多维度Web服务安全性评估

安全性已经成为Web服务质量的重要指标。通过增加Web服务安全评估中心扩展现有基本Web服务架构提出一个新的模型,并基于安全属性SoS(security of service)和用户偏好对Web服务进行安全性评估。结果表明,该模型能根据用户偏好修改安全属性的权重,并在提高服务选择的准确度和可用性方面都有较好的效果。     

基于相似类的用户偏好服务选择方法

现有服务选择算法大多会选中服务质量综合评价值最高的”最佳”服务,这不能充分体现用户对某些属性的特殊偏好,也可能导致大量服务请求集中到同一个服务提供者,出现过载现象.为此,提出了一种基于相似类的用户偏好服务选择方法,首先通过服务质量属性相似度将各候选服务分为若干类,然后基于反映用户自身偏好的关键属性描述剔除不满足相应约束的相似类,再结合用户给定各属性的权重值选择最佳候选服务相似类并从中确定选中服务,最后给出一个具体实例以说明该方法的有效性和可行性.     

支持偏好度动态适应的Skyline服务选择方法

提出了一种基于相对熵的Skyline服务排序方法,根据用户偏好信息定义理想服务,给出一种偏好支配关系,筛选出最符合用户偏好的Skyline服务集,引入相对熵方法来计算理想服务和各个Skyline服务之间的差距,为用户选择出Skyline服务集中Top-k个排序结果.在此基础上提出一种用户偏好度动态修正算法,根据用户对服务的选择计算偏好度调整函数,快速修正用户对不同QoS属性的偏好度.仿真实验与结果表明:本方法能够有效实现有序的Skyline服务集,解决用户对不同属性可能存在的偏好差异,具有更高的用户满意度和良好的扩展性.     

一种基于QoS偏好的服务选择策略

面对服务质量敏感的用户,应该依据用户的偏好进行服务选择。给出了Web服务QoS的描述形式,从5个方面对QoS属性进行分析。根据用户对各QoS指标的偏好构建层次分析法(analytic hierarchy process,AHP)矩阵,进一步利用AHP矩阵获得各QoS属性的权重。在此基础上,提出了一种基于逼近理想解的排序方法(technique for order preference by similarity to an ideal solution,TOPSIS)。该方法基于候选服务的QoS属性构建决策矩阵,确定正理想解和负理想解,通过贴近度的大小对服务进行优劣排序。实例分析表明,该算法是有效的。     

融合隐式信任与属性偏好的群组推荐算法

随着互联网和推荐系统的不断发展，推荐服务的对象由单一用户扩展为群组成员，获取并融合组内成员的偏好、提升群组推荐效果成为当前推荐领域研究的热点问题.利用用户提供的多属性评分矩阵，提出一种融合隐式信任与属性偏好的群组推荐算法.首先，基于用户共同评分项目数和多属性评分相似度计算用户间的直接隐式信任，并利用信任传递机制获取用户间的间接信任，降低数据稀疏性.然后，通过计算用户各属性评分与总体评分间的距离来挖掘用户的属性偏好，在此基础上，利用注意力机制学习组内用户权重，将用户偏好聚合为群组偏好，进而结合深度学习框架对候选项目进行预测，生成最终的推荐列表.最后，四个数据集上的实验验证了提出的算法的有效性和可行性，实验结果表明，该算法的准确率、nDCG等评价指标明显优于对比算法.     

加入用户对项目属性偏好的奇异值分解推荐算法

由于目前的矩阵分解推荐算法在解决项目冷启动问题时,没有充分利用项目的属性偏好信息与用户评分行为的交互信息,因此提出了加入用户对项目属性偏好的奇异值分解推荐(UCSVD)算法。该算法综合考虑项目属性和用户对项目的评分,不仅在矩阵分解算法中加入了项目的属性信息,同时通过对评分数据集和属性数据集的综合分析,得出用户对项目属性的偏好矩阵,将项目属性特征因子和用户对项目属性的偏好特征因子一并加入到矩阵分解中。在数据集Movielens、HetRec2011上进行实验,结果表明,与经典矩阵分解协同过滤算法相比,所提算法不仅在一定程度上解决了项目的冷启动问题,而且在同等条件下的均方根误差平均降低了3.5%,平均绝对误差平均降低了3%,尤其是在更为稀疏的HetRec2011数据集上,项目属性对用户评分行为的影响更加明显,改进算法在推荐精度上表现出更大的优越性。     

基于灰色关联分析的直觉模糊多属性Web服务选择

Web服务的性能主要从非功能属性QoS来体现.提出了将Web服务QoS属性分为精确型、区间型和语言型,同时基于层次分析法给出了用户对各QoS属性的偏好权重.引入了直觉模糊集理论将QoS属性统一转为直觉模糊数,并定义了两个直觉模糊数的距离.在服务选择过程中,根据灰色关联分析方法的思想,计算每个方案对于直觉模糊矩阵正、负理想解的灰色关联度,然后计算各方案对于正理想解的相对关联度,并依据相对关联度对各方案排序,相对关联度越大,对应服务的综合QoS性能越优.最后通过一个实例验证了该方法的有效性.     

一种支持QoS约束的Web服务发现模型

服务质量是Web服务发现中的关键问题.本文提出了一种支持QoS的Web服务发现模型,该模型增加了Qos代理中心机构,并引入监控和反馈机制.在满足用户对Web服务功能需求的基础上,它以服务注册参数、用户反馈信息和实时监测数据为依据结合QoS代理中心的监控器、量化器、选择器、管理器对Web服务的非功能性属性进行量化,实现服...     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.     

基于属性重要性的Web文本聚类研究

Web文本聚类是一种典型的无指导机器学习技术,目标是将站点上采集到的Web文本分成若干簇,使同一簇内的文本相似性最大,不同簇间的文本相似性最小.为了对原始粗糙的Web文本数据进行降维处理,在知识属性值的基础上,计算单个属性相对于属性集的重要性量化值,并根据属性重要性量化值对特征向量降维,并采用K-means算法对降维后的数据聚类,实验证明该方法缩短了聚类时间.     

一种基于多属性评分的协同过滤算法

协同过滤算法是个性化推荐领域中使用最为广泛的算法,传统协同过滤算法是基于全部属性评分对项目进行推荐,而用户在项目选择或对项目满意度评价时主要关注项目的关键属性,因此传统协同过滤算法的推荐准确度和个性化服务水平不高.针对此问题,提出了一种基于多属性评分的协同过滤算法,文中算法通过获取用户对项目多个属性的评分,以准确描述用户的个性化偏好,再通过信息熵来对用户的历史属性评分变化幅度进行计算,同时对用户的属性评分相似性计算,从而对项目进行综合推荐.最后,经实验分析验证了所提算法切实可行.用户的历史属性评分反映了用户之前的评分习惯和对项目属性的个性化偏好,基于多属性评分的协同过滤推荐不仅能够提高推荐准确度,而且在一定程度上解决了数据稀疏问题.     

基于偏好优先级进行CP-nets一致性序列求解

首先，设计CP-nets一致排序生成算法，该方法通过量化用户的每个结果属性的偏好，获取结果属性的偏好优先级，这些值能准确地反映出用户的偏好，从而得出任意结构CP-nets的一致排序。最后通过实验验证，与其他方法相比，该方法获得一致性序列所需的运行时间少，推理速度快，得到结果的效率更高。     

基于属性偏好和邻居信任度的协同过滤推荐算法

针对协同过滤算法推荐准确度低和数据稀疏的问题,提出了一种基于属性偏好和邻居信任度的协同 过滤算法,首先利用用户的非共同评分项评分和项目属性信息,构建用户-属性评分矩阵,再结合共同评分项的 评分计算相似度;然后利用K近邻方法获取用户的最近邻居;最后学习用户的属性偏好,结合提出的邻居信任度, 计算用户的预测评分.实验结果表明,该算法有效地利用了项目属性和用户更多的评分信息,缓解了数据稀疏的 问题,提高了推荐准确度.     

基于QoS本体的语义Web服务选择算法

引入QoS本体,提出了一种基于QoS本体的语义Web服务选择算法.该算法通过构造Web服务的QoS本体模型以支持异构QoS参数的语义描述和度量,并将QoS语义匹配和数值匹配相结合,从而更准确地为用户选择满足其个性化需求的Web服务.仿真实验表明,基于QoS本体的语义Web服务选择算法能够充分利用QoS语义和数值信息,为用户选择更合适的服务,实现用户对Web服务的个性化需求.     

基于用户偏好的HTN规划在网格服务组合中的研究

分析了用户对组合网格服务的偏好,对这些偏好的表达进行了研究,提出了一种提供用户偏好选择的网格服务组合方法.该方法利用模糊约束来表达用户的偏好,并将用户偏好满意程度转化为模糊约束满足问题,进而使用分支定界法对层次化任务网络(HTN)进行分解.实验结果表明,用户的满意度有显著的提高.     

用户期望质量驱动的Web服务优化选取

提出了一种基于用户期望的服务质量评价方法。该评价方法仅考虑具有相似期望的用户,允许期望相似的评价影响服务的信誉度评价,以利于得到客观、准确的服务质量评估。在此基础上,提出一种基于用户期望的QoS驱动的服务选取算法。该算法实现了在满足用户偏好和期望的前提下Web服务的最优选取。电子购物的实例展示了该方法的可行性。     

结合知识图谱进行信息强化的协同过滤算法

针对传统协同过滤算法存在使用信息单一、基础评分数据过于稀疏导致推荐效果不佳等问题,该文提出一种结合知识图谱进行信息强化的协同过滤(KGRI-CF)算法.该算法利用电影的特征数据构建1张关于电影的知识图谱,对用户-评分矩阵进行有条件的填充,有效改善了传统协同过滤算法的数据稀疏性问题.通过对评分数据进行统计与挖掘获取用户的偏好信息,构建了关于用户偏好的知识图谱.利用实体向量化算法将知识图谱中的实体以及关系向量化后计算出用户信息相似度,将其与基于用户的传统协同过滤算法得到的用户评分相似度以一定比例进行融合,从而得到最终的用户相似度,并以此为基础进行评分预测并得到推荐列表.实验结果表明:与传统协同过滤算法相比,该算法能有效地改善数据稀疏性问题,预测结果的精准率和召回率均有显著提升,同时具有较好的可解释性.     

一种基于语义匹配的Web服务混合选择机制

为更好地选择满足用户需求的Web服务,提出1种兼顾语义匹配和服务质量(QoS)属性的服务混合选择策略及分析框架,该策略先选择出满足语义匹配的服务集,然后按服务的QoS值在该服务集里选择最佳QoS性能服务,这种混合式选择策略同时满足服务的功能要求和非功能要求,提高了服务选择的正确性和可用性.给出结合语义匹配度和QoS指标值的Web服务混合选择算法,并对多种控制结构进行了分析,为动态服务组合产生增值效果奠定了良好的基础,促进了Web服务的应用.     

基于K-medoids项目聚类的协同过滤推荐算法

针对传统协同过滤推荐算法通常针对整个评分矩阵进行计算,存在效率不高的问题,提出一种基于K-medoids项目聚类的协同过滤推荐算法.该算法根据项目的类别属性对项目进行聚类,构建用户的偏好领域,使用用户偏好领域内的评分矩阵进行用户间相似度的计算,得到目标用户的最近邻居集,并生成推荐结果.与常用的K-means聚类方法相比,采用K-medoids方法对项目类别属性进行聚类,不仅克服了评分聚类可靠性不高的问题,而且算法还具有更好的鲁棒性.实验结果表明,该算法能有效提高推荐质量.     

基于特征选择的CP-nets结构学习

作为描述多属性之间定性条件偏好的一种图模型,条件偏好网(Conditional Preference networks,CP-nets)的结构学习问题在CP-nets的研究中起着重要的作用.不同于传统的CP-nets学习方法,提出基于信息论和特征选择的方法来研究偏好数据库上的CP-nets的结构学习问题.首先建立了偏好数据库上的互信息和条件互信息的求解方法,并将互信息看作一个属性和它的可行父亲之间的相关性,条件互信息看作可行父亲集中属性之间的冗余性,从而构造出极大相关极小冗余(Maximal Relevance Minimal Redundancy,mRMR)的目标函数,同时指出,一个属性的父亲集是由属性之间冗余度小,但对孩子属性的偏好却影响极大的属性子集组成的.随后基于特征选择中的mRMR方法来实现CP-nets的结构学习,并设计相应的算法来完成从偏好数据中学习CP-nets的结构.最后在电影推荐数据集上验证了算法的有效性.研究结果表明,基于mRMR的特征选择方法可有效获取变量之间的因果关系,从而求取出每个属性的父亲集合,进而获得CP-nets的结构.