一种基于去中心化矩阵分解的服务质量预测方法技术

本发明专利技术公开了一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：（1）建立用户邻接图，（2）确定交互的范围，（3）确定交互的信息，（4）合成并预测QoS值。通过上述方式，本发明专利技术基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。

【技术实现步骤摘要】
一种基于去中心化矩阵分解的服务质量预测方法
本专利技术涉及网络服务领域，特别是涉及一种基于去中心化矩阵分解的服务质量预测方法。
技术介绍
随着互联网技术的快速发展，涌现出越来越多的Web服务，互联网用户想要在海量的Web服务中寻找到自己所需要的Web服务越发困难。因此，越来越多的Web服务推荐系统孕育而生，并受到了广泛的关注和研究。为了实现个性化Web服务推荐，Web服务推荐系统需要收集用户对服务质量QoS（QualityofService）的评估情况。QoS广泛用于描述Web服务的非功能特征，比如：响应时间、吞吐量、价格、可靠性等。因此，基于QoS的服务推荐系统已经在现实社会中得到了广泛的应用。这些研究中常见的一种假设就是Web服务的QoS值始终是存在的。但是，系统获取用户评估每个Web服务的QoS值是不切实际的，一方面，由Web服务提供商或者第三方社区公布的QoS值对于用户而言是不准确的，因为实际的QoS值容易受到不确定的网络环境和用户所在的区域的影响；另一方面，由于时间、成本等其他资源的限制。所以如何获得准确的QoS值是一个主要问题。针对这一问题，提出了各种Web服务QoS预测方法，其中矩阵分解方法是常用的技术之一，它在许多推荐应用中具有较高的准确性和良好的性能。而现有的矩阵分解Web服务QoS预测方法都是集中式训练的方法，具体而言就是，先构建一个推荐系统的平台，收集所有用户对所有Web服务的QoS值，然后利用这些数据来构建一个矩阵分解模型。这样做存在几个弊端：（1）浪费存储资源，推荐系统需要收集所有用户的QoS值，所以所有用户对Web服务的QoS值需要集中存储在某个服务器上；（2）浪费计算资源，在训练矩阵分解模型的时候，需要在服务器上训练，模型的训练速度受限于服务端的机器数量；（3）不能保护用户的隐私数据，用户对Web服务的QoS值都被服务器获取了，用户的偏好信息也可能会随之泄露给恶意攻击者，存在用户隐私安全隐患问题。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于去中心化矩阵分解的服务质量预测方法，通过采用去中心化矩阵分解方法来预测QoS值，一方面，用户的数据保存在自己的个人设备上无需向服务端上传，这样就解决了集中式训练模型造成的存储资源浪费的问题，另一方面，模型的训练也在用户端完成，用户之间通过交互非原始数据信息来完成模型的协同训练，可以解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。为解决上述技术问题，本专利技术提供一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：定义表示用户集合，定义表示Web服务集合，其中共有个用户和个Web服务，表示第i个用户对第j个Web服务的交互信息，其中，并且表示用户对服务评估的QoS值，定义表示用户潜在特征矩阵，其中每一行表示用户的维潜在特征向量，定义表示服务潜在特征张量，定义表示用户的服务潜在特征矩阵，其中表示用户对服务的K维潜在特征向量，（1）建立用户邻接图：根据用户的地理位置来建立用户邻接图以表示用户之间的密切程度，定义表示用户和用户之间的距离，那么，用户和用户之间的相似度可以表示为：，其中：，如果用户和用户在同一地区，则式中，如果用户和用户不在同一地区，则式中，是用户之间的距离和相似度的映射函数，用户之间的距离越小，相似度就越大，（2）确定交互的范围：用户采用基于随机游走的相邻用户交互的方法对其他邻居的信息进行交互：在建立完用户邻接图之后，采用用户邻接矩阵表示用户的邻接图，定义表示中的第个邻居，表示邻居的个数，，显然，就表示用户的直接邻居，当用户想与他直接的邻居交互信息，表示用户从他的邻居中选取一个用户的行为，那么，，根据马尔可夫概率，用户选取他的第二邻居（）的概率为：，其中，D表示随机游走的最大距离，用户在预设的最大迭代次数内对周围邻居进行游走以交互信息，（3）确定交互的信息：为了保护用户的隐私，要确定用户之间交互哪些信息，将QoS值分解为用户偏好潜在向量和服务偏好潜在向量，即，，其中，对于每个用户，第个服务的服务潜在特征向量，可以分解为：，其中表示全局潜在特征向量，其表示所有用户的共同偏好，表示私有潜在特征向量，其表示用户的个人偏好，那么损失函数可以表示为：，向量和只依赖于保存在用户中的信息，而不仅依赖于用户中的信息，也依赖于其他相邻的用户中的信息，设定隐私保护协议来交换用户之间的信息，从而学习服务全局潜在特征向量，所述隐私保护协议为通过发送每个用户的损失函数关于的梯度给他的邻居，来学习全局服务潜在特征向量，对于每个用户的损失函数关于，和的梯度为：，（4）合成并预测QoS值：交互完成后的用户将全局潜在特征向量与私有潜在特征向量合成获得服务潜在特征向量，即，再将用户偏好潜在向量和服务偏好潜在向量合成获得用户对服务评估的QoS值，即。在本专利技术一个较佳实施例中，每个用户对服务的QoS值和潜在特征都保存在每个用户处，即每个用户只需要保存他的K维潜在特征向量和服务潜在特征矩阵。在本专利技术一个较佳实施例中，所述QoS值的属性包括响应时间和吞吐量。本专利技术的有益效果是：本专利技术基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，一方面，用户的数据保存在自己的个人设备上无需向服务端上传，这样就解决了集中式训练模型造成的存储资源浪费的问题，另一方面，模型的训练也在用户端完成，用户之间通过交互非原始数据信息来完成模型的协同训练，可以解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：图1是本专利技术的基于去中心化矩阵分解的服务质量预测方法一较佳实施例的用户-服务调用图；图2是本专利技术的基于去中心化矩阵分解的服务质量预测方法一较佳实施例的观察得到的QoS矩阵；图3是本专利技术的基于去中心化矩阵分解的服务质量预测方法一较佳实施例的预测得到的QoS矩阵；图4是现有技术集中式矩阵分解方法的分解示意图；图5是本专利技术的基于去中心化矩阵分解的服务质量预测方法一较佳实施例的分解示意图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1-图5，本专利技术实施例包括：一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：定义表示用户集合，定义表示Web服务集合，其中共有个用户和个Web服务，表示第i个用户对第j个Web服务的交互信息，其中，并且表示用户对服务评估的QoS值，定义表示用户潜在特征矩阵，其中每一行表示用户的本文档来自技高网...

【技术保护点】
1.一种基于去中心化矩阵分解的服务质量预测方法，其特征在于，包括以下步骤：定义表示用户集合，定义

【技术特征摘要】
1.一种基于去中心化矩阵分解的服务质量预测方法，其特征在于，包括以下步骤：定义表示用户集合，定义表示Web服务集合，其中共有个用户和个Web服务，表示第i个用户对第j个Web服务的交互信息，其中，并且表示用户对服务评估的QoS值，定义表示用户潜在特征矩阵，其中每一行表示用户的维潜在特征向量，定义表示服务潜在特征张量，定义表示用户的服务潜在特征矩阵，其中表示用户对服务的K维潜在特征向量，（1）建立用户邻接图：根据用户的地理位置来建立用户邻接图以表示用户之间的密切程度，定义表示用户和用户之间的距离，那么，用户和用户之间的相似度可以表示为：，其中：，如果用户和用户在同一地区，则式中，如果用户和用户不在同一地区，则式中，是用户之间的距离和相似度的映射函数，用户之间的距离越小，相似度就越大，（2）确定交互的范围：用户采用基于随机游走的相邻用户交互的方法对其他邻居的信息进行交互：在建立完用户邻接图之后，采用用户邻接矩阵表示用户的邻接图，定义表示中的第个邻居，表示邻居的个数，，显然，就表示用户的直接邻居，当用户想与他直接的邻居交互信息，表示用户从他的邻居中选取一个用户的行为，那么，，根据马尔可夫概率，用户选取他的第二邻居（）的概率为：，其中，D表示随机游走的最大距离，用户在预设的最大迭代次数内对周围邻居进...

【专利技术属性】
技术研发人员：刘安，彭佳，李直旭，赵雷，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32