论文研究-基于相关性分析的混合Web服务推荐模型 .pdf

所需积分/C币:9 2019-08-19 20:26:47 372KB .PDF
16
收藏 收藏
举报

基于相关性分析的混合Web服务推荐模型 ,胡阳,孙其博,传统的Web服务推荐方法在进行服务推荐时,没有考虑到情境因素,或缺乏对情境因素的具体分析与选取。为了提高Web服务推荐的准确率,
武获义在线 http:/www.papercdu.cn 知处理、协同过滤处理、服务质量预测四个部分,如图1所示。 Web服务 情境-服务质量 历史记录 相关性分析 协同过滤处理 情境感知处理 Web服务 推荐结果 服务质量预测 图1基于相关性分析的混合web服务推荐模型框架图 用户使用Web服务的历史调用记录包括了服务的QoS信息及用户的情境信息。首先, 情境-服务质量相关性分析模块对情境与服务质量的相关性进行建模,从用户历史调用记录 数据中,计算得到各情境因素与服务质量相关性的大小,制定选取规则,选择与服务质量相 关的情境因素。其次,情境感知处理馍垬利用情境-服务质量相关性分析模垬选取的情境因 素列衣,选取相似度计算方法,计算与当前用户情境相似的用户。同时,协同过滤处理模块 从用户历史调用记录数据中,选取相似度计算方法,计算与当前用户服务质量相似的用户 最后,服务质量预测模块取情境相似的用户和服务质量相似用户的交集,使用这些用户的历 史调用记录数据,预测服务QoS值,进行服务推荐 情境服务质量相关性分析 山于情境这个概念本身包含众多内容,可能并非所有的情境因素都和服务质量有关,不 同的情境因索与服务质量的相关性大小可能不一致,本部分阐述了情境-服务质量相关性计 算方法。 计算情境-服务质量相关性,第一需婁先对用户历史调用记录数据基于服务质量进行聚 类计算,把数据划分为不同的聚类块{91,92,93,,}。本文采取K- Means聚类算法。聚类算 法是根据数据之间的岬离进行聚类计算的,数据之间的距离需要给出定义,本文不用历史记 录包含的QoS值的距离作为用户历史调用记录数据之间的距离,如式(1)所示,其中r和 7是任意两条历史记承,r,q是v的Q0S值,,q是7的QoS值。 disa(r q-亏·q 第二,把m个聚类结果{g3,g2,g3,gm}进行向量化得到{,V2,V3灬Ⅷn},向量化 方法如下所示: 1)将情境取值等间距划分为k段c1,c2,ck 2)统计一个聚类垬中℃1到c情境下,历史记录的情境的取值属于c1到ck的历史记录 的数∏,得到向量V={1,v2灬,wk},该向量就是聚类块向量化的结果 第三,计算任意m个向量任意两个向量=(mn,…,呐),V=(可…,)之 武获义在线 http:/www.papercdu.cn 间的相似度,共得到m(m-1)/2个相似度simr,sim2,,sim2mm-1y2,如式(2)所示 ∑∑ ∑ a1v2+∑ 105 第四,计算m(m-1)/2个相似度sim,sm2, sim m(m-1)的平均值,得到情境服务 质量的相关性,如式(3)所示 Em(m-1)/simi cor- m(m-1)/2 (3) 第五,由于cor值与情境-服务质量相关性成反比,cor值越小,表示其相关性越强,选 取相关性排在TopK小的情境因素作为与服务质量相关的情境因素列表S(c)。 3,2情境感知处理 情境感知处理就是在情境服务质暈相关性分析得到的相关情境因素列苌的基础上,基于 这些相关情境因泰S(c),找出与当前用户的情境相似的其他用户,具体是基于S(c)对历史调 川记录数据进行聚类得到聚类结果,选取当前川户所在聚类块的川户作为相似川户集合U。 115 由于这些用户与当前用户的情境非常相似,则可以基于这些用户的历史调用记录数据来对当 前川户进行服务推荐。 diss(e (ril, ri2) i1.;-ri2.Ci) ci∈s(c 本文选择K- Means聚类算法作为用户情境相似度计算方法,在聚类结果中,相似的用 户处于同个聚类块,不相似的川户处于不同的聚类块,同吋采川多个情境因素之间的欧氏 120 距岗作为聚类算法的距离定义,如式(4)所小,其中ri1与r;2是任意两条历史记录。 U={ cluster u∈ cluster} (5) 与当前用户情境相似的用户集U如式(5)所示,其屮u是当前用户, cluster是聚类块。 33协同过滤处理 协同过滤处理就是找出与当前用户服务质量体验相似的用户,具体是计算任意用户与当 25 前用户的服务质量相似度,选取与当前用户服务质量相似度排在TopK的用户作为相似用户 集合Uφ由于这些用户与当前用户的服务质量体验非常相似,则可以基于这些用户的历史调 用记录数据来对当前用户进行服务推荐 2jes quii-qui/- qu) sim(u (6) ∑e5(q )xE∈s(q 本文选取皮尔森相关系数作为用户服务质量相似度计算方法,如式(6)所小,其中S是 130 用户v与当前用户共同使用的网络服务集合,qm是用户u使用网终服务j的服务质量,qu 是用户u使用网络服务j的服务质量,qu和q是服务质量的平均值。 武获义在线 http:/www.papercdu.cn 34服务质量预测 取情境相似用户集U与服务质量相似用户集U的交集U∩U,计算服务QoS值,如式 (7)所示,其中是当前用户,qn是用户v2的QoS值,Nam.U∩Uq是用户集U2∩Uq中 135 用户的数量,sim(u,u)是用户u2与当前用户u的服务质量相似度。 ∑u;∈( Unu)sim(v;u)*qni 0 Num UnuA (7) 对所有备选网终服务,计算其服务质量的预测值,取QoS值排在TopK的网络服务推荐 给当前用户。 4仿真结果 140 本文采用由 Z Zheng等人发布的 WSDream数据集进行仿真实验。本文将该基于相关性 分析的混合web服务推荐模型简称为 AlISA,由于本文是首次提出这种基于情境与服务质 量相关性分析的服务推荐模型,本文将AHSR方法与未采取情境与服务质量相关性分析的 服务推荐模型 NAHISR相对比。 NAHISR相比AISR缺少情境与服务质量相关性分析。本文 使用AE( the average error)米评估QoS的预测准确度,如式(8)所示,其中N是多次重 145 复实验,q是QoS真实值,QoS*是预测值。 AE= Xiv la-Qos'I (8) 本文从 WSDream数据集中随机选择了12个网络服务分别采用AHSR模犁与 NAHSR 模垇预测响应时间和昋吐量的取值,并计算相应的AE值。图2显示了两种方法预测响应时 间的AE值,图3显示了两种方法预测吞吐量的AE值。通过图中可以看出,本文提出的 l50 AHSR模型比 NAHSR模型有更高的准确率。AHSR通过计算情境与服务质量之间的相关性 大小,排除了不相关的情境因素带来的计算误差,而 NAHSR缺少情境与服务质量相关性分 析,忽略了影响服务质量的情境因素。 响应时间 备一AHSR NAHSR AEo.4 2436440115687133912703927169398619153667 网络服务D 图2响应时间预测值的AE 武获义在线 http:/www.papercdu.cn 吞吐量 AHSR - NAHSR 11571498924423993849179528833059113221363781 155 刚络服务DD 图3奋吐量预测值的AE 结论 本文给出了一种基于相关性分析的混合Web服务推荐模型,该馍型提出了情境与服务 质量相关性计算公式,在繁杂的情境因素中选取与服务质量相关的情境因素,解决了传统服 160 务推荐模型缺少对情境因素的考虑与分析的问题,并综合情境感知与协同过滤两种推荐方 法,提高了服务推荐的准确率。在以后的工作中,需要引入其他影响服务质量的因素包括川 户的社交信息、用户行为等来进一步提高服务推荐的准确率。 参考文献]( References) [1]Dcy, A.K. Providing Architectural Support for Building Conlexl-Awarc Applications[J]. Elcmcntary Education 2000.25:106-111 [2 Brown P J, Bovey J D, Chen X. Context-aware applications: from the laboratory to the marketplace J. IEEE Personal Communications, 1997, 4(5): 58-64 [3] Chen X, Zheng Z, YuQ. ct al. Wcb Scrvicc Recommendation via Exploiting Location and Qos In formation[J] 170 IEEF Transactions on Parallcl Distributed Systcms, 2014, 25(7): 1913-1924 4 Zheng Z, Ma H, Lyu M R, et al. Qos-Aware Web Service Recommendation by Collaborative Filtering[J] IEEE Transactions on Services Computing, 2011, 4(2): 140-152 5]沈旺,弓一鸣,李贺,基于情境感知的用户推存系纨硏究综述[.图书情报工作,2015,5%(21):128-138. [6]杨强,杨有,余衤君.协同过滤推荐系统研究综述[.现代计算机,2015(9:3-6 175 [7] Konstan J A, Miller B N, Maltz D, et al. GroupLens: applying collaborative filtering to Usenet news[J] Communications of the Acm, 2000, 40(3): 77-87 [8 Linden G, Smith B, York J. Amazon. com Recommendations: Item-to-ltem Collaborative Filtering]. IEEE Inlcrncl Compuling, 2003, 7(1): 76-80 [9] Fouss F, Pirollc A Renders J M, ct al. Random-Walk Computation of Similarities bctwccn Nodes of a Graph 180 with Application to Collaborative Recommendation[ ]. IEEE Transactions on Knowledge Data Engineering, 2007,19(3):355-369 10 Yu C, huang L. Time-Aware Collaborative Filtering for QoS-Based Service Recommendation[c]. IEEE Internalional Con fcrenec on Wcb Scrviccs IEFF 2014: 265-272 11] Tang M. Jiang Y, Liu J, cl al. Location-A warc Collaborative Filtering for Qos-Bascd Scrvicc 185 Recommendation[C]. IEEE, International Conference on Web Services. IEEE, 2012: 202-209 6

...展开详情
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于相关性分析的混合Web服务推荐模型 .pdf 9积分/C币 立即下载
1/0