基于复杂网络的服务链推荐方法

基于Web服务之间的可调用关系构建一个网络模型并分析了模型的特性.在这个模型上给出了一个服务链推荐方法.在确定可输出满足用户需求参数的Web服务之后,根据从网络模型中提取出的驱动服务集合信息逆向查找可以调用该服务的其他Web服务,以达到为用户推荐组合服务的目的.实验结果证明,本文提出的构建网络模型的方法可行,网络模型符合复杂网络的特性;采用服务链推荐方法可以在网络模型中得到符合用户需求的组合服务链.     

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.     

一种支持QoS评价的Web服务推荐模型

提出了一种支持服务质量（QoS）评价的Web服务推荐模型,其核心是根据用户确定的功能和QoS需求,基于现有的QoS评价指数进行服务推荐．该模型可应用于Web服务管理系统、Web服务选取及Web服务组合等应用系统．     

基于用户相似性传递的协同过滤推荐方法

随着Web服务量日益剧增,如何推荐给用户符合其期望的服务尤为重要.协同过滤是服务推荐系统中应用较广泛的算法,但协同过滤往往存在数据稀疏问题.针对该问题,文中提出了一种基于用户相似性传递的协同过滤推荐算法,通过改进的皮尔逊相关系数计算出用户间的相似性,利用用户相似性构建相似性网络,并根据用户等级、最短路径和六度分隔理论进行用户间的相似性传递,以此增加目标用户的相似用户的数量,缓解了数据稀疏问题,然后根据传递填充过的用户相似网络进行服务的评分预测.最后以美团网的真实数据进行了实验,实验结果表明文中提出方法一定程度上可以提高推荐结果的准确性.     

基于混合蛙跳模糊聚类的电子商务协同过滤推荐

针对传统协同过滤推荐算法生成推荐速度慢、推荐质量不高等缺陷,提出了一种基于混合蛙跳模糊聚类的改进协同过滤推荐算法。算法首先利用模糊C-均值(FCM)聚类方法对用户数据进行预处理,得到用户数据聚类中心,有效地降低了推荐工作量。然后选取相似度最优的若干聚类组成候选用户邻居集合,并利用混合蛙跳算法快速地全局寻优能力得到用户最近邻居集合,提高了推荐精度。最后,通过计算预测评分生成推荐结果。仿真结果表明,相比于传统协同过滤推荐算法,该算法在推荐速度和推荐精度上有明显改善。     

基于用户关系网络表征学习的服务推荐方法

网络嵌入学习是深度学习的一个热门分支,它将网络节点映射到一个拓展的低维向量空间。针对用户共用标签网络和社交网络,利用表征学习方法得到用户标签标注关系和社交关系的向量表征,并提出一种新的服务推荐方法。该方法利用用户的向量表征得到相似用户集,由最终得到的用户特征信息返回Top-k个相似用户,并根据相似用户的偏好情况向目标用户推荐合适的服务。为验证方法的可行性,在公开数据集Delicious和Last.FM上进行了实验,结果表明:相比4种基准方法,文中方法准确率可提升13%,召回率提升18.6%,F-measure值可提升13.1%;在学习用户表征向量时,用户之间共用标签关系与社交关系同样重要;推荐过程中,为目标用户返回的相似用户值在[25,30]区间更为适宜。     

基于用户特征聚类与服务质量预测的推荐方法

随着服务系统中Web服务的不断增加，为用户进行个性化Web服务推荐成为服务计算领域最热门的研究课题之一，然而，服务推荐面临不可靠用户和服务导致推荐的不准确性问题.为了解决上述问题，提出一种基于位置和信誉感知的Web服务推荐方法 .首先采用粒子群优化（Particle Swarm Optimization,PSO）对用户进行聚类，得到相似用户；其次，计算用户和服务的信誉来识别可信的用户和服务；最后，将相似用户和可信服务的信息整合到矩阵分解（Matrix Factorization,MF）中，为用户预测缺失的服务质量（Quality of Service,QoS）.在真实数据集WS-Dream上的实验验证了提出方法的可行性与有效性.与其他先进的预测方法相比，该方法的MAE (Mean Absolute Error)和RMSE (Root Mean Squared Error)较低，证明该方法有较高的预测准确性.     

基于改进PSO用户习惯感知的服务组合

随着Web服务数量的急剧增加,如何动态地从大量候选服务集中选择出合适的Web服务,并组合成能够完成复杂增值业务过程需求的组合服务,是服务组合优化领域亟待解决的问题。本文提出了一种基于PSO的具有用户习惯感知能力的优化算法,并应用于离散服务组合优化问题。该算法通过对用户习惯的感知进行服务组合优化,在传统PSO算法的基础上,根据粒子与用户习惯的相似度来控制粒子收敛,使寻优过程具有用户习惯感知能力。大量实验结果验证了该算法的可行性和有效性。     

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。     

一种解决稀疏数据和冷启动问题的组合推荐方法

针对传统推荐算法所面临的冷启动与稀疏数据问题以及现有ARM(association rule mining)算法大多用于购物篮顾客行为分析,并不适用于特定用户推荐业务且效率较低等现象,提出一种基于相似度的关联推荐模式,实现一种新的结合关联规则推荐与协同过滤推荐方法.采用基于指定后件项的关联规则推荐,直接对目标用户和目标项目进行关联规则挖掘,并利用兴趣因子对活跃用户(或项目)与非活跃用户(或项目)进行权值均衡,以加权方法推荐最优解(规则).同时,采用相似度测量方法,过滤低相似度的项目,为用户推荐既有高评分又具有较高相似度的项目集合.最后,结合规则推荐与CF(collaborative filter)推荐形成最终推荐结果,实现基于用户(或项目)的协同过滤推荐.在MovieLens数据集上的实验结果表明,同已有成果相比本文方法能够更好地处理稀疏数据和冷启动问题,推荐质量明显提高.     

一种基于用户偏好的学习推荐方法

传统的推荐算法一定程度上为学习者提供了自适应的学习服务,但忽略了用户的学习兴趣偏好,难以提供学习者满意的推荐服务.为了提高学习推荐的效率,对用户的偏好进行进算,根据兴趣偏好对基本用户进行聚类,然后根据用户之间的兴趣相似性初步预测目标用户的兴趣度,进而给用户推荐兴趣度较高的学习服务.实验结果表明,该方法可显著地提高推荐质量.     

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。     

Web服务的个性知识建模

个性化是Web服务发展的重要发展方向,而实现个性化的首要任务就是发现用户的兴趣知识。本文提出了从用户请求、服务注册信息、服务组合序列中获得三种个性化向量的方法,并建立个性知识库。三种向量分别作用于服务匹配、服务推荐以及服务组合推荐,为Web服务的个性化提供了模型和发展方向。     

基于Skyline和局部选择的启发式服务组合方法

为了改善现有基于QoS的Web服务组合方法的效率,在已有服务组合算法的基础上提出了一种新颖的基于Skyline点和局部选择的启发式服务组合方法SLOMIP(Skyline local optimi-zation mixed integer programming).该方法首先从候选服务集合中选出Skyline服务,可以证明如果存在最优服务组合方案,则其一定是由Skyline服务集中的服务组成的.然后,为了进一步缩小解空间,再从Skyline服务集中选取最优的K个服务进行最终服务组合方案的优化求解.与传统启发式服务组合方法的不同之处在于,该方法一旦获得解,必然是最优解而不是次优解.实验结果表明:在固定任务总数和固定候选服务个数的情况下,该方法的效率都远高于传统方法;K值越大,该方法的准确率越高.该方法可较大幅度地提高服务组合的效率,提升用户体验.     

一种支持QoS约束的Web服务质量模型

为了满足在组合Web服务中提供服务质量支持，提供有保证的QoS（Quality of Service）的需要，以及针对目前在组合服务中，很少提供对服务质量支持的问题，建立了一个Web服务质量的模型．该模型为所有服务建立了一系列的质量指标，并对它们进行量化，得到量化值．最后在此模型的基础之上，在组合服务中建立了一个服务质量驱动的服务选择机制，从而可以实现所有在组合服务中的服务都是最优的．已经基于Microsoft．NET实现了一个原型系统．     

时空感知下基于结构相似度的Web服务质量预测

随着云计算等新型服务计算的兴起,Web服务数量日益增长,相同或相似功能的Web服务也逐渐增多.为了向用户推荐更高质量的服务,精确地预测Web服务的QoS值成为亟待解决的重要问题.传统的协同过滤方法已经被广泛应用于QoS预测和Web服务推荐中,但因为数据稀疏和噪声问题导致QoS预测性能不好.为提高QoS预测的性能,文中通过分析用户服务QoS矩阵的时空特征,提出了一种基于全局和局部结构相似度的稀疏矩阵分解模型.该方法将QoS矩阵的相邻时间相似用户的网络环境相似性这一特征融入到矩阵分解中,并利用分解的因子对QoS矩阵进行低秩填充.这种方式在一定程度上消除了数据稀疏和噪声的影响.在真实Web服务调用数据集上进行实验,结果表明,该方法在预测精度上优于典型的协同过滤算法(相比于NMF,其MAE值最大下降了3.25％,RMSE值最大下降了6.65％;相比于SVD,其MAE值最大下降了3.67％,RMSE值最大下降了7.01％),能够有效地解决数据稀疏和噪声的问题.     

基于QoS上下文的Web服务动态合成

针对QoS上下文在服务合成中的不同作用,文中提出将QoS上下文模型用于服务的动态合成.利用QoS反馈控制机制,根据用户的QoS要求,在环境QoS变化的情况下,对备选的服务进行动态选择、组合和执行,并使用遗传算法作为QoS反馈机制的控制器,保证了QoS指标的确定.实验和仿真结果表明,基于QoS上下文的服务合成能够动态、自适应地进行服务的组合,并满足用户QoS的指标和要求.     

一种基于关联匹配度计算的语义Web服务匹配方法

在现有的语义Web服务匹配方法基础上加入服务语义关联匹配度计算,从而提出一种改进的语义服务匹配方法。该方法通过语义关联将一对一匹配淘汰的服务进行组合来实现一对多的服务匹配,在得到的候选服务和候选服务集中进一步计算Web服务的匹配度,经过匹配度的排序,得到最佳匹配度的服务。该方法避免了仅从单一接口参数上进行语义服务匹配,能在一定程度上提高匹配的效率,实现查准率、查全率和查询效率之间的有效平衡。