨勢的綜合方法.為了降低在快速變化的市場中開發(fā)新產(chǎn)品的風(fēng)險，Chong等[15]提出了一種基于人工免疫和神經(jīng)系統(tǒng)的用戶需求分析和預(yù)測系統(tǒng).對于面向服務(wù)的制造，Cao等[16]提出了一種考慮客戶滿意度的客戶需求預(yù)測方法，利用結(jié)構(gòu)方程模型定量描述客戶滿意度指標(biāo)與影響因素之間的關(guān)系，并采用最小二乘支持向量機制進行客戶需求預(yù)測.Garg等[17]提出了一種基于時態(tài)數(shù)據(jù)挖掘的即時服務(wù)需求自適應(yīng)預(yù)測系統(tǒng).

雖然上述研究工作取得了較好的成果，然而，已有的研究工作通常將不同的場景對用戶服務(wù)需求的影響視為同樣重要的，導(dǎo)致模型無法充分學(xué)習(xí)不同場景對服務(wù)需求的影響，從而降低了服務(wù)需求預(yù)測的精度.針對當(dāng)前研究工作存在的不足，本文構(gòu)建了一種注意力機制增強的深度交互神經(jīng)網(wǎng)絡(luò)模型AMEDIN，并基于AMEDIN提出了一種情景感知的服務(wù)需求動態(tài)預(yù)測方法.AMEDIN通過交互單元和注意力機制自適應(yīng)的學(xué)習(xí)多個場景特征對用戶服務(wù)需求特征的影響權(quán)重，解決了上述問題并提高了模型的表達能力，在一定程度上彌補了當(dāng)前研究工作存在的不足.

3 情景感知的服務(wù)需求動態(tài)預(yù)測方法

在服務(wù)使用中，可以通過智能終端、物聯(lián)網(wǎng)以及智能穿戴設(shè)備，獲取用戶的特征信息、所處的場景信息以及提出的服務(wù)需求信息等，從而能夠形成用戶提出服務(wù)需求時的相關(guān)數(shù)據(jù)，為實現(xiàn)情景感知的服務(wù)需求預(yù)測提供數(shù)據(jù)支持.針對情景感知的服務(wù)需求動態(tài)預(yù)測問題，定義服務(wù)使用數(shù)據(jù)模型如公式(1)所示：

SAR=

(1)

其中，UF=表示用戶特征，主要包括用戶的性別、年齡、職業(yè)、經(jīng)濟收入等.CF=表示場景特征，主要包括服務(wù)需求提出的時間、位置、天氣、事件、陪伴者等.SRF=表示服務(wù)需求特征，主要包括服務(wù)所屬的領(lǐng)域、服務(wù)名稱、服務(wù)功能、服務(wù)等級等.上述用戶特征、場景特征以及服務(wù)需求特征向量具有很好擴展性，可以根據(jù)需要增加或減去相關(guān)的特征.

為了提高情景感知的服務(wù)需求動態(tài)預(yù)測的精度，本文設(shè)計了一種注意力機制增強的深度交互神經(jīng)網(wǎng)絡(luò)模型AMEDIN，來獲取不同場景與服務(wù)需求之間的交互關(guān)系，進而獲取不同場景對服務(wù)需求的影響權(quán)重.下面分別介紹AMEDIN模型及其主要運行機制.

3.1 注意力機制增強的深度交互神經(jīng)網(wǎng)絡(luò)模型(AMEDIN)

AMEDIN模型由交互單元、影響權(quán)重學(xué)習(xí)模塊以及服務(wù)需求預(yù)測模塊組成，其結(jié)構(gòu)如圖1所示.其中，交互單元與服務(wù)需求預(yù)測模塊由全連接網(wǎng)絡(luò)構(gòu)成.交互單元用于捕獲不同場景與服務(wù)需求之間的交互關(guān)系；影響權(quán)重學(xué)習(xí)模塊基于注意力機制學(xué)習(xí)不同場景對于服務(wù)需求的影響權(quán)重；服務(wù)需求預(yù)測模塊基于影響權(quán)重學(xué)習(xí)模塊的學(xué)習(xí)結(jié)果，實現(xiàn)情景感知的服務(wù)需求預(yù)測.下面分別介紹交互關(guān)系的獲取與基于注意力機制的影響權(quán)重學(xué)習(xí)過程.

圖1 AMEDIN模型結(jié)構(gòu)圖

3.1.1 基于交互單元的交互關(guān)系獲取

(2)

(3)

3.1.2 基于注意力機制的影響權(quán)重學(xué)習(xí)

(4)

(5)

(6)

3.2 服務(wù)需求的動態(tài)預(yù)測

在獲取對用戶發(fā)起服務(wù)需求具有較大影響的場景特征之后，基于AMEDIN模型的預(yù)測模塊實現(xiàn)服務(wù)需求的預(yù)測.在對服務(wù)需求預(yù)測模塊進行訓(xùn)練時，定義模型的輸入數(shù)據(jù)為Ii=，其中，UFi表示用戶特征向量，ECFi，SRFi表示由注意力機制得到的加權(quán)場景特征，SRFi表示服務(wù)需求特征；yi表示輸入數(shù)據(jù)的標(biāo)簽，yi∈{0，1}，當(dāng)yi=0時，表示用戶沒有當(dāng)前SRFi對應(yīng)的服務(wù)需求；當(dāng)yi=1時，表示用戶有當(dāng)前SRFi對應(yīng)的服務(wù)需求；服務(wù)需求預(yù)測模塊的學(xué)習(xí)函數(shù)如公式(7)所示：

(7)

其中，σ表示ReLU激活函數(shù)，W表示權(quán)重矩陣，Ii表示輸入的數(shù)據(jù)，b表示偏置向量.

在AMEDIN模型中，選擇交叉熵損失函數(shù)(CrossEntro-pyLoss)來優(yōu)化所構(gòu)建的模型，交叉熵損失函數(shù)如公式(8)所示：

(8)

(9)

算法1.基于AMEDIN的服務(wù)需求動態(tài)預(yù)測

階段1.AMEDIN模型的訓(xùn)練

輸入：D//用于模型訓(xùn)練的數(shù)據(jù)集

1.初始化模型的參數(shù)；

2.repeat

3.fori to ndo//n為批量數(shù)據(jù)的數(shù)量

5.for(j=1 to m)//m為輸入樣本Xi中場景特征的數(shù)量

7.endfor

12.依據(jù)公式(6)計算注意力機制的輸出；

14.依據(jù)公式(8)計算AMEDIN模型的損失值；

15.依據(jù)Adam算法更新AMEDIN模型中的參數(shù)；

16.endfor

17.until{滿足模型訓(xùn)練結(jié)束條件；}

階段2.服務(wù)需求的預(yù)測

18.輸入：fori to kdo//k為服務(wù)需求特征的數(shù)量

19.endfor

20.執(zhí)行AMEDIN模型；

21.依據(jù)預(yù)測值為1時的概率，提取概率值較大的那條數(shù)據(jù)中的服務(wù)需求特征作為預(yù)測的用戶服務(wù)需求；

22.輸出：預(yù)測的服務(wù)需求

4 實驗結(jié)果與分析

4.1 實驗數(shù)據(jù)準(zhǔn)備

目前，還不存在用于驗證情景感知的服務(wù)需求動態(tài)預(yù)測的數(shù)據(jù)集.為了驗證本文所提出方法的有效性，本文采用MovieLens數(shù)據(jù)集(1)https：//grouplens.org/datasets/movielens/1m/和天池網(wǎng)站提供的Alibaba數(shù)據(jù)集(2)https：//tianchi.aliyun.com/dataset/dataDetail dataId=56.其中，Movielens數(shù)據(jù)包含來自6000名用戶對18個類別4000部電影打分的100萬個樣本數(shù)據(jù)；Alibaba數(shù)據(jù)集是阿里巴巴公司提供的大量用戶廣告點擊率的數(shù)據(jù).針對MovieLens數(shù)據(jù)，將用戶特征看成服務(wù)需求預(yù)測中的用戶特征，將情景特征映射為服務(wù)需求預(yù)測中的場景特征，將電影特征映射為服務(wù)需求預(yù)測中服務(wù)需求特征，將用戶對電影的評價值映射為用戶服務(wù)需求的標(biāo)簽；針對Alibaba數(shù)據(jù)，將用戶特征看成服務(wù)需求預(yù)測中的用戶特征，將情景特征映射為服務(wù)需求預(yù)測中的場景特征，將廣告特征映射為服務(wù)需求預(yù)測中的服務(wù)需求特征，將用戶是否會點擊廣告的值映射為用戶服務(wù)需求預(yù)測中的標(biāo)簽.實驗中，本文將Movielens數(shù)據(jù)中的評分類別轉(zhuǎn)換為二分類，電影的原始用戶評分是從1到5的連續(xù)值，本文將評分為4和5的樣本標(biāo)記為正，其余的標(biāo)記為負.由于Alibaba數(shù)據(jù)量比較大，本文從該數(shù)據(jù)中隨機采樣100萬條數(shù)據(jù)作為實驗數(shù)據(jù).在實驗中，重點考慮了每個數(shù)據(jù)集中的5種場景特征，Movielens數(shù)據(jù)中的信息如表1所示，Alibaba數(shù)據(jù)中的信息如表2所示.

表1 Movielens數(shù)據(jù)中的信息

表2 Alibaba數(shù)據(jù)中的信息

實驗環(huán)境為個人電腦，操作系統(tǒng)：Windows 10專業(yè)版64位，CPU：Intel i7 8750H，RAM：8GB.該實驗選擇開源的TensorFlow 2.0 GPU為預(yù)測模型的實現(xiàn)框架，采用Python 3.6編程實現(xiàn)預(yù)測模型.

4.2 評估指標(biāo)

本文采用均方根誤差RMSE與平均絕對誤差MAE和準(zhǔn)確率Acc來計算服務(wù)需求的預(yù)測值與真實值的偏差，從而衡量本文所提出的預(yù)測方法的有效性.其中，RMSE與MAE的計算公式如公式(10)與公式(11)所示.

(10)

(11)

其中，RMSE與MAE的值越小，表示模型的預(yù)測精度越高；Acc的值越大表明模型的預(yù)測精度越高.

4.3 AMEDIN模型參數(shù)設(shè)置

在AMEDIN模型中，交互單元用于學(xué)習(xí)多個場景和服務(wù)需求之間的交互關(guān)系，交互單元的網(wǎng)絡(luò)層數(shù)對模型的性能具有重要影響，為了使得AMEDIN模型具有較好的性能，這里通過實驗的方法來確定層數(shù)的最優(yōu)取值.在實驗中，采用Adam為優(yōu)化算法，初始化學(xué)習(xí)率為0.00001.通過設(shè)置不同的層數(shù)來觀察AMEDIN模型的性能表現(xiàn)，進而來確定交互單元中網(wǎng)絡(luò)層數(shù)的最優(yōu)取值.實驗結(jié)果如表3所示.

表3 交互單元網(wǎng)絡(luò)層數(shù)對AMEDIN模型性能的影響

從表3可以看出，增加交互單元的層數(shù)有助于提高模型預(yù)測準(zhǔn)確度.但是，隨著層數(shù)的增加，模型性能的提升度有限.同時，交互單元層數(shù)的增加，會給模型帶來更多的參數(shù)學(xué)習(xí)開銷，從而增加模型訓(xùn)練的復(fù)雜度以及過擬合風(fēng)險.基于上述實驗結(jié)果，綜合考慮模型的性能與訓(xùn)練消耗，本文確定交互單元的網(wǎng)絡(luò)層數(shù)為4.

此外，在用戶服務(wù)需求預(yù)測模型中，交互單元中每層網(wǎng)絡(luò)的神經(jīng)元節(jié)點數(shù)目對模型的性能也有較大的影響，為了使模型具有較好的預(yù)測能力，該實驗在AMEDIN模型中，分別設(shè)置每層網(wǎng)絡(luò)的神經(jīng)元節(jié)點數(shù)為16、32、64、128與256，執(zhí)行模型并記錄實驗結(jié)果，實驗結(jié)果如表4所示.

表4 交互單元節(jié)點數(shù)對AMEDIN模型性能的影響

從表4可以看出，隨著神經(jīng)元節(jié)點數(shù)目的增加，模型的性能逐漸得到提升；而當(dāng)節(jié)點數(shù)達到128時，模型的性能達到最優(yōu)；之后，隨著節(jié)點數(shù)量的增加，模型的性能所有下降.同時，增加神經(jīng)元的節(jié)點數(shù)量，會增加模型訓(xùn)練的開銷以及過擬合的風(fēng)險.基于實驗結(jié)果，本文將AMEDIN模型交互單元中每層網(wǎng)絡(luò)神經(jīng)元的節(jié)點數(shù)設(shè)置為128.

4.4 對比模型參數(shù)的設(shè)置

為了驗證所提出方法的有效性，該實驗選取了5種典型的深度神經(jīng)網(wǎng)絡(luò)與本文所構(gòu)建的AMEDIN模型進行比較.5種典型的深度神經(jīng)網(wǎng)絡(luò)分別為：深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network，DNN)、DeepFM[22]、注意力交互網(wǎng)絡(luò)(Attentive Interaction Network，AIN)[23]、注意力因子分解機(Attentional Factorization Machine，AFM)[24]與神經(jīng)因子分解機(Neural Factorization Machine，NFM)[25].

對于深度神經(jīng)網(wǎng)絡(luò)DNN，分別將用戶特征、場景特征和服務(wù)需求特征經(jīng)過嵌入層(Embedding)之后，輸入到全連接網(wǎng)絡(luò)，預(yù)測用戶的服務(wù)需求.在實驗中設(shè)置其隱含層數(shù)為3，隱含層節(jié)點數(shù)為32，采用交叉熵損失函數(shù)，并且采用Adam優(yōu)化算法，初始化學(xué)習(xí)率設(shè)置為0.001.對于DeepFM，在用戶特征、場景特征和服務(wù)需求特征經(jīng)過嵌入層處理之后，使用因子分解機(Factorization Machines，F(xiàn)M)提取低階特征，然后使用DNN進行高階特征提取之后，輸入到全連接網(wǎng)絡(luò)，預(yù)測用戶的服務(wù)需求.在該實驗中，DeepFM的參數(shù)設(shè)置與原論文保持一致，設(shè)置Dropout為0.5，選擇Adam作為優(yōu)化算法，設(shè)置初始化學(xué)習(xí)率為0.001.對于AIN，與原論文保持一致，設(shè)置隱含層數(shù)為2，隱含層節(jié)點數(shù)為128，并且采用Adam為優(yōu)化算法，設(shè)置初始學(xué)習(xí)率為0.001.

對于AFM模型，依據(jù)原論文設(shè)置Dropout為0.5，使用大小為512的批量訓(xùn)練策略，選擇Adam為優(yōu)化算法，設(shè)置學(xué)習(xí)率的初始值為0.001.NFM是一種用于稀疏數(shù)據(jù)預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，它在神經(jīng)網(wǎng)絡(luò)模型下增強因子分解機來學(xué)習(xí)高階交互特征，設(shè)置使用大小為512的批量訓(xùn)練策略，并且采用Adam為優(yōu)化算法，初始化學(xué)習(xí)率為0.01.對于本文提出的AMEDIN模型，交互單元的層數(shù)設(shè)為4，隱含層節(jié)點數(shù)設(shè)置為128，采用Adam為優(yōu)化算法，初始化學(xué)習(xí)率為0.00001.對于每一個網(wǎng)絡(luò)模型，都采用Alibaba數(shù)據(jù)集和Movielens數(shù)據(jù)集作為實驗數(shù)據(jù)，設(shè)置最大迭代次數(shù)為300.

4.5 不同模型的性能比較

為了驗證本文所提出方法的有效性，該實驗采用數(shù)據(jù)集的80%作為訓(xùn)練數(shù)據(jù)，數(shù)據(jù)集的20%為測試數(shù)據(jù)，對多個模型進行訓(xùn)練與測試.采用4.2節(jié)中給出的評估指標(biāo)來度量每一個模型的性能.實驗結(jié)果如表5所示.

表5 不同模型在兩套數(shù)據(jù)集上的性能評估

從表5可以看出，在進行服務(wù)需求預(yù)測時，本文提出的AMEDIN模型在評估指標(biāo)Acc、RMSE和MAE上均優(yōu)于其他方法.在Movielens數(shù)據(jù)集中，AMEDIN模型在評估指標(biāo)Acc上，分別優(yōu)于其他方法中最優(yōu)結(jié)果1.14%；在指標(biāo)RMSE和MAE上，分別領(lǐng)先于次優(yōu)結(jié)果0.51%和0.5%.在Alibaba數(shù)據(jù)集中，AMEDIN模型在評估指標(biāo)Acc上分別優(yōu)于其它方法中最優(yōu)結(jié)果1.48%，在指標(biāo)RMSE和MAE上分別領(lǐng)先次優(yōu)結(jié)果1.06%和1.6%.通過上述實驗結(jié)果可以得出，本文所提出的AMEDIN模型通過交互單元和注意力機制，能夠有效捕捉多個場景對服務(wù)需求的不同影響；同時，通過提取多個場景和服務(wù)需求的交互特征，能夠有效降低多個場景和服務(wù)需求之間非線性關(guān)系的損失；另一方面，通過注意力機制得到對用戶服務(wù)需求影響權(quán)重最大的場景特征，提高了模型的預(yù)測精度.

4.6 不同模型的收斂性驗證

為了驗證本文所提出方法的收斂性，分別對多個模型進行訓(xùn)練與測試，多個模型的參數(shù)設(shè)置與4.3節(jié)中的設(shè)置一致.實驗結(jié)果如圖2和圖3所示.其中，縱坐標(biāo)表示預(yù)測準(zhǔn)確度，橫坐標(biāo)表示模型的迭代次數(shù).

從圖2和圖3可以看出，隨著迭代次數(shù)的增加，多個深度神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率不斷得到提升.從圖2可以看出，在Movielens數(shù)據(jù)集中，NFM模型的性能表現(xiàn)最弱.從圖3可以看出，在Alibaba數(shù)據(jù)集中，DNN模型的性能表現(xiàn)最弱.本文所提出的AMEDIN模型在兩個數(shù)據(jù)集上都具有較好的預(yù)測準(zhǔn)確度.通過上述實驗結(jié)果可以得出，AMEDIN模型具有良好的學(xué)習(xí)能力，迭代較少的次數(shù)就能夠獲得較高預(yù)測準(zhǔn)確率.

圖2 不同模型在Movielens數(shù)據(jù)集上的準(zhǔn)確率

圖3 不同模型在Alibaba數(shù)據(jù)集上的準(zhǔn)確率

4.7 不同模塊對AMEDIN模型性能的影響分析

為了驗證獲取交互關(guān)系、獲取影響權(quán)重對于提高服務(wù)需求預(yù)測準(zhǔn)確度的有效性，該實驗通過去掉相關(guān)的操作得到AMEDIN模型不同的變體，通過AMEDIN模型的變體與AMEDIN模型的比較來驗證不同模塊對AMEDIN模型性能的影響.其中，AMEDINNoIta表示不考慮不同場景和服務(wù)需求之間的交互關(guān)系，AMEDINNoPooling表示不考慮池化場景特征與服務(wù)需求之間的交互關(guān)系，AMEDINNoAtt表示不使用注意力機制.AMEDIN模型與其它變體模型的參數(shù)設(shè)置一致，基于相同數(shù)據(jù)集與實驗平臺對4種模型進行訓(xùn)練和測試，

實驗結(jié)果如圖4至圖7所示，其中縱坐標(biāo)分別表示RMSE和MAE，橫坐標(biāo)表示算法的迭代次數(shù).

圖4 不同模型在Movielens數(shù)據(jù)集上的RMSE

從圖4到圖7可以看出，當(dāng)AMEDIN模型不考慮交互關(guān)系與AMEDIN模型不使用注意力機制時，AMEDIN的變體模型在RMSE和MAE評估指標(biāo)數(shù)值有所上升，而AMEDIN模型在RMSE和MAE指標(biāo)上優(yōu)于其他3種變體模型.基述實驗結(jié)果可以得出，考慮不同場景和服務(wù)需求的交互關(guān)系以及考慮不同場景對服務(wù)需求的影響權(quán)重，有助于提升AMEDIN模型的性能，也即說明，考慮場景和服務(wù)需求之間的交互關(guān)系以及不同場景對服務(wù)需求的影響權(quán)重，有助于提高服務(wù)需求預(yù)測的準(zhǔn)確度.

圖5 不同模型在Movielens數(shù)據(jù)集上的MAE

圖6 不同模型在Alibaba數(shù)據(jù)集上的RMSE

圖7 不同模型在Alibaba數(shù)據(jù)集上的MAE

5 總結(jié)與展望

為了實現(xiàn)情景感知的服務(wù)需求動態(tài)預(yù)測，進而提高服務(wù)推薦的主動性與智能性，本文提出了一種情景感知的服務(wù)需求動態(tài)預(yù)測方法.該研究工作構(gòu)建了一種注意力機制增強的深度交互神經(jīng)網(wǎng)絡(luò)模型AMEDIN，首先通過AMEDIN模型中的交互單元，捕獲多個不同場景和服務(wù)需求之間的交互關(guān)系；之后，通過注意力機制，獲取多個場景對服務(wù)需求的影響權(quán)重；最后，基于注意力機制的輸出構(gòu)建訓(xùn)練數(shù)據(jù)，通過全連接網(wǎng)絡(luò)對服務(wù)需求進行動態(tài)預(yù)測.基于真實的數(shù)據(jù)集進行了大量的實驗，驗證了本文所提出方法的有效性；同時還通過實驗驗證了交互單元和注意力機制對于提升模型預(yù)測精度的有效性.在后續(xù)的研究工作中，將進一步分析影響服務(wù)需求預(yù)測精度的主要因素，挖掘這些因素對服務(wù)需求預(yù)測的影響規(guī)律，基于這些規(guī)律開展服務(wù)需求預(yù)測的研究，從而提高服務(wù)需求預(yù)測的靈活性與準(zhǔn)確度.