CN104917647A - 基于协同过滤的Web服务质量预测方法 - Google Patents

Abstract

本发明涉及一种基于协同过滤的Web服务质量预测方法，所述方法包括：第一用户端向服务端发送Web服务的请求信息；服务端根据请求信息，获取第一用户端的QoS数据，并获取第二用户端的QoS数据；第一用户端和第二用户端为同类用户端；根据第一用户端的QoS数据、第二用户端的QoS数据，确定第一用户端与第二用户端的第一相似度；根据第一相似度，获得第一预测值；根据第一用户端的QoS数据、第二用户端的QoS数据以及第一相似度，确定第一用户端与第二用户端的第二相似度；根据第二相似度，获得第二预测值；根据第一预测值与第二预测值，确定目标预测值。本申请提供的方法，采用两种协同过滤算法进行混合，通过自适应调整权值的大小，提高了QoS预测值的精度。

Description

基于协同过滤的Web服务质量预测方法

技术领域

本申请涉及Web服务技术领域，尤其涉及一种基于协同过滤的Web服务质量预测方法。

背景技术

随着互联网技术的发展，Web服务的便捷性导致用户对它的需求逐渐增大，如今大量的Web服务充斥互联网，使用户的选择在增加的同时，对服务质量(Quali ty of Service，QoS)也提出了更高的要求。面对相同种类和条件下的服务，除了满足功能性需求之外，用户希望得到质量更高的服务。所以服务器需要根据一些指标来对自己已有的服务进行衡量，在这些指标的对比之下，根据每一个用户的具体需求对用户进行个性化的服务推荐，能够缩小用户的选择范围，从而使用户享受到更高效的服务。

在服务器端度量的QoS值(例如，价格，流行度等)，服务提供商通常会在广告中展示内容，这些对于不同的用户来说都是一样的，但是在客户端度量的QoS值(例如，响应时间，吞吐量，服务可用性等)在不同的用户之间会因受到不可预测的网络连接和完全不同的用户环境的影响而大有不同。为了使不同的用户获得精确的个人用户端Web服务的QoS值，需要对用户端得到的Web服务进行评估。

现有技术对用户端Web服务的QoS的预测采用单一协同过滤的方式进行，在数据较为稀疏的情形下，会对相似度给予过高的估计，使得QoS的预测值精度不高。

发明内容

本申请的目的是提供一种基于协同过滤的Web服务质量预测方法，以解决现有的Web服务质量预测方法预测精度较低的问题。

为实现上述目的，第一方面，本申请提供了一种基于协同过滤的Web服务质量预测方法，所述方法包括：

第一用户端向服务端发送Web服务的请求信息；

所述服务端根据所述请求信息，获取所述第一用户端的服务质量QoS数据，并获取第二用户端的QoS数据；所述第一用户端和所述第二用户端为同类用户端；

根据所述第一用户端的QoS数据、所述第二用户端的QoS数据，确定所述第一用户端与所述第二用户端的第一相似度；

根据所述第一相似度，获得第一预测值；

根据所述第一用户端的QoS数据、所述第二用户端的QoS数据以及所述第一相似度，确定所述第一用户端与所述第二用户端的第二相似度；

根据所述第二相似度，获得第二预测值；

根据所述第一预测值与所述第二预测值，确定目标预测值。

第二方面，本申请提供了一种基于协同过滤的Web服务质量预测方法，所述方法包括：

用户端向服务端发送Web服务的请求信息；

所述服务端根据所述请求信息，获取所述第一Web服务的服务质量QoS数据，并获取第二Web服务的QoS数据；所述第一Web服务和所述第二Web服务为同类Web服务；

根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据，确定所述第一Web服务与所述第二Web服务的第一相似度；

根据所述第一相似度，获得第一预测值；

根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据以 及所述第一相似度，确定所述第一Web服务与所述第二Web服务的第二相似度；

根据所述第二相似度，获得第二预测值；

根据所述第一预测值与所述第二预测值，确定目标预测值。

本申请提供的基于协同过滤的Web服务质量预测方法，采用两种协同过滤算法进行混合，通过自适应调整权值的大小，来提高协同过滤算法的精度，改进了皮尔逊相关系数可能会在数据稀疏的情况下对相似性给予过高的估计的不足，使得最终的QoS值的精度得到了提高。

附图说明

图1为本申请实施例一提供的基于协同过滤的Web服务质量预测方法流程图；

图2为本申请实施例二提供的基于协同过滤的Web服务质量预测方法流程图。

具体实施方式

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

图1为本申请实施例一提供的基于协同过滤的Web服务质量预测方法流程图。如图1所示，所述方法具体包括：

步骤S101，第一用户端向服务端发送Web服务的请求信息；

步骤S102，所述服务端根据所述请求信息，获取所述第一用户端的服务质量QoS数据，并获取第二用户端的QoS数据；所述第一用户端和所述第二用户端为同类用户端；

具体地，服务端根据第一用户端发送的Web服务的请求信息，获取第一用户端的所有Web服务的QoS数据，以及第二用户端的所有Web服务的QoS数据。

需要说明的是，第二用户端为与第一用户端的QoS属性类似的客户端，第二用户端可以为多个。第一用户端的所有Web服务的QoS数据与多个第二用户端的所有Web服务的QoS数据生成用户-服务矩阵，矩阵中每一行对应一个用户端的多种Web服务的QoS数据，矩阵的每一列对应多个用户端的同一种Web服务的QoS数据。

步骤S103，根据所述第一用户端的QoS数据、所述第二用户端的QoS数据，确定所述第一用户端与所述第二用户端的第一相似度；

具体地，根据公式 $\mathrm{sim}(a,u)=\frac{{\mathrm{\Σ}}_{i\∈I}(r(a,i)-\stackrel{\‾}{r_a})\·(r(u,i)-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{i\∈I}{(r(a,i)-\stackrel{\‾}{r_a})}^2}\·\sqrt{{\mathrm{\Σ}}_{i\∈I}{(r(u,i)-\stackrel{\‾}{r_u})}^2}},$ 计算得到所述第一用户端与所述第二用户端的第一相似度，其中，I为用户a和用户u共同调用的服务集合，r(a,i)为用户a调用的每个服务的QoS值，r(u,i)为用户u调用的每个服务的QoS值，为用户a调用的所有服务的QoS值的平均值，为用户u调用的所有服务的QoS值的平均值。

步骤S104，根据所述第一相似度，获得第一预测值；

具体地，选取与所述第一用户端第一相似度值最大的k个相似度值，根据公式 $\hat{r}(u,s)=\stackrel{\‾}{u}+\frac{{\mathrm{\Σ}}_{i=1}^k\mathrm{sim}(u_i,u)\·(r(u_i,s)-\stackrel{\‾}{u})}{{\mathrm{\Σ}}_{i=1}^k\left|\mathrm{sim}(u_i,u)\right|},$ 计算得到第一预测值，其中， 为用户u调用服务s的第一预测值，为用户u调用的所有服务的QoS值的平均值。

步骤S105，根据所述第一用户端的QoS数据、所述第二用户端的QoS数据以及所述第一相似度，确定所述第一用户端与所述第二用户端的第二相似度；

具体地，根据公式计算得到第二相似度，其中，sim(a,u)为用户a和用户u的第一相似度值，|I_a|为用户a调用的服务的集合中 元素的个数，|I_u|为用户u调用的服务的集合中元素的个数，I＝I_a∩I_u为用户a调用的服务的集合和用户u调用的服务的集合的交集，|I_a∩I_u|为集合I中元素的个数。

步骤S106，根据所述第二相似度，获得第二预测值；

具体地，选取与所述第一用户端第二相似度值最大的k个相似度值，根据公式 ${\hat{r}}^{\text{'}}(u,s)=\stackrel{\‾}{u}+\frac{{\mathrm{\Σ}}_{i=1}^k{\mathrm{sim}}^{\text{'}}(u_i,u)\·(r(u_i,s)-\stackrel{\‾}{u})}{{\mathrm{\Σ}}_{i=1}^k\left|{\mathrm{sim}}^{\text{'}}(u_i,u)\right|},$ 计算得到第二预测值，其中， 为用户u调用服务s的第二预测值，为用户u调用的所有服务的QoS值的平均值。

步骤S107，根据所述第一预测值与所述第二预测值，确定目标预测值。

具体地，根据公式对所述第一预测值和所述第二预测值进行加权计算，得到目标预测值，其中，α+β＝1,α,β为正数。

本申请实施例一提供的基于协同过滤的Web服务质量预测方法，采用两种协同过滤算法进行混合，通过自适应调整权值的大小，来提高协同过滤算法的精度，改进了皮尔逊相关系数可能会在数据稀疏的情况下对相似性给予过高的估计的不足，使得最终的QoS值的精度得到了提高。

图2为本申请实施例二提供的基于协同过滤的Web服务质量预测方法流程图。如图2所示，所述方法具体包括：

步骤S201，用户端向服务端发送Web服务的请求信息；

步骤S202，所述服务端根据所述请求信息，获取所述第一Web服务的服务质量QoS数据，并获取第二Web服务的QoS数据；所述第一Web服务和所述第二Web服务为同类Web服务；

具体地，服务端根据用户端发送的Web服务的请求信息，获取所有用户端的第一Web服务的QoS数据，以及第二Web服务的QoS数据。

需要说明的是，第一Web服务与第二Web服务的QoS属性类似的Web 服务，第二Web服务可以为多个。所有用户端的第一Web服务QoS数据和多个第二Web服务的QoS数据生成用户-服务矩阵，矩阵中每一行对应一个用户端的多种Web服务的QoS数据，矩阵的每一列对应多个用户端的同一种Web服务的QoS数据。

步骤S203，根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据，确定所述第一Web服务与所述第二Web服务的第一相似度；

具体地，根据公式 $\mathrm{sim}(i,j)=\frac{{\mathrm{\Σ}}_{u\∈U}(r(i,u)-\stackrel{\‾}{r_i})\·(r(j,u)-\stackrel{\‾}{r_j})}{\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r(i,u)-\stackrel{\‾}{r_i})}^2}\·\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r(j,u)-\stackrel{\‾}{r_j})}^2}},$ 计算得到所述第一Web服务与所述第二Web服务的第一相似度，其中，U为共同调用服务i和服务j的用户集合，r(i,u)为每个用户调用的服务i的QoS值，r(j,u)为每个用户调用的服务j的QoS值，为所有用户调用的服务i的QoS值的平均值，为所有用户调用的服务j的QoS值的平均值。

步骤S204，根据所述第一相似度，获得第一预测值；

具体地，选取与所述第一Web服务第一相似度值最大的k个相似度值，根据公式 $\hat{r}(u,s)=\stackrel{\‾}{s}+\frac{{\mathrm{\Σ}}_{i=1}^k\mathrm{sim}(s_i,s)\·(r(u_i,s)-\stackrel{\‾}{s})}{{\mathrm{\Σ}}_{i=1}^k\left|\mathrm{sim}(s_i,s)\right|},$ 计算得到第一预测值，其中， 为用户u调用服务s的第一预测值，为所有用户调用服务s的QoS值的平均值。

步骤S205，根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据以及所述第一相似度，确定所述第一Web服务与所述第二Web服务的第二相似度；

具体地，根据公式计算得到第二相似度，其中，sim(i,j)为服务i和服务j的第一相似度值，|U_i|为调用的服务i的用户的集合中元素的个数，|U_J|为调用的服务j的用户的集合中元素的个数， U＝U_i∩U_j为调用的服务i的用户的集合和调用的服务j的用户的集合的交集，|U_i∩U_j|为集合U中元素的个数。

步骤S206，根据所述第二相似度，获得第二预测值；

具体地，选取与所述Web服务第二相似度值最大的k个相似度值，根据公式 ${\hat{r}}^{\text{'}}(u,s)=\stackrel{\‾}{s}+\frac{{\mathrm{\Σ}}_{i=1}^k{\mathrm{sim}}^{\text{'}}(s_i,s)\·(r(u_i,s)-\stackrel{\‾}{s})}{{\mathrm{\Σ}}_{i=1}^k\left|{\mathrm{sim}}^{\text{'}}(s_i,s)\right|},$ 计算得到第二预测值，其中， 为用户u调用服务s的第二预测值，为用户u调用的所有服务的QoS值的平均值。

步骤S207，根据所述第一预测值与所述第二预测值，确定目标预测值。

具体地，根据公式对所述第一预测值和所述第二预测值进行加权计算，得到目标预测值，其中，α+β＝1,α,β为正数。

本申请实施例二提供的基于协同过滤的Web服务质量预测方法，采用两种协同过滤算法进行混合，通过自适应调整权值的大小，来提高协同过滤算法的精度，改进了皮尔逊相关系数可能会在数据稀疏的情况下对相似性给予过高的估计的不足，使得最终的QoS值的精度得到了提高。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的对象及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、 寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种基于协同过滤的Web服务质量预测方法，其特征在于，所述方法包括：

第一用户端向服务端发送Web服务的请求信息；

所述服务端根据所述请求信息，获取所述第一用户端的服务质量QoS数据，并获取第二用户端的QoS数据；所述第一用户端和所述第二用户端为同类用户端；

根据所述第一用户端的QoS数据、所述第二用户端的QoS数据，确定所述第一用户端与所述第二用户端的第一相似度；

根据所述第一相似度，获得第一预测值；

根据所述第一用户端的QoS数据、所述第二用户端的QoS数据以及所述第一相似度，确定所述第一用户端与所述第二用户端的第二相似度；

根据所述第二相似度，获得第二预测值；

根据所述第一预测值与所述第二预测值，确定目标预测值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一用户端的QoS数据、所述第二用户端的QoS数据，确定所述第一用户端与所述第二用户端的第一相似度具体包括：

根据公式 $\mathrm{sim}(a,u)=\frac{{\mathrm{\Σ}}_{i\∈I}(r(a,i)-\stackrel{\‾}{r_a})\·(r(u,i)-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{i\∈I}{(r(a,i)-\stackrel{\‾}{r_a})}^2}\·\sqrt{{\mathrm{\Σ}}_{i\∈I}{(r(u,i)-\stackrel{\‾}{r_u})}^2}},$ 计算得到所述第一用户端与所述第二用户端的第一相似度，其中，I为用户a和用户u共同调用的服务集合，r(a,i)为用户a调用的每个服务的QoS值，r(u,i)为用户u调用的每个服务的QoS值，为用户a调用的所有服务的QoS值的平均值，为用户u调用的所有服务的QoS值的平均值。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一相似度，获得第一预测值具体包括：

选取与所述第一用户端第一相似度值最大的k个相似度值，根据公式 $\hat{r}(u,s)=\stackrel{\‾}{u}+\frac{{\mathrm{\Σ}}_{i=1}^k\mathrm{sim}(u_i,u)\·(r(u_i,s)-\stackrel{\‾}{u})}{{\mathrm{\Σ}}_{i=1}^k\left|\mathrm{sim}(u_i,u)\right|},$ 计算得到第一预测值，其中，为用户u调用服务s的第一预测值，为用户u调用的所有服务的QoS值的平均值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一用户端的QoS数据、所述第二用户端的QoS数据以及所述第一相似度，确定所述第一用户端与所述第二用户端的第二相似度具体包括：

根据公式计算得到第二相似度，其中，sim(a,u)为用户a和用户u的第一相似度值，|I_a|为用户a调用的服务的集合中元素的个数，|I_u|为用户u调用的服务的集合中元素的个数，I＝I_a∩I_u为用户a调用的服务的集合和用户u调用的服务的集合的交集，|I_a∩I_u|为集合I中元素的个数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第二相似度，获得第二预测值具体包括：

选取与所述第一用户端第二相似度值最大的k个相似度值，根据公式 ${\hat{r}}^{\′}(u,s)=\stackrel{\‾}{u}+\frac{{\mathrm{\Σ}}_{i=1}^k{\mathrm{sim}}^{\′}(u_i,u)\·(r(u_i,s)-\stackrel{\‾}{u})}{{\mathrm{\Σ}}_{i=1}^k\left|{\mathrm{sim}}^{\′}(u_i,u)\right|},$ 计算得到第二预测值，其中，为用户u调用服务s的第二预测值，为用户u调用的所有服务的QoS值的平均值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一预测值与所述第二预测值，确定目标预测值具体包括：

根据公式对所述第一预测值和所述第二预测值进行加权计算，得到目标预测值，其中，α+β＝1,α,β为正数。

7.一种基于协同过滤的Web服务质量预测方法，其特征在于，所述方法包括：

用户端向服务端发送Web服务的请求信息；

所述服务端根据所述请求信息，获取所述第一Web服务的服务质量QoS数据，并获取第二Web服务的QoS数据；所述第一Web服务和所述第二Web服务为同类Web服务；

根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据，确定所述第一Web服务与所述第二Web服务的第一相似度；

根据所述第一相似度，获得第一预测值；

根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据以及所述第一相似度，确定所述第一Web服务与所述第二Web服务的第二相似度；

根据所述第二相似度，获得第二预测值；

根据所述第一预测值与所述第二预测值，确定目标预测值。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据，确定所述第一Web服务与所述第二Web服务的第一相似度具体包括：

根据公式 $\mathrm{sim}(i,j)=\frac{{\mathrm{\Σ}}_{u\∈U}(r(i,u)-\stackrel{\‾}{r_i})\·(r(j,u)-\stackrel{\‾}{r_j})}{\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r(i,u)-\stackrel{\‾}{r_i})}^2}\·\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r(j,u)-\stackrel{\‾}{r_j})}^2}},$ 计算得到所述第一Web服务与所述第二Web服务的第一相似度，其中，U为共同调用服务和服务j的用户集合，r(i,u)为每个用户调用服务i的QoS值，r(j,u)为每个用户调用服务j的QoS值，为所有用户调用服务i的QoS值的平均值，为所有用户调用服务j的QoS值的平均值。

9.根据权利要求7所述的方法，其特征在于，所述根据所述第一相似度，获得第一预测值具体包括：

选取与所述第一Web服务第一相似度值最大的k个相似度值，根据公式 $\hat{r}(u,s)=\stackrel{\‾}{s}+\frac{{\mathrm{\Σ}}_{i=1}^k\mathrm{sim}(s_i,s)\·(r(u,s_i)-\stackrel{\‾}{s})}{{\mathrm{\Σ}}_{i=1}^k\left|\mathrm{sim}(s_i,s)\right|},$ 计算得到第一预测值，其中，为用户u调用服务s的第一预测值，为所有用户调用服务s的QoS值的平均值。

10.根据权利要求7所述的方法，其特征在于，所述根据所述第一Web服务的QoS数据、所述第二Web服务的QoS数据以及所述第一相似度，确定所述第一Web服务与所述第二Web服务的第二相似度具体包括：

根据公式计算得到第二相似度，其中，sim(i,j)为服务i和服务j的第一相似度值，|U_i|为调用的服务i的用户的集合中元素的个数，|U_J|为调用的服务j的用户的集合中元素的个数，U＝U_i∩U_j为调用的服务i的用户的集合和调用的服务j的用户的集合的交集，|U_i∩U_j|为集合U中元素的个数。

11.根据权利要求7所述的方法，其特征在于，所述根据所述第二相似度，获得第二预测值具体包括：

选取与所述Web服务第二相似度值最大的k个相似度值，根据公式 ${\hat{r}}^{\′}(u,s)=\stackrel{\‾}{s}+\frac{{\mathrm{\Σ}}_{i=1}^k{\mathrm{sim}}^{\′}(s_i,s)\·(r(u,s_i)-\stackrel{\‾}{s})}{{\mathrm{\Σ}}_{i=1}^k\left|{\mathrm{sim}}^{\′}(s_i,s)\right|},$ 计算得到第二预测值，其中，为用户u调用服务s的第二预测值，为用户u调用的所有服务的QoS值的平均值。

12.根据权利要求7所述的方法，其特征在于，所述根据所述第一预测值与所述第二预测值，确定目标预测值具体包括：

根据公式对所述第一预测值和所述第二预测值进行加权计算，得到目标预测值，其中，α+β＝1,α,β为正数。