CN102231757B - 一种在线的服务组合推荐系统及其推荐方法 - Google Patents
一种在线的服务组合推荐系统及其推荐方法 Download PDFInfo
- Publication number
- CN102231757B CN102231757B CN 201110177632 CN201110177632A CN102231757B CN 102231757 B CN102231757 B CN 102231757B CN 201110177632 CN201110177632 CN 201110177632 CN 201110177632 A CN201110177632 A CN 201110177632A CN 102231757 B CN102231757 B CN 102231757B
- Authority
- CN
- China
- Prior art keywords
- service
- services composition
- value
- node
- services
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000000203 mixture Substances 0.000 claims abstract description 160
- 239000012634 fragment Substances 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种在线的服务组合推荐系统以及推荐方法,包括使用次数计数器、服务查找树构造器、服务组合推荐器,使用次数计数器用于从服务组合使用日志库中获取服务组合的使用记录,并统计各个服务组合的使用次数;服务查找树构造器用于从使用次数计数器获取服务组合的使用次数以及从服务注册中心获取对应服务组合的QoS值,通过服务组合的使用次数和对应的服务组合QoS值,计算服务组合的P(S)值,并构造服务组合的服务查找树T;服务组合推荐器根据获取所述服务组合的服务查找树及已组合而未完成的服务组合前缀片段q,运用A-star启发式搜索,得出服务组合方案,从而为用户推荐可以替代已组合服务的更好的服务。
Description
技术领域
本发明属于Web服务领域,主要利用了贝叶斯原理与A-star启发式搜索方法,实现了一种针对服务组合的在线推荐机制。
背景技术
在最近的十年里,面向服务的思想通过不断的发展,已经被大多数人所接受,而由面向服务的思想发展而来的新型分布式计算模型SOA(Oriented Architecture,面向服务的体系架构),已经在电子商务、系统集成等领域起到了越来越重要的作用。在工业界,Microsoft、IBM、BEA、Oracle等软件商都发布了各自的SOA战略,并建议用户在建设企业IT系统时应该优先考虑SOA;在学术界,研究人员组织了众多的服务计算技术会议,并把焦点集中在SOA的研究上。根据美国著名的IT市场研究与顾问咨询公司Gartner Group的预测,SOA将成为新的占绝对优势的软件工程实践方法,并将结束传统的整体软件体系架构长达40年的统治地位。在SOA中,服务是功能组件的基本单元,而通过发现和组合已有的服务,可以满足用户的各种新需求。Web服务是由服务提供商发布在互联网上的功能体,通过调用Web服务可以实现一定的功能,而通过组合多个Web服务,就能实现更多的功能,然而,随着SOA的迅速普及,互联网上的Web服务数量在以非常快的速度增加,这导致了用户通过人工的方式发现和组合现有的服务来实现预期的功能变得越来越困难。因此,通过自动的方式主动的向用户推荐实现预期功能的服务组合,已经成为了学术界和工业界关注的问题。目前对于服务组合推荐的研究,都是基于服务功能和质量等显式属性进行的,但是服务的显式属性并不能完全反映用户的需求,对于用户偏好等隐式属性则无法体现;另外,过去的研究往往都是离线完成的,所以不能在用户组合服务的过程中及时的为用户推荐服务组合。因此,一种能充分体现用户需求,既能考虑服务的显式属性,又能兼顾服务的隐式属性,同时又可以及时根据用户的选择做出调整的在线服务组合推荐机制,已成为目前学术界与工业界的急切需要解决的问题。
发明内容
本发明针对上述的技术缺陷,提出一种在线的服务组合推荐系统以及推荐方法。
为了解决上述技术问题,本发明的技术方案如下:
一种在线的服务组合推荐系统,包括使用次数计数器、服务查找树构造器、服务组合推荐器,所述使用次数计数器用于从服务组合使用日志库中获取服务组合的使用记录,并统计各个服务组合的使用次数;所述服务查找树构造器用于从所述使用次数计数器获取服务组合的使用次数以及从服务注册中心获取对应服务组合的QoS值,通过所述服务组合的使用次数和所述对应的服务组合QoS值,计算服务组合的P(S)值,并构造服务组合的服务查找树T;所述服务组合推荐器根据获取所述服务组合的服务查找树及已组合而未完成的服务组合前缀片段q,运用A-star启发式搜索,得出服务组合方案;
所述P(S)值为服务组合的QoS值和对应服务组合使用次数的线性组合αQoS(S)×βU(S),α+β=1。
作为可选方案,所述服务查找树T中树上每个节点包含一个服务以及一个f值,所述节点如果为叶子节点,则所述f值表示服务组合的P(S)值,所述节点如果为非叶子节点,则所述f值取其儿子节点中最大的f值;所述服务组合为从根节点到一个叶子节点路径上的服务集合。
一种在线的服务组合推荐方法,包括如下步骤:
1) 从服务组合使用日志库中获取服务组合的使用记录,并统计各个服务组合的使用次数;
2) 根据所述服务组合的使用次数以及从服务注册中心获取得到的对应服务组合的QoS值,计算服务组合的P(S)值,并构造服务组合的服务查找树T;
3)根据已组合而未完成的服务组合前缀片段q,对所述服务查找树T运用A-star启发式搜索,得出服务组合方案;
所述P(S)值为服务组合的QoS值和对应服务组合使用次数的线性组合αQoS(S)×βU(S),α+β=1。
作为可选方案,上述推荐方法中所述服务查找树中树上每个节点包含一个服务以及一个f值,所述节点如果为叶子节点,则所述f值表示服务组合的P(S)值,所述节点如果为非叶子节点,则所述f值取其儿子节点中最大的f值;所述服务组合为从根节点到一个叶子节点路径上的服务集合。
作为可选方案,上述推荐方法中所述步骤2)中构造服务组合的服务查找树的步骤包括:
31)获取所有已使用的服务组合的集合R;
32)初始化只有根节点的服务查找树T,并在根节点中存储占位符的假服务“^”及设置f值为1;
33)循环遍历所述服务组合的集合R中的服务组合S,计算服务组合的P(S)值;
34)从所述根节点开始将所述服务组合S按先后顺序作为父子关系添加到所述树T中,如果所述服务组合S中某个服务与其兄弟节点存储的服务相同,则合并此节点;
35)在最后一个服务下面添加儿子节点,并在此节点中存储占位符的假服务“$”;
36)在上述新增的节点中存储f值;
37)判断服务组合的集合R是否还有未处理的服务组合,如有则返回步骤33),如没有则输出服务查找树T。
作为可选方案,上述推荐方法中对所述服务查找树T运用A-star启发式搜索,包括如下步骤:
61)获取已组合而未完成的服务组合前缀片段q,和所述服务查找树T;
62)初始化以x值大为优先的优先队列Q,并加入元素x=1, i=1, n=T的根节点;
63)所述优先队列Q中取出队列头元素c,并对于节点c.n的每个儿子节点n’,将元素x=c.x×Sim(WSq,c.i,c.n.WS)×n’.f/c.n.f), i=c.i+1, n=n’的节点加入所述优先队列Q;如果c.i等于所述服务组合前缀片段q的长度,则从节点c.n开始,找一条节点上的f值最大的路径S’,并将S’加入集合SS中;如果所述优先队列Q不为空且集合SS的元素个数小于阀值,则循环步骤63),否则跳出循环;所述Sim(WSq,c.i,c.n.WS),表示服务WSq,c.i和服务c.n.WS之间的相似度,取值范围为0到1之间;所述WSq,c.i表示q中第c.i个服务;
64)从所述集合SS中找出使Sim(WSq,1,WSS,1)×…×Sim(WSq,|q|,WSS,|q|)×P(S)的值最大的服务组合S;输出所述服务组合S。
本发明的有益效果在于:
1)以服务的QoS结合服务的使用次数作为服务好坏的评价标准,从而避免了QoS的不可共度性和矛盾性带来的问题;
2)为用户推荐可以替代已组合服务的更好的服务,并且能将未组合完成的服务组合扩展为功能完整的服务组合;
3)快速的为用户推荐服务组合,并且可以通过记录搜索状态,实现当用户修改服务组合时,即时的更新推荐的服务组合。
附图说明
图1为整体结构图;
图2为服务查找树构造器内部流程图;
图3为服务组合推荐器内部流程图;
图4为服务查找树示意图。
具体实施方式
下面将结合附图和具体实施例对本发明做进一步说明。
在整个系统中,将Web服务表示为以下形式:
Web服务:WS=(N, CI, I, F, O, CO, QoS),其中N为Web服务的名称,CI为服务执行的前置条件(也称为先决条件)的列表,I为服务的输入参数列表,F为服务的功能,O为服务的输出参数列表,CO为服务执行的后置条件列表,QoS为服务的QoS质量。
只考虑服务间只存在顺序关系的服务组合,并将其表示为以下形式:
作为推荐的主要依据的服务间相似度以及服务组合的QoS和使用次数表示为以下形式:
服务间相似度:Sim(WSi, WSj),表示服务WSi和服务WSj之间的相似度,取值范围为[0,1]。
服务组合的QoS:QoS(S)=∏iQoS(WSs,i),其中QoS(WSs,i)为S中第i个服务的QoS质量。
服务组合使用次数:U(S)=∑iUi(S),其中Ui(S)为用户i使用服务组合S的次数。
设用户已组合的未完成的服务组合前缀片段为q,本推荐系统的目标是在所有使用过的历史服务组合中找到服务组合S,使概率P(S|S 0 )最大,其中S 0 是以q为前缀的一个服务组合。
根据贝叶斯定理,概率P(S|S 0 )可表示为:
因为P(S0)为常数(原服务组合的概率不变),所以:
假设事件是独立的,那么:
其中P(WS0,i|WSi)为q中第i个服务和S中第i个服务的相似度Sim(WSq,i|WSs,i),P(S)为S的QoS质量和使用次数的线性组合αQoS(S)×βU(S),α+β=1。
因此,上述问题可以转化为,在使用过的服务组合中,求这样的一个服务组合S,它使乘积
最大。由于直接计算上述乘积是一个耗时的工作,因此可以先根据所有使用过的服务组合,以及他们的P(S)值构建服务查找树,然后利用A-star启发式函数,以上述乘积作为启发式函数,在服务查找树中查找使上述乘积最大的服务组合S。
本发明主要利用了上述贝叶斯原理以及A-star启发式搜索方法,在用户已组合的服务组合片段(目标服务组合的一个前缀)q的基础上,计算使概率P(S|S 0 )最大的一个服务组合S,其中S 0 为以q为前缀的一个服务组合,最后将S推荐给用户。根据贝叶斯原理,P(S|S 0 )=P(S 0 |S)P(S)=P(WS 0,1 |WS 1 )…P(WS 0,|q| |WS |q| )P(S),其中P(WS 0,i |WS i )为服务间的相似度,P(S)为S的QoS与S的使用次数的一个线性组合。
整个推荐系统主要由三个模块组成:使用次数计数器、服务查找树构造器、服务组合推荐器。使用次数计数器从服务组合使用日志库中获取服务组合的使用记录,从而统计出各个历史服务组合的使用次数;服务查找树构造器从使用次数计数器获取服务组合的使用次数,从服务注册中心获取服务组合的QoS值,并根据上述规则构造服务组合的服务查找树;服务组合推荐器从服务查找树构造器获得服务组合的服务查找树,并运用A-star启发式搜索,最终计算出推荐的服务组合方案。
如图1所示,系统的总体流程为先离线的通过使用次数计数器计算服务组合的使用次数,再通过服务查找树构造器构造服务查找树,最后在线的由服务组合推荐器为用户已组合的服务组合前缀推荐更好的服务组合。首先,使用次数计数器从服务组合使用日志获取服务组合使用记录,并统计每个服务组合的使用次数;然后,服务查找树构造器从使用次数计数器得到服务组合使用次数,从服务注册中心获得服务的QoS质量,从而计算每个服务组合的P(S)值,并构造服务查找树;最后,当需要根据用户提供的服务组合前缀计算推荐的服务组合时,服务组合推荐器从服务查找树构造器得到服务查找树,从服务注册中心获得服务相似度,并通过A-star启发式搜索,在服务查找树上查找推荐的服务组合S,并推荐给用户。
服务查找树构造器中的主要流程如图2所示,服务查找树构造器的输入为所有使用过的服务组合的集合R。首先将服务查找树T初始化为只有根节点的树,根节点存储了作为占位符的假服务“^”,以及f值1;然后循环遍历R中的每个服务组合S,根据S的QoS值和使用次数计算P(S);再从根节点开始,将S中的每个服务以前后顺序作为父子关系,一个接一个的添加到T中,如果某个服务与其兄弟节点存储的服务相同,则合并两个节点,另外,在最后一个服务下添加存储了作为占位符的假服务“$”的儿子节点;然后为刚刚添加的节点更新他们存储的f值:叶子节点为P(S),非叶子节点为它们儿子节点中f值的最大值;如果R中还是未处理的服务组合,则继续循环,否则跳出循环;最后输出服务查找树T。最终构造出来的服务查找树的一个例子如图4所示。
服务组合推荐器中的主要流程如图3所示,服务组合推荐器的输入为用户提供的服务组合前缀q,以及由服务查找树构造器构造的服务查找树T。首先,初始化以x值大为优先的优先队列Q,并加入一个包含3个参数的元素(x=1、i=1、n=T的根节点);然后反复的从Q中取出队列头得元素c,并对于节点c.n的每个儿子节点n’,将元素(x=c.x×Sim(WSq,c.i,c.n.WS)×n’.f/c.n.f), i=c.i+1, n=n’)加入队列Q;其中c.x表示元素c中x的值,同理,c.n.f表示节点c.n中f的值,n’.f表示儿子节点n’f的值,c.i表示元素c中i的值,c.n.WS表示节点c.n中WS服务;如果c.i等于q的长度,则从节点c.n开始,找一条节点上的f值最大的路径S’,并将S’加入集合SS中;如果队列Q不为空且集合SS的元素个数小于阀值,则继续循环,否则跳出循环;然后从集合SS中找出使Sim(WSq,1,WSS,1)×…×Sim(WSq,|q|,WSS,|q|)×P(S)的值最大的服务组合S;最后输出推荐的服务组合S。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围内。
Claims (5)
1.一种在线的服务组合推荐系统,其特征在于,应用于web服务,包括使用次数计数器、服务查找树构造器、服务组合推荐器,所述使用次数计数器用于从服务组合使用日志库中获取服务组合的使用记录,并统计各个服务组合的使用次数;所述服务查找树构造器用于从所述使用次数计数器获取服务组合的使用次数以及从服务注册中心获取对应服务组合的QoS值,通过所述服务组合的使用次数和所述对应的服务组合QoS值,计算服务组合的P(S)值,并构造服务组合的服务查找树T;所述服务组合推荐器根据获取所述服务组合的服务查找树及已组合而未完成的服务组合前缀片段q,运用A-star启发式搜索,得出服务组合方案;
所述P(S)值为服务组合的QoS值和对应服务组合使用次数的线性组合αQoS(S)×βU(S),α+β=1;
所述构造服务组合的服务查找树T的包括:
11)获取所有已使用的服务组合的集合R;
12)初始化只有根节点的服务查找树T,并在根节点中存储占位符的假服务“^”及设置f值为1;
13)循环遍历所述服务组合的集合R中的服务组合S,计算服务组合的P(S)值;
14)从所述根节点开始将所述服务组合S按先后顺序作为父子关系添加到所述树T中,如果所述服务组合S中某个服务与其兄弟节点存储的服务相同,则合并此节点;
15)在最后一个服务下面添加儿子节点,并在此节点中存储占位符的假服务“$”;
16)在上述新增的节点中存储f值;
17)判断服务组合的集合R是否还有未处理的服务组合,如有则返回步骤13),如没有则输出服务查找树T。
2.根据权利要求1所述一种在线的服务组合推荐系统,其特征在于,所述服务查找树T中树上每个节点包含一个服务以及一个f值,所述节点如果为叶子节点,则所述f值表示服务组合的P(S)值,所述节点如果为非叶子节点,则所述f值取其儿子节点中最大的f值;所述服务组合为从根节点到一个叶子节点路径上的服务集合。
3.一种在线的服务组合推荐方法,其特征在于,包括如下步骤:
1)从服务组合使用日志库中获取服务组合的使用记录,并统计各个服务组合的使用次数;
2)根据所述服务组合的使用次数以及从服务注册中心获取得到的对应服务组合的QoS值,计算服务组合的P(S)值,并构造服务组合的服务查找树T;
3)根据已组合而未完成的服务组合前缀片段q,对所述服务查找树T运用A-star启发式搜索,得出服务组合方案;所述P(S)值为服务组合的QoS值和对应服务组合使用次数的线性组合αQoS(S)×βU(S),α+β=1;
所述步骤2)中构造服务组合的服务查找树的步骤包括:
31)获取所有已使用的服务组合的集合R;
32)初始化只有根节点的服务查找树T,并在根节点中存储占位符的假服务“^”及设置f值为1;
33)循环遍历所述服务组合的集合R中的服务组合S,计算服务组合的P(S)值;
34)从所述根节点开始将所述服务组合S按先后顺序作为父子关系添加到所述树T中,如果所述服务组合S中某个服务与其兄弟节点存储的服务相同,则合并此节点;
35)在最后一个服务下面添加儿子节点,并在此节点中存储占位符的假服务“$”;
36)在上述新增的节点中存储f值;
37)判断服务组合的集合R是否还有未处理的服务组合,如有则返回步骤33),如没有则输出服务查找树T。
4.根据权利要求3所述的一种在线的服务组合推荐方法,其特征在于,所述服务查找树中树上每个节点包含一个服务以及一个f值,所述节点如果为叶子节点,则所述f值表示服务组合的P(S)值,所述节点如果为非叶子节点,则所述f值取其儿子节点中最大的f值;所述服务组合为从根节点到一个叶子节点路径上的服务集合。
5.根据权利要求4所述的一种在线的服务组合推荐方法,其特征在于,所述步骤3)中对所述服务查找树T运用A-star启发式搜索,包括如下步骤:
61)获取已组合而未完成的服务组合前缀片段q,和所述服务查找树T;
62)初始化以x值大为优先的优先队列Q,并加入元素x=1, i=1, n=T的根节点;
63)所述优先队列Q中取出队列头元素c,并对于节点c.n的每个儿子节点n’,将元素x=c.x×Sim(WSq,c.i,c.n.WS)×n’.f/c.n.f, i=c.i+1, n=n’的节点加入所述优先队列Q;如果c.i等于所述服务组合前缀片段q的长度,则从节点c.n开始,找一条节点上的f值最大的路径S’,并将S’加入集合SS中;如果所述优先队列Q不为空且集合SS的元素个数小于阈值,则循环步骤63),否则跳出循环;所述Sim(WSq,c.i,c.n.WS),表示服务WSq,c.i和服务c.n.WS之间的相似度,取值范围为0到1之间;所述WSq,c.i表示q中第c.i个服务;
64)从所述集合SS中找出使Sim(WSq,1,WSS,1)×…×Sim(WSq,|q|,WSS,|q|)×P(S)的值最大的服务组合S;输出所述服务组合S;
c.x表示元素c中x的值,c.n.f表示节点c.n中f的值,n’.f表示儿子节点n’中f的值,c.i表示元素c中i的值,c.n.WS表示节点c.n中WS服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110177632 CN102231757B (zh) | 2011-06-29 | 2011-06-29 | 一种在线的服务组合推荐系统及其推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110177632 CN102231757B (zh) | 2011-06-29 | 2011-06-29 | 一种在线的服务组合推荐系统及其推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102231757A CN102231757A (zh) | 2011-11-02 |
CN102231757B true CN102231757B (zh) | 2013-11-06 |
Family
ID=44844289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110177632 Expired - Fee Related CN102231757B (zh) | 2011-06-29 | 2011-06-29 | 一种在线的服务组合推荐系统及其推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102231757B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521283B (zh) * | 2011-11-28 | 2014-11-12 | 浙江大学 | 一种基于贝叶斯原理的服务组合推荐方法及系统 |
CN103473244A (zh) * | 2012-06-08 | 2013-12-25 | 富士通株式会社 | 用于推荐应用组合中使用的应用的设备和方法 |
CN103823875B (zh) * | 2014-02-28 | 2017-06-27 | 浙江大学 | 服务组合的检索方法 |
CN104780061B (zh) * | 2015-03-10 | 2018-05-29 | 浙江大学 | 一种基于日志的通讯开销预测方法 |
CN105528659A (zh) * | 2016-01-27 | 2016-04-27 | 浙江大学 | 一种基于序列模式结合时间上下文的移动终端app使用预测方法 |
CN106126578B (zh) * | 2016-06-17 | 2019-07-19 | 清华大学 | 一种Web服务推荐方法以及装置 |
CN106534984B (zh) * | 2016-12-23 | 2020-07-14 | 深圳Tcl数字技术有限公司 | 电视节目推送方法及装置 |
CN108629010B (zh) * | 2018-05-07 | 2022-03-18 | 南京大学 | 一种基于主题和服务组合信息的web服务推荐方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216825A (zh) * | 2007-12-29 | 2008-07-09 | 朱廷劭 | 标引关键词提取/预测方法、在线广告推荐方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1313038A3 (en) * | 1994-09-01 | 2005-09-07 | Computer Associates Think, Inc. | X.500 System and methods using metadata |
-
2011
- 2011-06-29 CN CN 201110177632 patent/CN102231757B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216825A (zh) * | 2007-12-29 | 2008-07-09 | 朱廷劭 | 标引关键词提取/预测方法、在线广告推荐方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102231757A (zh) | 2011-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102231757B (zh) | 一种在线的服务组合推荐系统及其推荐方法 | |
Liu et al. | Keywords‐Driven and Popularity‐Aware Paper Recommendation Based on Undirected Paper Citation Graph | |
Ashlagi et al. | Kidney exchange in dynamic sparse heterogenous pools | |
Mulder et al. | Economic growth and technological change: A comparison of insights from a neo-classical and an evolutionary perspective | |
Leme et al. | Pure and Bayes-Nash price of anarchy for generalized second price auction | |
Xu et al. | S-ABC: A paradigm of service domain-oriented artificial bee colony algorithms for service selection and composition | |
Mamageishvili et al. | Tree nash equilibria in the network creation game | |
CN102521283B (zh) | 一种基于贝叶斯原理的服务组合推荐方法及系统 | |
WO2021197001A1 (zh) | 一种融合社交关系与自私偏好顺序的群组划分方法 | |
CN104796467B (zh) | 一种计算具有QoS关联关系的QoS最优组合服务限定范围的方法 | |
Lang et al. | Competitive targeted marketing in social networks with switching topology: Seed selection and consensus shaping | |
Wang et al. | Rlschert: An hpc job scheduler using deep reinforcement learning and remaining time prediction | |
CN116166875A (zh) | 基于元路径增强的异质图神经网络的双向跨域推荐方法 | |
Feng et al. | Two-stage stochastic matching and pricing with applications to ride hailing | |
He et al. | Weaving scheduling based on an improved ant colony algorithm | |
Zhao et al. | Identifying high influential users in social media by analyzing users’ behaviors | |
Xing et al. | Model for evaluating the virtual enterprise’s risk with 2-tuple linguistic information | |
Zhuang et al. | Internet resources and organizational knowledge creation: Role of environmental dynamism | |
Song et al. | CTROF: a collaborative tweet ranking framework for online personalized recommendation | |
Zhai et al. | An improved deep reinforcement learning method for dispatch optimization strategy of modern power systems | |
CN110135747B (zh) | 基于神经网络的流程定制方法 | |
Wang et al. | A Three‐Stage Saving‐Based Heuristic for Vehicle Routing Problem with Time Windows and Stochastic Travel Times | |
Feng et al. | Reserve price optimization for first price auctions | |
Kuang et al. | Agent-based energy sharing mechanism using deep deterministic policy gradient algorithm | |
Dong et al. | The Backhaul Profit Maximization Problem: Optimization Models and Solution Procedures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131106 |