CN103139310A - 一种基于混合协同过滤的Web服务QoS预测方法 - Google Patents

一种基于混合协同过滤的Web服务QoS预测方法 Download PDF

Info

Publication number
CN103139310A
CN103139310A CN201310070867XA CN201310070867A CN103139310A CN 103139310 A CN103139310 A CN 103139310A CN 201310070867X A CN201310070867X A CN 201310070867XA CN 201310070867 A CN201310070867 A CN 201310070867A CN 103139310 A CN103139310 A CN 103139310A
Authority
CN
China
Prior art keywords
service
user
qos
expression
class
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.)
Granted
Application number
CN201310070867XA
Other languages
English (en)
Other versions
CN103139310B (zh
Inventor
俞东进
吴萌萌
殷昱煜
李万清
穆海伦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310070867.XA priority Critical patent/CN103139310B/zh
Publication of CN103139310A publication Critical patent/CN103139310A/zh
Application granted granted Critical
Publication of CN103139310B publication Critical patent/CN103139310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开一种基于混合协同过滤的Web服务QoS预测方法，现有的Web服务QoS预测方法的预测精确度不高，特别是在QoS数据稀疏的情况下该情况更为严重，本发明根据用户和服务的相关信息，首先将用户和服务分类，然后根据目标用户和目标服务所属分类的不同使用不同的预测方法计算其QoS预测值，并在计算预测值的过程中使用改进的欧氏距离方法计算用户间和服务间的相似度。与传统方法相比，本发明具有较高的Web服务QoS的预测精度，尤其在历史QoS数据稀疏情况下，其预测精度相比现有方法有明显提高。

Description

一种基于混合协同过滤的Web服务QoS预测方法
技术领域
本发明属于服务选择领域，具体涉及到一种基于混合协同过滤的Web服务QoS预测方法。
背景技术
当前，利用Web服务组合技术有效地组织Internet中的各类服务，开发既满足用户功能性需求、又满足服务质量（Quality of Service，简称QoS）需求的企业级应用，已成为Internet环境下软件开发的重要方式。其中，服务选择是服务组合过程中的关键环节。由于存在大量功能、行为相同或相似而QoS不同的Web服务，进行服务选择时必须考虑它们的QoS属性。
迄今为止，国内外研究者已提出了许多基于QoS的服务选择方法，这些方法大多针对服务的QoS信息较为完整的情况，然而实际情况并非都是如此。服务的QoS信息通常来自于用户调用后得到的数据。但是一个用户一般并不可能调用过所有的服务，这样就需要在众多的候选服务中，在服务QoS信息不完全情况下进行选择。
当前，服务QoS预测已成为Web服务领域的一个热点问题。通过大量实验的验证和比较，基于协同过滤的预测方法是迄今为止整体预测精度最好的方法。但是在QoS数据稀疏的情况下，该类方法的预测精度较其他方法提高并不十分明显。同时，通过分析真实QoS数据，可以发现QoS数据的重要特点正是数据稀疏性。
发明内容
本发明针对现有技术的不足，提出了一种基于混合协同过滤的Web服务QoS预测方法。
本发明一种基于混合协同过滤的Web服务QoS预测方法的具体步骤是： 
步骤(1) 获取用户调用Web服务QoS历史记录信息，并将所获取的初始QoS矩阵正规化，具体计算公式为：，其中， 
Figure 201310070867X100002DEST_PATH_IMAGE002
表示用户u调用服务s的QoS，
Figure 201310070867X100002DEST_PATH_IMAGE004
表示与用户u相关的所有QoS记录的平均值，
Figure 201310070867X100002DEST_PATH_IMAGE006
表示用户u调用服务所得QoS数据的标准偏差；
步骤(2) 根据用户和服务的相关信息，将用户分为“普通用户类”和“特殊用户类”，将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”；根据定义1确定“特殊用户类”，根据定义2确定“特殊服务类”，根据定义3和定义4确定“区域敏感服务类”，未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”；
步骤(3)目标用户属于“特殊用户类”，而目标服务不属于“特殊服务类”，则使用UMEAN方法计算预测值，即将目标用户调用过的QoS记录的均值作为预测值；
步骤(4) 目标服务属于“特殊服务类”，而目标用户不属于“特殊用户类”，则使用IMEAN方法计算预测值，即将目标服务被调用的QoS记录的均值作为预测值；
步骤(5) 目标服务属于“特殊服务类”，且目标用户属于“特殊用户类”，则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值；
步骤(6) 目标服务对于目标用户所属区域敏感，根据定义5，将目标用户所属区域对目标服务的中心作为最终的预测值；
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”，根据定义6和定义7，使用改进欧氏距离计算用户间和服务间的相似度，使用Top-K算法选择目标用户和目标服务的相似邻居，最后根据定义8使用综合预测方法计算最终的预测值。
定义1 特殊用户类。用户QoS均值最大的
Figure 201310070867X100002DEST_PATH_IMAGE008
个用户组成“特殊用户类”。其中，用户QoS均值是指与该用户相关的所有QoS记录的平均值，是控制特殊用户类中用户个数的阈值，可根据实际情况指定。
定义2 特殊服务类。服务QoS均值最大的
Figure 201310070867X100002DEST_PATH_IMAGE010
个服务组成“特殊服务类”。其中，服务QoS均值是指与该服务相关的所有QoS记录的平均值，是控制特殊服务类中服务个数的阈值，可根据实际情况指定。
定义3 用户区域。将用户按照所在物理位置的不同分成f类，用户
Figure 201310070867X100002DEST_PATH_IMAGE012
表示属于第i个区域的用户的集合，用
Figure 201310070867X100002DEST_PATH_IMAGE014
表示用户区域的集合，即
Figure 201310070867X100002DEST_PATH_IMAGE016
。
定义4区域敏感服务。若服务s满足
Figure 201310070867X100002DEST_PATH_IMAGE018
 ，则称服务s对区域敏感。其中，
Figure 201310070867X100002DEST_PATH_IMAGE022
表示一个名为
Figure 874791DEST_PATH_IMAGE022
的服务；
Figure 201310070867X100002DEST_PATH_IMAGE024
为控制区域敏感服务的阈值，可根据实际情况指定；
Figure 201310070867X100002DEST_PATH_IMAGE026
表示区域
Figure 456951DEST_PATH_IMAGE012
中用户调用服务s所得QoS记录的集合的中值，简称区域
Figure 201310070867X100002DEST_PATH_IMAGE028
的中值；
Figure 201310070867X100002DEST_PATH_IMAGE030
表示用户区域集合
Figure 897422DEST_PATH_IMAGE014
中各个区域中值所组成的集合的中值；
Figure 201310070867X100002DEST_PATH_IMAGE032
表示用户区域集合
Figure 844519DEST_PATH_IMAGE014
中各个区域中值与
Figure 201310070867X100002DEST_PATH_IMAGE034
的差的绝对值所组成的集合的中值，计算公式为
Figure 201310070867X100002DEST_PATH_IMAGE036
。
定义5区域中心。区域
Figure 737650DEST_PATH_IMAGE012
对服务s的中心是指：区域
Figure 998868DEST_PATH_IMAGE012
中所有用户调用服务s所得QoS集合的中值，计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE038
。
定义6 用户相似度。本发明中，用户u1和u2的相似度使用改进欧式距离计算，具体公式为：
Figure 201310070867X100002DEST_PATH_IMAGE040
，其中，
Figure 201310070867X100002DEST_PATH_IMAGE042
表示用户u1和u2共同调用过的服务集合，
Figure 201310070867X100002DEST_PATH_IMAGE044
表示用户u1和用户u2共同调用服务的个数，表示服务s被用户调用所得QoS数据的标准偏差，计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE048
，
Figure 201310070867X100002DEST_PATH_IMAGE050
表示调用服务s的用户集合，表示调用服务s的用户的个数，表示用户ui调用服务s的QoS值，
Figure 201310070867X100002DEST_PATH_IMAGE056
表示与服务s相关的所有QoS记录的平均值。
定义7 服务相似度。本发明中，服务s1和s2的相似度使用改进欧式距离计算，具体公式为：
Figure 201310070867X100002DEST_PATH_IMAGE058
，其中，
Figure 201310070867X100002DEST_PATH_IMAGE060
表示共同调用服务s1和s2的用户集合，
Figure 201310070867X100002DEST_PATH_IMAGE062
表示共同调用服务s1和s2的用户的个数，
Figure 201310070867X100002DEST_PATH_IMAGE064
表示表示用户u调用服务所得QoS数据的标准偏差，计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE066
，表示用户u调用的服务集合，
Figure 201310070867X100002DEST_PATH_IMAGE070
表示用户u调用服务的个数，
Figure 201310070867X100002DEST_PATH_IMAGE072
表示用户u调用服务s的QoS值，
Figure 602500DEST_PATH_IMAGE004
表示与服务u相关的所有QoS记录的平均值。
定义8 综合预测方法。综合预测方法的计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE074
，其中，
Figure 201310070867X100002DEST_PATH_IMAGE076
表示基于用户的预测结果，计算公式为
Figure 201310070867X100002DEST_PATH_IMAGE078
（
Figure 201310070867X100002DEST_PATH_IMAGE080
表示目标用户u的相似邻居集合，
Figure 201310070867X100002DEST_PATH_IMAGE082
表示用户u1调用服务s的QoS，
Figure 201310070867X100002DEST_PATH_IMAGE084
表示用户u与u1的相似度），
Figure 201310070867X100002DEST_PATH_IMAGE086
表示基于服务的预测结果，计算公式为
Figure 201310070867X100002DEST_PATH_IMAGE088
其中
Figure 201310070867X100002DEST_PATH_IMAGE090
表示目标服务s的相似邻居集合，
Figure 201310070867X100002DEST_PATH_IMAGE092
表示用户u调用服务s1的QoS，
Figure 201310070867X100002DEST_PATH_IMAGE094
表示服务s与服务s1的相似度，
Figure 201310070867X100002DEST_PATH_IMAGE096
和
Figure 201310070867X100002DEST_PATH_IMAGE098
()分别表示基于用户预测结果和基于服务预测结果的权重，计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE102
，
Figure 201310070867X100002DEST_PATH_IMAGE104
，和
Figure 201310070867X100002DEST_PATH_IMAGE108
分别为调节基于用户和基于服务预测结果权重的固定因子，计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE110
，
Figure 201310070867X100002DEST_PATH_IMAGE112
，
Figure 201310070867X100002DEST_PATH_IMAGE114
为调节基于用户和基于服务预测结果权重的可变因子，可根据实际情况指定。
有益效果：本发明通过考虑用户和服务的自身特性将用户和服务分类，并且根据目标用户和目标服务所属分类的不同使用不同的预测方法计算其QoS预测值，并利用改进的欧氏距离方法计算用户和服务的相似度，解决了传统相似度计算方法可能存在的对相似度值评估过高的问题，同时通过引入平衡因子整合了相似用户对相同服务QoS的预测结果和相同用户对相似服务QoS的预测结果。与传统方法相比，本发明具有较高的Web服务QoS的预测精度，尤其在历史QoS数据稀疏情况下，其预测精度相比现有方法有明显提高。
附图说明
图1 本发明的主要流程图。
具体实施方式
如图1所示，本发明一种基于混合协同过滤的Web服务QoS预测方法包括以下步骤： 
步骤(1) 获取用户调用Web服务QoS历史记录信息，并将所获取的初始QoS矩阵正规化，具体计算公式为：
Figure 201310070867X100002DEST_PATH_IMAGE116
，其中，
Figure 553505DEST_PATH_IMAGE002
表示用户u调用服务s的QoS，
Figure 871616DEST_PATH_IMAGE004
表示与用户u相关的所有QoS记录的平均值，
Figure 670945DEST_PATH_IMAGE006
表示用户u调用服务所得QoS数据的标准偏差；
步骤(2) 根据用户和服务的相关信息，将用户分为“普通用户类”和“特殊用户类”，将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”；根据定义1确定“特殊用户类”，根据定义2确定“特殊服务类”，根据定义3和定义4确定“区域敏感服务类”，未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”；
步骤(3)目标用户属于“特殊用户类”，而目标服务不属于“特殊服务类”，则使用UMEAN方法计算预测值，即将目标用户调用过的QoS记录的均值作为预测值；
步骤(4) 目标服务属于“特殊服务类”，而目标用户不属于“特殊用户类”，则使用IMEAN方法计算预测值，即将目标服务被调用的QoS记录的均值作为预测值；
步骤(5) 目标服务属于“特殊服务类”，且目标用户属于“特殊用户类”，则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值；
步骤(6) 目标服务对于目标用户所属区域敏感，根据定义5，将目标用户所属区域对目标服务的中心作为最终的预测值；
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”，根据定义6和定义7，使用改进欧氏距离计算用户间和服务间的相似度，使用Top-K算法选择目标用户和目标服务的相似邻居，最后根据定义8使用综合预测方法计算最终的预测值。
定义1 特殊用户类。用户QoS均值最大的
Figure 256647DEST_PATH_IMAGE008
个用户组成“特殊用户类”。其中，用户QoS均值是指与该用户相关的所有QoS记录的平均值，是控制特殊用户类中用户个数的阈值，可根据实际情况指定。
定义2 特殊服务类。服务QoS均值最大的
Figure 990434DEST_PATH_IMAGE010
个服务组成“特殊服务类”。其中，服务QoS均值是指与该服务相关的所有QoS记录的平均值，
Figure 823480DEST_PATH_IMAGE010
是控制特殊服务类中服务个数的阈值，可根据实际情况指定。
定义3 用户区域。将用户按照所在物理位置的不同分成f类，用户
Figure 529267DEST_PATH_IMAGE012
表示属于第i个区域的用户的集合，用
Figure 926751DEST_PATH_IMAGE014
表示用户区域的集合，即
Figure 655672DEST_PATH_IMAGE016
。
定义4区域敏感服务。若服务s满足
Figure 796804DEST_PATH_IMAGE018
 ，则称服务s对区域敏感。其中，表示一个名为的服务；
Figure 587987DEST_PATH_IMAGE024
为控制区域敏感服务的阈值，可根据实际情况指定；
Figure 2788DEST_PATH_IMAGE026
表示区域
Figure 509118DEST_PATH_IMAGE012
中用户调用服务s所得QoS记录的集合的中值，简称区域
Figure 9370DEST_PATH_IMAGE028
的中值；表示用户区域集合
Figure 964873DEST_PATH_IMAGE014
中各个区域中值所组成的集合的中值；
Figure 140640DEST_PATH_IMAGE032
表示用户区域集合中各个区域中值与
Figure 916277DEST_PATH_IMAGE034
的差的绝对值所组成的集合的中值，计算公式为。
定义5区域中心。区域
Figure 324442DEST_PATH_IMAGE012
对服务s的中心是指：区域
Figure 799285DEST_PATH_IMAGE012
中所有用户调用服务s所得QoS集合的中值，计算公式为：。
定义6 用户相似度。本发明中，用户u1和u2的相似度使用改进欧式距离计算，具体公式为：，其中，
Figure 881096DEST_PATH_IMAGE042
表示用户u1和u2共同调用过的服务集合，
Figure 780919DEST_PATH_IMAGE044
表示用户u1和用户u2共同调用服务的个数，
Figure 973128DEST_PATH_IMAGE046
表示服务s被用户调用所得QoS数据的标准偏差，计算公式为：
Figure 337113DEST_PATH_IMAGE048
，表示调用服务s的用户集合，
Figure 209440DEST_PATH_IMAGE052
表示调用服务s的用户的个数，
Figure 579242DEST_PATH_IMAGE054
表示用户ui调用服务s的QoS值，
Figure 33619DEST_PATH_IMAGE056
表示与服务s相关的所有QoS记录的平均值。
定义7 服务相似度。本发明中，服务s1和s2的相似度使用改进欧式距离计算，具体公式为：
Figure 892990DEST_PATH_IMAGE058
，其中，
Figure 564143DEST_PATH_IMAGE060
表示共同调用服务s1和s2的用户集合，表示共同调用服务s1和s2的用户的个数，
Figure 810634DEST_PATH_IMAGE064
表示表示用户u调用服务所得QoS数据的标准偏差，计算公式为：，
Figure 500820DEST_PATH_IMAGE068
表示用户u调用的服务集合，
Figure 274741DEST_PATH_IMAGE070
表示用户u调用服务的个数，
Figure 202246DEST_PATH_IMAGE072
表示用户u调用服务s的QoS值，
Figure 899026DEST_PATH_IMAGE004
表示与服务u相关的所有QoS记录的平均值。
定义8 综合预测方法。综合预测方法的计算公式为：
Figure 482454DEST_PATH_IMAGE074
，其中，
Figure 794487DEST_PATH_IMAGE076
表示基于用户的预测结果，计算公式为
Figure 842077DEST_PATH_IMAGE078
（
Figure 214152DEST_PATH_IMAGE080
表示目标用户u的相似邻居集合，表示用户u1调用服务s的QoS，表示用户u与u1的相似度），
Figure 804162DEST_PATH_IMAGE086
表示基于服务的预测结果，计算公式为
Figure 347139DEST_PATH_IMAGE088
其中表示目标服务s的相似邻居集合，
Figure 558994DEST_PATH_IMAGE092
表示用户u调用服务s1的QoS，
Figure 817063DEST_PATH_IMAGE094
表示服务s与服务s1的相似度，
Figure 530941DEST_PATH_IMAGE096
和
Figure 638574DEST_PATH_IMAGE098
(
Figure 33783DEST_PATH_IMAGE100
)分别表示基于用户预测结果和基于服务预测结果的权重，计算公式为：
Figure 644893DEST_PATH_IMAGE102
，
Figure 296717DEST_PATH_IMAGE104
，
Figure 626067DEST_PATH_IMAGE106
和分别为调节基于用户和基于服务预测结果权重的固定因子，计算公式为：
Figure 352900DEST_PATH_IMAGE110
，
Figure 611843DEST_PATH_IMAGE112
，
Figure 947532DEST_PATH_IMAGE114
为调节基于用户和基于服务预测结果权重的可变因子，可根据实际情况指定。

Claims (1)

1.一种基于混合协同过滤的Web服务QoS预测方法，
定义1 特殊用户类；用户QoS均值最大的 
Figure 201310070867X100001DEST_PATH_IMAGE002
个用户组成“特殊用户类”；其中，用户QoS均值是指与该用户相关的所有QoS记录的平均值，是控制特殊用户类中用户个数的阈值，可根据实际情况指定；
定义2 特殊服务类；服务QoS均值最大的
Figure 201310070867X100001DEST_PATH_IMAGE004
个服务组成“特殊服务类”；其中，服务QoS均值是指与该服务相关的所有QoS记录的平均值，
Figure 184202DEST_PATH_IMAGE004
是控制特殊服务类中服务个数的阈值，可根据实际情况指定；
定义3 用户区域；将用户按照所在物理位置的不同分成f类，用户表示属于第i个区域的用户的集合，用
Figure 201310070867X100001DEST_PATH_IMAGE008
表示用户区域的集合，即；
定义4区域敏感服务；若服务s满足 ，则称服务s对区域
Figure 201310070867X100001DEST_PATH_IMAGE014
敏感；其中，
Figure 201310070867X100001DEST_PATH_IMAGE016
表示一个名为
Figure 489413DEST_PATH_IMAGE016
的服务；为控制区域敏感服务的阈值，可根据实际情况指定；
Figure 201310070867X100001DEST_PATH_IMAGE020
表示区域
Figure 91558DEST_PATH_IMAGE006
中用户调用服务s所得QoS记录的集合的中值，简称区域
Figure 201310070867X100001DEST_PATH_IMAGE022
的中值；
Figure 201310070867X100001DEST_PATH_IMAGE024
表示用户区域集合
Figure 756894DEST_PATH_IMAGE008
中各个区域中值所组成的集合的中值；
Figure 201310070867X100001DEST_PATH_IMAGE026
表示用户区域集合
Figure 106359DEST_PATH_IMAGE008
中各个区域中值与
Figure 201310070867X100001DEST_PATH_IMAGE028
的差的绝对值所组成的集合的中值，计算公式为
Figure 201310070867X100001DEST_PATH_IMAGE030
；
定义5区域中心；区域
Figure 129941DEST_PATH_IMAGE006
对服务s的中心是指：区域
Figure 858862DEST_PATH_IMAGE006
中所有用户调用服务s所得QoS集合的中值，计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE032
；
定义6 用户相似度；本发明中，用户u1和u2的相似度使用改进欧式距离计算，具体公式为：
Figure 201310070867X100001DEST_PATH_IMAGE034
，其中，
Figure 201310070867X100001DEST_PATH_IMAGE036
表示用户u1和u2共同调用过的服务集合，
Figure 201310070867X100001DEST_PATH_IMAGE038
表示用户u1和用户u2共同调用服务的个数，
Figure 201310070867X100001DEST_PATH_IMAGE040
表示服务s被用户调用所得QoS数据的标准偏差，计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE042
，表示调用服务s的用户集合，
Figure 201310070867X100001DEST_PATH_IMAGE046
表示调用服务s的用户的个数，
Figure 201310070867X100001DEST_PATH_IMAGE048
表示用户ui调用服务s的QoS值，
Figure 201310070867X100001DEST_PATH_IMAGE050
表示与服务s相关的所有QoS记录的平均值；
定义7 服务相似度；本发明中，服务s1和s2的相似度使用改进欧式距离计算，具体公式为：
Figure 201310070867X100001DEST_PATH_IMAGE052
，其中，
Figure 201310070867X100001DEST_PATH_IMAGE054
表示共同调用服务s1和s2的用户集合，
Figure 201310070867X100001DEST_PATH_IMAGE056
表示共同调用服务s1和s2的用户的个数，
Figure 201310070867X100001DEST_PATH_IMAGE058
表示表示用户u调用服务所得QoS数据的标准偏差，计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE060
，表示用户u调用的服务集合，
Figure 201310070867X100001DEST_PATH_IMAGE064
表示用户u调用服务的个数，
Figure 201310070867X100001DEST_PATH_IMAGE066
表示用户u调用服务s的QoS值，
Figure 201310070867X100001DEST_PATH_IMAGE068
表示与服务u相关的所有QoS记录的平均值；
定义8 综合预测方法；综合预测方法的计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE070
，其中，
Figure 201310070867X100001DEST_PATH_IMAGE072
表示基于用户的预测结果，计算公式为
Figure 201310070867X100001DEST_PATH_IMAGE074
（
Figure 201310070867X100001DEST_PATH_IMAGE076
表示目标用户u的相似邻居集合，
Figure 201310070867X100001DEST_PATH_IMAGE078
表示用户u1调用服务s的QoS，
Figure 201310070867X100001DEST_PATH_IMAGE080
表示用户u与u1的相似度），
Figure 201310070867X100001DEST_PATH_IMAGE082
表示基于服务的预测结果，计算公式为
Figure 201310070867X100001DEST_PATH_IMAGE084
其中
Figure 201310070867X100001DEST_PATH_IMAGE086
表示目标服务s的相似邻居集合，
Figure 201310070867X100001DEST_PATH_IMAGE088
表示用户u调用服务s1的QoS，
Figure 201310070867X100001DEST_PATH_IMAGE090
表示服务s与服务s1的相似度，
Figure 201310070867X100001DEST_PATH_IMAGE092
和
Figure 201310070867X100001DEST_PATH_IMAGE094
(
Figure 201310070867X100001DEST_PATH_IMAGE096
)分别表示基于用户预测结果和基于服务预测结果的权重，计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE098
，
Figure 201310070867X100001DEST_PATH_IMAGE100
，
Figure 201310070867X100001DEST_PATH_IMAGE102
和
Figure 201310070867X100001DEST_PATH_IMAGE104
分别为调节基于用户和基于服务预测结果权重的固定因子，计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE106
，
Figure 201310070867X100001DEST_PATH_IMAGE108
，
Figure 201310070867X100001DEST_PATH_IMAGE110
为调节基于用户和基于服务预测结果权重的可变因子，可根据实际情况指定；
其特征在于该方法包括以下步骤： 
步骤(1) 获取用户调用Web服务QoS历史记录信息，并将所获取的初始QoS矩阵正规化，具体计算公式为：
Figure 201310070867X100001DEST_PATH_IMAGE112
，其中，
Figure 201310070867X100001DEST_PATH_IMAGE114
表示用户u调用服务s的QoS，
Figure 931817DEST_PATH_IMAGE068
表示与用户u相关的所有QoS记录的平均值，
Figure 201310070867X100001DEST_PATH_IMAGE116
表示用户u调用服务所得QoS数据的标准偏差；
步骤(2) 根据用户和服务的相关信息，将用户分为“普通用户类”和“特殊用户类”，将服务分为“普通服务类”、“特殊服务类”和“区域敏感服务类”；根据定义1确定“特殊用户类”，根据定义2确定“特殊服务类”，根据定义3和定义4确定“区域敏感服务类”，未被划分入以上任意类的用户和服务分别组成“普通用户类”和“普通服务类”；
步骤(3)目标用户属于“特殊用户类”，而目标服务不属于“特殊服务类”，则使用UMEAN方法计算预测值，即将目标用户调用过的QoS记录的均值作为预测值；
步骤(4) 目标服务属于“特殊服务类”，而目标用户不属于“特殊用户类”，则使用IMEAN方法计算预测值，即将目标服务被调用的QoS记录的均值作为预测值；
步骤(5) 目标服务属于“特殊服务类”，且目标用户属于“特殊用户类”，则将使用UMEAN方法和IMEAN方法获得的预测值的均值作为最终的预测值；
步骤(6) 目标服务对于目标用户所属区域敏感，根据定义5，将目标用户所属区域对目标服务的中心作为最终的预测值；
步骤(7) 目标用户和目标服务分别属于“普通用户类”和“普通服务类”，根据定义6和定义7，使用改进欧氏距离计算用户间和服务间的相似度，使用Top-K算法选择目标用户和目标服务的相似邻居，最后根据定义8使用综合预测方法计算最终的预测值。
CN201310070867.XA 2013-03-06 2013-03-06 一种基于混合协同过滤的Web服务QoS预测方法 Active CN103139310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310070867.XA CN103139310B (zh) 2013-03-06 2013-03-06 一种基于混合协同过滤的Web服务QoS预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310070867.XA CN103139310B (zh) 2013-03-06 2013-03-06 一种基于混合协同过滤的Web服务QoS预测方法

Publications (2)

Publication Number Publication Date
CN103139310A true CN103139310A (zh) 2013-06-05
CN103139310B CN103139310B (zh) 2016-04-27

Family

ID=48498607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310070867.XA Active CN103139310B (zh) 2013-03-06 2013-03-06 一种基于混合协同过滤的Web服务QoS预测方法

Country Status (1)

Country Link
CN (1) CN103139310B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103684850A (zh) * 2013-11-25 2014-03-26 浙江大学 基于服务邻域的Web Service服务质量预测方法
CN103840985A (zh) * 2014-02-28 2014-06-04 浙江大学 基于用户邻域的Web Service服务质量预测方法及装置
CN104601385A (zh) * 2013-10-31 2015-05-06 浙江大学 基于地理位置的WebService服务质量预测方法
CN104753718A (zh) * 2015-02-25 2015-07-01 重庆大学 基于非负聚合的缺失服务吞吐率补足方法和装置
CN105430099A (zh) * 2015-12-22 2016-03-23 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
CN106055665A (zh) * 2016-06-02 2016-10-26 兰州大学 基于异常值剔除的情境感知Web服务推荐方法和系统
CN107133268A (zh) * 2017-04-01 2017-09-05 南京邮电大学 一种用于Web服务推荐的协同过滤算法
CN107480250A (zh) * 2017-08-11 2017-12-15 安徽大学 一种基于Spark平台Web服务个性化推荐方法及系统
CN107852771A (zh) * 2015-07-28 2018-03-27 华为技术有限公司 基于自适应滤波的网络异常检测
CN108563660A (zh) * 2017-12-29 2018-09-21 温州大学 服务推荐方法、系统及服务器
CN110232151A (zh) * 2019-05-22 2019-09-13 温州大学 一种混合概率分布检测的QoS预测模型的构建方法
CN112328912A (zh) * 2020-11-03 2021-02-05 重庆大学 一种利用地点感知的QoS预测方法
CN113905070A (zh) * 2021-09-29 2022-01-07 上海兴容信息技术有限公司 一种服务提供方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060101116A1 (en) * 2004-10-28 2006-05-11 Danny Rittman Multifunctional telephone, walkie talkie, instant messenger, video-phone computer, based on WiFi (Wireless Fidelity) and WiMax technology, for establishing global wireless communication, network and video conferencing via the internet
US20120158631A1 (en) * 2010-12-15 2012-06-21 Scientific Conservation, Inc. Analyzing inputs to an artificial neural network
CN102882657A (zh) * 2011-07-15 2013-01-16 瑞典爱立信有限公司 用于上行链路秩自适应的方法、设备和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060101116A1 (en) * 2004-10-28 2006-05-11 Danny Rittman Multifunctional telephone, walkie talkie, instant messenger, video-phone computer, based on WiFi (Wireless Fidelity) and WiMax technology, for establishing global wireless communication, network and video conferencing via the internet
US20120158631A1 (en) * 2010-12-15 2012-06-21 Scientific Conservation, Inc. Analyzing inputs to an artificial neural network
CN102882657A (zh) * 2011-07-15 2013-01-16 瑞典爱立信有限公司 用于上行链路秩自适应的方法、设备和系统

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104601385A (zh) * 2013-10-31 2015-05-06 浙江大学 基于地理位置的WebService服务质量预测方法
CN103684850B (zh) * 2013-11-25 2017-02-22 浙江大学 基于服务邻域的Web Service服务质量预测方法
CN103684850A (zh) * 2013-11-25 2014-03-26 浙江大学 基于服务邻域的Web Service服务质量预测方法
CN103840985A (zh) * 2014-02-28 2014-06-04 浙江大学 基于用户邻域的Web Service服务质量预测方法及装置
CN104753718A (zh) * 2015-02-25 2015-07-01 重庆大学 基于非负聚合的缺失服务吞吐率补足方法和装置
CN104753718B (zh) * 2015-02-25 2018-02-13 重庆大学 基于非负聚合的缺失服务吞吐率补足方法和装置
CN107852771B (zh) * 2015-07-28 2020-06-02 华为技术有限公司 基于自适应滤波的网络异常检测
CN107852771A (zh) * 2015-07-28 2018-03-27 华为技术有限公司 基于自适应滤波的网络异常检测
CN105430099A (zh) * 2015-12-22 2016-03-23 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
CN105430099B (zh) * 2015-12-22 2018-09-28 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
CN106055665A (zh) * 2016-06-02 2016-10-26 兰州大学 基于异常值剔除的情境感知Web服务推荐方法和系统
CN106055665B (zh) * 2016-06-02 2020-03-17 兰州大学 基于异常值剔除的情境感知Web服务推荐方法和系统
CN107133268A (zh) * 2017-04-01 2017-09-05 南京邮电大学 一种用于Web服务推荐的协同过滤算法
CN107133268B (zh) * 2017-04-01 2020-03-31 南京邮电大学 一种用于Web服务推荐的协同过滤方法
CN107480250B (zh) * 2017-08-11 2018-09-21 安徽大学 一种基于Spark平台Web服务个性化推荐方法及系统
CN107480250A (zh) * 2017-08-11 2017-12-15 安徽大学 一种基于Spark平台Web服务个性化推荐方法及系统
CN108563660A (zh) * 2017-12-29 2018-09-21 温州大学 服务推荐方法、系统及服务器
CN108563660B (zh) * 2017-12-29 2022-02-01 温州大学 服务推荐方法、系统及服务器
CN110232151A (zh) * 2019-05-22 2019-09-13 温州大学 一种混合概率分布检测的QoS预测模型的构建方法
CN110232151B (zh) * 2019-05-22 2022-07-15 温州大学 一种混合概率分布检测的QoS预测模型的构建方法
CN112328912A (zh) * 2020-11-03 2021-02-05 重庆大学 一种利用地点感知的QoS预测方法
CN112328912B (zh) * 2020-11-03 2023-05-19 重庆大学 一种利用地点感知的QoS预测方法
CN113905070A (zh) * 2021-09-29 2022-01-07 上海兴容信息技术有限公司 一种服务提供方法和系统
CN113905070B (zh) * 2021-09-29 2023-12-01 兴容(上海)信息技术股份有限公司 一种服务提供方法和系统

Also Published As

Publication number Publication date
CN103139310B (zh) 2016-04-27

Similar Documents

Publication Publication Date Title
CN103139310A (zh) 一种基于混合协同过滤的Web服务QoS预测方法
TWI745623B (zh) 模型整合方法及裝置
CN105491599B (zh) 预测lte网络性能指标的新型回归系统
CN107622326B (zh) 用户分类、可用资源预测方法、装置及设备
Liu et al. HAP: a hybrid QoS prediction approach in cloud manufacturing combining local collaborative filtering and global case-based reasoning
CN114143326A (zh) 负载调节方法、管理节点以及存储介质
Li et al. Temporal influences-aware collaborative filtering for QoS-based service recommendation
CN102955894A (zh) 一种基于用户细分的流失率预测的控制方法
US20190080113A1 (en) Apparatus for recommending user's privacy control and method for the same
CN105320887A (zh) 一种基于静态特征提取和选择的Android恶意应用检测方法
CN103793505A (zh) 基于用户-服务特征的网络服务协同过滤方法
CN106027317A (zh) 信任感知的Web服务质量预测系统及方法
CN110445726A (zh) 一种基于信息熵的自适应网络流概念漂移检测方法
CN107784511A (zh) 一种用户流失预测方法及装置
CN114266473A (zh) 一种基于数据分析的供应链需求预测系统及方法
Dong et al. Inference of gene regulatory networks from genetic perturbations with linear regression model
CN103957537B (zh) 基于信道聚类的频谱感知方法及装置
CN109327334A (zh) 一种针对于设备性能的告警方法、装置及设备
CN106056137B (zh) 一种基于数据挖掘多分类算法的电信集团业务推荐方法
Jin et al. Incentive mechanisms for strategic classification and regression problems
CN110147305A (zh) 一种基于大数据的测试模型构建方法及系统
Zhou et al. Intelligent service recommendation for cold-start problems in edge computing
Wang et al. A Comparative Study on Contract Recommendation Model: Using Macao Mobile Phone Datasets
CN112767027B (zh) 一种基于业务感知的云成本预测方法和系统
CN109767031A (zh) 模型分类器建立方法、装置、计算机设备和存储介质

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