CN101895547A - 一种基于不确定服务的推荐系统及方法 - Google Patents

Abstract

本发明涉及一种网络服务的推荐系统及方法，属于网络服务技术领域，特指一种基于不确定服务的推荐系统及方法，其主要包括服务注册及管理模块、用户需求解析模块以及服务推荐模块，提取出所有满足用户需求的服务，并针对这些服务采用TPS方法进行处理，将位于TPS上的服务推荐给用户。通过这种方法，可以大大保证被推荐的不确定服务的质量，具有广泛的应用前景。

Description

一种基于不确定服务的推荐系统及方法

技术领域

本发明涉及一种网络服务的推荐系统及方法，尤其涉及基于不确定服务的推荐系统及方法，属于网络服务技术领域。

背景技术

SOA(Service-Oriented Architecture，面向服务的体系架构)作为一种新型的分布式计算模型已经在电子商务，应用集成等领域扮演越来越重要的角色。工业界中BEA、IBM、Oracle、微软等巨头纷纷发布自己的SOA战略，建议用户在进行企业IT建设时考虑SOA，学术界也成立多个服务计算技术委员会重点关注SOA研究。根据美国著名的IT市场研究与顾问咨询公司Gartner Group预测，SOA将成为占有绝对优势的软件工程实践方法，它将结束传统的整体软件体系架构长达40年的统治地位。

SOA的核心思想是强调以服务为基本单位，发现并组合符合用户需求的一系列服务。然而随着SOA和Web(亦即网络)服务的迅速发展，在网络上可用的Web服务数量急剧增加，因此基于web服务的推荐机制成为目前学术界和工业界共同关注的重大问题。当前web服务的推荐机制主要考虑两个方面，一个是服务功能，另一个是服务质量(QoS，Quality of Service，服务质量技术，用于解决网络延迟和阻塞等问题的一种安全机制，如服务的响应时间，带宽占用，安全性等)。

目前，关于基于服务功能的推荐已经有很多较成熟的研究成果，但基于服务质量的推荐机制却很少。然而随着web服务数量的增加，web环境的日益复杂，服务质量的不确定性成为一个日益严峻的问题。由于测量不精确，数据随机性，环境复杂等因素引起的不确定性问题导致web服务在不同时刻的服务质量一致，也导致了针对确定数据的推荐机制在此种环境下失效。

因此，开发出一种有效地针对不确定服务的推荐系统及方法，成为目前学术界和工业界的迫切需求。

发明内容

本发明旨在提供一种基于不确定服务的推荐系统及其方法，采用的技术方案如下：

该推荐系统主要包括：服务注册及管理模块、用户需求解析模块以及服务推荐模块，所述服务注册及管理模块、用户需求解析模块之间通信连接，所述服务注册及管理模块与服务推荐模块之间通信连接；所述服务推荐模块结合所述服务注册及管理模块中的现有服务信息及所述用户需求解析模块提供的用户需求，提取出所有满足用户需求的服务，针对这些服务采用TPS方法进行处理，将位于TPS上的服务推荐给用户。

优选地，所述服务注册及管理模块包括服务注册器、服务管理模块和服务管理库；负责录入新增服务的数据及对数据的管理。

优选地，所述服务的数据包括服务名称、功能描述、接口参数以及服务质量数据。

优选地，所述数据的管理为利用语义的方法，通过构建一棵服务本体树，对所有的服务按照其功能描述进行分类，并打上相应的标签；在对服务的功能描述上语义分析方面，采用关键词提取的方法，将功能描述中的关键字与服务本体树上的类相匹配。

优选地，所述用户需求解析模块采用语义本体树的方法，针对用户需求中的关键字，将其与本体树上的类加以匹配，从而分析出用户需求中的关键内容。

本发明还公开了一种采用前述的推荐系统进行基于不确定服务的推荐方法，其包括以下步骤：

1)服务提供商将自身的服务通过服务注册及管理模块中的服务注册器注册，并由服务注册器录入该服务的具体信息；

2)服务注册器将服务交由服务管理模块统一管理，服务管理模块通过建立服务本体树，将服务的功能描述中的关键字与本体进行匹配，从而将服务管理库中的服务分类；

3)当有用户提出服务请求时，由用户需求解析模块中的需求解析器对用户请求进行解析，根据用户请求中的关键字，与本体树进行匹配，从而提取出用户请求的关键内容，再将些内容传送至服务管理库；

4)服务管理库结合需求解析器传递的请求信息，将匹配请求信息的服务的服务质量数据传递至服务推荐模块；

5)服务推荐模块根据TPS方法进行处理，将位于TPS上的服务推荐给用户。

优选地，所述具体信息包括服务名称、功能描述、接口参数以及服务质量数据。

优选地，所述步骤5)包括以下子步骤：

A)服务推荐模块接收服务管理库提供的服务集合及预先设定的概率阀值；

B)将服务集合根据其各属性的值映射至多维数据空间；

C)根据TPS计算公式计算各个服务不被其他服务支配的概率，若此概率高于或等于原先设定的阀值，则此服务为TPS上的服务，若低于阀值，则此服务为被支配服务；

D)当所有服务计算完毕后，服务推荐模块将位于TPS上的服务推荐给用户。

优选地，所述TPS计算公式是指计算得到服务s_M不被其他服务支配的概率为，

$\mathrm{Pr}\left(s_M\right)=\frac{1}{L_1}{\mathrm{\&Sigma;}}_{i=1}^{L_1}{\mathrm{\&Pi;}}_{M\&NotEqual;N}(1-\frac{\left|\right\{n\&Element;N|n<m_1\}|}{\left|N\right|}).$

优选地，所述TPS计算公式是指计算得到服务s_M不被其他服务支配的概率为，

$\mathrm{Pr}[s_M<s_N]=\frac{1}{L_2}{\mathrm{\&Sigma;}}_{i=1}^{L_2}\left\{\right|\{\mathrm{mj}\&Element;M|\mathrm{mj}<\mathrm{ni}\left\}\right|t\left(j\right)\},$

其中添加了服务的时效函数。

与现有技术相比，本发明具有如下优点：

■能够针对不确定性服务，进行有效的服务推荐。

■该方法中结合了服务的时效性，在服务的推荐过程中，更加注重服务近期的表现，增加了服务推荐结果的有效性。

附图说明

图1：实施本发明的基于不确定性服务的推荐系统结构图；

图2：本发明的服务推荐模块内部流程图。

符号说明

1服务注册及管理模块

2用户需求解析模块

3服务推荐模块

具体实施方式

发明原理：

Web服务是Internet上实现某种功能或执行预先设定的流程的软件对象集，它们在Web上发布，能被用户发现并调用。作为一种新兴的Web应用模式，Web服务是Web上数据和信息集成的有效机制，成为目前最被看好的一种基于Web的用户需求解决方案。本发明结合p-skyline和服务时效性，提出一种针对不确定服务的推荐机制--TPS(Time-sensitiveprobability skyline)方法(时效概率skyline法)。Skyline方法是数据库领域中的一种查询方法，它能够利用预先定义的支配关系，将所有不被数据支配的数据提取出来。我们将其迁移至Web服务领域中，通过预先设定服务质量的各个属性中数值的优劣关系，利用skyline方法提取出不被其他服务支配的服务。在处理不确定数据时，我们利用概率的方法，计算不确定服务A支配不确定服务B概率，进而计算服务A不被所有服务支配的概率P1，通过预先设定的概率阀值P，如果P1大于P，则服务A位于P-skyline上。考虑到用户更加注重服务近期的表现，我们在p-skyline中加入了时效性的概念，即在计算支配概率时添加了服务的时间性函数。最终我们计算出所有位于TPS上的服务，并将它们推荐给用户。

TPS方法(时效概率skyline方法)及计算公式：

在服务注册时收集服务的信息，将服务表示为以下形式，

服务描述模型：S＝{s_name，q₁，q₂，...，q_n}，其中：

(1)s_name表示服务的名称。

(2)q_n为服务的某一属性值。

我们定义下skyline服务的支配关系：

服务支配：如果服务s_a支配服务s_b，则对于服务的任一属性i，服务s_a的q_i值

优于或者等于服务s_b的q_i值，且至少存在某一个属性j，使得服务s_a的q_j值优于服务s_b的q_j值。

传统的skyline计算即为计算出所有不被其他服务支配的服务，并将这些服务的集合称为skyline服务。然而由于不确定服务有许多不同的表现，即服务s_a为不同表现的一个集合，s_a＝{s_a1，s_a2，...，s_an}。而不同服务之间，可能存在服务的不同表现互相支配，使得无法进行不确定服务的skyline计算。针对这种情况，本发明利用概率的方法，计算服务支配的概率，并通过预先设定的概率来判断该服务是否位于概率skyline之上。具体计算方法如下所示：

首先计算服务的分布情况，即概率密度函数f，对于数据空间D来说，任一服务的概率密度函数满足以下条件，即

${\&Integral;}_{u\&Element;D}f\left(u\right)\mathrm{du}=1$

给定服务s_M和服务s_N，则他们的概率密度函数为f(m)和f(n)，而服务s_M支配服务s_N的概率为：

Pr[s_M＜s_N]＝∫_n∈Df(n)(∫_m＜nf′(m)dm)dn

          ＝∫_n∈D∫_m＜nf(n)f′(m)dmdn

对于给定的两服务s_M和s_N来说，只存在三种可能的关系：(1)服务s_M支配服务s_N；(2)服务s_M被服务s_N支配；(3)服务s_M和服务s_N互不支配。因此，

Pr[s_M＜s_N]+Pr[s_N＜s_M]≤1

在离散情况下，即服务s_M和服务s_N各有有限个数的不同表现，如s_M＝{s_M1，s_M2，...，S_ML1}，s_N＝{s_N1，s_N2，...，S_NL2}。则其支配概率计算如下所示：

$\mathrm{Pr}[s_M<s_N]={\mathrm{\&Sigma;}}_{j=1}^{L_1}\frac{1}{L_1}.\frac{\left|\right\{\mathrm{mj}\&Element;M|\mathrm{mj}<\mathrm{ni}\}|}{L_2}$

$=\frac{1}{L_1{L}_2}{\mathrm{\&Sigma;}}_{j=1}^{L_1}\left|\right\{\mathrm{mj}\&Element;M|\mathrm{mj}<\mathrm{ni}\}|$

进而可以计算得到服务S_M不被其他服务支配的概率为，

$\mathrm{Pr}\left(s_M\right)=\frac{1}{L_1}{\mathrm{\&Sigma;}}_{i=1}^{L_1}{\mathrm{\&Pi;}}_{M\&NotEqual;N}(1-\frac{\left|\right\{n\&Element;N|n<m_1\}|}{\left|N\right|})$

由于用户更加注重服务近期的表现，在最终的计算公式中添加了服务的时效函数。服务的时效函数为服务质量随着时间而变化的函数。具体计算公式如下：

$\mathrm{Pr}[s_M<s_N]=\frac{1}{L_2}{\mathrm{\&Sigma;}}_{i=1}^{L_2}\left\{\right|\{\mathrm{mj}\&Element;M|\mathrm{mj}<\mathrm{ni}\left\}\right|t\left(j\right)\}.$

下面结合附图和实例对本发明作进一步说明：

如图1所示，整个推荐系统主要包括三个模块：服务注册及管理模块1、用户需求解析模块2以及服务推荐模块3，服务注册及管理模块1、用户需求解析模块2之间通信连接，服务注册及管理模块1与服务推荐模块3之间通信连接。

服务注册及管理模块1主要负责录入新增服务的数据及对数据的管理，其中包括服务注册器、服务管理模块和服务管理库；服务的数据主要包括服务名称，功能描述，接口参数，服务质量数据。在此处我们考虑的服务质量数据主要包括以下几种：

表1服务质量数据表

服务数据的管理方面是利用语义的方法，通过构建一棵服务本体树，对所有的服务按照其功能描述进行分类，并打上相应的标签。在对服务的功能描述上语义分析方面，采用关键词提取的方法，将功能描述中的关键字与服务本体树上的类相匹配。

用户需求解析模块2同样采用语义本体树的方法，针对用户需求中的关键字，将其与本体树上的类加以匹配，从而分析出用户需求中的关键内容。

服务推荐模块3是结合服务注册器中的现有服务信息及需求解析模块提供的用户需求，提取出所有满足用户需求的服务，针对这些服务采用TPS方法进行处理，将位于time-sensitive probability skyline上的服务推荐给用户。

下面将结合附图来介绍采用该系统进行推荐服务的过程和方法：

从图1中可以看出，服务提供商将自己的服务通过服务注册及管理模块1中的服务注册器注册，并由服务注册器录入该服务的具体信息，例如包括服务名称，输入输出参数，功能描述，服务质量数据等。然后服务注册器将服务交由服务管理模块统一管理，服务管理模块通过建立服务本体树，将服务的功能描述中的关键字与本体进行匹配，从而将服务管理库中的服务分类。当有用户提出服务请求时，由用户需求解析模块2中的需求解析器对用户请求进行解析，解析过程为根据用户请求中的关键字，与本体树进行匹配，从而提取出用户请求的关键内容，再将些内容传送至服务管理库；服务管理库结合需求解析器传递的请求信息，将匹配请求信息的服务的服务质量数据传递至服务推荐模块3。服务推荐模块3根据TPS方法进行处理，将位于TPS上的服务推荐给用户。

图2介绍了服务推荐模块中的主要流程：

服务推荐模块接收服务管理库提供的服务集合及预先设定的概率阀值p；

将服务集合根据其各属性的值映射至多维数据空间；

根据前面介绍的TPS计算公式计算各个服务不被其他服务支配的概率，若此概率高于或等于原先设定的阀值p，则此服务为TPS上的服务，若低于阀值p，则此服务为被支配服务；

当所有服务计算完毕后，服务推荐模块将位于TPS上服务推荐给用户。

上面以举例方式对本发明进行了说明，但本发明不限于上述具体实施例，凡基于本发明所做的任何改动或变型均属于本发明要求保护的范围。

Claims (10)

1.一种基于不确定服务的推荐系统，其特征在于包括：服务注册及管理模块(1)、用户需求解析模块(2)以及服务推荐模块(3)，所述服务注册及管理模块(1)、用户需求解析模块(2)之间通信连接，所述服务注册及管理模块(1)与服务推荐模块(3)之间通信连接；所述服务推荐模块(3)结合所述服务注册及管理模块(1)中的现有服务信息及所述用户需求解析模块(2)提供的用户需求，提取出所有满足用户需求的服务，针对这些服务采用TPS方法进行处理，将位于TPS上的服务推荐给用户。

2.根据权利要求1所述的推荐系统，其特征在于，所述服务注册及管理模块(1)包括服务注册器、服务管理模块和服务管理库；负责录入新增服务的数据及对数据的管理。

3.根据权利要求2所述的推荐系统，其特征在于，所述服务的数据包括服务名称、功能描述、接口参数以及服务质量数据。

4.根据权利要求2所述的推荐系统，其特征在于，所述数据的管理为利用语义的方法，通过构建一棵服务本体树，对所有的服务按照其功能描述进行分类，并打上相应的标签；在对服务的功能描述上语义分析方面，采用关键词提取的方法，将功能描述中的关键字与服务本体树上的类相匹配。

5.根据权利要求1所述的推荐系统，其特征在于，所述用户需求解析模块(2)采用语义本体树的方法，针对用户需求中的关键字，将其与本体树上的类加以匹配，从而分析出用户需求中的关键内容。

6.一种采用权利要求1-5所述的推荐系统进行基于不确定服务的推荐方法，其特征在于包括以下步骤：

1)服务提供商将自身的服务通过服务注册及管理模块(1)中的服务注册器注册，并由服务注册器录入该服务的具体信息；

2)服务注册器将服务交由服务管理模块统一管理，服务管理模块通过建立服务本体树，将服务的功能描述中的关键字与本体进行匹配，从而将服务管理库中的服务分类；

3)当有用户提出服务请求时，由用户需求解析模块(2)中的需求解析器对用户请求进行解析，根据用户请求中的关键字，与本体树进行匹配，从而提取出用户请求的关键内容，再将些内容传送至服务管理库；

4)服务管理库结合需求解析器传递的请求信息，将匹配请求信息的服务的服务质量数据传递至服务推荐模块(3)；

5)服务推荐模块(3)根据TPS方法进行处理，将位于TPS上的服务推荐给用户。

7.根据权利要求6所述的推荐方法，其特征在于，所述具体信息包括服务名称、功能描述、接口参数以及服务质量数据。

8.根据权利要求6所述的推荐方法，其特征在于，所述步骤5)包括以下子步骤：

A)服务推荐模块(3)接收服务管理库提供的服务集合及预先设定的概率阀值(p)；

B)将服务集合根据其各属性的值映射至多维数据空间；

C)根据TPS计算公式计算各个服务不被其他服务支配的概率，若此概率高于或等于原先设定的阀值(p)，则此服务为TPS上的服务，若低于阀值(p)，则此服务为被支配服务；

D)当所有服务计算完毕后，服务推荐模块(3)将位于TPS上的服务推荐给用户。

9.根据权利要求8所述的推荐方法，其特征在于，所述TPS计算公式是指计算得到服务s_M不被其他服务支配的概率为，

$\mathrm{Pr}\left(s_M\right)=\frac{1}{L_1}{\mathrm{\&Sigma;}}_{i=1}^{L_1}{\mathrm{\&Pi;}}_{M\&NotEqual;N}(1-\frac{\left|\right\{n\&Element;N|n<m_1\}|}{\left|N\right|}).$

10.根据权利要求8所述的推荐方法，其特征在于，所述TPS计算公式是指计算得到服务s_M不被其他服务支配的概率为，

$\mathrm{Pr}[s_M<s_N]=\frac{1}{L_2}{\mathrm{\&Sigma;}}_{i=1}^{L_2}\left\{\right|\{\mathrm{mj}\&Element;M|\mathrm{mj}<\mathrm{ni}\left\}\right|t\left(j\right)\},$

其中添加了服务的时效函数。