CN102135991A - 基于后向学习的动态多属性服务选择方法 - Google Patents

Abstract

本发明为基于后向学习的动态多属性服务选择方法，第一步为基于后向学习的用户偏好学习：初始化服务集合、用户集合、服务评价等级集合、UQEL表。用户多次调用服务并给出评价，用户对服务的评价映射为对相应非功能属性的评价，添加到该用户的UQEL表，最终得到用户偏好表。第二步为基于权重的动态多属性服务选择：根据用户需求生成候选服务集合，获得用户偏好集合，计算各非功能属性权重，生成动态决策矩阵序列，计算用户偏好向量与候选服务非功能属性向量的加权夹角余弦、每个观测时间的权重、每个候选服务在各个观测时间的加权余弦和，选择加权和最大的服务推荐给用户。本法为自适应的服务选择，无需用户过多参与，方便使用，服务选择适应好。

Description

基于后向学习的动态多属性服务选择方法

(一)技术领域

本发明属于环绕智能与服务计算领域，涉及服务选择决策技术，具体是一种适合于环绕智能环境下，基于后向学习得到用户偏好信息、通过加权动态多属性决策实现满足用户需求的自适应服务选择方法，即基于后向学习的动态多属性服务选择方法。

(二)背景技术

环绕智能环境下用户可以在任何时间、任何地点得到一致的服务接入、获得服务。这里的服务是指web服务，也就是自描述、自包含的应用程序模块，通过标准协议来远程访问和调用。一个web服务由功能属性和非功能属性组成。功能属性表示该服务能够做什么，是操作的集合；非功能属性表示该服务的性能如何，即服务在执行这些操作的时候能够达到的性能指标，如一个视频播放服务，衡量其性能的非功能属性可以有延时、带宽、抖动等，也可以称为服务质量(QoS)，即表示服务性能的信息。

面向服务计算是通过标准协议来发现、调用互联网上远程的软件单元来实现用户的服务需求，其中的服务选择是服务发现中的一个关键操作。它的功能是根据用户的非功能需求从众多的候选服务中选择“合适的”服务给特定的用户，以达到最佳的运行效果。当前关于服务选择的研究主要集中于客观、静态的服务选择，或是需要用户主动提供个人偏好信息。例如Meiyun Zuo、Yanggang Yu提出的基于AHP的服务选择方法(请见MeiyunZuo的文章“Research on Web Services Selection Model Based on AHP”，2008年发表于IEEE International Conference on Service Operations and Logistics，and Informatics；Yanggang Yu的文章“Evaluation of E-commerce Service Quality Using the Analytic Hierarchy Process”发表于2010 International Conference on Innovative Computing and Communication and 2010 Asia-Pacific Conference on Information Technology and Ocean Engineering.)；Cheng Zhang，Yanbo Han提出的自适应于用户偏好的服务推荐系统(请见Cheng Zhang，Yanbo Han的文章“Service Recommendation with Adaptive User Interests Modeling”LNCS4882，2007：265-270)。

这些方法要么过多依赖于候选服务的客观非功能属性信息；要么需要用户在提出需求时给出详细的用户需求，增加用户使用难度并使用户过多的参与系统的交互。并且现有的服务选择方法没有考虑服务运行的历史信息，无法体现历史运行信息对服务选择的预测指导作用。因此现有的服务选择方法很难适应环绕智能环境下对系统功能“自适应、预判断”的需求。

(三)发明内容

本发明的目的在于提供一种基于后向学习的动态服务选择方法，用于在环绕智能环境下根据学习到的用户偏好信息以及服务在特定环境下的运行信息自适应地为用户选择“合适的”服务。

本发明基于后向学习的动态多属性服务选择方法对用户偏好的学习基于基本认知事实：如果一个用户评价一个服务为好的，那么该服务的大部分非功能属性也是好的，能够满足用户的性能需求。在此认知基础上给出扩展假定：如果评价一个服务是好的，那么假定该服务的所有非功能属性都是能够满足用户需求的。在此扩展假定基础上利用偏好最大概率来学习用户对每项非功能属性信息的偏好值，最终生成用户偏好信息列表；其次进行服务选择，根据候选服务注册信息利用熵信息理论计算每个非功能属性的权重值，之后利用基于权重的动态多属性决策方法选择适合用户特定需求的服务。

本发明基于后向学习的动态多属性服务选择方法分为两个主要步骤，第一步为基于后向学习的用户偏好学习，第二步为基于权重的动态多属性服务选择。具体如下：

Ⅰ、基于后向学习的用户偏好学习

在特定环绕智能环境下通过对一个候选服务集中服务的调用和评估来学习用户的偏好习惯。

Ⅰ-i、在服务注册中心注册多个候选服务作为学习集合

构建用户偏好学习测试服务集S＝{s₁，s₂，s₃，…，s_m}，每个服务都有若干非功能属性，上述服务集合S包含的所有非功能属性集合为SA＝{a₁，a₂，a₃，…，a_N}；其中每个服务的非功能属性集合A是SA的子集。服务的非功能属性由服务发布方在将服务注册到服务注册中心时给出。当服务被调用后这些非功能属性都会有一个实际运行值，这些实际运行值可以由部署在系统中的监测设备监测到，监测到的值也称为该非功能属性的监测值。服务的各项非功能属性值可经过规范化处理，得到统一的、可比较的规范化数据。这里采取[0，1]规范化方法，将所有非功能属性值都规范化到0～1.0区间内。

同时选择若干用户构成用户集合U＝{u₁，u₂，u₃，…，u_p}；用户对服务的评价分为5个等级，记为R＝{很差，差，一般，好，很好}；

Ⅰ-ii构建用户非功能属性评价链表UQEL

每个用户拥有自己的UQEL。UQEL表为某一用户调用服务过程生成的关于服务的非功能属性a₁、a₂、a₃、……a_k评价的多级链表。UQEL指向非功能属性a₁、a₂、a₃、……a_k；每个非功能属性指向一个由五个级别：很差、差、一般、好或很好构成的链表。其中每个级别指向由三元组(V，f_v，t)构成的链表。V是用户调用的服务集S的某些服务中某项非功能属性的特定值，f_v是该用户调用这些服务时，该项非功能属性的此值(该V值)在某个评价级别下至时间t出现的总次数，t是服务集S中各项非功能属性中该非功能属性值(V值)最后一次出现的时间。

Ⅰ-iii、用户调用服务并给出自己的评价值

用户多次随机调用服务学习集合中的服务，用户在每次使用完服务后给出一个整体的用户体验评价，即给出该服务为上述服务评价分级R中的某一级：用户集合U中的某一用户u_i∈U，每次使用服务s_i(s_i∈S)后给出一个评价值r_i(r_i∈R)。对于服务s_i而言，其包含的非功能属性集合为A。本方法假定，如果用户对服务s_i的评价为r_i，。则对于该服务的任意一个非功能属性a_i(a_i∈A)，其相应的评价值也为r_i。

Ⅰ-iv、完成用户非功能属性评价链表UQEL

将用户对服务s_i的评价值映射为该服务相应非功能属性a_i的评价并添加到该用户对应的UQEL中，可能是新添加a_i项，也可能是仅仅将a_i的评价值添加到其相应的评价级别中去。

Ⅰ-v、计算用户关于非功能属性a_i的偏好值

针对某个用户UQEL表中的某一项a_i，计算其评价级别为“好”“很好”这两个级别中每个具体非功能属性值的总次数

该总次数为某一个特定非功能属性值出现的次数总和。选择

最大的值为该用户关于非功能属性a_i的偏好值。经过学习得到该用户关于每个非功能属性的偏好值。最后得到该用户非功能属性偏好集UP。同样方法得到每个用户的非功能属性偏好集UP。

Ⅱ、基于权重的动态多属性服务选择

Ⅱ-i、某个用户向系统提出服务功能需求，系统通过服务功能属性的语义匹配计算，得到与该功能属性匹配的候选服务集CS；

Ⅱ-ii、提取候选服务的非功能属性集合CSA以及该用户身份信息，然后到该用户的UP集中查找相应的非功能属性偏好值UAP；

Ⅱ-iii、根据候选服务集合CS生成相应的候选服务非功能属性决策矩阵M，其中每个候选服务的非功能属性值集合组成一个服务非功能属性值向量；

可以以候选服务声明的非功能属性值生成候选服务非功能属性决策矩阵M_t0，候选服务声明的非功能属性值视为t₀时间候选服务的非功能属性监测值。

Ⅱ-iv、根据信息熵理论计算候选服务对应的各个非功能属性的权重信息W＝(w₁，w₂，…，w_n)；

Ⅱ-v、从服务注册中心查找候选服务的历史记录信息，相应的生成历史记录信息决策矩阵，与候选服务非功能属性决策矩阵M_t0组合成一个包含动态决策信息的矩阵序列M_t0、M_t1…M_tk；

Ⅱ-vi、计算UAP与决策矩阵序列中每个矩阵中属性向量的加权向量夹角余弦值

这里t表示时间，i表示在t时间矩阵中的第i个服务，

表示t时间矩阵中相应服务的非功能属性向量值，R_qos表示用户偏好向量值。

$\cos {\mathrm{\θ}}_i^t=\frac{{\mathrm{ns}}_i^t\·R_{\mathrm{qos}}}{\left|{\mathrm{ns}}_i^t\right|\×\left|R_{\mathrm{qos}}\right|}$

Ⅱ-vii、计算每个观测时间t相对应的权重tw_h，共有r个观测时间。其中h表示其中的某个观测时间，η表示历史信息参考价值衰减速度，λ表示观测点权重系数。

$\left\{\begin{array}{c}{\mathrm{tw}}_h=\mathrm{\λ}{e}^{-\mathrm{\ηt}}\\ \underset{h=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_h=1\end{array}\right.$

Ⅱ-viii、聚合每个服务在各个历史观测时间

的加权和

由决策矩阵序列在各个观测时间的权重值以及在每个观测时间候选服务与用户需求之间的夹角余弦，计算得到各个候选服务与3个用户服务需求之间的加权余弦和：

${\mathrm{ws}}_i=\underset{t=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_i\cos {\mathrm{\θ}}_i^t(i=\mathrm{0,2},...,r-1)$

Ⅱ-ix、选择加权和最大的那个服务作为最合适的服务返回给用户。

本发明基于后向学习的动态多属性服务选择方法的优越性为：先通过小样本学习得到用户的偏好值信息，然后基于服务历史记录信息实现自适应的服务自动选择。与传统的在环绕智能环境下面服务选择方法相比较，无需用户过多参与到与系统的交互，方便使用；同时充分利用了环绕智能环境中部署的大量监测设备来记录每个服务的运行历史信息，这些信息为本服务选择方法提供了丰富的预测根据和多方面的参考信息，从而使本服务选择方法更加准确。

(四)附图说明

图1为本基于后向学习的动态多属性服务选择方法实施例的基于后向学习的用户偏好学习的流程示意图；

图2为本基于后向学习的动态多属性服务选择方法实施例用户非功能属性评价链表；

图3为本基于后向学习的动态多属性服务选择方法实施例的基于权重的动态多属性服务选择的流程示意图。

(五)具体实施方式

本例是在一个家庭环绕智能环境中使用本方法。在该家庭环绕智能环境中基于Java平台和Jena2.6.2设计本方法的一个实施系统，本体和推理规则采用HOAO和HOAO-R，该系统具备服务功能属性和非功能属性的语义匹配推理能力。

Ⅰ、基于后向学习的用户偏好学习

在该家庭环绕智能环境下，多个用户通过个人移动终端使用该环绕智能环境中提供的各种服务，通过对一个候选服务集中服务的调用和评估来学习用户的偏好习惯。基于后向学习的用户偏好学习的流程图如图1所示。

Ⅰ-i、在服务注册中心注册多个候选服务作为学习集合。

构建用户偏好学习测试服务集S＝{s₁，s₂，s₃，…，s_m}，本例选择7种不同功能类别的服务，分别为：S₁＝网上购票，S₂＝远程医疗，S₃＝视频点播，S₄＝云游戏，S₅＝下载服务，S₆＝云存储，S₇＝天气查询。

本例服务集合包含的非功能属性集合SA＝{a₁，a₂，a₃，…，a_N}；

a₁＝费用，a₂＝送票时间，a₃＝延迟，a₄＝准确率，a₅＝诊断速度，a₆＝安全性，a₇＝视频质量，a₈＝抖动，a₉＝用户友好度，a₁₀＝游戏种类，a₁₁＝下载速度，a₁₂＝稳定性，a₁₃＝容量，a₁₄＝预测天数。

各项服务的非功能属性如下：

网上购票的非功能属性为：a₁＝费用，a₂＝送票时间，a₉＝用户友好度；

远程医疗的非功能属性为：a₁＝费用，a₄＝准确率(诊断)，a₅＝诊断速度，a₆＝安全性；

视频点播的非功能属性为：a₁＝费用，a₃＝延时，a₇＝视频质量，a₈＝抖动，a₉＝用户友好度；

云游戏的非功能属性为：a₁＝费用，a₃＝延时，a₈＝抖动，a₉＝用户友好度，a₁₀＝游戏种类；

下载服务的非功能属性为：a₁＝费用，a₃＝延时，a₁₁＝下载速度，a₁₂＝稳定性；

云存储的非功能属性为：a₁＝费用，a₃＝延时(存取)，a₆＝安全性，a₁₂＝稳定性，a₁₃＝容量

天气查询的非功能属性为：a₃＝延时(访问)，a₄＝准确率，a₁₄＝预测天数。

其中每个服务的非功能属性集合A是SA的子集。

这7种服务的90个实例如表1至表7所示，其表中数据为各项非功能属性值，由服务发布方在注册服务时给出，本例下述服务实例的非功能属性值均经过规范化处理，其值为0～1.0。

表1用户调用网上购票服务的10个实例

表2用户调用远程医疗服务的10个实例

表3用户调用视频点播服务的15个实例

表4用户调用云游戏服务的15个实例

表5用户调用下载服务的15个实例

表6用户调用云存储服务的15个实例

表7用户调用天气查询服务的10个实例

用户对服务的评价等级分为5级：R＝{很差，差，一般，好，很好}；

本例取三个用户，用户集合U＝{u₁，u₂，u₃}。

Ⅰ-ii设计用户UQEL表

系统为每个用户维护一个UQEL表，为每个用户调用服务过程生成的关于服务的非功能属性a₁、a₂、a₃、……a_k的多级链表，如图2示。UQEL指向非功能属性a₁、a₂、a₃、……a_k；每个非功能属性指向一个由五个级别：很差、差、一般、好或很好构成的链表。其中每个级别指向由三元组(V，f_v，t)构成的链表，V是用户调用的服务集S中的某些服务中某项非功能属性的特定值，f_v是该用户调用这些服务该项非功能属性值(该V值)在某个评价级别下至时间t出现的总次数，t是服务集S中各项非功能属性中该非功能属性值(V)值最后一次出现的时间。t主要是用来对用户的偏好进行更新，实现系统的动态演化。本例是在相对集中的时间内进行测试，故t忽略不计。

Ⅰ-iii、用户调用服务并给出自己的评价值

各用户在每次使用完某项服务后给出一个整体的用户体验评价，即给出该服务为上述服务评价分级R中的某一级；例如用户U₁、U₂都调用的视频点播服务实例1，用户U₁给出的评价为“差”，而用户U₂给出的评价为“一般”，用户U₃调用的视频点播服务实例9，给出的评价为“很好”。

这样对于用户U₁而言，他对视频点播实例1的评价为差，则U₁对该服务的所有非功能属性值的评价(0.7，0.5，0.4，0.5，0.5)都为差；对于用户U₂而言，他对视频点播实例1的评价为“一般”，则U₂对该服务的所有非功能属性值的评价(0.7，0.5，0.4，0.5，0.5)都为“一般”；对于用户U₃而言，他对视频点播实例9的评价为“很好”，则U₃对该服务的所有非功能属性值的评价(0.7，0.5，0.4，0.5，0.5)都为“很好”；

Ⅰ-iv、完成各用户的UQEL表

用户多次调用偏好学习服务集合中的服务，并给出自己的评价。将用户对服务s_i的评价值映射为该服务相应非功能属性a_i的评价。然后将a_i添加到该用户对应的UQEL中，可能是新添加a_i项，也可能是仅仅将a_i的评价值添加到其相应的评价级别中去。

例如用户U₁调用了远程医疗服务共11次，其中调用A医院提供的服务实例3次、B医院提供的服务实例2次、C医院提供的服务实例医院4次、D医院提供的服务实例2次，假定这个4家医院提供服务的非功能属性“费用”的值都是0.2。U₁对这4个医院提供服务实例的评价级别分别是：非常好，非常好，一般，一般，即“非常好”的评价是3+2＝5次，“一般”的评价是4+2＝6次。对于U₁调用的远程医疗服务中“费用”这个非功能属性在“非常好”级别下的v＝0.2有5次，“一般”级别下v＝0.2有6次。用户U₁还调用了不同的“视频点播”实例5次，其中“非常好”的评价是1次，其非功能属性“费用”的值为v＝0.2；“好”的评价是1次，其非功能属性“费用”的值为v＝0.3；“一般”的评价是3次，其非功能属性“费用”的值为v＝0.6。对于U₁调用的“视频点播”服务中非功能属性“费用”“非常好”级别下的v＝0.2有1次，“好”级别下的v＝0.3有1次，“一般”级别下，v＝0.6有3次。则可得到用户U₁的UQEL表中“费用”指向的评价链表中，“非常好”级别下v＝0.2、fv＝6，“好”级别下v＝0.3、fv＝1，“一般”级别下v＝0.2、fv＝6，v＝0.6、fv＝3。依此类推，综合每个用户调用的服务，得到各非功能属性在每个评价级别下相同非功能属性值出现的总次数，最后得到三个用户自己的UQEL表。本例三个用户的UQEL如表8至表10所示。

表8 U₁的UQEL

表9 U₂的UQEL

表10 U₃的UQEL

Ⅰ-v、计算用户关于非功能属性a_i的偏好值针对每个用户的UQEL表中的每一项a_i，计算其评价级别为“好”“很好”这两个级别中每个具体非功能属性值出现的总次数

即计算这两个级别中每个具体非功能属性值出现的次数总和。选择

最大的非功能属性值为该用户关于此项非功能属性a_i的偏好值。

以U₁的UQEL表为例，其非功能属性“费用”中，在“好”“很好”这两个级别中，值0.1出现的总次数为5，值0.2出现的总次数为12，值0.3出现的总次数为6。因此0.2为用户U₁关于非功能属性“费用”的偏好值

同样的方法，经过学习得到各用户关于每个非功能属性的偏好值。最后得到各个用户非功能属性偏好集UP，如表11至13所示。

表11 用户U₁的UP表

非功能属性	偏好值
		费用	0.2
诊断准确率	0.9
		延时	0.9
安全性	0.8
		视频质量	0.8
抖动	0.9
		用户友好度	0.9
稳定性	0.9
		容量	0.8
游戏种类	0.8
		下载速度	0.8

表12 用户U₂的UP表

非功能属性	偏好值
		费用	0.4
诊断准确率	0.8
		延时	0.6
安全性	0.7
		视频质量	0.8
抖动	0.7
		用户友好度	0.6
游戏种类	0.7
		下载速度	0.8

稳定性	0.7
		容量	0.6

表13 用户U₃的UP表

非功能属性	偏好值
		费用	0.8
诊断准确率	0.6
		延时	0.4
安全性	0.6
		视频质量	0.5
抖动	0.5
		用户友好度	0.6
游戏种类	0.5
		下载速度	0.5
稳定性	0.5
		容量	0.4

Ⅱ、基于权重的动态多属性服务选择

把学习到的各个用户的偏好值应用于服务选择，针对每个用户提供最合适的服务选择。基于权重的动态多属性服务选择的流程图如图3所示。

Ⅱ-i、用户向系统提出功能需求，系统通过服务功能属性的语义匹配计算，得到该功能属性匹配的候选服务集CS；

以用户视频点播服务为例。用户U₁、U₂、U₃提出了视频点播服务，这是用户对服务功能的需求，通过功能匹配得到候选服务集合CS＝{VP1、VP2、VP3、VP4、VP5、VP6、VP7}。

Ⅱ-ii、提取候选服务的非功能属性集合CSA以及提出服务需求的用户的身份信息，然后到该用户的UP集中查找相应的非功能属性偏好值UAP；

本例得到三个用户的对视频点播服务的5个非功能属性偏好值如下：

UAP1(0.2，0.8，0.9，0.9，0.9)，

UAP2(0.4，0.8，0.6，0.7，0.6)，

UAP3(0.8，0.5，0.4，0.5，0.6)。

Ⅱ-iii、根据候选服务集合CS生成相应的候选服务非功能属性决策矩阵M和离散度矩阵D。这7个候选的视频点播服务声明的5个非功能属性值，这里视为t₀时间7个候选的视频点播服务的非功能属性值，如表14所示：

表14 t₀时间视频点播候选服务声明的非功能属性值表

这7个候选服务的非功能属性值构成一个t₀时间的决策矩阵M_7*5如下式，用m_ij表示矩阵M_7*5的元素。

$M_{7*5}=\left[\begin{array}{ccccc}0.154& 0.143& 0.146& 0.136& 0.128\\ 0.103& 0.167& 0.171& 0.182& 0.170\\ 0.077& 0.190& 0.195& 0.159& 0.170\\ 0.051& 0.190& 0.195& 0.205& 0.170\\ 0.179& 0.119& 0.122& 0.091& 0.085\\ 0.205& 0.095& 0.098& 0.114& 0.149\\ 0.231& 0.095& 0.073& 0.114& 0.128\end{array}\right]$

Ⅱ-iv、根据信息熵理论计算这7个视频点播候选服务中对应的5个非功能属性的权重信息W＝(w₁，w₂，…，w₅)；

首先，利用

计算M_7*5中每个非功能属性值相对于该非功能属性列的离散度，得到离散度矩阵D_7*5，如下式，用d_ij表示矩阵D_7*5的元素：

$D_{7*5}=\left[\begin{array}{ccccc}0.6& 0.6& 0.6& 0.6& 0.6\\ 0.4& 0.7& 0.7& 0.8& 0.8\\ 0.3& 0.8& 0.8& 0.7& 0.8\\ 0.2& 0.8& 0.8& 0.9& 0.8\\ 0.7& 0.5& 0.5& 0.4& 0.4\\ 0.8& 0.4& 0.4& 0.5& 0.7\\ 0.9& 0.4& 0.3& 0.5& 0.6\end{array}\right]$

然后，根据

来计算视频点播服务中非功能属性的熵，其中k＝1/ln m，如果d_ij＝0，则d_ij ln d_ij＝0。从而得到这些非功能属性的熵向量为E＝(0.947、0.981、0.974、0.982、0.982)。

最后得到的非功能属性熵值计算属性的权重，计算式为：

$w_j=\frac{1-E_j}{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}(1-E_l)}(j\∈n)$

上式中w_j表示视频点播服务中非功能属性j的权重，E_j是上面得到的熵值。从而得到视频点播服务中非功能属性权重向量W＝(0.4167、0.1469、0.2028、0.1412、0.0924)。

Ⅱ-v、从服务注册中心中查找候选的7个视频点播服务的历史记录信息，选取两个历史观测时间t₁和t₂相应地生成历史记录信息决策矩阵，与候选服务方声明的非功能属性值矩阵M组合成一个包含动态决策信息的矩阵序列；

从服务注册中心获取这7个候选视频点播服务在t₁、t₂时间实际监测得到的非功能属性值如表15、16所示。

表15 t₁时间实际监测7个视频点播服务的非功能属性值

表16 t₂时间实际监测7个视频点播服务的非功能属性值

Ⅱ-vi、计算3个用户的服务功能需求与候选服务方的非功能属性决策矩阵序列中每个候选服务的非功能属性向量夹角余弦值：

$\cos {\mathrm{\θ}}_i^t=\frac{{\mathrm{ns}}_i^t\·R_{\mathrm{qos}}}{\left|{\mathrm{ns}}_i^t\right|\×\left|R_{\mathrm{qos}}\right|}$

分别如表17，18，19示。

表17 7个视频点播服务非功能属性值与用户U₁需求在3个时间的夹角余弦值

表18 7个视频点播服务非功能属性值与用户U₂需求在3个时间的夹角余弦值

表19 7个视频点播服务非功能属性值与用户U₃需求在3个时间的夹角余弦值

Ⅱ-vii、计算每个观测时间t相对应的权重值tw_h

$\left\{\begin{array}{c}{\mathrm{tw}}_h=\mathrm{\λ}{e}^{-\mathrm{\ηt}}\\ \underset{h=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_h=1\end{array}\right.$

候选的各视频点播服务t₀时间声明的非功能属性值和候选的各视频点播服务在t₁、t₂时间非功能属性值实际监测值构成一个决策矩阵序列，为计算这三个时间的非功能属性值对服务选择的影响大小，即权重，本例取η＝1，从而λ＝0.665。解此方程组得到相应的权重为(w₀、w₁、w₂)＝(0.665、0.251、0.095)；

Ⅱ-viii、由决策矩阵序列在各个观测时间的权重值以及在每个观测时间候选服务与用户需求之间的夹角余弦，计算得到各个候选服务与3个用户服务需求之间的加权余弦和：

${\mathrm{ws}}_i=\underset{t=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_i\cos {\mathrm{\θ}}_i^t(i=\mathrm{0,2},...,r-1)$

U₁：U1{VP1、VP2、VP3、VP4、VP5、VP6、VP7}

＝{0.951、0.998、1.002、1.009、0.860、0.838、0.781}

U₂：U2{VP1、VP2、VP3、VP4、VP5、VP6、VP7}

＝{0.988、0.996、0.995、0.990、0.935、0.899、0.864}

U₃：U3{VP1、VP2、VP3、VP4、VP5、VP6、VP7}

＝{0.978、0.920、0.888、0.854、0.994、1.004、1.000}

Ⅱ-ix、选择加权和最大的那个候选服务作为最合适的服务提供给用户。

因此对用户U₁、U₂、U₃来说，最合适的服务分别是：VP4、VP3、VP6。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (3)

1.基于后向学习的动态多属性服务选择方法，其特征在于：

分为两个主要步骤，第一步为基于后向学习的用户偏好学习，第二步为基于权重的动态多属性服务选择；具体如下：

Ⅰ、基于后向学习的用户偏好学习

在某环绕智能环境下通过对一个候选服务集中服务的调用和评估来学习用户的偏好习惯；

Ⅰ-i、在服务注册中心注册多个候选服务作为学习集合

构建用户偏好学习测试服务集S＝{s₁，s₂，s₃，…，s_m}，每个服务都有若干非功能属性，上述服务集合S包含的所有非功能属性集合为SA＝{a₁，a₂，a₃，…，a_N}；其中每个服务的非功能属性集合A是SA的子集；服务的非功能属性由服务发布方在将服务注册到服务注册中心时给出；当服务被调用后各非功能属性的实际运行值由部署在系统中的监测设备监测得到；

同时选择若干用户构成用户集合U＝{u₁，u₂，u₃，…，u_p}；用户对服务的评价分为5个等级，记为R＝{很差，差，一般，好，很好}；

Ⅰ-ii构建用户非功能属性评价链表UQEL

每个用户拥有自己的UQEL；UQEL表为某一用户调用服务过程生成的关于服务的非功能属性a₁、a₂、a₃、……a_k的多级链表，每个非功能属性指向一个由五个级别：很差、差、一般、好或很好构成的链表，其中每个级别指向由三元组(V，f_v，t)构成的链表；V是用户调用的服务集S中某些服务的某项非功能属性的特定值，f_v是该用户调用这些服务时，该项非功能属性的此值在某个评价级别下至时间t出现的总次数，t是服务集S中各项非功能属性中该非功能属性值最后一次出现的时间；

Ⅰ-iii、用户调用服务并给出自己的评价值

用户多次随机调用服务学习集合中的服务，用户在每次使用完服务后给出一个整体的用户体验评价，即给出该服务为上述服务评价分级R中的某一级：用户集合U中的某一用户u_i∈U，每次使用服务s_i(s_i∈S)后给出一个评价值r_i(r_i∈R)，对于服务s_i而言，其包含的非功能属性集合为A，本方法假定，如果用户对服务s_i的评价为r_i，则对于该服务的任意一个非功能属性a_i(a_i∈A)，其相应的评价值也为r_i；

Ⅰ-iv、完成用户非功能属性评价链表UQEL

将用户对服务s_i的评价值映射为该服务相应非功能属性a_i的评价并添加到该用户对应的UQEL中；

Ⅰ-v、计算用户关于非功能属性a_i的偏好值

针对某个用户UQEL表中的某一项a_i，计算其评价级别为“好”“很好”这两个级别中每个具体非功能属性值的总次数

该总次数为某一个特定非功能属性值出现的次数总和；选择

最大的值为该用户关于非功能属性a_i的偏好值，经过学习得到该用户关于每个非功能属性的偏好值；最后得到该用户非功能属性偏好集UP，同样方法得到每个用户的非功能属性偏好集UP；

Ⅱ、基于权重的动态多属性服务选择

Ⅱ-i、某个用户向系统提出服务功能需求，系统通过服务功能属性的语义匹配计算，得到与该功能属性匹配的候选服务集CS；

Ⅱ-ii、提取候选服务的非功能属性集合CSA以及该用户身份信息，然后到该用户的UP集中查找相应的非功能属性偏好值UAP；

Ⅱ-iii、根据候选服务集合CS生成相应的候选服务非功能属性决策矩阵M，其中每个候选服务的非功能属性值组成一个属性值向量；

Ⅱ-iv、根据信息熵理论计算候选服务对应的各个非功能属性的权重信息W＝(w₁，w₂，…，w_n)；

Ⅱ-v、从服务注册中心中查找候选服务的历史记录信息，相应的生成历史记录信息决策矩阵，与候选服务非功能属性决策矩阵M，或者与M_t0组合成一个包含动态决策信息的矩阵序列M_t0、M_t1…M_tk；

Ⅱ-vi、计算UAP与决策矩阵序列中每个矩阵中属性向量的加权向量夹角余弦值

$\cos {\mathrm{\θ}}_i^t=\frac{{\mathrm{ns}}_i^t\·R_{\mathrm{qos}}}{\left|{\mathrm{ns}}_i^t\right|\×\left|R_{\mathrm{qos}}\right|}$

式中t表示时间，i表示在t时间矩阵中的第i个服务，

表示t时间矩阵中相应服务的非功能属性向量值，R_qos表示用户偏好向量值；

Ⅱ-vii、计算每个观测时间t相对应的权重tw_h，共有r个观测时间，其中h表示其中的某个观测时间，η表示历史信息参考价值衰减速度，λ表示观测点权重系数；

$\left\{\begin{array}{c}{\mathrm{tw}}_h=\mathrm{\λ}{e}^{-\mathrm{\ηt}}\\ \underset{h=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_h=1\end{array}\right.$

Ⅱ-viii、聚合每个服务在各个历史观测点

的加权和

由决策矩阵序列在各个观测时间的权重值以及在每个观测时间候选服务与用户需求之间的夹角余弦，计算得到各个候选服务与3个用户服务需求之间的加权余弦和：

${\mathrm{ws}}_i=\underset{t=0}{\overset{r-1}{\mathrm{\Σ}}}{\mathrm{tw}}_i\cos {\mathrm{\θ}}_i^t(i=\mathrm{0,2},...,r-1)$

Ⅱ-ix、选择加权和最大的那个服务作为最合适的服务返回给用户。

2.根据权利要求1所述的基于后向学习的动态多属性服务选择方法，其特征在于：

所述步骤Ⅰ-i中的非功能属性值经过[0，1]规范化处理，所有非功能属性值都规范化到0～1.0区间内。

3.根据权利要求1或2所述的基于后向学习的动态多属性服务选择方法，其特征在于：

所述步骤Ⅱ-iii中候选服务声明的非功能属性值视为t₀时间候选服务的非功能属性值，生成候选服务非功能属性决策矩阵M_t0。

Images