一种基于用户协同正则化的个性化Web服务组合方法技术

本发明专利技术公开了一种基于用户协同正则化的个性化Web服务组合方法，本发明专利技术方法通过融合用户历史数据的矩阵分解算法可以高效地预测服务的QoS信息，并支持满足用户的个性化服务组合需求；此外，本发明专利技术通过矩阵分解加速技术大大提升了求解效率，从而实时响应多用户的个性化QoS组合查询请求。

【技术实现步骤摘要】

本专利技术属于计算机服务
，具体设及一种基于用户协同正则化的个性化 Web服务组合方法。
技术介绍
近年来，Web服务技术在蓬勃发展，作为一种随时可被用户访问的互联网资源，Web 服务广泛地部署在互联网企业中并满足用户需求。随着互联网朝着云计算的目标不断演 进，Web服务的发展呈现出W下四点趋势：（1)服务数量快速增长，互联网上存在数W万计的 各类服务；（2)服务描述语义化，语义信息为服务的功能描述提供了统一规范；（3)服务的 QoS(如ality ofService)受到关注，QoS成为用户在使用服务时考虑的重要指标；（4)云计 算环境下服务执行环境更为复杂多变，原本可用的服务在某些特定环境下可能变得无法使 用，因而带有更多执行方案的组合服务将显得更加可靠。在此背景之下，如何快速地从海量 服务中得到尽可能多的既能满足用户需求又具有最优QoS的组合服务将是云计算趋势下 Web服务的研究重点。 目前，用户服务选择研究均包含一个公共前提：即用户必须首先知道所有服务的 QoS信息，然后再制定策略进行选择。然而在真实情况下，运种数据前提要求很难得到满足， 原因如下：（1)绝大部分服务资源都是由商业公司提供，获取服务的QoS信息只能通过用户 调用方式进行，然而运要花费用户大量的金钱和时间成本。（2)当代互联网拓扑结构复杂， 用户通过调用方式获得的QoS信息包含了大量的噪声，W致于研究者需要花费大量的精力 清洗数据。因此，在真实的应用场景下，大量充足的QoS资源是无法通过调用服务的方式获 得的。QoS信息的缺失，直接导致企业只能提供服务子集让用户进行选择，无法很好地满足 用户需求。 提高用户服务选择满意度的高效方法，是使用数学模型解决QoS稀缺性问题。近 年来，研究者都在思考如何通过使用机器学习方法对缺失的QoS数据资源进行预测。目前大 部分工作中，对未知的QoS信息进行预测主要使用基于化arson Correlation Coefficient (PCC)方法来计算客户端用户之间或者Web服务之间的相似度。然而，运种计算方法存在W 下两点不足：（1 )PCC方法需要对历史记录中的QoS作统计学习，严重依赖于数据的准确性和 完备性。然而由于当代互联网环境的复杂性，QoS记录并不一定都是准确的，致使PCC方法在 服务计算场景下相似性计算准确率下降。（2)传统的PCC方法广泛地应用在推荐系统领域。 然而，推荐系统和服务计算的应用场景存在着本质的区别，在QoS历史记录中，每一项都是 由用户的实际使用网络环境决定的，运种数据客观性的特点直接降低了PCC相似度计算的 精度。 此外，目前主流的Web服务自动组合技术存在用户满意度低等问题，究其原因是因 为核屯、的QoS预测模块运行时受到数据噪音干扰，致使无法高效组合候选服务列表。如何从 极其稀疏的历史数据中学习到规律并预测Web服务的全体QoS信息，是当前服务自动组合中 的关键难题。
技术实现思路
针对现有技术所存在的上述技术问题，本专利技术提供了一种基于用户协同正则化的 个性化Web服务组合方法，其通过融合用户历史数据的矩阵分解算法可W高效地预测服务 的QoS信息，并支持满足用户的个性化服务组合需求。 -种基于用户协同正则化的个性化Web服务组合方法，包括如下步骤： (1)收集所有用户提供的服务调用数据，所述的服务调用数据包括用户对其调用 过的所有Web服务的QoS数据;进而根据所述的QoS数据建立用户与Web服务之间的QoS元矩 阵S; (2)根据所述的QoS元矩阵S确定出每个用户的邻域用户集合； (3)根据所述的QoS元矩阵SW及每个用户的邻域用户集合，通过SVD方法建立W下 目标函数J，并对该目标函数J进行最小化求解，W求得关于用户的隐式特征矩阵U和关于 Web服务的隐式特征矩阵V;进而根据R = UTy重建用户与Web服务之间的QoS预测矩阵R;其中：Ui为隐式特征矩阵U中的第i列向量，V功隐式特征矩阵V中的第j列向量，K (i)为第i个用户的邻域用户集合，N为预设的邻域用户个数即邻域用户集合K(i)中的用户 总数，化为邻域用户集合K(i)中的第k个用户在隐式特征矩阵U中所对应的向量，m为用户的 总数，η为Web服务的总数;Si功QoS元矩阵S中第i行第j列元素值，Ii功扭的指示符，若扭为 null则lu = 0,否则Iu = l; II ||2为2-范数，嗦示转置，α和0均为给定的控制系数； (4)接受用户关于Web服务的组合查询请求，然后根据QoS预现魄阵R向该用户提供 其所请求查询的Web服务的候选组合列表。 所述的步骤（1)中根据QoS数据建立用户与Web服务之间的QoS元矩阵S，具体为:所 述QoS元矩阵S的维度为mXn，QoS元矩阵S中第i行第j列元素值Su采用第i个用户对于第j个 Web服务的QoS数据，若第i个用户之前未调用过第j个Web服务，则元素值Su为null。 所述的步骤(2)中采用Kmeans算法确定每个用户的邻域用户集合，具体过程为:首 先，根据所述QoS元矩阵S采用Kmeans算法对全体用户进行聚类;然后对于任一用户，取与该 用户同一类的N个用户组成该用户的邻域用户集合。 所述Kmeans算法中的K值设定为10。 所述的步骤(3)中采用字典学习算法对目标函数J进行最小化求解，且在每一轮迭 代计算过程中记录中间变量过程。 所述的步骤(4)中最后将用户所请求查询的Web服务的候选组合列表包装成html 页面格式展现给用户。 本专利技术通过融合用户历史数据的矩阵分解算法可W高效地预测服务的QoS信息， 并支持满足用户的个性化服务组合需求;此外，本专利技术通过矩阵分解加速技术大大提升了 求解效率，从而实时响应多用户的个性化QoS组合查询请求。【附图说明】 图1为本专利技术基于用户协同正则化的Web服务组合方法的流程示意图。 图2为本专利技术核屯、QoS预测算法引擎的内部流程示意图。【具体实施方式】 为了更为具体地描述本专利技术，下面结合附图及【具体实施方式】对本专利技术的技术方案 进行详细说明。 如图1所示，本专利技术基于用户协同正则化的个性化Web服务组合方法的总体流程包 括W下部分： 流程1:采集用户的历史调用服务QoS数据(吞吐量和响应时间等）。假设一共有m个 用户和η个服务，那么使用历史数据产生一个mXn的用户-服务的QoS矩阵S:其中每一项Sij 是用户i对服务j的QoS调用情况。 流程2:前端口户页面接受目标用户服务组合查询请求。流程3:对流程2采集的查询请求作分析： 假若系统检测到QoS矩阵S是完备的，那么系统将根据用户查询的QoS约束组合服 务，并生成候选服务列表发送到流程6的前端显示引擎，生成结果返回页面。假若系统检测 至化oS矩阵S不是完备的，那么需要系统进行流程4的快速预测算法引擎。 流程4:基于用户协同正则化的QoS预测算法引擎是本专利技术的执行实体；如图2所 示，该算法引擎的子流程包括W下几部分： 4.1根据历史QoS数据计算寻找目标用户的最佳邻域。系统使用的是经典的K当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于用户协同正则化的个性化Web服务组合方法，包括如下步骤：(1)收集所有用户提供的服务调用数据，所述的服务调用数据包括用户对其调用过的所有Web服务的QoS数据；进而根据所述的QoS数据建立用户与Web服务之间的QoS元矩阵S；(2)根据所述的QoS元矩阵S确定出每个用户的邻域用户集合；(3)根据所述的QoS元矩阵S以及每个用户的邻域用户集合，通过SVD方法建立以下目标函数J，并对该目标函数J进行最小化求解，以求得关于用户的隐式特征矩阵U和关于Web服务的隐式特征矩阵V；进而根据R＝UTV重建用户与Web服务之间的QoS预测矩阵R；J=12Σi=1mΣj=1nIij(Sij-UiTVj)2+α2||U||22+α2||V||22+β2||Ui-1NΣk∈K(i)Uk||22]]>其中：Ui为隐式特征矩阵U中的第i列向量，Vj为隐式特征矩阵V中的第j列向量，K(i)为第i个用户的邻域用户集合，N为预设的邻域用户个数即邻域用户集合K(i)中的用户总数，Uk为邻域用户集合K(i)中的第k个用户在隐式特征矩阵U中所对应的向量，m为用户的总数，n为Web服务的总数；Sij为QoS元矩阵S中第i行第j列元素值，Iij为Sij的指示符，若Sij为null则Iij＝0，否则Iij＝1；|| ||2为2‑范数，T表示转置，α和β均为给定的控制系数；(4)接受用户关于Web服务的组合查询请求，然后根据QoS预测矩阵R向该用户提供其所请求查询的Web服务的候选组合列表。...

【技术特征摘要】

【专利技术属性】
技术研发人员：尹建伟，罗威，邓水光，李莹，吴健，吴朝晖，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33