基于超图神经网络的云计算服务个性化推荐方法
《Neurocomputing》:Personalized recommendation method for cloud manufacturing services based on hypergraph neural network
【字体:
大
中
小
】
时间:2026年05月08日
来源:Neurocomputing 6.5
编辑推荐:
邵新平|徐丽卿|范飞|王晨阳|杨峰
上海科学技术大学商学院,上海200093,中国
**摘要**
在云制造(CMfg)平台中,数据的指数级增长导致了严重的信息过载,使得高效的服务检索成为了一个关键挑战。特别是,服务的高度同质性和交互数据的稀疏性给准确的服务匹配带来了
邵新平|徐丽卿|范飞|王晨阳|杨峰
上海科学技术大学商学院,上海200093,中国
**摘要**
在云制造(CMfg)平台中,数据的指数级增长导致了严重的信息过载,使得高效的服务检索成为了一个关键挑战。特别是,服务的高度同质性和交互数据的稀疏性给准确的服务匹配带来了显著的障碍。为了解决这些问题,本文提出了一种基于多头超图卷积网络的消息推荐模型(MH-HGCNRec)。该模型结合了超图与多头注意力机制,以捕获稀疏数据中的高阶交互信息,从而提高了区分相似服务的能力。具体而言,模型通过超边同时连接多个节点来表示复杂的多实体交互。超图架构保留了同质服务内的高阶相关性和群体级共性。然后,模型融入了多头注意力机制作为语义视图选择器,该机制从不同的语义角度为节点学习上下文感知的权重,从而从一组同质服务中识别出最匹配的候选服务。此外,为了提高模型的鲁棒性,在训练阶段提出了一个结合交叉熵和Kullback-Leibler(KL)散度的复合损失函数,有效缓解了由数据稀疏性和随机扰动引起的过拟合问题。在三组数据集上的实验结果表明,MH-HGCNRec的性能优于主流基线模型。与表现最好的基线模型HGRec相比,该方法在Recall@20和NDCG@20指标上分别实现了14.0%和12.5%的平均提升。
**引言**
在工业互联网时代,物联网(IoT)和大数据等先进技术的深度融合显著加速了云制造(CMfg)的成熟和普及[1]、[2]。在这种模式下,制造企业将闲置资源封装并发布在云平台上,而用户可以访问这些服务以满足他们的生产需求[3]。然而,资源和用户的指数级增长导致了大量同质制造服务的出现[4]、[5]。由于这些服务通常具有高度相似的功能属性(如标签、能力或评分),区分它们变得困难,这反过来又阻碍了资源的有效匹配[6]、[7]。因此,开发高效且准确的个性化推荐系统至关重要但具有挑战性。主要难点在于捕捉复杂的高阶用户-服务交互,以准确识别用户偏好,尤其是在服务供应高度同质化和交互数据稀疏的情况下。
为了识别高阶关系并区分同质服务,近期研究越来越多地采用基于超图的推荐方法。超图结构通过超边同时封装用户、制造任务和功能相似的服务集,克服了传统二分图的二元限制。这种整体表示方式使卷积操作能够有效地捕捉选择偏度,反映不同任务背景下同质服务的不同使用情况。通过利用这些结构细节,系统可以为同质服务学习高区分度的特征向量[8]、[9]、[10]。例如,Sakong等人[11]引入了一个小波增强的超图扩散框架,旨在通过捕获异质交互模式和局部图结构来解决高阶关系建模中的过度平滑问题。Xu等人[12]构建了一个包含多种实体类型的异质超图,并整合了一个动态注意力机制来量化实体之间的重要性差异,有效捕获了多模态数据中的高阶非线性相关关系。此外,Dose等人[13]利用超图对比框架结合图结构学习来增强模型对用户和项目之间高阶相关性的表示能力,通过识别和过滤超图中的噪声关系。然而,尽管具有这些结构优势,超图在CMfg推荐系统中的实际应用仍然面临两个主要挑战:(1)在CMfg的背景下,超图节点权重的分配应反映特定服务资源对满足用户个性化需求的实际贡献,但现有模型大多采用统一权重,缺乏动态加权,导致模型无法充分利用超图的结构优势,难以在功能相似的选项中优先选择最合适的服务,从而无法满足多样化任务场景下的个性化用户偏好;(2)CMfg平台上的数据稀疏性问题严重限制了模型的泛化能力,由于训练样本不足,模型容易过拟合,过度依赖稀疏的交互数据和随机噪声,从而无法捕捉真正的可转移偏好模式。这种缺陷源于损失函数中缺乏有效的正则化约束。在通过超图卷积完成特征聚合后,传统的交叉熵损失往往无法区分真实的偏好信号和随机噪声,导致预测分布偏离现实世界模式[14]、[15]。
为了克服上述限制,本文提出了一种基于多头超图卷积网络的消息推荐模型(MH-HGCNRec)。首先,为了解决静态权重无法反映节点贡献差异的问题,本研究设计了一种多头注意力机制作为语义视图选择器,使模型能够从多个语义角度(如任务相关性和服务兼容性)捕获节点特征[16]、[17]、[18]。通过融合这些多方面的见解,模型可以动态计算超图节点的上下文感知权重。这种加权分配直接根据用户意图的识别量化了不同服务对用户偏好的实际贡献。此外,为了克服传统损失函数对稀疏数据场景中未观察到的模式的过拟合脆弱性,本文建立了一个双目标学习框架。在该框架中,交叉熵作为主要目标以确保观察到的交互的准确拟合,而基于正则化的次要目标用于增强模型的鲁棒性。具体来说,采用Kullback-Leibler(KL)散度作为正则化项,因为其在分布对齐方面具有优越的能力[19]、[20]、[21]。通过最小化KL散度,模型学会了捕捉可靠的偏好模式而不是噪声,从而促进更稳定和可泛化的特征学习。本研究的主要贡献可以总结如下:
(1)为了解决区分同质服务和建模复杂多实体关系的挑战,本文提出了一种高阶异质超图建模方法,该方法的核心创新在于将涉及用户、任务和一组共享属性的服务的多实体交互封装到统一且不可分解的超边中,明确保留了高阶结构信息;
(2)为了解决现有模型中静态和统一超边权重的局限性,本文将多头注意力机制整合到超图卷积过程中,该机制从不同语义角度学习不同的上下文感知权重,例如一个头可能优先考虑任务相关性,而另一个头捕获潜在的服务兼容性。通过融合这些见解,模型生成了能够有效识别特定用户意图并在同质服务之间进行区分的表达性节点表示;
(3)为了增强数据稀疏环境中的模型鲁棒性,本文提出了一个结合交叉熵损失和KL散度正则化的双目标学习框架,交叉熵适用于观察到的交互,而KL散度在随机扰动下强制预测一致性,抑制了对噪声的过拟合。这种双目标策略显著增强了模型的鲁棒性和泛化性能。
本文的其余部分组织如下:第2节提供了关于制造服务推荐和超图神经网络的文献综述。第3节介绍了制造服务推荐模型。第4节通过一个示例演示了所提出的方法并进行了解释性分析。第5节讨论了结论和未来的工作。
**制造服务的个性化推荐**
在CMfg中,推荐的主要目标是将多样化的用户需求与最合适的服务资源准确匹配。通常考虑的因素包括服务质量(QoS)评估、语义匹配和服务组合[22]。现有研究一般分为三类:基于QoS的方法[23]、[24]、[25]、基于深度学习的方法[4]、[27]以及基于图的方法[28]、[29]、[30]。表1总结了代表性方法。
**方法论**
本节解释了所提出的结合注意力机制和超图卷积神经网络的云制造服务推荐模型。所提出算法的框架如图1所示。第一阶段涉及多视图超图构建。如图左侧面板所示,模型基于异构数据源建立了一个多视图系统。构建了四种不同类型的超边,以明确捕获高阶交互。
**数据集**
在本研究中,我们使用云服务协作平台作为示例,对所提出的方法进行了实验验证。选定的平台是MFG.com,这是全球领先的云制造服务提供商。用户可以为他们之前使用或访问的制造服务提供数字评分和文本评论。每个制造服务条目对应于一家提供超过30种服务的真实制造公司,包括铸造、3D打印、组装等。
**结论**
本研究通过提出一种名为MH-HGCNRec的多头超图卷积网络,解决了云制造平台中服务同质化和数据稀疏性的挑战。该方法构建了一个多视图超图来捕获用户、任务和服务之间的高阶交互。多头注意力机制捕获了多种语义视角,而包含Kullback-Leibler散度的复合损失函数减少了交互噪声。广泛的实验表明,MH-HGCNRec在推荐性能上优于主流基线模型。
**作者利益声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
本研究部分得到了中国国家自然科学基金(项目编号72271164和72202137)的支持。作者还感谢所有项目合作者的贡献。
**邵新平**
目前在上海科学技术大学商学院攻读硕士学位,研究兴趣包括推荐算法和知识图谱,专注于图神经网络在云制造服务推荐中的应用,探索提高推荐准确性的方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号