1.一种基于服务质量的web服务推荐的方法，其特征在于，包括：

获取当前任务相关联的所有web服务，每个web服务均与一个服务质量对应；提取服务质量特征，以向量形式表示当前任务相关联的所有web服务，得到一个服务输入向量；其中，服务输入向量的行数等于服务质量特征数量，列数等于当前任务相关联的web服务数量；

根据每个服务质量特征学习一个预设长度的向量表达，得到当前任务相关联的各个web服务的服务质量相对应的潜在向量；

将服务输入向量压缩，再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互，得到静态特征交互向量和动态特征交互向量；且在动态记忆网络模型中还引入软‑硬注意力机制；

将静态特征交互向量和动态特征交互向量线性组合后，经softmax层得出当前任务相关联的各个web服务的推荐概率，按照推荐概率从大到小推荐给用户；

对于每一个web服务都有一个对应的QoS，并在嵌入层中获取它自己的潜在向量vi∈V，对于每一个QoS，利用它的潜在向量vi在静态因子分解模型，即SaFM模型中进行低阶特征交互，在动态记忆网络模型中进行高阶特征交互；

在静态因子分解模型中，采用一种优化的损失函数来对模型参数进行优化，优化后的函数为：其中，LSaFM是最小化后的数据集N中的实际观测值y与预测观测值 误差之和；θ是模型参数；S是服务数据集，(x,y)进行因子分解的时候所进行交互的每一对数据； 表示对于当前的输入x，经过SaFM模型之后所得到的输出；w0代表全局偏量；wi代表第i个服务质量p p×k变量的权重；w0∈R,w∈R ,v∈R 是模型的参数，p是QoS的个数；vi,f是潜在QoS向量vi的第f个元素；

在进行高阶特征组合中采用BI‑LSTM，在BI‑LSTM中，每个神经元是一个“记忆细胞”，用以保存当前QoS输入的xt之前保存的状态ht‑1,这些“细胞”可以结合前面的状态、当前的记忆与当前的输入；

BI‑LSTM单元的状态更新可由以下公式得到：

(1)遗忘门激活值用ft表示，决定从当前不需要的QoS中丢弃的信息，读取ht‑1和xt：(2)其次根据用户实时的行为更新信息，首先，sigmoid作为“输入门层”，决定更新的时间，然后，tanh层创建一个新的候选值向量，计算时间内存单元状态i的输入it和 的值：it＝σ[Wi(ht‑1,xt)+bi]

(3)对用户的旧状态进行时间更新，Ct‑1更新为Ct：

(4)输出门最终确定LSTM单元的输出值，首先运行一个sigmoid层确定细胞状态的哪个部分将输出出去，之后经过非线性变换得到最终输出：yt＝σ[Wo(ht‑1,xt)+bo]

ht't＝ottanh(Ct)

其中，σ是点对的sigmoid函数；xt是t时刻的QoS输入向量；ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量；Wi、Wf、Wc、Wo是隐含状态的权重矩阵；bi、bf、bc、bo表示对应权重的偏置。

2.如权利要求1所述的基于服务质量的web服务推荐的方法，其特征在于，将压缩后的服务输入向量与潜在向量在静态因子分解模型进行静态特征交互的过程为：p p×k

其中，w0∈R,w∈R ,v∈R 是静态因子分解模型的参数，p是服务质量的个数；k＜p，k表示因子分解的维度；vi表示第i个服务质量特征xi学习一个长度为k的向量表达，即向量vi为第i个服务质量特征xi的k维表达；向量vj为第j个服务质量特征xj的k维表达；w0代表全局偏量；wi代表第i个服务质量变量的权重；表示两个向量的内积，内积单位代表了服务质量潜在向量二阶特征交互后的结果； 表示对于当前的输入x，经过SaFM模型之后所得到的输出。

3.如权利要求1所述的基于服务质量的web服务推荐的方法，其特征在于，动态记忆网络模型采用Bi‑LSTM网络结构。

4.如权利要求1所述的基于服务质量的web服务推荐的方法，其特征在于，将静态特征交互向量和动态特征交互向量线性组合后，经softmax层得出当前任务相关联的各个web服务的推荐概率的过程为：其中， 是预测的用户偏好概率，ySaFM用于表示静态因子分解模型的输出；

yDyBiLSTM是动态记忆网络模型的输出；softmax表示softmax函数，x表示服务输入向量。

5.一种基于服务质量的web服务推荐的系统，其特征在于，包括：

服务输入向量计算模块，其用于获取当前任务相关联的所有web服务，每个web服务均与一个服务质量对应；提取服务质量特征，以向量形式表示当前任务相关联的所有web服务，得到一个服务输入向量；其中，服务输入向量的行数等于服务质量特征数量，列数等于当前任务相关联的web服务数量；

潜在向量获取模块，其用于根据每个服务质量特征学习一个预设长度的向量表达，得到当前任务相关联的各个web服务的服务质量相对应的潜在向量；

特征交互模块，其用于将服务输入向量压缩，再与相应潜在向量分别在静态因子分解模型和动态记忆网络模型进行静态特征交互和动态特征交互，得到静态特征交互向量和动态特征交互向量；且在动态记忆网络模型中还引入软‑硬注意力机制；

服务推荐模块，其用于将静态特征交互向量和动态特征交互向量线性组合后，经softmax层得出当前任务相关联的各个web服务的推荐概率，按照推荐概率从大到小推荐给用户；

对于每一个web服务都有一个对应的QoS，并在嵌入层中获取它自己的潜在向量vi∈V，对于每一个QoS，利用它的潜在向量vi在静态因子分解模型，即SaFM模型中进行低阶特征交互，在动态记忆网络模型中进行高阶特征交互；

在静态因子分解模型中，采用一种优化的损失函数来对模型参数进行优化，优化后的函数为：其中，LSaFM是最小化后的数据集N中的实际观测值y与预测观测值 误差之和；θ是模型参数；S是服务数据集，(x,y)进行因子分解的时候所进行交互的每一对数据； 表示对于当前的输入x，经过SaFM模型之后所得到的输出；w0代表全局偏量；wi代表第i个服务质p p×k量变量的权重；w0∈R,w∈R ,v∈R 是模型的参数，p是QoS的个数；vi,f是潜在QoS向量vi的第f个元素；

在进行高阶特征组合中采用BI‑LSTM，在BI‑LSTM中，每个神经元是一个“记忆细胞”，用以保存当前QoS输入的xt之前保存的状态ht‑1,这些“细胞”可以结合前面的状态、当前的记忆与当前的输入；

BI‑LSTM单元的状态更新可由以下公式得到：

(1)遗忘门激活值用ft表示，决定从当前不需要的QoS中丢弃的信息，读取ht‑1和xt：(2)其次根据用户实时的行为更新信息，首先，sigmoid作为“输入门层”，决定更新的时间，然后，tanh层创建一个新的候选值向量，计算时间内存单元状态i的输入it和 的值：it＝σ[Wi(ht‑1,xt)+bi]

(3)对用户的旧状态进行时间更新，Ct‑1更新为Ct：

(4)输出门最终确定LSTM单元的输出值，首先运行一个sigmoid层确定细胞状态的哪个部分将输出出去，之后经过非线性变换得到最终输出：yt＝σ[Wo(ht‑1,xt)+bo]

ht't＝ottanh(Ct)

其中，σ是点对的sigmoid函数；xt是t时刻的QoS输入向量；ht是t时刻以及之前时刻存储了所有有用信息的隐状态向量；Wi、Wf、Wc、Wo是隐含状态的权重矩阵；bi、bf、bc、bo表示对应权重的偏置。

6.如权利要求5所述的基于服务质量的web服务推荐的系统，其特征在于，在所述特征交互模块中，将压缩后的服务输入向量与潜在向量在静态因子分解模型进行静态特征交互的过程为：p p×k

其中，w0∈R,w∈R ,v∈R 是静态因子分解模型的参数，p是服务质量的个数；k＜p，k表示因子分解的维度；vi表示第i个服务质量特征xi学习一个长度为k的向量表达，即向量vi为第i个服务质量特征xi的k维表达；向量vj为第j个服务质量特征xj的k维表达；w0代表全局偏量；wi代表第i个服务质量变量的权重；表示两个向量的内积，内积单位代表了服务质量潜在向量二阶特征交互后的结果； 表示对于当前的输入x，经过SaFM模型之后所得到的输出。

7.如权利要求5所述的基于服务质量的web服务推荐的系统，其特征在于，在所述特征交互模块中，动态记忆网络模型采用Bi‑LSTM网络结构。

8.如权利要求5所述的基于服务质量的web服务推荐的系统，其特征在于，在所述服务推荐模块中，将静态特征交互向量和动态特征交互向量线性组合后，经softmax层得出当前任务相关联的各个web服务的推荐概率的过程为：其中， 是预测的用户偏好概率，ySaFM用于表示静态因子分解模型的输出；

yDyBiLSTM是动态记忆网络模型的输出；softmax表示softmax函数，x表示服务输入向量。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑4中任一项所述的基于服务质量的web服务推荐的方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑4中任一项所述的基于服务质量的web服务推荐的方法中的步骤。