基于QoS的Web服務推薦技術研究.pdf

1、在基于QoS的Web服務推薦系統(tǒng)中，準確的預測出Web服務的QoS屬性值對Web服務選擇及發(fā)現(xiàn)顯得特別重要。協(xié)同過濾技術是進行Web服務QoS屬性值預測的一種有效手段。協(xié)同過濾技術（Collaborative filtering(CF) algorithm）主要包括兩大類：基于內存的協(xié)同過濾技術（memory-based CF algorithms）和基于模型的協(xié)同過濾技術(model-basedCF algorithms)?；趦却娴?/p>

2、協(xié)同過濾技術通過尋找活動用戶的類似用戶，或者通過尋找目標Web服務的類似Web服務來進行預測。該類方法預測準確度較高，但是，該類方法的主要缺點是可擴展性差、無法克服數(shù)據(jù)稀疏性問題。基于模型的協(xié)同過濾技術利用數(shù)據(jù)挖掘或機器學習等技術來獲得一個模型，然后利用該模型進行預測。基于模型的協(xié)同過濾技術的優(yōu)點是算法的可擴展性高，能有效的克服數(shù)據(jù)稀疏性問題，但是該類方法的預測準確度較低、算法難于實現(xiàn)、模型的構建及更新時間復雜度普遍較高。由于基于Web

3、服務的應用環(huán)境具有大規(guī)模及高度動態(tài)性等特點，導致現(xiàn)有的協(xié)同過濾算法不能很好的勝任基于Web服務的應用環(huán)境。
　　本文的工作主要是設計出能勝任基于Web服務的應用環(huán)境的Web服務QoS屬性值預測技術。為此，本文的研究主要關注于提高協(xié)同過濾算法的預測準確度，并在此基礎之上，進一步的提高協(xié)同過濾算法的可擴展性及克服數(shù)據(jù)稀疏性的能力，同時降低該算法中涉及的模型的構建及更新時間復雜度。
　　本文的研究重點包括以下幾個部分：
　　

4、提高協(xié)同過濾技術的預測準確度。為了提高預測準確度，本文分別引入了3種不同的環(huán)境因素來改進類似度計算公式及預測公式。這三種環(huán)境因素分別是時間、負載及用戶輸入和Web服務的時間復雜度。本文將用戶輸入及Web服務的時間復雜度看成一個有機整體，并利用它們來改進類似度計算公式及預測公式。就我們所知，目前還沒有協(xié)同過濾技術利用時間信息、負載信息來提高協(xié)同過濾算法的預測準確度。也沒有協(xié)同過濾技術引入Web服務的時間復雜度，更別提將用戶輸入及Web服務

5、的時間復雜度看做一個有機整體來改進類似度計算公式及預測公式。除此之外，影響權重被用來組合基于用戶的預測值和基于服務的預測值。一般地，調節(jié)參數(shù)λ被用來組合基于用戶的預測值和基于服務的預測值。調節(jié)參數(shù)λ的取值對最終的預測準確度有非常大的影響。并且計算調節(jié)參數(shù)λ的最優(yōu)值的時間復雜度非常高。因此，影響權重與常用的可調節(jié)參數(shù)λ相比，實現(xiàn)簡單、可用性更好。
　　提高協(xié)同過濾算法的可擴展性。本文利用網(wǎng)絡距離來對用戶及Web服務進行分類。然后通過

6、在用戶群（Web服務群）中尋找活動用戶（目標Web服務）的類似用戶（類似Web服務）來提高協(xié)同過濾算法的可擴展性。本文嘗試使用地理位置或AS來衡量網(wǎng)絡距離。該分類方法的優(yōu)點在于用戶群及Web服務群的構建及更新時間復雜度較低。
　　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服務進行分類，獲得用戶群及Web服務群。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)絡距離來進行分類的方法。然后根據(jù)用戶群及Web服務群，將用戶-服務矩陣轉換成用戶群-服務矩陣及用戶-服務群矩陣。由于用戶、Web服務的數(shù)量要遠遠大于用戶群、Web服務群的數(shù)量，因此，用戶群-服務矩陣和用戶-服務群矩陣的數(shù)據(jù)密度要遠遠大于用戶-服務矩陣的密度。最后，利用用戶群-服務矩陣來計算Web服務之間的類似度，利用用戶-服務群矩陣來計算用戶之間的類似度。根據(jù)實驗結果，可以發(fā)現(xiàn)該技術可以明顯地提高協(xié)同過濾算法在用戶-

8、服務矩陣的數(shù)據(jù)密度非常低的情況下的預測準確度。
　　獲得測試數(shù)據(jù)集。由于目前可用的真實的Web服務QoS屬性值數(shù)據(jù)集中，沒有給出用戶調用某個Web服務時觀察到該QoS屬性值時該Web服務的負載信息、用戶輸入信息及該Web服務的時間復雜度信息，因此為了驗證本文所提方法的有效性，本文開發(fā)了一些Web服務，并將這些Web服務部署在亞馬遜彈性計算云平臺中。由于測試數(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用位于不同地理