[發明專利]原子服務組合優化方法及裝置

在審

• 申請號: 202211275152.3
• 申請日: 2022-10-18
• 公開（公告）號: CN115545162A
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 卜曉璇;續倩;譚珂;徐云筱;馬嘉琪
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 李輝;樊一槿

本申請實施例提供一種原子服務組合優化方法及裝置，涉及機器學習領域，方法包括：對數據集中的原子服務進行聚類，得到原子服務組合樣本集；根據所述原子服務組合樣本集對預設組合推薦神經網絡模型進行預訓練，得到經過預訓練后的組合推薦神經網絡模型；通過梯度下降算法對所述組合推薦神經網絡模型進行模型訓練，并根據模型訓練結果更新所述原子服務組合樣本集，直至經過模型訓練后的組合推薦神經網絡模型滿足預設收斂條件；本申請能夠準確、高效得為用戶選擇原子服務組合。

技術領域

本申請涉及機器學習領域，具體涉及一種原子服務組合優化方法及裝置。

背景技術

隨著原子服務的發展，它可以更好的解耦服務之間的密切關系。它通過將較小的服務組合在一起，形成新的Web應用程序，原子服務的組合方式多種多樣，每個小的原子服務都有不同的服務質量屬性(如執行價格、執行時間、可用性、吞吐量、成功執行率和可靠性等，他們共同衡量了一個服務的服務質量)，隨著發展，海量的功能相同，服務質量屬性不同的原子服務供服務組合系統使用和組合。用戶希望的是組合在一起的整體服務的服務質量盡可能的最優。

現有方法在解決大規模原子服務選擇的問題上表現欠佳，穩定性好的啟發式方法效率低下，經典類的問題在大規模問題上優化效果欠佳，現有的學習類算法在服務組合問題上的應用較少，效果也不佳。

發明內容

針對現有技術中的問題，本申請提供一種原子服務組合優化方法及裝置，能夠準確、高效得為用戶選擇原子服務組合。

為了解決上述問題中的至少一個，本申請提供以下技術方案：

第一方面，本申請提供一種原子服務組合優化方法，包括：

對數據集中的原子服務進行聚類，得到原子服務組合樣本集；

根據所述原子服務組合樣本集對預設組合推薦神經網絡模型進行預訓練，得到經過預訓練后的組合推薦神經網絡模型；

通過梯度下降算法對所述組合推薦神經網絡模型進行模型訓練，并根據模型訓練結果更新所述原子服務組合樣本集，直至經過模型訓練后的組合推薦神經網絡模型滿足預設收斂條件。

進一步地，所述對數據集中的原子服務進行聚類，得到原子服務組合樣本集，包括：

根據功能類型不同對設定數據集中的各原子服務進行聚類，生成待選擇優化的抽象組合服務；

根據所述抽象組合服務，得到原子服務組合樣本集。

進一步地，所述根據所述抽象組合服務，得到原子服務組合樣本集，包括：

根據所述抽象組合服務隨機生成多個不同的原子服務組合樣本；

根據預設樣本優選規則從多個不同的原子組合樣本中選取設定數量的原子服務組合得到原子服務組合樣本集。

進一步地，所述根據所述原子服務組合樣本集對預設組合推薦神經網絡模型進行預訓練，得到經過預訓練后的組合推薦神經網絡模型，包括：

根據所述原子服務組合樣本集對預設組合推薦神經網絡進行最大似然估計預訓練，得到經過預訓練后的組合推薦神經網絡模型。

進一步地，所述通過梯度下降算法對所述組合推薦神經網絡模型進行模型訓練，包括：

通過小批量梯度下降算法對所述組合推薦神經網絡模型進行模型訓練，得到預測結果集。

進一步地，所述根據模型訓練結果更新所述原子服務組合樣本集，直至經過模型訓練后的組合推薦神經網絡模型滿足預設收斂條件，包括：

計算所述預測結果集的服務質量數值與預設服務質量閾值的差值；

根據所述差值更新所述原子服務組合樣本集，直至經過模型訓練后的組合推薦神經網絡模型滿足預設收斂條件。