CN102523286A - 服务信誉度获取方法及装置 - Google Patents

Abstract

本发明公开一种服务信誉度获取方法及装置。该方法包括：获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤；获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度。本发明技术方案可有效对服务的评价数据进行过滤，使得查询用户获得的服务信誉度具有更高的准确性，可满足查询用户的真实需要。

Description

服务信誉度获取方法及装置

技术领域

本发明涉及网络服务技术，尤其涉及一种服务信誉度获取方法及装置。

背景技术

随着互联网(Internet)技术的快速发展，面向服务的体系结构(ServiceOriented Architecture，简称SOA)作为一种新型的网络化软件应用范式，已经被工业界和学术界广泛接受，特别是网络(Web)服务技术作为SOA的最佳实践，极大地推动了SOA在电子商务、金融、电信等领域的应用。其中，基于web服务组合的网络化软件系统处于一个开放、动态的环境中，web服务资源缺乏可信、专业的第三方认证机构对其质量属性进行评估，并且web服务实体通常属于不同的自治域，web服务的执行过程对于web服务请求者既不可见又不可控，这些因素都使得服务软件的可信性有很大的不确定性。

可信性是计算机领域中，用户对软件本身的信任，是用户在使用软件过程中形成的一种主观感受，若一个软件系统的行为总是与用户预期相一致，则说明该软件系统，也即web服务是可信的(Trustworthy)。目前，国内外研究人员对于Web服务的可信性评估展开了广泛研究，主要包括：基于测试的可信性评估和基于信誉度的可信性评估。

基于测试的可信性评估，是将传统软件的测试与验证技术应用到Web服务领域中，通过设计测试框架、运行测试用例、分析测试结果来度量Web服务的可信性。但该方法存在以下局限性：一是很多领域相关的服务质量属性不能由自动测试工具获取，如语言翻译服务的易用性、翻译准确性等；二是通过服务调用来测试服务比较耗费网络资源和计算资源。

基于信誉度的可信性评估，是通过收集用户针对服务的评价数据，计算出服务的信誉度，以来表征Web服务的可信性。用户评价是服务使用者对于服务行为是否符合其预期的一种评分，评价反映了用户的主观感受，而这正符合软件可信性的定义。因此，通过收集、聚合用户评价，计算得出的信誉度可以用来表征Web服务的可信性。该方法克服了基于测试的可信性评估方法的缺点，而如何评估Web服务的信誉度，则是评价web服务的可信性的关键。

目前，基于信誉度的可信性评估中，通常是根据用户提交的一维的评价数据来获得web服务的信誉度。具体地，在进行web服务可信性评估时，web服务信誉度是基于web服务的所有评价，通过加权平均计算的方式得到，web服务使用者需要使用web服务时，就可以根据计算得到的web服务信誉度，确定该web服务的可信性，以确定是否使用该web服务。

现有web服务信誉度获取方法，是将各用户针对web服务的所有评价通过加权平均计算得到，针对不同的用户，web服务的信誉度是相同的，由于不同用户的关注点并不相同，对于不同使用环境下的用户而言，基于现有方法获取的web服务信誉度并不准确，无法满足web使用者的真实需要。

发明内容

本发明提供一种服务信誉度获取方法及装置，可有效克服现有技术存在的问题，提高web服务信誉度的准确性，满足用户的真实需要。

本发明提供一种服务信誉度获取方法，包括：

获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；

将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，从而对所述服务的评价数据进行过滤；

获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度；

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

上述的服务信誉度获取方法中，所述将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤包括：

获取所述服务的上下文信息关系表，其中，所述上下文信息关系表包括不相似的上下文信息的对应关系；

根据所述上下文信息关系表中，与所述查询用户的上下文信息不相似的上下文信息；

将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对所述服务的评价数据的过滤。

上述的服务信任度获取方法中，所述服务具有多个质量属性，所述服务的评价数据包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价；

所述将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤包括：

将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

所述获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度包括：

获取过滤后的所述服务的评价数据中，各质量属性的评价；

针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

将各质量属性的评价的加权平均值组成加权平均值集合，将所述加权平均值集合作为所述服务的信誉度。

上述的服务信誉度获取方法还可包括：

获取所述服务的评价数据中各评价用户的可靠度，其中，获取评价用户的可靠度包括：

获取所述服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

获取评价用户对所述服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

根据所述第一加权平均值和第二加权平均值之间的差，为所述评价用户分配一权重值，并作为所述评价用户的可靠度；

所述获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度包括：

从过滤后的所述服务的评价数据中，获取各评价用户对所述服务的质量属性的评价；

将各评价用户对所述服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对所述服务的质量属性的可靠评价；

对各评价用户对所述服务的质量属性的可靠评价进行加权平均，得到所述服务的信誉度。

本发明提供一种服务信誉度获取装置，包括：

查询请求获取模块，用于获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；

评价数据过滤模块，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤；

信誉度计算模块，用于获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度；

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

上述的服务信誉度获取装置中，所述评价数据过滤模块包括：

上下文信息关系表获取单元，用于获取所述服务的上下文信息关系表，其中，所述上下文信息关系表包括不相似的上下文信息的对应关系；

不相似上下文信息获取单元，用于根据所述上下文信息关系表中，与所述查询用户的上下文信息不相似的上下文信息；

评价数据过滤单元，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对所述服务的评价数据的过滤。

上述的服务信誉度获取装置中，所述服务具有多个质量属性，所述服务的评价数据包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价；

所述评价数据过滤模块，具体用于将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

所述信誉度计算模块包括：

第一评价获取单元，用于获取过滤后的所述服务的评价数据中，各质量属性的评价；

加权计算单元，用于针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

信誉度获取单元，用于将各质量属性的评价的加权平均值组成加权平均值集合，将所述加权平均值集合作为所述服务的信誉度。

上述的服务信誉度获取装置还可包括：

用户可靠度获取模块，用于获取所述服务的评价数据中各评价用户的可靠度；

所述用户可靠度获取模块包括：

第一计算单元，用于获取所述服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

第二计算单元，用于获取评价用户对所述服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

可靠度获取单元，用于根据所述第一加权平均值和第二加权平均值之间的差，为所述评价用户分配一权重值，并作为所述评价用户的可靠度；

所述信誉度计算模块包括：

第二评价获取单元，用于从过滤后的所述服务的评价数据中，获取各评价用户对所述服务的质量属性的评价；

评价处理单元，用于将各评价用户对所述服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对所述服务的质量属性的可靠评价；

信誉度计算单元，用于对各评价用户对所述服务的质量属性的可靠评价进行加权平均，得到所述服务的信誉度。

本发明提供的服务信誉度获取方法及装置，在进行服务信誉度查询时，通过将服务的评价数据中，与查询用户的上下文信息不相似的服务的质量属性删除，对服务的评价数据进行过滤，使得基于过滤后的服务的评价数据计算得到的服务的信誉度更加符合查询用户的实际需要，获得的服务信誉度更加准确，基于该服务信誉度获得的服务更能满足用户的实际需要，获得的服务具有更高的可信性和可靠性。

附图说明

图1为本发明实施例一提供的服务信誉度获取方法的流程示意图；

图2为本发明实施例二提供的服务信誉度获取方法的流程示意图；

图3为本发明实施例中提供的语言翻译领域的web服务中质量属性对上下文的敏感关系示意图；

图4为本发明实施例三提供的服务信誉度获取方法中获取评价用户的可靠度的的流程示意图；

图5为本发明实施例三提供的服务信誉度获取方法中获取服务信誉度的流程示意图；

图6为本发明实施例四提供的服务信誉度获取装置的结构示意图；

图7为本发明实施例中评价数据过滤模块的结构示意图；

图8为本发明实施例四提供的服务信誉度获取装置的结构示意图；

图9为本发明实施例五提供的服务信誉度获取装置的结构示意图。

具体实施方式

图1为本发明实施例一提供的服务信誉度获取方法的流程示意图。如图1所示，本实施例服务信誉度获取方法可应用于服务信誉度获取装置中，获取服务的信誉度，具体可包括：

步骤101、服务信誉度获取装置获取查询用户的查询请求，该查询请求包括查询用户的上下文信息以及查询的服务，上下文信息为查询用户使用服务时的上下文环境信息；

步骤102、服务信誉度获取装置将服务的评价数据中，与查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对服务的评价数据进行过滤；

步骤103、服务信誉度获取装置获取过滤后的服务的评价数据中服务的质量属性的所有评价，并通过加权平均得到服务的质量属性的加权平均值，将服务的质量属性的加权平均值作为服务的信誉度。

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

本实施例服务信誉度获取方法可应用于web服务的应用中，以便用户在使用web服务时，可通过服务信誉度获取装置，并基于上述步骤获得web服务的信誉度，以确定web服务的可信性，提高获取的web服务的可靠性。

本实施例中，在基于服务的评价数据进行服务信誉度计算时，可将服务的质量属性的评价中，与查询用户的上下文信息不相似的评价删除，对服务的评价数据进行过滤，这样，基于过滤后的服务的评价数据计算得到的服务的信誉度更加接近查询用户的实际需要，有效提高服务信誉度的准确性，使得用户基于该获取的服务的信誉度获取的服务更加接近用户的实际需要，可有效满足用户的实际需要。

本领域技术人员可以理解，所述的上下文信息可以是用来描述用户、服务和环境之间的交互情况的信息，例如服务调用时间、用户所在地的地理位置等。由于服务在不同的上下文环境下，可能表现出不同的质量，因此用户的评价与该上下文信息有关，在相同上下文类型，而不同上下文信息下对同一质量属性的评价差异较大时，则可认为该不同的上下文信息在该质量属性的评价上不相似，例如，对于同一地理位置的美国和中国用户，对服务响应时间的评价存在较大差异，则认为美国和中国这两个上下文信息在对响应时间这一质量属性评价时不相似，因此，对于查询用户来说，那些与自己的上下文信息不相似的评价也就没有参考价值，可将这些评价删除，从而可更加准确的反映查询用户的真实需要。

综上，本发明实施例提供的服务信誉度获取方法，在进行服务信誉度查询时，通过将服务的评价数据中，与查询用户的上下文信息不相似的服务的质量属性删除，对服务的评价数据进行过滤，使得基于过滤后的服务的评价数据计算得到的服务的信誉度更加符合查询用户的实际需要，获得的服务信誉度更加准确，基于该服务信誉度获得的服务更能满足用户的实际需要，获得的服务具有更高的可信性和可靠性。

图2为本发明实施例二提供的服务信誉度获取方法的流程示意图。本实施例中，查询用户查询的服务可具有多个质量属性，该服务的评价数据可包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价，在获取服务信誉度时，可针对服务的各质量属性的评价，获得服务的各服务属性的评价的加权平均值，并将该服务的各质量属性的评价的加权平均值的集合，作为该服务的信誉度，具体地，如图2所示，本实施例服务信誉度获取方法可包括以下步骤：

步骤201、服务信誉度获取装置获取查询用户的查询请求，该查询请求包括查询用户的上下文信息以及查询的服务，上下文信息为查询用户使用服务时的上下文环境信息；

步骤202、服务信誉度获取装置将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

步骤203、服务信誉度获取装置获取过滤后的服务的评价数据中各质量属性的评价；

步骤204、服务信誉度获取装置针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

步骤205、服务信誉度获取装置将各质量属性的评价的加权平均值组成加权平均值集合，将该加权平均值集合作为服务的信誉度。

本实施例中，可基于服务的各质量属性，分别对各质量属性的评价进行过滤，并基于各质量属性的评价，得到各质量属性的评价的加权平均值，并将各质量属性的加权平均值的集合，作为服务的信誉度，使得服务的信誉度是多维度的，例如，服务的质量属性具有可用性、响应时间、准确性时，得到的服务的信誉度中，分别包括可用性、响应时间、准确性的评价的加权平均值，这样，查询用户就可基于各质量属性的加权平均值，确定该服务是否可行，以决定是否使用该服务。

上述本发明各实施例中，将所述服务的评价数据中，与查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对服务的评价数据进行过滤具体包括：获取服务的上下文信息关系表，其中，上下文信息关系表包括不相似的上下文信息的对应关系；根据上下文信息关系表中，与查询用户的上下文信息不相似的上下文信息；将服务的评价数据中，与查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对服务的评价数据的过滤。可以看出，在对服务的评价数据进行过滤前，可事先从该服务的评价数据中，获得服务的上下文信息关系表，以便查询用户对服务的信誉度进行查询时，可基于该上下文信息关系表确定与查询用户的上下文信息不相似的上下文信息，提高过滤效率。

下面将以本发明实施例在Web服务中的具体应用为例，对本发明实施例技术方案进行详细说明。

假设Web服务的用户评价模型是RM＝(Context，Quality)是一个二元数据组，其中：

Context是包含m个元素的集合：Context＝{c₁，c₂，…，c_m}，集合中的元素ci为用户使用Web服务时的上下文类型。

Quality是包含n个元素的集合：Quality＝{q₁，q₂，…，q_n}，集合中的元素qi为Web服务的质量属性。

例如，对于一个语音翻译领域的web服务，其用户评价模型可为：RM＝(Context，Quality)，其中，Context＝{地理位置，翻译类型，源语言，目标语言}，Quality＝{响应时间，可用性，准确性}。

假设web服务的一个评价用户的评价数据定义为RD＝(T，U，S，CV，QR)，其中：

T是评价数据的提交时间；

U是评价数据的提交者，即评价用户，其通常用一个唯一用户标识(UserID)表示；

S是评价数据的对象，即该Web服务，其通常用一个唯一服务标识(Service ID)表示；

CV是上下文信息的集合，包括m个元素，每个预元素对应于一个上下文类型，可表示为CV＝{cv1，cv2，…，cvm}，集合中的元素cvi是上下文类型ci的取值(Context Value)，元素cvi即为上述的上下文信息，其中，cvi∈Range(ci)；

质量属性集合QR，QR＝{qr1，qr2，…，qrn}，包含n个元素集合，集合中的元素qri是用户对质量属性qi的评价(Quality Rating)，通常取值为一个整数区间。

其中，上下文类型cv通常是一个枚举型的值，例如地理位置、语言类型等，而上下文信息，也即CV中各上下文类型cv的取值则代表一个该上下文类型cv对应的一个具体信息，例如，地理位置的上下文类型可能对应有中国、美国等具体的地理位置信息，且上述的各元素具体可以由相应的数值或符号来代替。

集合QR中的元素qri的取值区间应该合适，当这个区间设定得太大时，比如为[0，100]，往往会造成对同一个服务的评价差别异常大；而这个区间太小时，例如[-1，0，1]，则不能有效地区分Web服务的质量差别，本实施例中，对质量属性的评价取值为[1，5]，也即五级的评价范围。本领域技术人员可以理解，每种质量属性对应的评价可表征Web服务在不同质量属性方面信誉度。

各评价用户使用web服务后，可基于上述评价模型web服务提交评价，得到的该web服务的评价数据中，分别包括各评价用户针对web服务评价时的上下文信息、各质量属性的评价，可以看出，每个用户的评价均包括上下文信息和评价信息，即评价数据时二维的。

基于上述web服务评价模型，可收集包括上下文信息以及质量属性的评价的web服务的评价数据，本实施例正是基于收集到的web服务的评价数据，进行敏感关系挖掘，在计算web服务信誉度的时候，将与信誉度查询用户的上下文信息不相似的评价过滤掉，以提高计算得到的信誉度的准确度和针对性。

查询用户对服务的信誉度进行查询时，为便于对服务的评价进行过滤，可首先根据收集的服务的评价数据，进行上下文挖掘，找出上下文信息的对应关系表，以便根据该上下文信息关系表，对与查询用户的上下文信息不相似上下文信息对应的评价进行过滤，确保获得的服务的信誉度可满足用户的需要。

在获得的服务的评价数据中，若一个上下文类型c_i∈Context，一个质量属性q_j∈Quality，且当c_i的值变化时q_j的值有显著差异，则可称q_j对c_i敏感，也称作q_j依赖c_i，记为q_j→c_i。而对于一个web服务S来说，所有的上下文敏感关系的集合，即{q_j→c_i|c_i∈Context∧q_j∈Quality}，称为该服务的敏感关系集合。该服务的敏感关系集合体现了上下文类型与服务的质量属性之间的评价的对应关系。

图3为本发明实施例中提供的语言翻译领域的web服务中质量属性对上下文的敏感关系示意图。例如，对于上述的语言翻译领域的web服务，一个可能的敏感关系集合如图3所示，图3中下排表示质量属性，分别包括可用性、响应时间、准确性；上排表示上下文类型，包括地理位置、翻译类型、源语言、目标语言；箭头指向则表示质量属性对上下文类型敏感。

实际应用中，可通过配对T检验来确定上下文信息是否相似。配对T检验通常被用来检验同一受试对象在接受两种试验处理时的表现是否一致，也即均值是否相等，因此，配对T检验可适用于衡量web服务在上下文类型的值，也即上下文信息变化时，对服务的质量属性的评价是否有显著差异，确定具有相同上下文类型的不同上下文信息在考虑服务的质量属性时是否相似。

具体地，收集到的服务的评价数据中，若上下文类型c_i取值为cv1时，质量属性q_j的取值为当c_i取值为cv2时，q_j的取值为

对

和

进行配对T检验：

检验假设：

H0：两种质量属性平均取值相同；

H1：两种质量属性平均取值不同；

计算检验统计量

若t＞t_0.05/2(n-1)，则接受H1，认为差异有统计意义，即差异显著，称cv1与cv2在考虑质量属性q_j时不相似，记为

反之，称cv1与cv2在考虑质量属性q_j时相似，记为

其中，

0.05为检验显著性水平。

若在考虑质量属性q_j时，上下文类型c_i的所有取值都不相似，则认为当c_i的值变化时q_j的值有显著差异。

如此，就可以基于上述确定的web服务的评价数据中，各上下文信息的相似性，获得上下文信息敏感关系，这里所说的敏感关系即指上下文信息之间的相似性。

在获得上下文信息敏感关系后，既可以基于该上下文信息敏感关系，对每个质量属性的评价进行过滤，具体地，过滤时，只需将查询用户的的上下文信息与服务的评价数据中的上下文信息进行对比，若两者不相似，则认为该服务的评价数据在查询用户的特定上下文环境下没有参考意义，将其过滤掉。需要注意的是，一般情况下服务评价模型中定义的质量属性是多维度的，即包括多个不同的质量属性，而不同的质量属性依赖的上下文类型是不同的，因此需要对每个质量属性的评价分别进行过滤。例如，查询用户查询语言翻译服务S的信誉度，而查询用户的上下文信息是{美国，句子，中文，英文}，在对服务的评价进行过滤时，对于可用性质量属性的评价，则需要过滤掉其中地理位置的值与美国不相似的可用性质量属性的评价；而对于准确性的评价，则需要过滤掉翻译类型、源语言、目标语言与句子、中文、英文都不相似的准确性的评价。

令所有针对一个Web服务的评价数据的集合为RDS＝{RD1，RD2，…，RDk}。若查询用户的上下文环境为CVS＝{cv1，cv2，…，cvn}，则上下文过滤的算法具体可按如下方式来实现：

可以看出，对服务的评价进行过滤的过程，可以理解为给服务的评价赋予权重的过程，若上下文不相似，则赋予权重0，否则赋予权重1。令该权重为θ(CVS，RD)，则表示服务的评价数据RD与查询用户的特定上下文环境CVS是否相似，则考虑web服务质量属性的上下文敏感性，可以得到多维度的服务信誉度Rep：

$r_j=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\θ}(\mathrm{CVS},{\mathrm{RD}}_i)*{\mathrm{qr}}_j^i}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\θ}(\mathrm{CVS},{\mathrm{RD}}_i)},{\mathrm{qr}}_j^i\∈{\mathrm{QR}}_i,{\mathrm{QR}}_i\∈{\mathrm{RD}}_i,r_j\∈\mathrm{Re\; p}$

图4为本发明实施例三提供的服务信誉度获取方法中获取评价用户的可靠度的的流程示意图；图5为本发明实施例三提供的服务信誉度获取方法中获取服务信誉度的流程示意图。在上述各实施例技术方案的基础上，本实施例还可对服务评价数据中各评价用户的可靠性进行计算，以使得服务信誉度的计算更加准确、可靠。具体地，在对服务的评价数据进行过滤，计算服务信誉度前，还可获取服务的评价数据中，各评价用户的可靠度，具体地，如图4所示，获取评价用户的可靠度具体可包括如下步骤：

步骤301、服务信誉度获取装置获取服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

步骤302、服务信誉度获取装置获取评价用户对服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

步骤303、服务信誉度获取装置根据第一加权平均值和第二加权平均值之间的差，为评价用户分配一权重值，并作为评价用户的可靠度。

本实施例中，获取各评价用户可靠度后，可将该可靠度作为评价用户对服务的质量属性评价的权重值，对评价数据进行处理后，再进行服务信誉度的计算，具体地，如图5所示，可包括如下步骤：

步骤401、服务信誉度获取装置从过滤后的服务的评价数据中，获取各评价用户对服务的质量属性的评价；

步骤402、服务信誉度获取装置将各评价用户对服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对服务的质量属性的可靠评价；

步骤403、服务信誉度获取装置对各评价用户对服务的质量属性的可靠评价进行加权平均，得到服务的信誉度。

本实施例中，通过对评价用户的可靠度进行计算，可对失实评价进行甄别和过滤，以提高对提交失实评价的恶意行为的免疫力。具体地，通过对服务的评价数据进行统计，计算出评价用户的可靠度，并将可靠度较低的提交者的评价数据赋予较低的权重，提高了对恶意评价的免疫力。

其中，用户可靠度反映了评价用户与公众主流观点的差别，若差别较大，则认为该评价用户的可靠度较低。下面给出主流观点与评价用户的可靠度的形式化定义：

若web服务S的评价数据集合为RDS＝{RD₁，RD₂，…，RD_k}，则关于S的信誉度的主流观点为MO＝{mo₁，mo₂，…，mo_n}，其中

即各评价用户对质量属性qj的评价的算术平均。

评价用户U的可靠度可以表示为：

$C_{\mathrm{pub}}\left(U\right)=\frac{N_c}{N_{\mathrm{all}}}$

其中，Nc为U提交的真实评价数据的数量，Nall为U提交的所有用户评价数据的数量。若对服务S给出的一个用户评价数据与对于S的主流观点的差距小于阈值，则认为是一个真实评价，否则认为是一个失实评价。而一个用户评价数据RD与主流观点MO的差异则采用Chebyshev距离计算：

$\mathrm{dis}(\mathrm{RD},\mathrm{MO})=\underset{i=1}{\overset{n}{\max }}\left(\right|{\mathrm{qr}}_i-{\mathrm{mo}}_i\left|\right)$

其中，qr_i∈QR，QR∈RD，mo_i∈MO。若dis(RD，MO)＞dis_thre则认为该用户评价数据与主流观点差距较大，其中dis_thre∈[0，5]，为可调整的差距阈值。

将评价用户的可靠度，作为用户评价数据的权重，可以减少失实评价对信誉度计算结果的影响。令用户U的可靠度为C(U)，则服务信誉度计算公式可以改进如下：

$r_j=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}C\left(U_i\right)*\mathrm{\θ}(\mathrm{CVS},{\mathrm{RD}}_i)*{\mathrm{qr}}_j^i}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}C\left(U_i\right)*\mathrm{\θ}(\mathrm{CVS},{\mathrm{RD}}_i)}$

其中，U_i∈RD_i，QR_i∈RD_i，r_j∈Re p。

本实施例中，为确保获取的服务信誉度的准确性，可分别对服务的评价数据进行过滤，并可将评价用户的可靠度作为相应评价的权重，对评价数据进行处理，使得处理后的评价数据对查询用户更具针对性和可靠性，可有效提高查询用户获取的服务信誉度的准确性。

图6为本发明实施例四提供的服务信誉度获取装置的结构示意图。如图6所示，本实施例服务信誉度获取装置包括：

查询请求获取模块1，用于获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；

评价数据过滤模块2，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤；

信誉度计算模块3，用于获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度；

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

图7为本发明实施例中评价数据过滤模块的结构示意图。本实施例中，如图7所示，上述的评价数据过滤模块2具体可包括：

上下文信息关系表获取单元21，用于获取所述服务的上下文信息关系表，其中，所述上下文信息关系表包括不相似的上下文信息的对应关系；

不相似上下文信息获取单元22，用于根据所述上下文信息关系表中，与所述查询用户的上下文信息不相似的上下文信息；

评价数据过滤单元23，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对所述服务的评价数据的过滤。

本实施例服务信誉度获取装置可应用于web服务中，其具体实现过程可参照上述本发明方法实施例的说明，在此不再赘述。

图8为本发明实施例四提供的服务信誉度获取装置的结构示意图。本实施例中，所述服务具有多个质量属性，所述服务的评价数据包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价，其中，评价数据过滤模块2具体可用于将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

信誉度计算模块3具体可包括：

第一评价获取单元31，用于获取过滤后的所述服务的评价数据中，各质量属性的评价；

加权计算单元32，用于针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

信誉度获取单元33，用于将所述各质量属性的评价的加权平均值组成加权平均值集合，将所述加权平均值集合作为所述服务的信誉度。

本发明实施例可获取多维度的服务的信誉度，其具体实现过程可参见上述本发明方法实施例的说明，在此不再赘述。

图9为本发明实施例五提供的服务信誉度获取装置的结构示意图。在上述图6所示实施例基础上，如图9所示，该装置还可包括用户可靠度获取模块4，用于获取所述服务的评价数据中，各评价用户的可靠度。该用户可靠度获取模块4具体可包括：

第一计算单元41，用于获取所述服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

第二计算单元42，用于获取评价用户对所述服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

可靠度获取单元43，用于根据所述第一加权平均值和第二加权平均值之间的差，为所述评价用户分配一权重值，并作为所述评价用户的可靠度。

如图9所示，信誉度计算模块3具体可包括：

第二评价获取单元34，用于从过滤后的所述服务的评价数据中，获取各评价用户对所述服务的质量属性的评价；

评价处理单元35，用于将各评价用户对所述服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对所述服务的质量属性的可靠评价；

信誉度计算单元36，用于对各评价用户对所述服务的质量属性的可靠评价进行加权平均，得到所述服务的信誉度。

本实施例服务信誉度获取装置可获取评价用户的可靠度，并可基于评价用户的可靠度对评价数据进行处理，其具体实现过程可参见上述本发明方法实施例的说明，在此不再赘述。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种服务信誉度获取方法，其特征在于，包括：

获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；

将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，从而对所述服务的评价数据进行过滤；

获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度；

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

2.根据权利要求1所述的服务信誉度获取方法，其特征在于，所述将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤包括：

获取所述服务的上下文信息关系表，其中，所述上下文信息关系表包括不相似的上下文信息的对应关系；

根据所述上下文信息关系表中，与所述查询用户的上下文信息不相似的上下文信息；

将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对所述服务的评价数据的过滤。

3.根据权利要求1所述的服务信誉度获取方法，其特征在于，所述服务具有多个质量属性，所述服务的评价数据包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价；

所述将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤包括：

将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

所述获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度包括：

获取过滤后的所述服务的评价数据中，各质量属性的评价；

针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

将各质量属性的评价的加权平均值组成加权平均值集合，将所述加权平均值集合作为所述服务的信誉度。

4.根据权利要求1所述的服务信誉度获取方法，其特征在于，还包括：

获取所述服务的评价数据中各评价用户的可靠度，其中，获取评价用户的可靠度包括：

获取所述服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

获取评价用户对所述服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

根据所述第一加权平均值和第二加权平均值之间的差，为所述评价用户分配一权重值，并作为所述评价用户的可靠度；

所述获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度包括：

从过滤后的所述服务的评价数据中，获取各评价用户对所述服务的质量属性的评价；

将各评价用户对所述服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对所述服务的质量属性的可靠评价；

对各评价用户对所述服务的质量属性的可靠评价进行加权平均，得到所述服务的信誉度。

5.一种服务信誉度获取装置，其特征在于，包括：

查询请求获取模块，用于获取查询用户的查询请求，所述查询请求包括查询用户的上下文信息以及查询的服务，所述上下文信息为查询用户使用所述服务时的上下文环境信息；

评价数据过滤模块，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，对所述服务的评价数据进行过滤；

信誉度计算模块，用于获取过滤后的所述服务的评价数据中所述服务的质量属性的所有评价，并通过加权平均得到所述服务的质量属性的加权平均值，将所述服务的质量属性的加权平均值作为服务的信誉度；

其中，上下文信息不相似是指：具有相同上下文类型的两个上下文信息所对应的服务的质量属性的评价之间的差值大于预设差异阈值时，则确定所述两个上下文信息不相似。

6.根据权利要求5所述的服务信誉度获取装置，其特征在于，所述评价数据过滤模块包括：

上下文信息关系表获取单元，用于获取所述服务的上下文信息关系表，其中，所述上下文信息关系表包括不相似的上下文信息的对应关系；

不相似上下文信息获取单元，用于根据所述上下文信息关系表中，与所述查询用户的上下文信息不相似的上下文信息；

评价数据过滤单元，用于将所述服务的评价数据中，与所述查询用户的上下文信息不相似的上下文信息对应的服务的质量属性的评价删除，实现对所述服务的评价数据的过滤。

7.根据权利要求5所述的服务信誉度获取装置，其特征在于，所述服务具有多个质量属性，所述服务的评价数据包括：评价用户的上下文信息，以及评价用户对服务的各质量属性的评价；

所述评价数据过滤模块，具体用于将所述服务的各质量属性的评价中，与所述查询用户的上下文信息不相似的各质量属性的评价删除，实现对所述服务的评价数据的过滤；

所述信誉度计算模块包括：

第一评价获取单元，用于获取过滤后的所述服务的评价数据中，各质量属性的评价；

加权计算单元，用于针对各质量属性的评价，分别进行加权平均得到各质量属性的评价的加权平均值；

信誉度获取单元，用于将各质量属性的评价的加权平均值组成加权平均值集合，将所述加权平均值集合作为所述服务的信誉度。

8.根据权利要求5所述的服务信誉度获取装置，其特征在于，还包括：

用户可靠度获取模块，用于获取所述服务的评价数据中各评价用户的可靠度；

所述用户可靠度获取模块包括：

第一计算单元，用于获取所述服务的质量属性的所有评价，进行加权平均得到第一加权平均值；

第二计算单元，用于获取评价用户对所述服务的质量属性的所有评价，进行加权平均得到第二加权平均值；

可靠度获取单元，用于根据所述第一加权平均值和第二加权平均值之间的差，为所述评价用户分配一权重值，并作为所述评价用户的可靠度；

所述信誉度计算模块包括：

第二评价获取单元，用于从过滤后的所述服务的评价数据中，获取各评价用户对所述服务的质量属性的评价；

评价处理单元，用于将各评价用户对所述服务的质量属性的评价分别与评价用户的可靠度相乘，作为各评价用户对所述服务的质量属性的可靠评价；

信誉度计算单元，用于对各评价用户对所述服务的质量属性的可靠评价进行加权平均，得到所述服务的信誉度。

Images