摘要
物联网（InternetofThings，IoT）智能设备如今受到用户的广泛推崇，由于智能设备和网络服务数量的快速增长，人工操作已显得慢速和易错，不能适应大量智能设备和网络服务的交互操作。触发执行编程（Trigger-ActionProgramming，TAP）作为一种操作物联网智能设备和网络服务的传统编程范式，能够打破不同品牌生态系统间的壁垒，为物联网服务定制个性化规则，并且积累了大量用户。因此，从已有的海量TAP规则中推荐恰当的个性化规则给用户尤为重要。大多数推荐系统通常注重推荐相似规则的准确性，而忽略了推荐的新颖与多样性，降低了用户体验。为此，本文着手于在TAP规则推荐中兼顾准确与多样性。 物联网作为万物互联的网络，存在各种实体空间和虚拟空间内物品的交互，决定了物联网表示中图结构的优势。TAP规则数据可以表示为含有多种节点和边类型的异构图，每个节点还有文本形式的属性描述。如何利用好图结构和文本描述，为用户推荐恰当的TAP规则值得研究。为此，本文分别提出了无监督和有监督学习的方法，从TAP规则中学习每条规则的特征，用于给用户推荐恰当的规则。 在无监督学习方法中，本文使用非负矩阵分解（NonnegativeMatrixFactor-ization，NMF）学习规则的特征。根据TAP数据异构图中一个类型与另一个类型节点的连接关系，可以在两两类型的节点之间建立起关系矩阵，矩阵中0表示节点之间没有关系，正数表示节点之间存在关系，且数值越大，关系越强。NMF将记录了行和列中节点之间关系的非负矩阵，分解为两个包含节点特征的矩阵，用于规则推荐。在NMF学习特征之前，本文提出了三种带权重的关系矩阵生成方法作为关键创新点，分别称为共现频率权值（CFW）、概念相似度权值（CSW）和TF-IDF权值（TIW）。结果表明，在由CFW生成的矩阵上进行NMF获得的规则特征，在TAP规则推荐时具有最好的表现。 在有监督学习方法中，本文通过结合TAP规则的文本描述和图结构，提出了一种多模态表示学习（Multi-ModalRepresentationLearning,MRL）模型，并命名为TAP-TAG。TAP-TAG有两个分支：一支为知识图谱嵌入（KnowledgeGraphEmbedding,KGE）模型，能够对提取自图结构的三元组进行关系特征的学习；另一支为卷积神经网络（ConvolutionalNeuralNetwork,CNN）模型，用于从规则文本描述中进行语义特征的学习。通过把KGE和CNN学习的含有关系和语义信息的规则特征映射到公共空间中，对齐两种模态的向量表示，并以它们之间的距离作为损失，学习规则的多模态特征表示。实验结果表明，MRL模型有助于为用户推荐兼具准确性和多样性的TAP规则。 实验结果表明，无监督和有监督学习方法各有优劣。无监督学习对时间和空间的资源占用非常小，对硬件要求不高，但是准确度较低；有监督学习在准确度方面的提升显著，但是对时间和空间资源、硬件的要求也很高。因此，需要根据不同的应用场景选择恰当的机器学习方法。
NETL