基于QoS的Web服務(wù)推薦技術(shù)研究.pdf

1、在基于QoS的Web服務(wù)推薦系統(tǒng)中，準(zhǔn)確的預(yù)測(cè)出Web服務(wù)的QoS屬性值對(duì)Web服務(wù)選擇及發(fā)現(xiàn)顯得特別重要。協(xié)同過濾技術(shù)是進(jìn)行Web服務(wù)QoS屬性值預(yù)測(cè)的一種有效手段。協(xié)同過濾技術(shù)（Collaborative filtering(CF) algorithm）主要包括兩大類：基于內(nèi)存的協(xié)同過濾技術(shù)（memory-based CF algorithms）和基于模型的協(xié)同過濾技術(shù)(model-basedCF algorithms)?；趦?nèi)存的

2、協(xié)同過濾技術(shù)通過尋找活動(dòng)用戶的類似用戶，或者通過尋找目標(biāo)Web服務(wù)的類似Web服務(wù)來進(jìn)行預(yù)測(cè)。該類方法預(yù)測(cè)準(zhǔn)確度較高，但是，該類方法的主要缺點(diǎn)是可擴(kuò)展性差、無法克服數(shù)據(jù)稀疏性問題。基于模型的協(xié)同過濾技術(shù)利用數(shù)據(jù)挖掘或機(jī)器學(xué)習(xí)等技術(shù)來獲得一個(gè)模型，然后利用該模型進(jìn)行預(yù)測(cè)?；谀Ｐ偷膮f(xié)同過濾技術(shù)的優(yōu)點(diǎn)是算法的可擴(kuò)展性高，能有效的克服數(shù)據(jù)稀疏性問題，但是該類方法的預(yù)測(cè)準(zhǔn)確度較低、算法難于實(shí)現(xiàn)、模型的構(gòu)建及更新時(shí)間復(fù)雜度普遍較高。由于基于Web

3、服務(wù)的應(yīng)用環(huán)境具有大規(guī)模及高度動(dòng)態(tài)性等特點(diǎn)，導(dǎo)致現(xiàn)有的協(xié)同過濾算法不能很好的勝任基于Web服務(wù)的應(yīng)用環(huán)境。
　　本文的工作主要是設(shè)計(jì)出能勝任基于Web服務(wù)的應(yīng)用環(huán)境的Web服務(wù)QoS屬性值預(yù)測(cè)技術(shù)。為此，本文的研究主要關(guān)注于提高協(xié)同過濾算法的預(yù)測(cè)準(zhǔn)確度，并在此基礎(chǔ)之上，進(jìn)一步的提高協(xié)同過濾算法的可擴(kuò)展性及克服數(shù)據(jù)稀疏性的能力，同時(shí)降低該算法中涉及的模型的構(gòu)建及更新時(shí)間復(fù)雜度。
　　本文的研究重點(diǎn)包括以下幾個(gè)部分：
　　

4、提高協(xié)同過濾技術(shù)的預(yù)測(cè)準(zhǔn)確度。為了提高預(yù)測(cè)準(zhǔn)確度，本文分別引入了3種不同的環(huán)境因素來改進(jìn)類似度計(jì)算公式及預(yù)測(cè)公式。這三種環(huán)境因素分別是時(shí)間、負(fù)載及用戶輸入和Web服務(wù)的時(shí)間復(fù)雜度。本文將用戶輸入及Web服務(wù)的時(shí)間復(fù)雜度看成一個(gè)有機(jī)整體，并利用它們來改進(jìn)類似度計(jì)算公式及預(yù)測(cè)公式。就我們所知，目前還沒有協(xié)同過濾技術(shù)利用時(shí)間信息、負(fù)載信息來提高協(xié)同過濾算法的預(yù)測(cè)準(zhǔn)確度。也沒有協(xié)同過濾技術(shù)引入Web服務(wù)的時(shí)間復(fù)雜度，更別提將用戶輸入及Web服務(wù)

5、的時(shí)間復(fù)雜度看做一個(gè)有機(jī)整體來改進(jìn)類似度計(jì)算公式及預(yù)測(cè)公式。除此之外，影響權(quán)重被用來組合基于用戶的預(yù)測(cè)值和基于服務(wù)的預(yù)測(cè)值。一般地，調(diào)節(jié)參數(shù)λ被用來組合基于用戶的預(yù)測(cè)值和基于服務(wù)的預(yù)測(cè)值。調(diào)節(jié)參數(shù)λ的取值對(duì)最終的預(yù)測(cè)準(zhǔn)確度有非常大的影響。并且計(jì)算調(diào)節(jié)參數(shù)λ的最優(yōu)值的時(shí)間復(fù)雜度非常高。因此，影響權(quán)重與常用的可調(diào)節(jié)參數(shù)λ相比，實(shí)現(xiàn)簡(jiǎn)單、可用性更好。
　　提高協(xié)同過濾算法的可擴(kuò)展性。本文利用網(wǎng)絡(luò)距離來對(duì)用戶及Web服務(wù)進(jìn)行分類。然后通過

6、在用戶群（Web服務(wù)群）中尋找活動(dòng)用戶（目標(biāo)Web服務(wù)）的類似用戶（類似Web服務(wù)）來提高協(xié)同過濾算法的可擴(kuò)展性。本文嘗試使用地理位置或AS來衡量網(wǎng)絡(luò)距離。該分類方法的優(yōu)點(diǎn)在于用戶群及Web服務(wù)群的構(gòu)建及更新時(shí)間復(fù)雜度較低。
　　提高協(xié)同過濾算法克服數(shù)據(jù)稀疏性能力。為了提高協(xié)同過濾算法克服數(shù)據(jù)稀疏性的能力，本文首先將用戶和Web服務(wù)進(jìn)行分類，獲得用戶群及Web服務(wù)群。分類算法既可以是傳統(tǒng)的分類算法，如K-Means分類方法，也可以

7、是本文中提出的根據(jù)網(wǎng)絡(luò)距離來進(jìn)行分類的方法。然后根據(jù)用戶群及Web服務(wù)群，將用戶-服務(wù)矩陣轉(zhuǎn)換成用戶群-服務(wù)矩陣及用戶-服務(wù)群矩陣。由于用戶、Web服務(wù)的數(shù)量要遠(yuǎn)遠(yuǎn)大于用戶群、Web服務(wù)群的數(shù)量，因此，用戶群-服務(wù)矩陣和用戶-服務(wù)群矩陣的數(shù)據(jù)密度要遠(yuǎn)遠(yuǎn)大于用戶-服務(wù)矩陣的密度。最后，利用用戶群-服務(wù)矩陣來計(jì)算Web服務(wù)之間的類似度，利用用戶-服務(wù)群矩陣來計(jì)算用戶之間的類似度。根據(jù)實(shí)驗(yàn)結(jié)果，可以發(fā)現(xiàn)該技術(shù)可以明顯地提高協(xié)同過濾算法在用戶-

8、服務(wù)矩陣的數(shù)據(jù)密度非常低的情況下的預(yù)測(cè)準(zhǔn)確度。
　　獲得測(cè)試數(shù)據(jù)集。由于目前可用的真實(shí)的Web服務(wù)QoS屬性值數(shù)據(jù)集中，沒有給出用戶調(diào)用某個(gè)Web服務(wù)時(shí)觀察到該QoS屬性值時(shí)該Web服務(wù)的負(fù)載信息、用戶輸入信息及該Web服務(wù)的時(shí)間復(fù)雜度信息，因此為了驗(yàn)證本文所提方法的有效性，本文開發(fā)了一些Web服務(wù)，并將這些Web服務(wù)部署在亞馬遜彈性計(jì)算云平臺(tái)中。由于測(cè)試數(shù)據(jù)集中收集的QoS屬性值中，需要記錄來自不同地理位置的用戶調(diào)用位于不同地理