CN104166702A - 一种面向服务供应链网络的服务推荐方法 - Google Patents

Abstract

本发明公开了一种面向服务供应链网络的服务推荐方法，首先以服务供应链网络中所有节点间的链接关系构建转移矩阵，根据转移矩阵计算出所有节点的信誉度值；然后计算两两节点间信誉增强的相似度，构造出所有节点的近邻；最后对于需要推荐服务的用户，根据相应节点的近邻来预测该用户对于所需服务的服务质量评价值，并向其推荐高服务质量评价值的服务。本发明的服务推荐方法在历史数据不足或部分节点不存在历史数据时，也能成功预测用户对所需要服务的服务质量评价值，克服了现有协同过滤技术所存在的数据稀疏性和冷启动问题，提高了服务推荐的准确度。

Description

一种面向服务供应链网络的服务推荐方法

技术领域

本发明属于供应链配置技术领域，尤其涉及一种面向服务供应链网络的服务推荐方法。

背景技术

在供应链配置领域，人们普遍认为其发展趋势是越来越强调各种外部优质服务(例如资源和知识)的共享与集成。互联网的指数级增长和制造企业的加速全球化，显著影响了跨企业协作服务的互操作性。例如，SOA架构以及相应的Web服务通过对各种复杂的分布式制造资源和知识进行无缝集成，不但为制造企业及其合作伙伴(包括供应商和客户)进行交流提供了一种动态的实现技术，而且显著增强了系统的自组织能力。服务供应链是一种典型的企业协作网络，即每个企业将各自具有竞争力的资源封装成松耦合的制造服务发布到虚拟市场中，从而在企业间实现动态的资源配置与协作。每个企业可看作成一个服务用户，它一方面扮演着服务提供方角色(即为其它企业提供制造服务)，另一方面扮演着服务消费者角色(即使用其它企业提供的制造服务)。

然而目前，服务供应链配置技术面临以下几个挑战：首先，由于Web服务技术的爆炸性增长，导致虚拟市场上存在着大量的制造服务，而传统的搜索引擎由于其推理能力有限，无法支持服务的功能性检索与推荐；其次，由于服务用户之间存在着分布式的虚拟关系，因而难以实现对制造服务的非功能服务质量属性(如可用性、可靠性等)的统一评价，从而导致了制造服务服务质量评价值(QoS评价值)的缺失，因此需要对这些缺失的服务质量评价值进行预测；最后，由于缺乏一个有效的信誉模型，无法在供应链网络结构化拓扑关系基础上对信任传递和个性化偏好进行形式化表达，从而无法对先前的各种历史数据和信誉数据进行有效的组合和评价，影响了服务质量评价的预测精度。

近年来，推荐系统(包括基于内容的推荐系统和基于协同过滤的推荐系统)已经获得了广泛的应用，显著提高了传统搜索引擎的个性化推荐能力，较好地解决了信息过载问题。在这些推荐系统中，协同过滤技术在某些个性化领域(例如电影、图书、音乐、软件和服务)的推荐效果特别好，它通过对用户或项目的历史数据进行分析找出相似的用户或项目，从而为用户推荐所需要的项目。然而，协同过滤技术的推荐效果容易受到数据稀疏性和冷启动问题的影响。当历史数据不足而无法找到相似用户或项目时，此时会产生数据的稀疏性问题。当一个新的用户或项目不存在历史数据时，就无法找到相似用户或相似项目，此时会产生冷启动问题。

基于以上原因，如何处理信息过载问题，从而促进制造服务的高效发现，仍然是业界研究的热点方向之一。

发明内容

本发明的目的是提出一种面向服务供应链网络的服务推荐方法，将信誉模型和协同过滤技术结合起来，通过节点间信誉增强的相似度构造节点的近邻，并以此作为协同过滤的额外知识源向用户推荐高质量的服务，克服了现有协同过滤技术所存在的数据稀疏性和冷启动问题。

为了实现上述目的，本发明技术方案如下：

一种面向服务供应链网络的服务推荐方法，所述服务供应链网络的每个节点代表一个用户或者一个服务，每个链接代表节点之间的相互作用关系，该服务推荐方法包括步骤：

以服务供应链网络中所有节点间的链接关系构建转移矩阵，根据转移矩阵计算出所有节点的信誉度值；

计算两两节点间信誉增强的相似度，构造出所有节点的近邻；

对于需要推荐服务的用户，根据相应节点的近邻来预测该用户对于所需服务的服务质量评价值，并向其推荐高服务质量评价值的服务。

其中，所述转移矩阵中的每个元素m_ij表示节点j到节点i存在的链接关系，其计算公式如下：

$m_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}\×f_{\mathrm{ij}}}{\underset{k\∈\mathrm{Out}\left(j\right)}{\mathrm{\Σ}}{w}_{\mathrm{kj}}\×f_{\mathrm{kj}}}$

其中，w_ij和f_ij分别表示节点j到节点i的权重和类型因子，Out(j)表示从节点j到节点k存在着出链链接的所有节点的集合，w_kj和f_kj表示从节点j到节点k的权重和类型因子。

进一步地，所述节点j到节点i存在的链接关系包括发布链接、熟知链接、评价链接和信任链接，所述各种链接对应有各自的权重，分别如下：

发布链接权重w_ij代表服务i被用户j所发布的时间跨度；

熟知链接权重w_ij代表用户i因为发布了服务j而被人熟知的时间跨度；

评价链接的权重w_ij代表用户j对服务i的服务质量评价值；

信任链接的权重w_ij代表用户j对用户i的信任度。

所述各种链接对应有各自的类型因子，分别为发布类型因子、熟知类型因子、评价类型因子和信任类型因子，所述发布类型因子为0.1，熟知类型因子为0.1，评价类型因子为0.3，信任类型因子为0.5，各类型因子总和为1。

进一步地，对于任意两个用户U_m1和U_m2，他们之间的信任度计算公式如下：

$\mathrm{Trust}(U_{m1},U_{m2})=1-\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(({\stackrel{\‾}{r}}_{m1}-{\stackrel{\‾}{r}}_{m2}+r_{m2,i})-r_{m1,i})}^2}{I}$

其中，I表示用户U_m1和U_m2同时评价的服务的数量；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2的服务质量评价的平均值。

本发明所述根据转移矩阵计算所有节点的信誉度值，包括如下步骤：

采用PageRank链接分析算法，以设定的初始向量X₀按照如下公式开始迭代：

X_t＝α·M·X_t-1+(1-α)·e·e^t/|X|

其中，α为阻尼因子；M为转移矩阵；t为迭代序号；|X|表示向量X的维数，即用户节点和服务节点的总数；e表示元素值全为1的列向量，其维数等于向量X的维数；

以收敛后的向量X中的元素为对应节点的信誉度值。

本发明所述计算两两节点间信誉增强的相似度，构造所有节点的近邻，包括步骤：

按照如下公式计算用户之间的信誉增强的相似度：

$\mathrm{Enh}\_\mathrm{Sim}(U_{m2}\→U_{m1})={\mathrm{\α}}_1\×\frac{\underset{j=1}{\overset{I}{\mathrm{\Σ}}}(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})\×(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})\×R_i^2}{\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})}^2\×R_i^2}\×\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})}^2\×R_i^2}}+{\mathrm{\α}}_2\×R_{m2}$

其中，Enh_Sim(U_m2→U_m1)表示用户U_m2参照于用户U_m1的信誉增强的相似度；I表示用户U_m1和U_m2共同评价过的服务个数；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2对服务S_i的服务质量评价的平均值；R_i和R_m2分别表示服务S_i和用户U_m2的信誉度值；α₁和α₂表示两个部分在最终相似度中所占的权重，α₁+α₂＝1；

对于用户U_m1来说，选择参照于用户U_m1的信誉增强的相似度值大于预设阈值的所有用户来构造用户U_m1的基于用户的近邻；

按照如下公式计算服务之间的信誉增强的相似度：

$\mathrm{Enh}\_\mathrm{Sim}(S_{n2}\→S_{n1})={\mathrm{\β}}_1\×\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})\×(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})\×R_j^2}{\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})}^2\×R_j^2}\×\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})}^2\×R_j^2}}+{\mathrm{\β}}_2\×R_{n2}$

其中，Enh_Sim(S_n2→S_n1)表示服务S_n2参照于服务S_n1的信誉增强的相似度；J表示共同对服务S_n1和S_n2做出评价的用户个数；r_j,n1和r_j,n2分别表示用户U_j对服务S_n1和S_n2的服务质量评价值；和分别表示用户对服务S_n1和S_n2的服务质量评价的平均值；R_j和R_n2分别表示用户U_j的信誉度和服务S_n2的信誉度；β₁和β₂分别表示两个部分在最终相似度中所占的权重，β₁+β₂＝1；

对于服务S_n1来说，选择参照于服务S_n1的信誉增强的相似度值大于预设阈值的所有服务来构造服务S_n1的基于服务的近邻。

本发明中，假设所述需要推荐服务的用户为U_m，该用户所需服务为S_n，所述对于需要推荐服务的用户，根据节点的近邻来预测该用户对于所需服务的服务质量评价值，包括步骤：

利用用户U_m的信誉增强的相似度从大到小排名靠前的K个近邻来预测用户U_m对服务S_n的服务质量评价值P_u(r_m,n)，其计算公示如下：

$P_u\left(r_{m,n}\right)={\stackrel{\‾}{r}}_m+\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)\×(r_{k,n}-{\stackrel{\‾}{r}}_k)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)}$

其中，和分别表示用户U_m和其近邻U_k对不同制造服务的服务质量评价的平均值；r_k,n表示用户U_k对服务S_n的服务质量评价值；Enh_Sim(U_k→U_m)表示用户U_k参照于用户U_m的信誉增强的相似度值；

利用服务S_n的信誉增强的相似度从大到小排名靠前的L个近邻来预测用户U_m对服务S_n的服务质量评价值P_s(r_m,n)，其计算公示如下：

$P_s\left(r_{m,n}\right)={\stackrel{\‾}{r}}_n+\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)\×(r_{m,l}-{\stackrel{\‾}{r}}_l)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)}$

其中，和分别表示不同用户对服务S_n和其近邻S_l的服务质量评价的平均值；r_m,l表示用户U_m对服务S_l的服务质量评价值；Enh_Sim(S_l→S_n)表示服务S_l参照于服务S_n的信誉增强的相似度值；

结合P_u(r_m,n)和P_s(r_m,n)来获得用户U_m对服务S_n的服务质量最终预测值P_Com(r_m,n)，其计算方法如下：

$P_{\mathrm{Com}}\left(r_{m,n}\right)=\left\{\begin{array}{ccccc}\mathrm{null}& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_u\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_s\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\\ {\mathrm{\γ}}_1\×P_u\left(r_{m,n}\right)+{\mathrm{\γ}}_2\×P_v\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\end{array}\right.$

γ₁和γ₂分别表示两部分对于最终预测值的权重，γ₁+γ₂＝1。

进一步地，如果用户U_m没有基于信誉增强的相似度的近邻，那么P_u(r_m,n)＝null，如果服务S_n没有基于信誉增强的相似度的近邻，那么P_s(r_m,n)＝null。

进一步地，所述α₁为0.6，所述α₂为0.4，所述β₁为0.8，所述β₂为0.2，所述γ₁为0.6，所述γ₂为0.4。

本发明提出了一种面向服务供应链网络的服务推荐方法，基于服务供应链网络历史数据并利用PageRank链接分析算法计算出用户和服务的信誉度值，并据此进一步计算出两两节点间信誉增强的相似度，构造出每个节点的近邻，最后通过节点的近邻来预测用户对于所需服务的服务质量评价值，并向其推荐高服务质量评价值的服务。由于采用了信誉增强的相似度方法来构造节点的近邻，并根据近邻来预测用户对于所需服务的服务质量评价值，即使历史数据不充分或部分节点不存在历史数据时，也能成功预测用户对所需服务的服务质量评价值，克服了现有协同过滤技术所存在的数据稀疏性和冷启动问题，提高了服务推荐的准确度。

附图说明

图1为本发明实施例服务供应链网络的结构示意图；

图2为本发明面向服务供应链网络的服务推荐方法流程图；

图3为本发明实施例对应的转移矩阵。

图中附图标记说明如下：U表示用户节点，S表示服务节点，100表示评价链接，200表示熟知链接，300表示信任链接，400表示发布链接。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本发明基于如图1所示的服务供应链网络，提出了一种面向服务供应链网络的服务推荐方法。在如图1所示的服务供应链网络中，假设每个节点代表一个用户或者一个制造服务，包括用户节点U₁～U₄和服务节点S₅～S₁₀，每个链接代表节点之间的相互作用关系。本实施例以制造服务为例来进行说明，但不仅仅限于制造服务，以下不再赘述。

基于上述服务供应链网络，本发明一种面向服务供应链网络的服务推荐方法如图2所示，包括步骤：

步骤S1、以服务供应链网络中所有节点间的链接关系构建转移矩阵，根据转移矩阵计算所有节点的信誉度值。

与Web图中Web页面节点相类似，在服务供应链网络中，一个用户节点或制造服务节点拥有一定数量的链入链接和链出链接，这些链接可分为四种类型，分别是发布链接、熟知链接、评价链接和信任链接，每个链接都赋予了一个相应的权重。以w_ij来表示链接的权重，则：

每个发布链接权重w_ij代表制造服务i被用户j所发布的时间跨度。时间跨度越长，发布的制造服务就越可靠，信誉度越高。发布链接权重w_ij经过标准化处理后，值的范围位于[0,1]。

每个熟知链接权重w_ij代表用户i因为发布了制造服务j而被人熟知的时间跨度。时间跨度越长，制造服务越可靠，因此发布该服务的用户的信誉度也越高。熟知链接权重w_ij经过标准化处理后，值的范围位于[0,1]。

每个评价链接的权重w_ij代表用户j对制造服务i的服务质量评价值。服务质量评价值越大，制造服务就越满意，因此制造服务的信誉度也越高。评价链接权重w_ij经过标准化处理后，值的范围位于[0,1]。

每个信任链接的权重w_ij代表用户j对用户i的信任度。信任度越高，表明用户i更值得信任，其信誉度也越高。采用隐式的信任计算方法来计算出两个用户间的信任度，而不需要用户显式地输入信任值。用户U_m1和U_m2间的信任度计算公式如下：

$\mathrm{Trust}(U_{m1},U_{m2})=1-\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(({\stackrel{\‾}{r}}_{m1}-{\stackrel{\‾}{r}}_{m2}+r_{m2,i})-r_{m1,i})}^2}{I}---\left(1\right)$

其中，I表示用户U_m1和U_m2同时评价的制造服务的数量；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对制造服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2对制造服务的服务质量评价的平均值。本实施例中i和j均表示用户或服务的序号，以下不再赘述。

服务质量评价值需要提前做标准化处理，使得其值的范围位于[0,1]。因为表示通过唯一的近邻U_m2为用户U_m1预测制造服务S_i的服务质量评价值，所以它经过标准化处理后，值的范围也位于[0,1]。因此，两个用户间的信任程度Trust(U_m1,U_m2)经过标准化处理后，值的范围位于[0,1]，这个值越大，表明两者之间越信任。如果I＝0，Trust(U_m1,U_m2)＝null。从公式(1)也可以看出，信任链接是双向链接。根据以上隐式的信任计算方法，如果两个服务用户U_m1和U_m2对相同制造服务的服务质量评价值趋于一致，那么他们之间会更加信任。

与Web图相类似，信誉沿着链接方向按如下规则进行传递：1)如果一个制造服务是由信誉度好的用户所发布的，那么该制造服务的信誉评级也会更高；2)如果一个用户因为发布了信誉度高的制造服务而被别人所熟知，那么这个用户的信誉评级也会更高；3)如果一个制造服务被一个信誉度高的用户使用并评价过，那么这个制造服务的信誉评级也会更高；4)如果一个用户被信誉度高的用户所信任，那么这个用户的信誉评级也将会更高。

用有向网络图G＝(V,E)来表示如图1所示的服务供应链网络，V是节点集合(包含用户和制造服务两类节点)，E是链接集合(包括发布链接、熟知链接，评价链接和信任链接)。构建该服务供应链网络的转移矩阵M，转移矩阵M是一个|V|×|V|的矩阵，其中|V|表示用户和制造服务两类节点的总数，转移矩阵M的每个元素m_ij表示节点j到节点i存在的链接关系，如果m_ij为0则表示他们之间没有直接的链接关系，如果m_ij非0，则表示他们之间存在着直接的链接关系，转移矩阵M每一列中所有元素之和为1。

m_ij的计算公式如下：

$m_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}\×f_{\mathrm{ij}}}{\underset{k\∈\mathrm{Out}\left(j\right)}{\mathrm{\Σ}}{w}_{\mathrm{kj}}\×f_{\mathrm{kj}}}---\left(2\right)$

其中，w_ij和f_ij分别表示节点j到节点i的权重和类型因子，Out(j)表示从节点j到节点k存在着出链链接的所有节点K的集合，w_kj和f_kj表示从节点j到节点k的权重和类型因子。因为一种链接类型可能比另外一种更重要，能传递更多信誉，因此通过乘以一个类型因子f_ij来增强从节点j到节点i的链接权重w_ij。四种类型因子(即发布类型因子、熟知类型因子、评价类型因子和信任类型因子)的总和为1。

将发布链接、熟知链接、评价链接和信任链接的类型因子分别设置为0.1、0.1、0.3和0.5，则图1所示的服务供应链网络所对应的转移矩阵如图3所示。

然后根据转移矩阵M，采用PageRank链接分析算法进行反复迭代运算，最终计算出向量X，向量X中的元素对应着用户和制造服务两类节点的信誉度值。迭代公式如下：

X_t＝α·M·X_t-1+(1-α)·e·e^t/|X|  (3)

其中，α是阻尼因子，通常设为0.85；t为迭代序号，t≥1；|X|表示向量X的维数，即用户节点和服务节点的总数；e表示元素值全为1的列向量，其维数等于向量X的维数。

针对图1所示的服务供应链网络，假定向量X₀初始是一个所有元素值均为0.1的列向量，经过多次迭代，收敛后的向量X的值为{0.151,0.192,0.098,0.239,0.057,0.037,0.081,0.042,0.042,0.062}^T。

将收敛后的向量X中的元素划分成两个子集，其中一个子集是UserRank，它表示用户的信誉，另一个子集是ServiceRank，其表示制造服务的信誉。在图1所示的案例中，用户U₁、U₂、U₃和U₄构成了UserRank子集，其信誉度值分别是0.151、0.192、0.098和0.239，制造服务S₅、S₆、S₇、S₈、S₉和S₁₀构成了ServiceRank子集，其信誉度值分别是0.057、0.037、0.081、0.042、0.042和0.062。

步骤S2、计算两两节点间信誉增强的相似度，构造出所有节点的近邻。

基于协同过滤的个性化服务推荐的第一步是构造相似近邻，目前比较流行的基于线性相关的相似度计算方法是皮尔逊相关系数(PCC)法，该方法已被广泛应用于推荐系统，以计算出两个用户或两个项目之间的评价相似度，但是没有把用户和服务的信誉考虑在内。然而，在服务供应链网络环境下，一个信誉度好的用户意味着该用户更重要，对其他用户更具影响力，一个信誉度好的制造服务意味着该服务更重要，更受欢迎。

在一个包含m个用户和n个制造服务的服务供应链网络中，用户和制造服务之间的评价关系可以构成一个m×n的用户-服务评价矩阵。矩阵中的每一项r_m,n表示用户U_m对制造服务S_n的服务质量评价值。如果r_m,n＝null，表示用户U_m还没有对制造服务S_n进行过评价。

用户U_m2参照于用户U_m1的信誉增强的相似度的计算公式如下：

$\mathrm{Enh}\_\mathrm{Sim}(U_{m2}\→U_{m1})={\mathrm{\α}}_1\×\frac{\underset{j=1}{\overset{I}{\mathrm{\Σ}}}(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})\×(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})\×R_i^2}{\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})}^2\×R_i^2}\×\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})}^2\×R_i^2}}+{\mathrm{\α}}_2\×R_{m2}---\left(4\right)$

其中，I表示用户U_m1和U_m2共同评价过的制造服务个数；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对制造服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2对制造服务S_i的服务质量评价的平均值；R_i和R_m2分别表示制造服务S_i和用户U_m2的信誉度值；α₁和α₂表示两个部分在最终相似度中所占的权重，α₁+α₂＝1(一般取其值为0.6和0.4，当其中一个值为null时，另一个值将取1)。

可见，本实施例充分考虑了制造服务信誉和用户信誉对服务质量评价值的影响，其中R_i主要用于强化制造服务S_i的信誉度对最终服务质量评价值的影响，而R_m2主要用来加大信誉度高、有影响力的用户被选为用户近邻的可能性。如果预先对服务质量评价值、用户信誉度和服务信誉度进行标准化处理，使其取值范围位于[0，1]，那么一个用户相对于参照用户的信誉增强的相似度取值范围将位于[-1，1]，值越大表示越相似。

对于用户U_m1来说，通过选择参照于用户U_m1的信誉增强的相似度值大于预设阈值(取值在0到1之间)的所有用户来构造U_m1的基于用户的近邻。由于充分考虑了制造服务信誉和用户信誉对服务质量评价值的影响，构造了基于信誉增强的相似度的近邻，因此即使其中的某一部分数据无法获得，依然可以计算出最终的相似度值。

制造服务S_n2参照于制造服务S_n1的信誉增强的相似度的计算公式如下：

$\mathrm{Enh}\_\mathrm{Sim}(S_{n2}\→S_{n1})={\mathrm{\β}}_1\×\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})\×(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})\×R_j^2}{\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})}^2\×R_j^2}\×\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})}^2\×R_j^2}}+{\mathrm{\β}}_2\×R_{n2}---\left(5\right)$

其中，J表示共同对制造服务S_n1和S_n2做出评价的用户个数；r_j,n1和r_j,n2分别表示用户U_j对制造服务S_n1和S_n2评价的服务质量评价值；和分别表示用户对制造服务S_n1和S_n2服务质量评价的平均值；R_j和R_n2分别表示用户U_j的信誉度和制造服务S_n2的信誉度；β₁和β₂分别表示两个部分在最终相似度中所占的权重，β₁+β₂＝1(我们一般取其值为0.8和0.2，当其中一个值为null时，另一个值将取1)。

在公式(5)中，充分考虑了制造服务信誉和用户信誉对服务质量评价值的影响，其中R_j主要用于强化用户U_j的信誉度对最终服务质量评价值的影响，而R_n2主要用来强化制造服务的信誉度对最终服务质量评价值的影响。然而，如果公式(4)中第一部分的值为null，即不能确定评价相似性，则第二部分R_n2，即选取信誉度高的制造服务作为近邻就没有任何意义，那么最终的信誉增强的相似度值也将为null。如果预先对服务质量评价值、用户信誉度和服务信誉度进行标准化处理，使其取值范围位于[0，1]，那么一个制造服务相对于其参照的制造服务的信誉增强的相似度取值范围将位于[-1，1]，值越大表示越相似。

对于制造服务S_n1来说，通过选择参照于制造服务S_n1的信誉增强的相似度值大于预设阈值(取值在0到1之间)的所有制造服务来构造S_n1的基于服务的近邻。

步骤S3、对于需要推荐服务的用户，根据相应节点的近邻来预测该用户对于所需服务的服务质量评价值，并向其推荐高服务质量评价值的服务。

构造了基于用户和基于服务的近邻后，就可以为用户预测其缺失的服务质量评价值，最终实现向用户推荐最优的制造服务。本实施例中，通过集成基于信誉增强的相似度的、来自基于用户和基于服务的近邻的意见，应用了基于近邻的协同过滤算法为用户预测缺失的制造服务服务质量评价值。

基于近邻的协同过滤算法，利用用户U_m的信誉增强的相似度从大到小排名靠前的K个近邻来预测用户U_m对制造服务S_n的服务质量评价值P_u(r_m,n)，其计算公示如下：

$P_u\left(r_{m,n}\right)={\stackrel{\‾}{r}}_m+\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)\×(r_{k,n}-{\stackrel{\‾}{r}}_k)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)}---\left(6\right)$

其中，和分别表示用户U_m和其近邻U_k对不同制造服务的服务质量评价的平均值；r_k,n表示用户U_k对制造服务S_n的服务质量评价值；Enh_Sim(U_k→U_m)表示用户U_k参照于用户U_m的信誉增强的相似度值。如果用户U_m没有基于信誉增强的相似度的近邻，那么P_u(r_m,n)＝null。

同时，利用制造服务S_n的信誉增强的相似度从大到小排名靠前的L个近邻来预测用户U_m对制造服务S_n的服务质量评价值P_s(r_m,n)，其计算公示如下：

$P_s\left(r_{m,n}\right)={\stackrel{\‾}{r}}_n+\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)\×(r_{m,l}-{\stackrel{\‾}{r}}_l)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)}---\left(7\right)$

其中，和分别表示不同用户对制造服务S_n和其近邻S_l的服务质量评价的平均值；r_m,l表示用户U_m对制造服务S_l的服务质量评价值；Enh_Sim(S_l→S_n)表示制造服务S_l参照于制造服务S_n的信誉增强的相似度值。如果制造服务S_n没有基于信誉增强的相似度的近邻，那么P_s(r_m,n)＝null。

为了探讨信誉增强的、同时基于用户和基于服务的近邻来预测缺失的服务质量评价值，我们可以将P_u(r_m,n)和P_s(r_m,n)相结合来获得用户U_m对制造服务S_n的服务质量最终预测值P_Com(r_m,n)，其计算方法如下：

$P_{\mathrm{Com}}\left(r_{m,n}\right)=\left\{\begin{array}{ccccc}\mathrm{null}& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_u\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_s\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\\ {\mathrm{\γ}}_1\×P_u\left(r_{m,n}\right)+{\mathrm{\γ}}_2\×P_v\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\end{array}\right.---\left(8\right)$

γ₁和γ₂分别表示两部分对于最终预测值的权重，γ₁+γ₂＝1(通过多次实验可知，γ₁和γ₂通常设置为0.6和0.4)。

完成用户对各种制造服务服务质量评价值的预测后，再通过效用分析方法，就可以为该用户推荐个性化的制造服务。例如，对于单属性的服务质量评价，可直接向用户推荐一系列高服务质量评价值的制造服务。对于多属性的服务质量评价，就要通过多准则决策函数来进行求解处理。

以下通过具体的实验案例对本发明进行进一步说明，实验基础为一个服务供应链网络，其制造服务数据库收集了145个注册用户对867个制造服务的历史评价数据，并且已经对服务质量评价值做了标准化处理，使得其值取值范围为[0,1]。

当某个用户U₁正在搜寻一个铣削服务，他需要从满足铣削功能的6个候选制造服务(S₁到S₆)中选择一个服务质量最优的服务。包括当前用户U₁在内的5个用户(U₁到U₅)在以往的服务使用过程中，已经对其中的一些候选服务(S₁到S₆)的服务质量评价值进行了评价。表1是一个用户-服务评价矩阵，从中可以看出用户U₁和制造服务S₃分别是冷启动用户和冷启动服务，因为它们都只有一个服务质量评价值。对于用户U₁来说，需要对除S₅以外的所有铣削服务缺失的服务质量评价值进行预测，以便用户U₁能从中挑选出服务质量评价值最优的服务。

表1

其个性化的制造服务推荐流程如下：

1)信誉计算：因为原型系统的制造服务数据库包含了145个注册用户和867个制造服务，根据公式(2)，可构造出一个1012×1012的转移矩阵M，以便存储与用户节点和制造服务节点有关的出链信息(包括发布链接、熟知链接、评价链接和信任链接)。接下来，应用公式(3)对PageRank向量进行迭代计算，以计算出所有用户节点(U₁到U₅)和所有制造服务(S₁到S₆)节点的信誉度值。

表2显示的是经过标准化处理后的节点信誉度值。尽管基于PageRank的信誉计算方法运算量非常大，但由于是在离线状态下完成的，因此并不影响系统的实时运行效率。

表2

2)信誉增强的相似度计算：根据用户-服务评价矩阵(表1)和标准化处理后的节点信誉表(表2)，利用公式(4)和(5)计算出用户之间和制造服务之间的信誉增强的相似度，如表3和表4所示。

表3

表4

3)服务质量评价值预测：基于前面提出的信誉增强的相似度计算方法，可以通过公式(6)、(7)和(8)预测出用户U₁缺失的制造服务服务质量评价值。在本案例中，最近邻数量设为3个，从表1中可以看出，用户U₁是找不到近邻的，因此对于传统的协同过滤方法而言，U₁是一个冷启动用户。然而，从表3中可以看出，采用本实施例提出的信誉增强的协同过滤方法后，用户U₁可以找到3个合格的近邻，即用户U₃、U₄和U₅。类似地，可以证明基于用户的数据稀疏性问题也能够得到缓解。为用户U₁预测的所有制造服务的服务质量评价值如表5所示。

表5

4)制造服务推荐：在完成对用户U₁的各种制造服务服务质量评价值预测后，可以看出磨削服务S₃“Milling service-Solarkey”的服务质量评价值0.9是最高的，因此将S₃作为最优服务推荐给用户U₁。

实验结果证明，本实施例提出的服务推荐方法优于传统的协同过滤方法，平均绝对误差(MAE)由1.29减少到1.04，因此服务推荐的准确度更高。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种面向服务供应链网络的服务推荐方法，所述服务供应链网络的每个节点代表一个用户或者一个服务，每个链接代表节点之间的相互作用关系，其特征在于，该服务推荐方法包括步骤：

以服务供应链网络中所有节点间的链接关系构建转移矩阵，根据转移矩阵计算出所有节点的信誉度值；

计算两两节点间信誉增强的相似度，构造出所有节点的近邻；

对于需要推荐服务的用户，根据相应节点的近邻来预测该用户对于所需服务的服务质量评价值，并向其推荐高服务质量评价值的服务。

2.根据权利要求1所述的服务推荐方法，其特征在于，所述转移矩阵中的每个元素m_ij表示节点j到节点i存在的链接关系，其计算公式如下：

$m_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}\×f_{\mathrm{ij}}}{\underset{k\∈\mathrm{Out}\left(j\right)}{\mathrm{\Σ}}{w}_{\mathrm{kj}}\×f_{\mathrm{kj}}}$

其中，w_ij和f_ij分别表示节点j到节点i的权重和类型因子，Out(j)表示从节点j到节点k存在着出链链接的所有节点的集合，w_kj和f_kj表示从节点j到节点k的权重和类型因子。

3.根据权利要求2所述的服务推荐方法，其特征在于，所述节点j到节点i存在的链接关系包括发布链接、熟知链接、评价链接和信任链接，所述各种链接对应有各自的权重，分别如下：

发布链接权重w_ij代表服务i被用户j所发布的时间跨度；

熟知链接权重w_ij代表用户i因为发布了服务j而被人熟知的时间跨度；

评价链接的权重w_ij代表用户j对服务i的服务质量评价值；

信任链接的权重w_ij代表用户j对用户i的信任度。

4.根据权利要求3所述的服务推荐方法，其特征在于，对于任意两个用户U_m1和U_m2，他们之间的信任度计算公式如下：

$\mathrm{Trust}(U_{m1},U_{m2})=1-\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(({\stackrel{\‾}{r}}_{m1}-{\stackrel{\‾}{r}}_{m2}+r_{m2,i})-r_{m1,i})}^2}{I}$

其中，I表示用户U_m1和U_m2同时评价的服务的数量；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2的服务质量评价的平均值。

5.根据权利要求3所述的服务推荐方法，其特征在于，所述各种链接对应有各自的类型因子，分别为发布类型因子、熟知类型因子、评价类型因子和信任类型因子，所述发布类型因子为0.1，熟知类型因子为0.1，评价类型因子为0.3，信任类型因子为0.5，各类型因子总和为1。

6.根据权利要求1所述的服务推荐方法，其特征在于，所述根据转移矩阵计算所有节点的信誉度值，包括如下步骤：

采用PageRank链接分析算法，以设定的初始向量X₀按照如下公式开始迭代：

X_t＝α·M·X_t-1+(1-α)·e·e^t/|X|

其中，α为阻尼因子；M为转移矩阵；t为迭代序号；|X|表示向量X的维数，即用户节点和服务节点的总数；e表示元素值全为1的列向量，其维数等于向量X的维数；

以收敛后的向量X中的元素为对应节点的信誉度值。

7.根据权利要求1所述的服务推荐方法，其特征在于，所述计算两两节点间信誉增强的相似度，构造所有节点的近邻，包括步骤：

按照如下公式计算用户之间的信誉增强的相似度：

$\mathrm{Enh}\_\mathrm{Sim}(U_{m2}\→U_{m1})={\mathrm{\α}}_1\×\frac{\underset{j=1}{\overset{I}{\mathrm{\Σ}}}(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})\×(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})\×R_i^2}{\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m1,i}-{\stackrel{\‾}{r}}_{m1})}^2\×R_i^2}\×\sqrt{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{(r_{m2,i}-{\stackrel{\‾}{r}}_{m2})}^2\×R_i^2}}+{\mathrm{\α}}_2\×R_{m2}$

其中，Enh_Sim(U_m2→U_m1)表示用户U_m2参照于用户U_m1的信誉增强的相似度；I表示用户U_m1和U_m2共同评价过的服务个数；r_m1,i和r_m2,i分别表示用户U_m1和U_m2对服务S_i的服务质量评价值；和分别表示用户U_m1和U_m2对服务S_i的服务质量评价的平均值；R_i和R_m2分别表示服务S_i和用户U_m2的信誉度值；α₁和α₂表示两个部分在最终相似度中所占的权重，α₁+α₂＝1；

对于用户U_m1来说，选择参照于用户U_m1的信誉增强的相似度值大于预设阈值的所有用户来构造用户U_m1的基于用户的近邻；

按照如下公式计算服务之间的信誉增强的相似度：

$\mathrm{Enh}\_\mathrm{Sim}(S_{n2}\→S_{n1})={\mathrm{\β}}_1\×\frac{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})\×(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})\×R_j^2}{\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n1}-{\stackrel{\‾}{r}}_{n1})}^2\×R_j^2}\×\sqrt{\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{(r_{j,n2}-{\stackrel{\‾}{r}}_{n2})}^2\×R_j^2}}+{\mathrm{\β}}_2\×R_{n2}$

其中，Enh_Sim(S_n2→S_n1)表示服务S_n2参照于服务S_n1的信誉增强的相似度；J表示共同对服务S_n1和S_n2做出过评价的用户个数；r_j,n1和r_j,n2分别表示用户U_j对服务S_n1和S_n2的服务质量评价值；和分别表示用户对服务S_n1和S_n2的服务质量评价的平均值；R_j和R_n2分别表示用户U_j的信誉度和服务S_n2的信誉度；β₁和β₂分别表示两个部分在最终相似度中所占的权重，β₁+β₂＝1；

对于服务S_n1来说，选择参照于服务S_n1的信誉增强的相似度值大于预设阈值的所有服务来构造服务S_n1的基于服务的近邻。

8.根据权利要求1所述的服务推荐方法，其特征在于，假设所述需要推荐服务的用户为U_m，该用户所需服务为S_n，所述对于需要推荐服务的用户，根据节点的近邻来预测该用户对于所需服务的服务质量评价值，包括步骤：

利用用户U_m的信誉增强的相似度从大到小排名靠前的K个近邻来预测用户U_m对服务S_n的服务质量评价值P_u(r_m,n)，其计算公示如下：

$P_u\left(r_{m,n}\right)={\stackrel{\‾}{r}}_m+\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)\×(r_{k,n}-{\stackrel{\‾}{r}}_k)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(U_k\→U_m)}$

其中，和分别表示用户U_m和其近邻U_k对不同制造服务的服务质量评价的平均值；r_k,n表示用户U_k对服务S_n的服务质量评价值；Enh_Sim(U_k→U_m)表示用户U_k参照于用户U_m的信誉增强的相似度值；

利用服务S_n的信誉增强的相似度从大到小排名靠前的L个近邻来预测用户U_m对服务S_n的服务质量评价值P_s(r_m,n)，其计算公示如下：

$P_s\left(r_{m,n}\right)={\stackrel{\‾}{r}}_n+\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)\×(r_{m,l}-{\stackrel{\‾}{r}}_l)}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{Enh}\_\mathrm{Sim}(S_l\→S_n)}$

其中，和分别表示不同用户对服务S_n和其近邻S_l的服务质量评价的平均值；r_m,l表示用户U_m对服务S_l的服务质量评价值；Enh_Sim(S_l→S_n)表示服务S_l参照于服务S_n的信誉增强的相似度值；

结合P_u(r_m,n)和P_s(r_m,n)来获得用户U_m对服务S_n的服务质量最终预测值P_Com(r_m,n)，其计算方法如下：

$P_{\mathrm{Com}}\left(r_{m,n}\right)=\left\{\begin{array}{ccccc}\mathrm{null}& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_u\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)=\mathrm{null}\\ P_s\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)=\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\\ {\mathrm{\γ}}_1\×P_u\left(r_{m,n}\right)+{\mathrm{\γ}}_2\×P_v\left(r_{m,n}\right)& \mathrm{if}& P_u\left(r_{m,n}\right)\≠\mathrm{null}& \mathrm{and}& P_s\left(r_{m,n}\right)\≠\mathrm{null}\end{array}\right.$

γ₁和γ₂分别表示两部分对于最终预测值的权重，γ₁+γ₂＝1。

9.根据权利要求8所述的服务推荐方法，其特征在于，如果用户U_m没有基于信誉增强的相似度的近邻，那么P_u(r_m,n)＝null，如果服务S_n没有基于信誉增强的相似度的近邻，那么P_s(r_m,n)＝null。

10.根据权利要求7或8所述的服务推荐方法，其特征在于，所述α₁为0.6，所述α₂为0.4，所述β₁为0.8，所述β₂为0.2，所述γ₁为0.6，所述γ₂为0.4。