由于物联网中服务数量的海量性、设备状态的动态变化性等特点,传统的互联网中基于关键词的“被动式”语义服务搜索技术将不再适用于物联网环境,如何利用并分析用户和设备之间大量的交互信息来给用户推荐与之最相关的设备资源是物联网中...由于物联网中服务数量的海量性、设备状态的动态变化性等特点,传统的互联网中基于关键词的“被动式”语义服务搜索技术将不再适用于物联网环境,如何利用并分析用户和设备之间大量的交互信息来给用户推荐与之最相关的设备资源是物联网中资源发现算法的关键。为此,首先给出一种基于超图理论的物联网用户-设备交互的表示模型并配以对应的表示矩阵,基于该模型提出了物联网业务场景中的资源推荐问题,并将该问题转换成基于矩阵分解的相关程度预测问题,最后引入最优化理论中的交替最小二乘法(Alternating least squares,ALS)来求解矩阵的最优化分解问题,进而提出一种基于隐语义模型的资源推荐算法,并与传统推荐系统中基于物品的协同过滤算法(ItemCF)在均方根误差(Root mean square error,RMSE)和平均绝对误差(Mean absolute error,MAE)等方面作对比,实验结果证明了本文所提出的推荐算法的有效性。展开更多
文摘由于物联网中服务数量的海量性、设备状态的动态变化性等特点,传统的互联网中基于关键词的“被动式”语义服务搜索技术将不再适用于物联网环境,如何利用并分析用户和设备之间大量的交互信息来给用户推荐与之最相关的设备资源是物联网中资源发现算法的关键。为此,首先给出一种基于超图理论的物联网用户-设备交互的表示模型并配以对应的表示矩阵,基于该模型提出了物联网业务场景中的资源推荐问题,并将该问题转换成基于矩阵分解的相关程度预测问题,最后引入最优化理论中的交替最小二乘法(Alternating least squares,ALS)来求解矩阵的最优化分解问题,进而提出一种基于隐语义模型的资源推荐算法,并与传统推荐系统中基于物品的协同过滤算法(ItemCF)在均方根误差(Root mean square error,RMSE)和平均绝对误差(Mean absolute error,MAE)等方面作对比,实验结果证明了本文所提出的推荐算法的有效性。