一种基于稀疏线性方法的云服务个性推荐系统及方法技术方案

本发明专利技术适用于云计算技术领域，提供了一种基于稀疏线性方法的云服务个性化推荐系统及方法，该方法包括：S1、接收用云用户Ui提交的个性化需求Pk，即选择若干最为看重的属性；S2、基于云用户Ui在评价数据库中的历史评价数据，获取云用户在个性化需求Pk下针对各云服务J的评分；S3、向云用户Ui推荐评分最高的云服务。本发明专利技术提供的基于稀疏线性方法的云服务个性化推荐方法具有如下有益技术效果：1.可以精准且灵活地定义个性化需求；2.通过学习的相关历史数据来获取云用户在各个性化需求下与无个性需求下的偏差，基于偏差来进行预测，使得推荐结果更为精准。

A Personality Recommendation System and Method for Cloud Service Based on Sparse Linear Method

The invention is applicable to the field of cloud computing technology, and provides a personalized recommendation system and method for cloud services based on sparse linear method. The method includes: S1, receiving personalized requirement Pk submitted by cloud user Ui, i.e. selecting some most important attributes; S2, historical evaluation data based on cloud user Ui in evaluation database, acquiring cloud users'personalized requirement Pk. Each cloud service J score; S3, recommend cloud service with the highest score to cloud user Ui. The Individualized Recommendation Method for cloud services provided by the invention has the following beneficial technical effects: 1. Individualized requirements can be precisely and flexibly defined; 2. The deviation between individualized needs and individualized needs of cloud users can be obtained by learning relevant historical data, and the recommendation results can be predicted based on the deviation, so as to make the recommendation results more accurate.

【技术实现步骤摘要】
一种基于稀疏线性方法的云服务个性推荐系统及方法
本专利技术属于云计算
，提供了一种基于稀疏线性方法的云服务个性推荐系统及方法。
技术介绍
自2006年Google提出“云计算”概念以来，云计算以其易于扩展、按需存储、弹性计算等优点在全球迅速发展。近年来，阿里，百度、Google等相继提出云服务，随着各大运营商不断地将各种计算资源和存储能力等以基础设施即服务(Infrastructure-as-a-Service，IaaS)、平台即服务(Platform-as-a-Service，PaaS)和软件即服务(Software-as-a-Service，SaaS)等形式发布到网络中，网络中出现越来越多的云服务，带来信息超载问题。面对众多功能性属性相同而非功能性属性各异的云服务，用户难以快速地选择出满足自己个性化需求的云服务[1]，因此，如何在复杂的云计算环境下，在海量的云服务之中，为用户快速的推荐满足用户个性化需求的云服务是一个值得深入研究的问题。近年来，关于云服务推荐的算法提出了很多，常见的几种推荐算法有：①协同过滤推荐算法，这是使用最为广泛的一种推荐方法。这类方法分为基于用户/项目的协同过滤法和基于模型的协同过滤。基于用户/项目的协同过滤方法是利用用户对项目的使用经验计算来发现相似的用户/项目，再利用相似用户/项目进行推荐，如出了一种基于比率相似值的计算方法，通过比较用户当前使用的服务和相似服务的属性值来推荐，如一种基于用户偏好的协同过滤算法，这类方法一般推荐速度很好但准确率不够；基于模型的协同过滤是利用机器学习和统计方法从已有的评分中学习得到模型，再利用此模型对项目评分进行预测，由此得到项目推荐，这类方法性能相对较好，但是其常见的问题时难以理解或者有些潜在因素不能很好地解释；②基于内容的推荐方法，其思路是：利用项目本质特征的描述和用户的历史记录，为用户推荐其未使用的项目中与历史记录项目相似程度最高的项目。此种方法缺点在于对云服务属性的抽取、分析、量化、表达耗费较多的资源。③基于关联规则的推荐方法。关联规则推荐算法不需要领域知识，能发现新兴趣点，但是该方法规则抽取难、个性化程度低。
技术实现思路
本专利技术实施例提供一种基于稀疏线性方法的云服务个性推荐方法，旨在提供一种解释灵活，且推荐结果较为精准的云服务个性化推荐方法。为了实现上述目的，本专利技术提供了一种基于稀疏线性方法的云服务个性推荐系统，该系统包括：云客户端，云评价中心，及云推荐中心；云客户端与云评价中心、以及云推荐中心通讯，其中，云客户端：用于向云推荐中心提交个性化需求、及基于使用过的云服务向云评价中心反馈云服评价；云评价中心：对云用户反馈的云服务评价进行解析，获取云服器在个性化需求下的评分，并将上述数据更新至评价数据库；云推荐中心，针对云用户的提交的个性化需求，基于评价数据库内的评价数据向云用户推荐云服务。为了实现上述目的，本专利技术提供了一种基于稀疏线性方法的云服务个性推荐方法，所述方法包括如下步骤：S1、接收用云用户Ui提交的个性化需求Pk，即选择若干最为看重的属性；S2、基于云用户Ui在评价数据库中的历史评价数据，预测云用户在个性化需求Pk下针对各云服务J的评分；S3、向云用户Ui推荐评分最高的云服务。进一步的，所述步骤S2具体包括如下步骤：S21、计算云用户Ui针对已评分云服务Jh在个性化需求Pk下与无个性需求下的评分偏差来计算评分偏差矩阵D；S22、基于评分偏差矩阵D及稀疏聚合矩阵W，来预测云用户Ui在个性化需求Pk下对云服务J的评分，所述云服务J的评分包括：已评分云服务Jh的评分及未评分云服务Jw的评分。进一步的，若步骤S221中的云用户Ui在无个性化需求下针对多个云服务Jh进行评分，则采用多个所述云服务Jh评分的平均值作为云用户Ui在无个性化需求下评分Ri,h。进一步的，在步骤S221中，若不存在云用户Ui在无个性化需求下对已评分云服务Jh的评分，采用云用户Ui在所有个性化需求下对已评分云服务Jh的评分平均值，作为Ui在无个性化需求下对已评分云服务Jh的评分Ri,h。进一步的，基于公式(1)及公式(2)来计算用户Ui在个性化需求Pk下对第j个云服务Jj的评分公式(1)及公式(2)具体如下：其中，Ri,n为云用户Ui在无个性化需求下针对云服务Jn的评分，Di.k为云用户Ui在个性化需求Pk下针的评分与无个性化需求下的评分偏差，K为个性化偏差的种类数，N为云服务的个数，pk为用户个性化需求向量，Wn,j为云服务Jn与云服务Jj间的聚合系数。本专利技术提供的基于稀疏线性方法的云服务个性化推荐方法具有如下有益技术效果：1.可以精准且灵活地定义个性化需求；2.通过学习的相关历史数据来获取云用户在各个性化需求下与无个性需求下的偏差，基于偏差来进行预测，使得推荐结果更为精准。附图说明图1为本专利技术实施例提供的云服务个性化推荐系统结构示意图；图2为本专利技术实施例提供的基于稀疏线性方法的云服务个性推荐方法流程图；图3为本专利技术实施例提供的在音乐数据集上的MAP仿真实验图；图4为本专利技术实施例提供的在电影数据集上的MAP仿真实验图；图5为本专利技术实施例提供的在餐馆数据集上的MAP仿真实验图；图6为本专利技术实施例提供的在音乐数据集上的Recall仿真实验图；图7为本专利技术实施例提供的在电影数据集上的Recall仿真实验图；图8为本专利技术实施例提供的在餐馆数据集上的Recall仿真实验图；图9为本专利技术实施例提供的在音乐数据集上的Precision仿真实验图；图10为本专利技术实施例提供的在电影数据集上的Precision仿真实验图；图11为本专利技术实施例提供的在餐馆数据集上的Precision仿真实验图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利涉及的一些专业名词的相关解释：1)个性化推荐：个性化推荐是根据用户的兴趣偏好来进行推荐，而云用户在挑选云服务时，通常首先考虑的是云服务的功能属性，云用户的个性化需求也就是对云服务功能属性的要求，因此专利技术给出云服务的至少5个功能属性，5个功能属性为：①可靠性r(reliability):在规定时间内无故障运行以及发生故障后在规定时间内恢复服务的能力；②可用性a(availability):在规定环境下持续提供特定功能的能力；③安全性s(security):提供数据保密性和完整性的能力；④实时性e(real-time):在规定时间内响应请求的能力；⑤可维护性m(maintainability):易于修改和完善的能力；本专利将云用户的个性化需求定义为云用户在使用云服务时最关心的若干云服务属性，这若干云服务属性有重要度之分，以两个云服务属性组成个性化需求类例进行说明，比如：①安全性②及时性是一种个性化需求，而①及时性②安全性是另一种个性化需求，之所以用这样组合的方式是因为考虑到更多的云用户的看重。图1为本专利技术实施例提供的云服务个性化推荐系统结构示意图，为了便于说明，仅示出于本专利技术实施例先关的部分。该云服务个性化推荐系统包括：云客户端，云评价中心，及云推荐中心；云客户端与云评价中心、以及云推荐中心通讯，其本文档来自技高网...

【技术保护点】
1.一种基于稀疏线性方法的云服务个性化推荐系统，其特征在于，所述系统包括：云客户端，云评价中心，及云推荐中心；云客户端与云评价中心、以及云推荐中心通讯，其中，云客户端：用于向云推荐中心提交个性化需求、及基于使用过的云服务向云评价中心反馈云服评价；云评价中心：对云用户反馈的云服务评价进行解析，获取云服务在个性化需求下的评分，并将上述数据更新至评价数据库；云推荐中心，针对云用户的提交的个性化需求，基于评价数据库内的评价数据向云用户推荐云服务。

【技术特征摘要】
1.一种基于稀疏线性方法的云服务个性化推荐系统，其特征在于，所述系统包括：云客户端，云评价中心，及云推荐中心；云客户端与云评价中心、以及云推荐中心通讯，其中，云客户端：用于向云推荐中心提交个性化需求、及基于使用过的云服务向云评价中心反馈云服评价；云评价中心：对云用户反馈的云服务评价进行解析，获取云服务在个性化需求下的评分，并将上述数据更新至评价数据库；云推荐中心，针对云用户的提交的个性化需求，基于评价数据库内的评价数据向云用户推荐云服务。2.如权利要求1所述基于稀疏线性方法的云服务个性化推荐系统的推荐方法，其特征在于，所述方法包括如下步骤：S1、接收用云用户Ui提交的个性化需求Pk，即选择若干最为看重的属性；S2、基于云用户Ui在评价数据库中的历史评价数据，预测云用户在个性化需求Pk下针对各云服务J的评分；S3、向云用户Ui推荐评分最高的云服务。3.如权利要求2所述基于稀疏线性方法的云服务个性化推荐方法，其特征在于，所述步骤S2具体包括如下步骤：S21、计算云用户Ui针对已评分云服务Jh在个性化需求Pk下与无个性需求下的评分偏差来计算评分偏差矩阵D；S22、基于评分偏差矩阵D及稀疏聚合矩阵W，来预测云用户Ui在个性化...

【专利技术属性】
技术研发人员：张佩云，叶金勇，徐鸽，谢杰敏，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：安徽,34