CN104778636A - 船舶装备维修保障信息服务推荐方法 - Google Patents

Abstract

本发明涉及船舶装备维修保障信息服务推荐方法，1：对各项船舶装备维修保障信息分类，每一类信息定义一个服务类；2：建立维修保障信息服务中心，实现对上述Web服务的运行过程监控，并记录服务运行时的服务质量数据；3：用户对某类信息需求时，查询满足用户需求的候选Web服务，如果维修保障信息服务中心内的服务质量数据库中存在上述候选服务的历史服务质量数据，则直接读取；否，则挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测，服务质量将服务质量最优的一个或多个信息服务推荐给用户。本发明能有效提升船舶装备维修保障工作的有效性、规范性和全面性。

Description

船舶装备维修保障信息服务推荐方法

技术领域

本发明涉及船舶装备维修保障技术领域，具体涉及一种船舶装备维修保障信息服务推荐方法。

背景技术

随着船舶装备维修保障信息化程度的不断深入和船舶装备系统结构日益复杂，对信息的依赖程度越来越高。装备维修任务的重点已逐渐由传统的以修复为主，转变为以对维修对象信息和资源信息的获取、处理和使用，并依据所获取的信息对装备维修活动作出科学的技术支持和辅助决策为主。在船舶装备的研制、生产、列装、使用和保障等过程中，会产生大量信息，这些信息对于提高装备维修保障工作效率具有重要意义。然而现有的装备维修保障单位研制的信息系统大多只能满足自身的需求，其采用的技术手段不一、采集方式各异、涉及的信息内容标准不同，并且地域分布也较广，因此缺乏部门之间有效的信息共享和协同机制，无法充分利用已有的信息，提升船舶装备维修保障工作的有效性、规范性和全面性。

发明内容

本发明的目的在于提供一种船舶装备维修保障信息服务推荐方法，本发明能有效提升船舶装备维修保障信息化工作的有效性、规范性和全面性。

为解决上述技术问题，本发明公开的船舶装备维修保障信息服务推荐方法，其特征在于，它包括如下步骤：

步骤1：对现有的涉及到船舶装备整个保障体系的各项船舶装备维修保障信息进行分类，将船舶装备维修保障信息分为船舶信息、 装备基础信息、保障资源信息、保障组织信息、装备备件信息、维修保养信息、加改换装信息、计划修理信息和临抢修信息这九大类信息，然后在上述每一类信息定义一个服务类，服务类表示一组能实现该类信息发布、查询和获取功能的Web服务集合；

步骤2：建立维修保障信息服务中心，实现对上述Web服务的运行过程进行监控，并记录服务运行时的服务质量数据，同时收集用户调用过服务后的服务质量反馈数据，然后在上述服务质量数据和服务质量反馈数据的基础上在维修保障信息服务中心内建立服务质量数据库；

步骤3：用户提出对步骤1中九大类信息中的某一类信息的需求时，通过通用描述、发现与集成服务模块查询满足用户需求的候选Web服务，维修保障信息服务中心内的服务推荐模块通过与通用描述、发现与集成服务模块通信，获取满足条件的候选服务列表，并向维修保障信息服务中心站点查询候选服务的历史服务质量数据信息，如果维修保障信息服务中心内的服务质量数据库中存在上述候选服务的历史服务质量数据，则直接读取；如果维修保障信息服务中心内的服务质量数据库中不存在上述候选服务的历史服务质量数据，则挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测，并将预测服务质量数据返回给维修保障信息服务中心内的服务推荐模块，当获取了所有候选服务的服务质量数据以后，服务推荐模块将服务质量最优的一个或多个信息服务推荐给用户。

当前度量Web(网络)服务的质量和可靠性的主要指标是服务质量(QoS，Quality of Service)，因此用户在选择维修保障信息服务时，需对已有候选服务的服务质量QoS进行准确预测，然后选择服务质量最优的服务进行调用，以提高信息获取的有效性和准确性。当前传统的服务质量预测方法主要包含协同过滤方法和矩阵分解模型方法两类，传统的协同过滤方法对于用户评分等主观型数据的预测较为准确，但服务的QoS是一种受环境因素影响较大的客观型数 据，仅通过挖掘服务质量数据的近邻信息难以保证服务质量预测的准确度。传统的矩阵分解模型方法虽然通过挖掘服务质量观测数据中的隐含特征可实现服务质量的个性化预测，但由于通常将服务质量预测问题转化为对损失函数的最优化问题，算法的收敛速度较慢，难以满足系统的时效性需求。本发明所述的服务推荐方法通过挖掘已有的服务质量观测数据中的近邻信息和隐含特征信息实现对候选服务QoS的个性化预测，算法实现简单，可有效提升服务质量预测准确度和服务推荐质量，将大大提高船舶装备维修保障信息的获取、处理和使用的有效性和准确性。

附图说明

图1为本发明中船舶装备维修保障信息服务推荐方法的流程图。

图2为本发明中船舶装备维修保障信息分类示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

本发明的船舶装备维修保障信息服务推荐方法，如图1所示，它包括如下步骤：

步骤1：对现有的涉及到船舶装备整个保障体系的各项船舶装备维修保障信息进行分类，将船舶装备维修保障信息分为船舶信息(船舶基本信息、总体技术描述信息、船舶履历信息、船舶执掌部署信息)、装备基础信息(装备基本属性信息、组成结构、装备履历信息)、保障资源信息(保障技术资料、信息系统、人力资源、保障设备)、保障组织信息(保障行政体系、保障组织体系)、装备备件信息(随船器材信息、随船器材库存信息、随船备件信息、器材数量质量信息、固定资产信息、废旧器材备件信息、器材采购合同信息)、维修保养信息(维护日志)、加改换装信息、计划修理信息(维修项目清单、装备维修标准、维修方案信息、维修任务信息、坞修信息、小修信息、中修信息)和临抢修信息(日常临抢修信息、事故临抢修 信息、应急临抢修信息)这九大类信息，然后在上述每一类信息定义一个服务类，服务类表示一组能实现该类信息发布、查询和获取功能的Web服务集合(Web服务由各维修保障信息供应单位开发，实现对本单位相应信息的发布、查询和获取等功能)；

步骤2：建立维修保障信息服务中心，实现对上述Web服务的运行过程进行监控，并记录服务运行时的服务质量数据，同时收集用户调用过服务后的服务质量反馈数据，然后在上述服务质量数据和服务质量反馈数据的基础上在维修保障信息服务中心内建立服务质量数据库；

步骤3：用户提出对步骤1中九大类信息中的某一类信息的需求时，通过通用描述、发现与集成服务模块(UDDI，Universal Description,Discovery and Integration)查询满足用户需求的候选Web服务(用户采用关键字搜索在UDDI上查询符合条件的维修保障信息服务)，维修保障信息服务中心内的服务推荐模块通过与通用描述、发现与集成服务模块通信，获取满足条件的候选服务列表，并向维修保障信息服务中心站点查询候选服务的历史服务质量数据信息，如果维修保障信息服务中心内的服务质量数据库中存在上述候选服务的历史服务质量数据，则直接读取；如果维修保障信息服务中心内的服务质量数据库中不存在上述候选服务的历史服务质量数据，则挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测，并将预测服务质量数据返回给维修保障信息服务中心内的服务推荐模块，当获取了所有候选服务的服务质量数据以后，服务推荐模块将服务质量最优的一个或多个信息服务推荐给用户。

所述步骤3中，挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测的具体方法包括以下步骤：

步骤301：挖掘维修保障信息服务中心内的服务质量数据库，计算目标服务与其他服务的相似度，在维修保障信息服务中心内的服 务质量数据库中，用户集合以U＝{u₁,u₂,...,u_m}表示，其中u_j(1≤j≤m)代表用户集中的第j个用户；服务集合以服务集S＝{s₁,s₂,...,s_n}表示，s_i(1≤i≤n)代表服务集中的第i个服务，则服务质量数据以用户服务矩阵形式存储在维修保障信息服务中心内的服务质量数据库中，以服务质量矩阵R表示，如公式(1)所示；

$R=\left[\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1m}\\ R_{21}& R_{22}& ...& R_{2m}\\ ...& ...& ...& ...\\ R_{n1}& R_{n2}& ...& R_{\mathrm{nm}}\end{array}\right]---\left(1\right)$

其中R_ij＝＜rt_ij,tp_ij,rel_ij,av_ij＞，1≤i≤n,1≤j≤m，rt_ij、tp_ij、rel_ij和av_ij分别表示用户u_j调用服务s_i时体验到的响应时间、吞吐量、可靠性和可用性；

在对候选服务对应的服务质量数据进行准确预测前，需将该矩阵R中的数据项进行预处理，具体为按照服务质量属性类别将其分离为若干个子矩阵，即响应时间子矩阵、吞吐量子矩阵、可靠性子矩阵和可用性子矩阵，然后再对各个子矩阵进行独立预测，服务质量预测的目标就是利用矩阵R(矩阵R为服务质量原始矩阵)中已有的观测数据对矩阵R中的缺失项进行预测；

在已知矩阵R的条件下，采用如下公式(2)所示的改进的皮尔逊相关系数计算目标服务s_i与服务s_r之间相似度，s_i(1≤i≤n)代表服务集中的第i个服务，s_r为服务s_i的近邻服务：

其中 $H=\sqrt{\underset{u_j\∈U_{\mathrm{ir}}}{\mathrm{\Σ}}{(R_{\mathrm{ij}}-\stackrel{\‾}{R_i})}^2}\sqrt{\underset{u_j\∈U_{\mathrm{ir}}}{\mathrm{\Σ}}{(R_{\mathrm{rj}}-\stackrel{\‾}{R_r})}^2}$

sim(s_i,s_r)表示目标服务s_i与服务s_r之间的相似度，sim(s_i,s_r)的取值范围为[-1,1]，值越大说明两服务越相似，H为公式简化所用代号；令U_i为调用过服务s_i的用户集合，U_r为调用过服务s_r的用户集合，则U_ir＝U_i∩U_r表示调用过服务s_i和服务s_r的用户交集，R_ij表示用户u_j观测到的服务s_i的服务质量数据，表示用户U_i观测到的服务s_i的服务质量数据算术平均值，R_rj表示用户u_j观测到的服务s_r的服务质量数据，表示用户U_r观测到的服务s_r的服务质量数据算术平均值；

步骤302：完成服务s_i与其他所有服务的相似度计算步骤后，令与服务s_i相似度最高的N个服务组成的集合T(s_i)称为服务s_i的Top-N近邻服务集，然后利用所述Top-N近邻服务集中的服务质量信息，通过下列公式(3)对用户u_a对于服务s_r的服务质量体验值R_ia进行协同过滤预测，其中，1≤a≤m；

$R_{\mathrm{ia}}=\stackrel{\‾}{R_i}+\frac{\underset{s_r\∈T\left(s_i\right)}{\mathrm{\Σ}}\mathrm{Sim}(s_i,s_r)(R_{\mathrm{ra}}-\stackrel{\‾}{R_r})}{\underset{s_r\∈T\left(s_i\right)}{\mathrm{\Σ}}\mathrm{Sim}(s_i,s_r)}---\left(3\right)$

上式中s_r为服务s_i的近邻服务，R_ra表示用户u_a对服务s_r的服务质量体验值，由于服务质量矩阵较为稀疏，因此R_ra以高概率等于零，导致预测值不准确，因此在协同过滤预测前先采用服务的算术平均值填充Top-N近邻服务集中的缺失值，由于采用式(3)计算得到的服务质量预测值有可能为负值，而现实中的服务质量为非负值，因此采用服务的算术平均值取代这部分负值；

步骤303：通过上述协同过滤预测，服务质量矩阵R中的缺失项将得到较为准确的预测值，采用该预测值对服务质量矩阵R进行填充即可得到完整的服务质量估计矩阵X，然后采用非负矩阵因子分解(NMF)算法对完整的服务质量估计矩阵X进行矩阵分解，得到 其分解形式X＝WV，其中W为n×k的基矩阵，V为k×m的权重矩阵，其中，n和m与步骤301中的n和m一致，k为矩阵X的分解矩阵W和V的维数，从而挖掘出服务质量矩阵R中的隐含特征信息(QoS矩阵因子分解模型具有一定的物理意义，假设服务的QoS可由隐含的k个特征因子决定，这些特征因子可以是服务器环境特征、用户输入特征和网络环境特征，具体来说，网络环境特征可包含网络带宽、网络吞吐量等，服务器环境特征可包含服务器的CPU利用率、内存利用率、进程占有率、并发访问率等，用户特征可包含用户输入大小、任务类型、地理位置)，实现对服务质量矩阵R这种高维矩阵的降维拟合，分解矩阵的迭代求解方式如式(4)所示；

$\begin{array}{c}{V}_{\mathrm{dj}}\←V_{\mathrm{dj}}\frac{{\left(W^T{R}^{t+1}\right)}_{\mathrm{dj}}}{{\left(W^T\mathrm{WV}\right)}_{\mathrm{dj}}}\\ W_{\mathrm{id}}\←W_{\mathrm{id}}\frac{{\left(R^{t+1}{V}^T\right)}_{\mathrm{id}}}{{\left({\mathrm{WVV}}^T\right)}_{\mathrm{id}}},W_{\mathrm{id}}=\frac{W_{\mathrm{id}}}{\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{id}}}\end{array}---\left(4\right)$

其中，W_id表示基矩阵中的数据项，V_dj表示权重矩阵V中的数据项，R^t+1表示第t+1次迭代时的服务质量矩阵，T为矩阵转置符号；

步骤304：得到服务质量估计矩阵X的分解矩阵W和V后，取W的第i行与V的第j列的向量内积取代服务质量矩阵R中的缺失项R_ij，并将更新后的矩阵服务质量矩阵R赋值给服务质量估计矩阵X，完成对服务质量估计矩阵X的更新；

步骤305：重复步骤303和步骤304，直到服务质量估计矩阵X收敛，则服务质量矩阵R中的缺失项R_ij的预测值即为服务质量估计矩阵X中对应的X_ij；

步骤306：通过步骤301～步骤305得到用户对Web服务的服务质量的预测值以后，则可通过对所有候选服务的服务质量进行评估，然后将服务质量最优的一个或若干个候选服务推荐给用户。

上述技术方案中，服务质量属性包含响应时间、吞吐量、可靠性和可用性，以下对上述服务质量属性进行描述和定义。

(1)响应时间：Web服务的响应时间是指服务请求者从发出服务请求到接收到服务响应结果之间的等待时间，服务的响应时间 q_rt(s)由服务的运行时间T_p(s)和网络传输时间T_r(s)两部分构成，其中服务的运行时间T_p(s)由服务提供者在服务描述中给出并提供相应的保证，网络传输时间T_r(s)则可根据服务的历史运行记录估计为 其中n为服务s被执行的总次数，T_i(s)为服务第i次执行时的网络传输时间。服务的响应时间一般以秒为计量单位，服务的响应时间越低意味着服务的性能越好。

(2)吞吐量：Web服务的吞吐量q_tp(s)是指服务在单位时间内可成功接收的平均数据量，一般以kbps为计量单位，服务的吞吐量越高表示服务的性能越好。

(3)可靠性：Web服务的可靠性q_rel(s)是指服务能够在指定时间范围内成功执行的概率，服务的可靠性与服务请求者和服务提供者之间的网络状况，以及各自的软硬件配置相关。可靠性可根据服务的历史运行记录中成功和失败的次数进行估计，假如令M为服务s被调用的总次数，N(s)为成功执行的次数，则服务s的可靠性可估计为q_rel(s)＝N(s)/M。服务的可靠性越高越好。

(4)可用性：Web服务的可用性q_av(s)是指当服务请求者发出服务请求时，服务做出响应的概率。服务的可用性可表示为在某个时间段θ中，服务可用的时间T_θ(s)占总的时间的比例，即q_av(s)＝T_θ(s)/θ。服务的可用性越高意味着服务的性能越好。

用户j在评价服务i的优劣性时，采用常规的加权技术为上述四个属性赋予相应的权值w₁、w₂、w₃、w₄，表示用户j对上述几种服务质量属性的不同偏好，然后得到服务i的服务质量加权值U(R_ij)，QoS加权值越高表示服务的总体性能越好。

上述技术方案中，通过如下公式(5)得到服务i的服务质量加权值U(R_ij)：

U(R_ij)＝w₁×rt_ij+w₂×tp_ij+w₃×rel_ij+w₄×av_ij    (5) 

其中，rt_ij、tp_ij、rel_ij和av_ij分别表示用户u_j调用服务s_i时体验到的响应时间、吞吐量、可靠性和可用性。w₁为服务质量属性中响应时间的权值，w₂为服务质量属性中吞吐量的权值，w₃为服务质量属 性中可靠性的权值，w₄为服务质量属性中可用性的权值，服务质量属性的权值反映了用户在综合评估服务的性能时对某类属性的偏好，例如当用户将w₁、w₂、w₃和w₄都赋值为相等的0.25时，意味着用户并未偏好上述任意一类属性，而当用户将w₁赋值为0.5时，代表用户在评估服务的性能时更关注它的响应时间属性。

上述技术方案中，维修保障信息服务中心内的服务推荐模块将服务质量最优的一个或若干个候选服务的Web服务描述文档(WSDL，Web Services Description Language)地址发送给服务用户，用户根据Web服务描述文档的地址完成对服务的绑定和调用，从而实现对相应维修保障信息的获取。

上述技术方案中，服务质量QoS是描述Web服务质量的一系列非功能属性的集合，通常包括价格、响应时间、吞吐量、可靠性和可用性等。假如QoS预测系统包含n个服务和m个用户，则服务的QoS使用信息可采用n×m的用户-服务QoS矩阵R表示。矩阵R中的任意项R_ij表示用户j调用服务i时的QoS值。在现实中，由于大部分用户只调用过少量的服务，因此QoS矩阵R包含许多缺失项，预测系统的目标就是利用矩阵R中的已知QoS信息对这些缺失项进行准确的预测。我们希望通过矩阵因子分解模型技术找到一个低维线性模型X＝UV对QoS矩阵R进行逼近，则缺失项R_ij的预测值可通过U的第i行与V的第j列取内积得到。其中U为n×k矩阵，V为k×m矩阵，k为特征因子的个数。

QoS矩阵因子分解模型具有如下物理意义。假设服务质量QoS可由隐含的k个特征因子决定，这些特征因子可以是服务器环境特征、用户输入特征和网络环境特征等。具体来说，网络环境特征可包含网络带宽和网络吞吐量，服务器环境特征可包含服务器的CPU(中央处理器，Central Processing Unit)利用率、内存利用率、进程占有率和并发访问率等，用户特征可包含用户输入大小、任务类型和地理位置等。假如上述各个特征因子对服务的QoS值都有着固定的影响基准值，比如对于某个信用卡号认证服务，其QoS(如响应 时间)受输入的信用卡号数量大小影响较大，而受其所处的地理位置和网络吞吐量影响较小，因此可以认为，用户输入特征对于该类服务的QoS影响基准值较高；而对于某个视频格式转换服务，用户地理位置离服务器越远或者网络吞吐量越低，则用户体验到的服务响应时间越长，因此对于该类服务，用户地理位置和网络吞吐量的QoS影响基准值较高。我们将上述低维线性模型中的W称为QoS基矩阵，并将其写成列向量形式则列向量W_d(d＝1,2,...,k)表示第d个特征因子对服务QoS的影响基准值；V称为权重矩阵，其每一列对应为某个用户对这k个特征因子赋予的权重，反映了该用户对这些特征因子的敏感程度。则用户j对服务i的QoS体验值可表示为服务i在这k个特征因子上的QoS基准值的某个线性组合，系数为用户j对各个特征因子赋予的权重值，如式(6)所示。

$X_{\mathrm{ij}}=\underset{d=1}{\overset{k}{\mathrm{\Σ}}}{W}_{\mathrm{id}}\×V_{\mathrm{dj}}---\left(6\right)$

其中X_ij为用户j对服务i的QoS估计值，U_id为第d个特征因子对服务i的QoS基准值，V_dj为用户j对第d个特征因子赋予的权重。

上述技术方案中，服务用户表示维修保障信息的需求者，主要包括与船舶装备相关的维修保障单位，如各级保障机关和参与维修保障任务的科研院所。服务用户通过调用服务，获取相应信息，为其维修保障活动提供技术支撑和辅助决策。

维修保障信息服务由各维修保障信息供应单位开发，实现本单位相应信息的发布，并对外提供查询和下载等功能。

维修保障信息服务中心站点实现对维修保障信息服务的实际运行过程进行监控，并对其QoS值进行记录，同时收集来自各用户对服务的QoS数据反馈，以此建立服务QoS数据库。用户可在该数据库中查询相应服务的历史QoS运行值，从而为其选择服务提供依据。

服务推荐模块主要实现两方面的功能，一方面获取候选服务的历史QoS数据，另一方面根据已有的服务QoS数据，对QoS数据库中缺失的数据进行预测，并在此基础上选择QoS最优的候选服务推 荐给服务用户。

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (5)

1.一种船舶装备维修保障信息服务推荐方法，其特征在于，它包括如下步骤：

步骤1：对现有的涉及到船舶装备整个保障体系的各项船舶装备维修保障信息进行分类，将船舶装备维修保障信息分为船舶信息、装备基础信息、保障资源信息、保障组织信息、装备备件信息、维修保养信息、加改换装信息、计划修理信息和临抢修信息这九大类信息，然后在上述每一类信息定义一个服务类，服务类表示一组能实现该类信息发布、查询和获取功能的Web服务集合；

步骤2：建立维修保障信息服务中心，实现对上述Web服务的运行过程进行监控，并记录服务运行时的服务质量数据，同时收集用户调用过服务后的服务质量反馈数据，然后在上述服务质量数据和服务质量反馈数据的基础上在维修保障信息服务中心内建立服务质量数据库；

步骤3：用户提出对步骤1中九大类信息中的某一类信息的需求时，通过通用描述、发现与集成服务模块查询满足用户需求的候选Web服务，维修保障信息服务中心内的服务推荐模块通过与通用描述、发现与集成服务模块通信，获取满足条件的候选服务列表，并向维修保障信息服务中心站点查询候选服务的历史服务质量数据信息，如果维修保障信息服务中心内的服务质量数据库中存在上述候选服务的历史服务质量数据，则直接读取；如果维修保障信息服务中心内的服务质量数据库中不存在上述候选服务的历史服务质量数据，则挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测，并将预测服务质量数据返回给维修保障信息服务中心内的服务推荐模块，当获取了所有候选服务的服务质量数据以后，服务推荐模块将服务质量最优的一个或多个信息服务推荐给用户。

2.根据权利要求1所述的船舶装备维修保障信息服务推荐方法，其特征在于：所述步骤3中，挖掘维修保障信息服务中心内的服务质量数据库中的近邻信息和隐含特征信息实现对候选服务对应的服务质量数据进行准确预测的具体方法包括以下步骤：

步骤301：挖掘维修保障信息服务中心内的服务质量数据库，计算目标服务与其他服务的相似度，在维修保障信息服务中心内的服务质量数据库中，用户集合以U＝{u₁,u₂,...,u_m}表示，其中u_j(1≤j≤m)代表用户集中的第j个用户；服务集合以服务集S＝{s₁,s₂,...,s_n}表示，s_i(1≤i≤n)代表服务集中的第i个服务，则服务质量数据以用户服务矩阵形式存储在维修保障信息服务中心内的服务质量数据库中，以服务质量矩阵R表示，如公式(1)所示；

$R=\left[\begin{array}{cccc}{R}_{11}& R_{12}& ...& R_{1m}\\ R_{21}& R_{22}& ...& R_{2m}\\ ...& ...& ...& ...\\ R_{n1}& R_{n2}& ...& R_{\mathrm{nm}}\end{array}\right]---\left(1\right)$

其中R_ij＝＜rt_ij,tp_ij,rel_ij,av_ij＞，1≤i≤n,1≤j≤m，rt_ij、tp_ij、rel_ij和av_ij分别表示用户u_j调用服务s_i时体验到的响应时间、吞吐量、可靠性和可用性；

在对候选服务对应的服务质量数据进行准确预测前，需将该矩阵R中的数据项进行预处理，具体为按照服务质量属性类别将其分离为若干个子矩阵，即响应时间子矩阵、吞吐量子矩阵、可靠性子矩阵和可用性子矩阵，然后再对各个子矩阵进行独立预测，服务质量预测的目标就是利用矩阵R中已有的观测数据对矩阵R中的缺失项进行预测；

在已知矩阵R的条件下，采用如下公式(2)所示的改进的皮尔逊相关系数计算目标服务s_i与服务s_r之间相似度，s_i(1≤i≤n)代表服务集中的第i个服务，s_r为服务s_i的近邻服务：

其中 $H=\sqrt{\underset{u_j\∈U_{\mathrm{ir}}}{\mathrm{\Σ}}{(R_{\mathrm{ij}}-\stackrel{\‾}{R_i})}^2}\sqrt{\underset{u_j\∈U_{\mathrm{ir}}}{\mathrm{\Σ}}{(R_{\mathrm{rj}}-\stackrel{\‾}{R_r})}^2}$

sim(s_i,s_r)表示目标服务s_i与服务s_r之间的相似度，sim(s_i,s_r)的取值范围为[-1,1]，值越大说明两服务越相似；令U_i为调用过服务s_i的用户集合，U_r为调用过服务s_r的用户集合，则U_ir＝U_i∩U_r表示调用过服务s_i和服务s_r的用户交集，R_ij表示用户u_j观测到的服务s_i的服务质量数据，表示用户U_i观测到的服务s_i的服务质量数据算术平均值，R_rj表示用户u_j观测到的服务s_r的服务质量数据，表示用户U_r观测到的服务s_r的服务质量数据算术平均值；

步骤302：完成服务s_i与其他所有服务的相似度计算步骤后，令与服务s_i相似度最高的N个服务组成的集合T(s_i)称为服务s_i的Top-N近邻服务集，然后利用所述Top-N近邻服务集中的服务质量信息，通过下列公式(3)对用户u_a对于服务s_r的服务质量体验值R_ia进行协同过滤预测，其中，1≤a≤m；

$R_{\mathrm{ia}}=\stackrel{\‾}{R_i}+\frac{\underset{s_r\∈T\left(s_i\right)}{\mathrm{\Σ}}\mathrm{Sim}(s_i,s_r)(R_{\mathrm{ra}}-\stackrel{\‾}{R_r})}{\underset{s_r\∈T\left(s_i\right)}{\mathrm{\Σ}}\mathrm{Sim}(s_i,s_r)}---\left(3\right)$

上式中s_r为服务s_i的近邻服务，R_ra表示用户u_a对服务s_r的服务质量体验值，由于服务质量矩阵较为稀疏，因此R_ra以高概率等于零，导致预测值不准确，因此在协同过滤预测前先采用服务的算术平均值填充Top-N近邻服务集中的缺失值，由于采用式(3)计算得到的服务质量预测值有可能为负值，而现实中的服务质量为非负值，因此采用服务的算术平均值取代这部分负值；

步骤303：通过上述协同过滤预测，服务质量矩阵R中的缺失项将得到较为准确的预测值，采用该预测值对服务质量矩阵R进行填充即可得到完整的服务质量估计矩阵X，然后采用非负矩阵因子分解算法对完整的服务质量估计矩阵X进行矩阵分解，得到其分解形式X＝WV，其中W为n×k的基矩阵，V为k×m的权重矩阵，其中，n和m与步骤301中的n和m一致，k为矩阵X的分解矩阵W和V的维数，从而挖掘出服务质量矩阵R中的隐含特征信息，实现对服务质量矩阵R这种高维矩阵的降维拟合，分解矩阵的迭代求解方式如式(4)所示；

$\begin{array}{cc}{V}_{\mathrm{dj}}\←V_{\mathrm{dj}}\frac{{\left(W^T{R}^{t+1}\right)}_{\mathrm{dj}}}{{\left(W^T\mathrm{WV}\right)}_{\mathrm{dj}}}& \\ W_{\mathrm{id}}\←W_{\mathrm{id}}\frac{{\left(R^{t+1}{V}^T\right)}_{\mathrm{id}}}{{\left(\mathrm{WV}{V}^T\right)}_{\mathrm{id}}}& W_{\mathrm{id}}=\frac{W_{\mathrm{id}}}{\underset{i}{\mathrm{\Σ}}{W}_{\mathrm{id}}}\end{array}---\left(4\right)$

其中，W_id表示基矩阵中的数据项，V_dj表示权重矩阵V中的数据项，R^t+1表示第t+1次迭代时的服务质量矩阵，T为矩阵转置符号；

步骤304：得到服务质量估计矩阵X的分解矩阵W和V后，取W的第i行与V的第j列的向量内积取代服务质量矩阵R中的缺失项R_ij，并将更新后的矩阵服务质量矩阵R赋值给服务质量估计矩阵X，完成对服务质量估计矩阵X的更新；

步骤305：重复步骤303和步骤304，直到服务质量估计矩阵X收敛，则服务质量矩阵R中的缺失项R_ij的预测值即为服务质量估计矩阵X中对应的X_ij；

步骤306：通过步骤301～步骤305得到用户对服务质量的预测值以后，则可通过对所有候选服务的服务质量进行评估，然后将服务质量最优的一个或若干个候选服务推荐给用户。

3.根据权利要求1或2所述的船舶装备维修保障信息服务推荐方法，其特征在于：服务质量属性包含响应时间、吞吐量、可靠性和可用性，用户j在评价服务i的优劣性时，采用常规的加权技术为上述四个属性赋予相应的权值w₁、w₂、w₃、w₄，表示用户j对上述几种服务质量属性的不同偏好，然后得到服务i的服务质量加权值U(R_ij)，QoS加权值越高表示服务的性能越好。

4.根据权利要求3所述的船舶装备维修保障信息服务推荐方法，其特征在于：通过如下公式(5)得到服务i的服务质量加权值U(R_ij)：

U(R_ij)＝w₁×rt_ij+w₂×tp_ij+w₃×rel_ij+w₄×av_ij       (5)

其中，w₁为服务质量属性中响应时间的权值，w₂为服务质量属性中吞吐量的权值，w₃为服务质量属性中可靠性的权值，w₄为服务质量属性中可用性的权值，rt_ij、tp_ij、rel_ij和av_ij分别表示用户u_j调用服务s_i时体验到的响应时间、吞吐量、可靠性和可用性。

5.根据权利要求2所述的船舶装备维修保障信息服务推荐方法，其特征在于：维修保障信息服务中心内的服务推荐模块将服务质量最优的一个或若干个候选服务的Web服务描述文档地址发送给服务用户，用户根据Web服务描述文档的地址完成对服务的绑定和调用，从而实现对相应维修保障信息的获取。