公开(公告)号：CN115858942B

公开(公告)日：2023-05-12

申请号：CN202310168596.5

申请日：2023-02-27

Applicant: 西安电子科技大学

Inventor： 徐悦甡 ,  蒋宇宏 ,  蒋志平 ,  黑蕾 ,  李瑞 ,  王照宇 ,  邱志博

IPC: G06F16/9535 ,  G06N3/0442 ,  G06N3/0464

Abstract: 本发明公开了一种面向用户输入的序列化推荐方法及装置，属于软件工程技术领域，包括步骤：对用户的对象序列和对象的文本描述分别进行如下处理：对对象序列，使用卷积神经网络捕获联合级和点级序列特征，在卷积层中额外添加自注意力机制，用于在卷积之后提取特征；对对象的文本描述，采用神经网络和自注意力机制来捕获对象本身的特征；将捕获的特征进行神经网络运算，得到最终的预测输出，根据预测输出确定面向用户输入的对象推荐。本发明提高了项目推荐的精确性。

公开(公告)号：CN114896514A

公开(公告)日：2022-08-12

申请号：CN202210825930.5

申请日：2022-07-14

Applicant: 西安电子科技大学

Inventor： 徐悦甡 ,  赵新瑜 ,  李瑞 ,  蒋志平 ,  黑蕾 ,  邱志博

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图神经网络的Web API标签推荐方法，包括：根据元路径从Web API数据中抽取出Web API节点的邻居节点，将其映射到欧几里德空间中。使用注意力机制将各邻居节点的向量表示聚合，得到局部聚合信息；使用注意力机制将不同元路径下局部聚合信息进行聚合，得到语义信息；将语义信息输入多标签分类器中，完成对Web API的标签推荐。本发明使用图神经网络，每次从Web API节点中抽取邻居节点，避免了数据稀疏性问题；聚合了Web API节点的局部结构信息和语义信息，提高了服务查找结果的精确性，减少了推荐模型的计算量，解决了物品冷启动问题。

公开(公告)号：CN114896514B

公开(公告)日：2022-09-30

申请号：CN202210825930.5

申请日：2022-07-14

Applicant: 西安电子科技大学

Inventor： 徐悦甡 ,  赵新瑜 ,  李瑞 ,  蒋志平 ,  黑蕾 ,  邱志博

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于图神经网络的Web API标签推荐方法，包括：根据元路径从Web API数据中抽取出Web API节点的邻居节点，将其映射到欧几里德空间中。使用注意力机制将各邻居节点的向量表示聚合，得到局部聚合信息；使用注意力机制将不同元路径下局部聚合信息进行聚合，得到语义信息；将语义信息输入多标签分类器中，完成对Web API的标签推荐。本发明使用图神经网络，每次从Web API节点中抽取邻居节点，避免了数据稀疏性问题；聚合了Web API节点的局部结构信息和语义信息，提高了服务查找结果的精确性，减少了推荐模型的计算量，解决了物品冷启动问题。

公开(公告)号：CN117319176A

公开(公告)日：2023-12-29

申请号：CN202311152856.6

申请日：2023-09-07

Applicant: 西安电子科技大学

Inventor： 徐悦甡 ,  韩海斌 ,  赵新奎 ,  黑蕾 ,  李瑞 ,  邱志博

IPC: H04L41/0631 ,  H04L41/0677 ,  H04L41/16

Abstract: 本发明公开了一种基于异常调用模式挖掘的微服务故障根因定位方法，包括：将调用链中每个微服务的响应时间和调用路径的特征编码为固定长度的向量；对全部微服务挖掘出微服务为故障根因时的异常调用模式；基于每个微服务，构建独立的故障判别模型并训练，进行故障检测和分类；预测符合异常调用模式的调用链的故障类型，并对每个微服务的异常指标特征进行故障根因概率得分预测；进行根因定位，确定故障在调用链中的具体发生位置；根据微服务调用链拓扑结构特征分析异常传播路径，并对调用链的全部根因概率得分进行排序得出最可能的异常根因微服务。本发明实现了调用链整体的综合考虑，在分布式系统发生异常时实时快速、准确的定位根因。

公开(公告)号：CN116151928A

公开(公告)日：2023-05-23

申请号：CN202310251917.8

申请日：2023-03-16

Applicant: 西安电子科技大学

Inventor： 吴寅琛 ,  徐悦甡 ,  李瑞 ,  蒋志平 ,  黑蕾 ,  邱志博

IPC: G06Q30/0601 ,  G06N3/08 ,  G06F16/9535 ,  G06F16/9536

Abstract: 本发明公开了一种基于自注意力机制的序列化神经协同过滤推荐方法，涉及推荐系统技术领域，本发明将与用户有过交互记录的商品ID整理成为用户历史行为记录序列；用户ID与商品ID进行one‑hot嵌入，得到用户特征向量与商品特征向量；将待推荐商品特征向量放在用户历史行为记录序列的末端，并输入到自注意力机制中去，得到具有丰富序列信息的待推荐商品特征向量；将具有丰富序列信息的商品特征向量与原始嵌入得到的用户特征向量与商品特征向量一起输入到神经协同过滤模型中计算，最后进行推荐。本发明消除了序列中的大部分噪声，捕获到了推荐场景下的长期依赖信息与短期依赖信息，得到更加准确的推荐结果。

公开(公告)号：CN115858942A

公开(公告)日：2023-03-28

申请号：CN202310168596.5

申请日：2023-02-27

Applicant: 西安电子科技大学

Inventor： 徐悦甡 ,  蒋宇宏 ,  蒋志平 ,  黑蕾 ,  李瑞 ,  王照宇 ,  邱志博

IPC: G06F16/9535 ,  G06N3/0442 ,  G06N3/0464

Abstract: 本发明公开了一种面向用户输入的序列化推荐方法及装置，属于软件工程技术领域，包括步骤：对用户的对象序列和对象的文本描述分别进行如下处理：对对象序列，使用卷积神经网络捕获联合级和点级序列特征，在卷积层中额外添加自注意力机制，用于在卷积之后提取特征；对对象的文本描述，采用神经网络和自注意力机制来捕获对象本身的特征；将捕获的特征进行神经网络运算，得到最终的预测输出，根据预测输出确定面向用户输入的对象推荐。本发明提高了项目推荐的精确性。