The present invention relates to the field of Web forecast Service service quality and discloses a method to predict the quality of Web Service service users based on neighborhood, through the establishment of the first class and second class neighborhood neighborhood, to establish the prediction model, the prediction model was solved to get the final prediction value, at the same time, also discloses a device for predicting the quality of Web Service service users based on neighborhood. The invention has the advantages of solving the adverse effects of regional prediction accuracy of the service quality, but also solves the user data sparsity and recommendation score too subjective, has higher application value.
【技术实现步骤摘要】
本专利技术涉及WebService服务质量预测领域,特别涉及一种基于用户邻域的WebService服务质量预测方法及装置。
技术介绍
WebService是一类在网络上用以实现资源的互操作性与可访问性的应用,且这类应用是自我描述的、可编程的。WebService一般使用标准的已定义完善的语言实现,并通过规范的协议发布。基于SOA的架构,WebService已成为实现企业内与企业间信息系统的重要手段。同时,由于WebService技术广泛应用在云计算中,特别是SaaS平台上,所以WebService的数量在迅猛增长。服务质量是WebService非功能性指标的统称,包括服务价格、响应时间、吞吐量等。服务质量是WebService除功能性外,在服务选择、服务发现、服务推荐等方面重要的衡量标准,特别是候选的服务集中各服务的功能相似的情况下。但是大部分情况下,用户只能获取仅少一部分的QoS值,原因如下:1)因为WebService的数量非常多,全部调用是不现实的;2)很多WebService的服务质量会随着物理资源的变化而变动。在实际的服务调用过程中,这些缺失值必须被预测出来作为服务选择与推荐的依据。作为推荐系统中最常用的预测缺失值的方法,协同过滤技术在近几年也被开发人员应用到了服务质量预测问题上。协同过滤的核心是根据历史的服务调用记录,计算用户与用户或者服务与服务之间的相似度,常用的计算方法有余弦相似度等。但是
【技术保护点】
一种基于用户邻域的Web Service服务质量预测方法,其特征在于,包括以下的具体步骤:第一类邻域识别步骤(101):根据用户的历史调用记录计算任意两个用户i、l之间的相似度simil,用户i为目标用户,用户i、l共同调用过服务集合S,相似度simil采用余弦相似度计算得到,并以历史调用记录中所记载的服务被用户调用后返回的服务质量作为用户的空间向量坐标值;选择与用户i相似度simil最大的K个用户l组成目标用户的第一类邻域TopKl(i);第一类邻域权重计算步骤(102):根据相似度simil计算第一类邻域TopKl(i)内每个用户l的权重wil;第二类邻域识别步骤(103):根据用户的地理位置坐标计算任意两个用户i、h之间的空间距离dih,选择与用户i的空间距离dih最近的K个用户h组成目标用户的第二类邻域TopKh(i);第二类邻域权重计算步骤(104):根据空间距离dih计算第二类邻域TopKh(i)内每个用户h与用户i之间的相似度simih,当dih为0时,simih=1;当dih逐渐增大时,simih逐渐减小;当dih趋向于无穷时,simih=0;根据相似度simih计算第 ...
【技术特征摘要】
1.一种基于用户邻域的WebService服务质量预测方法,其特征在于,包括以
下的具体步骤:
第一类邻域识别步骤(101):根据用户的历史调用记录计算任意两个用户i、
l之间的相似度simil,用户i为目标用户,用户i、l共同调用过服务集合S,相
似度simil采用余弦相似度计算得到,并以历史调用记录中所记载的服务被用
户调用后返回的服务质量作为用户的空间向量坐标值;选择与用户i相似度
simil最大的K个用户l组成目标用户的第一类邻域TopKl(i);
第一类邻域权重计算步骤(102):根据相似度simil计算第一类邻域TopKl(i)
内每个用户l的权重wil;
第二类邻域识别步骤(103):根据用户的地理位置坐标计算任意两个用户i、
h之间的空间距离dih,选择与用户i的空间距离dih最近的K个用户h组成目标
用户的第二类邻域TopKh(i);
第二类邻域权重计算步骤(104):根据空间距离dih计算第二类邻域TopKh(i)
内每个用户h与用户i之间的相似度simih,当dih为0时,simih=1;当dih逐
渐增大时,simih逐渐减小;当dih趋向于无穷时,simih=0;根据相似度simih计算第二类邻域TopKh(i)内每个用户h的权重wih;
模型建立步骤(105):在矩阵分解模型的基础上建立用于预测目标用户与第
一类邻域TopKj(i)内用户的WebService服务质量的预测模型,所述预测模
型还包括一个根据目标用户与第二类邻域TopKh(i)内用户之间的权重wih得
到的正则化项,所述正则化项用于令目标用户的特征向量与第二类邻域
TopKh(i)内用户的特征向量之间尽可能地接近;
模型求解步骤(106):应用梯度下降法求解预测模型,得到待求解的用户特
征矩阵以及服务特征矩阵;
预测步骤(107):通过预测模型中用户特征矩阵与服务特征矩阵的矩阵乘法
得到最终的预测值。
2.根据权利要求1所述的基于用户邻域的WebService服务质量预测方法,其
特征在于,第一类邻域识别步骤(101)中,使用历史调用记录中所记载的
\t服务被用户调用后返回的服务质量与服务被调用后返回的服务质量的平均
值之差作为用户的空间向量坐标值计算余弦相似度。
3.根据权利要求1所述的基于用户邻域的WebService服务质量预测方法,其
特征在于,第一类邻域识别步骤(101)中,所述相似度
simil=Σj∈S(rij-r‾j)(rlj-r‾j)Σj∈S(rij-r‾j)2Σj∈S(rlj-r‾l′)2,]]>其中,rij为用户i调用服务j后返回的服务
质量,rlj为用户l调用服务j后返回的服务质量,为服务j被调用后返回的服务
质量的平均值。
4.根据权利要求1、2或者3所述的基于用户邻域的WebService服务质量预测
方法,其特征在于,第一类邻域识别步骤(101)中,使用修正后的相似度
作为任意两个用户i、j之间的相似度,其中,|Ui|、|Ul|以
及|Ui∩Ul|依次为用户i调用过的服务数量、用户j调用过的服务数量以及用户
i、j同时调用过的服务数量。
5.根据权利要求1所述的基于用户邻域的WebService服务质量预测方法,其
特征在于,第二类邻域权重计算步骤(104)中,simih=exp(-dih)。
6.根据权利要求1所述的基于用户邻域的WebService服务质量预测方法,其
特征在于,模型建立步骤(105)还包括:将用户-服务调用矩阵Q分解为两
个低维矩阵,即其中,U∈Rd×m表示用户隐因子矩阵,S∈Rd×n表示服务隐因子矩阵;建立所述预测模型的目标函数
L(U,S)=12Σi=1mΣj=1nIij(qij-(αUiTSj+(1-α)Σl=1KwilUlTSj))2+λU2||U||F2+]]>λS2||S||F2,]]>其中,Iij等于1表示用户i调用过服务j,Iij等于0表示用户i没有调
用过服务j,qij表示用户i调用服务j的服务质量预测值,UiT、UlT依次表示矩阵
U的第i、l列,Sj表示矩阵S的第j列,α为预设的调节因子,λU、λS分别取极小
的正常数,||U||F、||S||F分别为...
【专利技术属性】
技术研发人员:尹建伟,徐悦甡,李莹,邓水光,吴朝晖,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。