CN106209959A - 基于用户需求的网络服务智能发现方法 - Google Patents

Abstract

本发明公开了一种复杂网络环境下的基于用户个性化需求的网络服务智能发现方法，属于优化方法领域。基于包含网络用户基本信息模型、用户行为模型和用户使用度模型的网络服务用户模型构建，构建并描述网络服务本体模型与规则，提出面向用户需求的个性化网络服务本体库生成与优化方法，设计网络服务智能发现机制，考虑服务名称相似度、设计服务属性矩阵、挖掘服务关联关系，提出综合的网络服务智能发现算法。对用户数据稀疏、冷启动，用户个性化需求问题，该方法是综合考虑服务特征(服务名称，服务属性和服务关系)，拥有更高的准确性和更好的发现效果，且能够更好地扩展和挖掘用户请求，满足用户的服务需求，提升服务用户适用度。

Description

基于用户需求的网络服务智能发现方法

技术领域

本发明涉及网络服务资源发现技术领域，具体地指一种基于用户需求的网络服务智能发现方法。

背景技术

伴随着服务相关技术与理论的迅速发展与应用，网络服务环境复杂程度的加剧，网络环境下的服务资源呈现出指数级增长的状态。数量丰富且种类多样的网络服务资源为实现满足用户个性化服务需求的服务发现与推荐提供了可能。然而目前服务领域急需解决的关键问题之一就是在复杂网络环境下帮助服务用户实现海量服务资源中服务目标的精准且高效地定位与呈现。考虑海量服务发现对象，服务提供商如何才能实现用户服务需求的满足和服务用户体验值的提升也是服务领域研究的一个重要课题。针对目前的服务发现研究与应用来说，主要存在以下问题：

(1)现有的关于服务发现的研究大多是针对Web服务发现从Web服务Qos计算而展开的，这一研究领域的限制并不符合服务产业发展及其相关技术进步所带来的服务需求多样化以及服务模式的应用程度。究其原因，主要在于网络环境的不断创新导致的云计算技术、云服务提供、泛在计算、普适环境以及O2O服务模式等新的服务以及服务模式的产生；身处如此复杂的网络服务环境，用户的服务需求亦朝着多样化与个性化的方向发展；更兼具用户情境或者情境信息的动态变化特征所带来的挑战。因此，复杂网络服务资源环境下基于用户需求的网络服务智能发现方法的研究就变得极为重要。

(2)现有的服务发现方法研究大多是基于服务关键字或词的服务发现方法极其扩展，仅仅从用户服务请求本身和Qos匹配等方面进行服务发现，而忽视了对用户的个性化服务偏好的研究与利用，相同服务请求以及Qos要求条件下，不同服务用户的服务决策制定可能存在极大差异。实际上，服务发现的基础可以是用户服务请求、用户服务使用历史以及用户服务情境信息。因此，基于关键字的服务发现方法已经不能满足复杂网络环境下的用户个性化服务需求，需要对服务用户的相关信息进行充分的挖掘与应用，以适应不断变化的用户服务偏好，以提升服务用户满意度。

发明内容

本发明的目的在于克服上述现有技术的不足而提供一种基于用户需求的网络服务智能发现方法，执行本发明而形成的基于用户个性化动态信息与偏好发现，有利于深度挖掘面向 客户的网络服务发现与推荐技术，可以很好地实现基于用户偏好与服务情境的服务推荐技术，并放大该属性的重要性。

本发明所采用的技术方案是：一种基于用户需求的网络服务智能发现方法，包括：

复杂网络环境下基于用户需求的网络服务智能发现方法研究考虑到了在服务发现过程中，由于服务环境变化(接入终端发生切换或者情境信息变化导致的发现时服务不符合用户需求)或是用户服务需求变更，而导致发现过程执行进程无法同步相关服务请求信息的状况；

基于网络服务用户模型和网络服务本体模型，实现在无需用户主动参与取消当前服务请求状态的前提下，自动地同步更新尚未执行的服务或者动态调整服务以适应环境和用户服务需求的变更；

使得服务发现结果能够满足用户服务请求，并到预期服务发现目标；

基于用户需求的网络服务智能发现方法相关研究成果为基础，综合考虑用户服务偏好与情境信息对服务发现效果的影响力进行研究；

同时为降低智能服务发现过程的复杂性，网络智能服务发现方法设计的网络服务智能发现流程主要包括：

用户服务请求输入；

用户服务请求预处理；

用户服务请求与服务本体的匹配映射，主要包括：

基于服务关键字相似度计算的服务发现；

基于服务属性相似度计算的服务发现；

基于服务关系相似度的服务发现；

且服务的匹配映射的基础是个性化网络服务本体库；

服务规则过滤；

服务排序与推荐等阶段；

基于用户需求的网络服务智能发现方法所提出的服务发现机制能够为用户的服务请求提供智能的发现结果；

该机制试图通过构建网络服务本体以实现网络服务数据库的构建，并且通过该方法完成网络服务的组织与分类以促进服务发现过程的运行效率与质量。图1所示为网络服务智能发现框架图，该框架包含2个模型(情境模型本方法不涉及)和一个执行流程。

与现有技术相比，本发明的有益效果是：

(1)基于用户需求的网络服务智能发现方法提出构建网络服务用户模型以实现服务用户个性化信息的存储、描述以及用户服务偏好的挖掘，设计网络服务用户模型以及相应的计量 标准，通过交叉关联和社会化推荐解决服务发现流程的数据稀疏和冷启动问题，深入挖掘服务用户行为模式以提升服务用户信息利用程度；

(2)在传统的基于Web服务提供商服务知识提供的服务本体模型构建基础之上，结合用户服务行为变化，提出基于网络服务用户需求和偏好的个性化网络服务本体生成方法；通过网络服务用户兴趣度和网络服务用户适合度等指标进行服务操作判断，实现个性化网络服务本体的动态更新，提高了候选服务发现准确性和效率；

(3)基于个性化网络服务本体的网络服务智能发现算法，从服务名称、服务属性矩阵和服务关联关系相似性三方面设计算法，实现了用户个性化服务偏好的有效挖掘利用与服务发现效率的提升，为用户创造新的网络服务模式。

附图说明

图1网络服务智能发现框架；

图2为网络服务用户模型；

图3为网络服务本体模型；

图4网络服务智能发现流程；

图5服务节点增加操作流程图；

图6节点删除操作流程图。

具体实施方式

下面结合附图对本发明进一步说明。如图1所示，本基于用户需求的网络服务智能发现方法，包括网络服务用户本体模型、个性化网络服务本体模型和面向用户个性化需求的网络服务智能发现方法设计：

1)构建一种面向网络服务智能发现算法的、定义良好的、形式化的用户综合信息描述模型；该用户信息模型由用户基本信息模型、用户行为模型和用户适用度模型组成；

根据用户信息的获得方式，可以将网络服务用户基本信息分为：显式信息和隐式信息两大类。显式信息是指服务企业或服务提供者能够从服务网站直接获取的到服务用户信息，如用户名、性别、所在城市、职位、收入、教育背景等用户个人的基本信息。隐式信息是指服务用户所在的群组，社交网络圈子或是与其好友的相互关系等等，主要通过服务用户的信息分享、服务评价、服务反馈等参与程度等来挖掘，服务用户行为和服务用户兴趣两者都属于服务用户的隐式信息；

1.1)网络服务用户基本信息模型由个人信息、教育信息、职业信息、标签信息、接收信息组成；

表1网络服务用户模型的基本信息表

表2服务用户基本信息——个人信息表

表3服务用户基本信息-教育信息设计

表4服务用户基本信息-职业信息设计

表5服务用户基本信息-标签信息设计

表6用户基本信息-接收信息设计

1.2)网络服务用户行为模型综合考虑服务-动作-情境，设计网络服务用户行为模型以实现服务用户角色定义和用户个人行为档案建立；

1.2.1)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即用户u在搜索服务s可以表述为{(s,u)|SSA(s,u)}。

服务搜索行为的统计量被称为服务搜索频次(Services Search Action Frequency，SSAF)，该频次的主要统计来源是服务s在某个时间段内被服务用户u搜索的次数(时间段的定义由服务领域专家进行设计选择)，并对其进行相关计算所得，相关公式如下：

$\mathrm{SSAF}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SSA}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i\·t}$

1.2.2)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即且t_su≤t，用户u在点击服务s可以表述为{(s,u)|SCA(s,u)}。

服务浏览行为的统计量被称为服务点击行为时长(Services Click Action Duration，SCAD)和点击频次(Services Click Action Frequency，SBAF)。SCAD的主要统计来源是服务s在某个时间段内被服务用户u点击过程中所消耗的时长，即单位用户单次点击服务s的总耗时，并对其进行相关计算所得，相关公式如下：

$\mathrm{SCAD}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{duaration}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SCA}(s,u_i)}$

1.2.3)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即且t_su＞t，用户u在浏览服务s可以表述为{(s,u)|SBA(s,u)}。

服务浏览行为的统计量被称为服务浏览时长(Services Browse Action Duration，SBAD)和浏览频次(Services Browse Action Frequency，SBAF)。SBAD的主要统计来源是服务s在某个时间段内被服务用户u浏览的时长，即单位用户单次浏览服务s的总耗时，并对其进行相关计算所得，相关公式如下：

$\mathrm{SBAD}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{druation}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SBA}(s,u_i)}$

1.2.4)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S， 即用户u在消费服务s可以表述为{(s,u)|STA(s,u)}。

服务交易行为的统计量被称为服务交易量(Services Transaction Action Quantity，STAQ)和服务交易频次(Services Transaction Action Frequency，SBAF)。STAQ的主要统计来源是服务s在某时段内被用户u所消费的数量(单位时间根据具体情况定义)，即单位服务s被服务用户消费的总次数，并对其进行相关计算所得，相关公式如下：

$\mathrm{STAQ}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{STA}(s,u_i)}{t}$

1.2.5)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即用户u在收藏服务s可以表述为{(s,u)|SCA(s,u)}。

服务收藏行为统计量为服务的被收藏量(Service Collection Action Quantity,SCAQ)，即服务s被用户收藏的次数，其相关计算公式如下：

$\mathrm{SCAQ}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SCA}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i}$

1.2.6)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即用户u在评价服务s可以表述为{(s,u)|SEA(s,u)}。

服务评价行为统计指标为服务评价值(Service Evaluation Action Value,SEAV)，即服务消费过程结束后，用户对服务s所作出的评价均值，其相关计算公式如下所示：

$\mathrm{SEAV}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SEA}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_i}$

1.2.7)对于服务用户u属于服务用户集合SU，即且有服务s属于服务集合S，即用户u在分享服务s可以表述为{(s,u)|SSHA(s,u)}。

服务分享行为的统计量为服务分享值(Service SHaring Action Value,SSHAV)，即服务s被用户在其社交网络中所分享的用户体验均值(分享值的计算需要通过对分享内容进行文本挖掘和极性判断与计算)，其计算公式如下所示：

$\mathrm{SSHAV}\left(s\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{value}(s,u_i)}{\underset{i-1}{\overset{n}{\mathrm{\Σ}}}{u}_i\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{SSHA}(s,u_i)}$

1.3)基于用户需求的网络服务智能发现方法提出的用户适用度，以及用户偏好的挖掘是指从众多用户使用服务过程中及过程后在服务网站上所留下的记录数据进行深入分析与挖掘，该方法相对于简单的用户服务请求或者单次的判断而言，更具有统计意义和现实价值；

其中包括用户服务兴趣度User Interestingness Degree，UID)、服务关注度(Service Concern Degree，SCD)和服务推荐力度(Service Recommendation Degree，SRD)三个指标，因此用户服务适用度模型又可以用一个三元组的形式进行表述：SPD＝<UID,SCD,SRD>；

1.3.1)SPD_i(s_j)代表用户u_i对服务s_j的满意程度，上述三种统计标准在SPD所占影响系数分别为α_SPD＞0，β_SPD＞0，γ_SPD＞0(且α_SPD+β_SPD+γ_SPD＝1)。

SPD_i(s_j)＝UID_i(s_j)·α_SPD+SCD(s_i)·β_SPD+SRD(s_j)·γ_SPD

1.3.2)用户的服务关注VI行为来自与用户服务点击行为和用户服务浏览行为，对于这两项指标的统计计算如下：

$\mathrm{VI}=\left\{\begin{array}{c}\mathrm{SCAF}\left(s\right)\&CenterDot;V=\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{SCA}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_i\&CenterDot;t}\right]\&CenterDot;V,t_{\mathrm{yc}}\&le;t;\\ \mathrm{SBAF}\left(s\right)\&CenterDot;V=\&CenterDot;\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{SBA}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_i\&CenterDot;t}\right]\&CenterDot;V,t_{\mathrm{yc}}>t;\end{array}\right.$

其中，V为调整因子。

为便于计算，本文采用加权平均的方式对这三个指标进行计算以得到UID，相关计算公式设计如下所示：

$\begin{array}{c}{\mathrm{UID}}_i\left(s_j\right)=\\ \frac{{\mathrm{\&alpha;}}_{\mathrm{UID}}\&CenterDot;C_{o}T\left(s_j\right)\&CenterDot;A_{\mathrm{UID}}+{\mathrm{\&beta;}}_{\mathrm{UID}}\&CenterDot;\mathrm{VI}\&CenterDot;B_{\mathrm{UID}}+{\mathrm{\&gamma;}}_{\mathrm{UID}}\&CenterDot;\mathrm{CS}\left(s_j\right)\&CenterDot;C_{\mathrm{UID}}}{A_{\mathrm{UID}}+B_{\mathrm{UID}}+C_{\mathrm{UID}}}\end{array}$

1.3.3)用户服务关注过程中的时长设计为(Service Concerned Time，SCT)，其表达公式如下：

$\mathrm{SCT}\left(s_j\right)=\left\{\begin{array}{c}\mathrm{SCAD}\left(s\right)\&CenterDot;D=\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{duration}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_i\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{SCA}(s,u_i)}\right]\&CenterDot;D,t_{\mathrm{yc}}\&le;t;\\ \mathrm{SBAD}\left(s\right)\&CenterDot;D=\&CenterDot;\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{duration}(s,u_i)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{u}_i\&CenterDot;\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{SCA}(s,u_i)}\right]\&CenterDot;{D,t}_{\mathrm{yc}}>t;\end{array}\right.$

且服务用户感兴趣量(Number of User Interested in,NUI)的计算方法设计如下：

NUI(s_j)＝a·SSAF(s_j)·A+bSCT(s_j)

服务关注度相关计算公式设计如下：

$\begin{array}{c}\mathrm{SCD}\left(s_j\right)=\\ \frac{{\mathrm{\&alpha;}}_{\mathrm{SCD}}\&CenterDot;\mathrm{ST}\left(s_j\right)\&CenterDot;A_{\mathrm{SCD}}+{\mathrm{\&beta;}}_{\mathrm{SCD}}\&CenterDot;\frac{\underset{\mathrm{\&chi;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_{\mathrm{\&chi;}}R\left(s_j\right)}{\mathrm{\&chi;}}\&CenterDot;B_{\mathrm{SCD}}+{\mathrm{\&gamma;}}_{\mathrm{SCD}}\&CenterDot;\mathrm{NUI}\left(s_j\right)\&CenterDot;C_{\mathrm{SCD}}}{A_{\mathrm{SCD}}+B_{\mathrm{SCD}}+C_{\mathrm{SCD}}}\end{array}$

1.3.4)服务推荐力度的考量是从网络推广方式的众多场景中归纳总结出三种场景作为该衡量指标的统计维度：直接服务价格促销，例如服务价格打折策略或者是价格优惠券策略；服务积分促销，例如积分兑换策略或者是奖励积分策略以及免费服务促销，例如赠送免费服务策略或者是捆绑营销策略，SRD有上述三种统计量的加权平均计算所得，具体如公式如下所示：

$\begin{array}{c}\mathrm{SRD}\left(s_j\right)=\\ \frac{{\mathrm{\&alpha;}}_{\mathrm{SRD}}\&CenterDot;\mathrm{DPP}\left(s_j\right)\&CenterDot;A_{\mathrm{SRD}}+{\mathrm{\&beta;}}_{\mathrm{SRD}}\&CenterDot;\mathrm{SPP}\left(s_j\right)\&CenterDot;B_{\mathrm{SRD}}+{\mathrm{\&gamma;}}_{\mathrm{SRD}}\&CenterDot;\mathrm{FSP}\left(s_j\right)\&CenterDot;C_{\mathrm{SRD}}}{A_{\mathrm{SRD}}+B_{\mathrm{SRD}}+C_{\mathrm{SRD}}}\end{array}$

2)网络服务本体模型构建

2.1)网络服务本体(Service Ontology)SO可以用下列五元组来表示：

SO＝{SN,SNR,SA,I,X}

其中SN是服务名称概念集合(包括服务概念，服务属性概念和服务类别概念)；SNR是服务概念关系集合；SA是服务属性集合；I是服务实例集合；X是公理集合。

2.2)描述网络服务本体规则以实现基于本体的推理，包含：

2.2.1)网络服务本体基本规则：

2.2.1.1)服务概念间的属性继承规则，如K(A，B)∩Att(B，C)→Att(A，C)；

2.2.1.2)部分-整体服务间的传递性规则，如P(A,B)∩PBC→P(A,C)；

2.2.1.3)相似服务间的双向传递性规则，如Sim(A,B)∩Sim(A,C)→Sim(B,C)，Sim(B,A)∩Sim(B,C)→Sim(A,C)。

2.2.2)网络服务本体过滤规则:

2.2.2.1)基于服务属性的过滤规则：指当用户情境，服务情境或者服务属性处于某一定值时，直接过滤掉该网络服务，不作为服务发现结果呈现给服务请求用户。

2.2.2.2)基于服务属性的过滤规则:指将服务属性值不符合服务用户偏好的服务候选集合过滤掉，将符合用户偏好的发现结果反馈给服务请求用户。

3)依据用户行为信息量化计算标准，设计

3.1)基于用户偏好的个性化服务本体初始化方法，包括：

3.1.1)服务主体约束条件下的PSO生成；

基于主体约束条件的PSO生成过程，主要是判断服务用户对服务感兴趣与否，即UID_i(s_j)判断：

3.1.1.1)如果即服务用户u_i对服务本体SO中的服务s_j感兴趣，则需要对服务s_j进行相应的处理操作：标记(Marking)与排序(Ranking)。

①标记操作是指对服务用户u_i感兴趣的服务s_j进行打标处理，纳入服务用户兴趣库并对服务s_j的服务适用度SPD_i(s_j)进行更新处理，处理结果得到一个初始个性化服务本体。但需要注意判断此服务s_j在服务本体SO中的位置情况：

A.如果服务s_j在服务本体SO中为叶节点(leaf node)，那么直接对SPD_i(s_j)进行更新即可；

B.如果服务s_j在服务本体SO中为非叶节点(un-leaf node)，即服务s_j存在子服务节点，则除了对SPD_i(s_j)进行更新外，还需要对其所有子节点进行SPD_i(s_j)更新；并对更新结果进行UID_i(s_j)判断。

②排序操作是指根据用户兴趣度UID_i(s_j)值进行高低排序，服务用户感兴趣的情况一般可以划分为：非常感兴趣，很感兴趣，一般感兴趣和感兴趣，其划分标准是值所属的范围，除了可以用于计算SPD_i(s_j)之外，还能作为用户兴趣和偏好智能挖掘的依据。

3.1.1.2)如果但SPD_i(s_j)≥θ，即服务用户u_i对服务本体SO中的服务s_j不感兴趣，则需要进一步对服务s_j的服务适用度SPD_i(s_j)进行判断，如果SPD_i(s_j)判断结果为服务s_j的适应度SPD_i(s_j)大于其阈值θ，则将此服务呈现给服务用户u_i，并等待其决策信息反 馈。同样需要注意判断此服务s_j在服务本体SO中的位置情况：

①如果服务s_j在服务本体SO中为叶节点(leaf node)，那么直接呈现该服务s_j即可；

②如果服务s_j在服务本体SO中为非叶节点(un-leaf node)，即服务s_j存在子服务节点，则除了呈现服务s_j之外，还需要将其所有子节点一并呈现。

③如果但SPD_i(s_j)＜θ，即服务用户u_i对服务本体SO中的服务s_j不感兴趣，且SPD_i(s_j)判断结果为服务s_j的适应度SPD_i(s_j)小于其阈值θ，则可以对服务s_j进行删除操作。同样需要注意判断此服务s_j在服务本体SO中的位置情况：

A.如果服务s_j在服务本体SO中为叶节点(leaf node)，那么直接删除该服务s_j即可；

B.如果服务s_j在服务本体SO中为非叶节点(un-leaf node)，即服务s_j存在子服务节点，则需要对其所有子服务节点的UID_i(s_j)进行判断操作，如果其所有服务子节点s_x的用户服务兴趣度均有那么直接删除服务s_j极其所有服务子；如果其有服务子节点s_x的用户服务兴趣度那么保留该服务子节点s_x(将该节点升级为其原父节点s_j父节点的直接子服务)，并删除服务s_j节点。

针对服务本体SO上的所有服务节点完成上述UID_i(s_j)或者SPD_i(s_j)判断，生成初始个性化服务本体IPSO。

3.1.2)服务范围约束条件下的PSO生成；

基于范围约束的PSO生成首先对服务用户兴趣库内容进行处理，分成：

3.1.2.1)基于服务实例的PSO生成；

①如果即服务用户u_i对服务实例I_j感兴趣，则需要根据服务实例I_j服务本体分类目录进行结构重现，直至溯源至服务本体SO的根节点，得到初始个性化服务本体IPSO。

②如果即服务用户u_i对服务实例I_j感兴趣，但小于服务兴趣度阈值则需要进行服务适合度SPD_i(I_j)判断：

A.如果SPD_i(s_j)≥θ，即服务实例I_j的服务适合度大于其阈值θ，则需要对服务实例I_j服务本体分类目录进行结构重现，直至溯源至服务本体SO的根节点，得到初始个性化服务本体 IPSO。

B.如果SPD_i(s_j)＜θ，即服务实例I_j的服务适合度小于其阈值θ，则不需要对服务实例I_j服务本体分类目录进行结构重现。

3.1.2.2)基于服务提供商或服务企业的PSO生成

基于服务提供商或服务企业的PSO生成，即对用户服务兴趣库的服务提供商或服务提供企业进行分类处理，并进行类似基于实例的PSO生成处理。服务提供商或服务提供企业可以分为垂直类服务提供商或者综合类服务提供企业，不同分类有如下不同的处理：

①如果服务提供商pro_j为垂直服务提供商，则只需根据服务提供商所属垂直类比进行用户服务兴趣度判断以实现服务本体目录结构重现：

A.如果即服务用户u_i对服务提供商pro_j感兴趣，则只需要根据服务实例I_j服务本体分类目录进行结构重现，直至溯源至服务本体SO的根节点，得到初始个性化服务本体IPSO。

B.如果即服务用户u_i对服务提供商pro_j感兴趣，但小于服务兴趣度阈值则需要进行服务适合度SPD_i(I_j)判断：①○如果SPD_i(pro_j)≥θ，即服务提供商pro_j的服务适合度大于其阈值θ，则需要对服务提供商pro_j服务本体分类目录进行结构重现，直至溯源至服务本体SO的根节点，得到初始个性化服务本体IPSO。②如果SPD_i(pro_j)＜θ，即服务提供商pro_j的服务适合度小于其阈值θ，则不需要对服务提供商pro_j服务本体分类目录进行结构重现。

②如果服务提供商pro_j为综合服务提供企业，则需要根据企业服务分类目录进行结构生成，然后根据所得到的所有服务所属类别进行服务本体结构重现，其具体实现步骤遵循上述方法1)描述，针对所有服务类别完成相关处理后得到初始个性化服务本体IPSO。

3.1.3)混合约束条件下的PSO生成。

混合约束条件下的PSO生成方法所描述的是将基于主体约束的初始个性化服务本体UB_IPSO和基于范围约束的初始个性化服务本体RB_IPSO进行本体合并消重的处理，将UB_IPSO作为基础本体(即被修改服务本体)，RB_IPSO作为候选服务本体，从RB_IPSO的根节点开始与UB_IPSO中的服务节点进行类似遍历，遍历方式遵循自顶向下，从左到右 的顺序进行操作。

3.1.3.1)概念匹配操作基本情况分为：

①如果RB_IPSO中的服务概念节点RB_s_j存在于UB_IPSO中，那么需要对RB_s_j的情况进行判断：

A.如果RB_s_j在RB_IPSO为叶节点，那么概念匹配流程结束，进入服务实例匹配过程；

B.如果RB_s_j在RB_IPSO为非叶节点，那么需要对RB_s_j的直接子节点与RB_s_j在UB_IPSO中的直接子节点进行服务概念关系进行判断，重新进行1)和2)两种情况判断，直到RB_s_j的所有子节点都完成服务节点匹配操作过程，服务概念匹配流程结束。

②如果RB_IPSO中的服务概念节点RB_s_j不存在于UB_IPSO中，那么需要根据通用服务本体SO对RB_s_j进行本体结构恢复，恢复至其最近共有服务节点，则溯源过程结束，恢复过程需要对RB_s_j在UB_IPSO中的最近共有父节点的子服务节点的关系进行判断：

A.若其子节点关系为兄弟(brotherhood)节点关系，则直接添加RB_s_j的最近共有父节点之下；

B.若其子节点关系为父子(parent-child)节点关系，且RB_s_j为子节点则直接添加RB_s_j的至相应位置；

C.若其子节点关系为父子(parent-child)节点关系，且RB_s_j为父节点则直接添加RB_s_j的最近共有父节点之下，并将子节点添加至相应位置。

3.1.3.2)服务实例匹配消重过程中，将作为候选实例集合， 作为待更新实例集合，按照服务实例概念，属性，关系的顺序进行匹配消重计算，将RB_I_j与UB_SI中实例进行匹配，消重依据为相似度计算结果。其详细流程如下：

①服务概念相似度判断，且令概念形似度阈值为c。

A.若UB_SI中不存在与RB_I_j概念相似的服务，即sim_n(RB_I_j,UB__jI)＜，c则将RB_I_j直接添加至UB_SI中；

B.若UB_SI中不存在与RB_I_j概念相似的服务，即sim_n(RB_I_j,UB_I_j)≥c，则需要进 入到服务属性相似度计算过程。

②服务属性相似度判断，服务属性同样分为数值属性和对象属性，利用综合属性相似度计算方法计算属性值，并进行判断，且令概念形似度阈值为att

A.若UB_SI中不存在与RB_I_j属性相似的服务，即sim_att(RB_I_j,UB_I_j)＜att，则将RB_I_j直接添加至UB_SI中；

B.若UB_SI中不存在与RB_I_j概念相似的服务，即sim_att(RB_I_j,UB_I_j)≥att，则需要进入到服务关系相似度计算过程。

③服务关系相似度判断，且令概念形似度阈值为rel。

A.若UB_SI中不存在与RB_I_j关系相似的服务，即sim_r(RB_I_j,UB_I_j)＜rel，则将RB_I_j直接添加至UB_SI中；

B.若UB_SI中不存在与RB_I_j关系相似的服务，即sim_r(RB_I_j,UB_I_j)≥rel，则可断定RB_I_j与UB_SI相似，不需要添加至UB_SI，该服务的实例匹配过程结束。

对RB_IPSO中的所有服务概念节点均进行上述相关操作直至新的初始个性化服务本体IPSO_merg生成。

3.2)个性化网络服务本体库优化与更新，包括：

3.2.1)服务本体库增加操作，用于将新的受用户欢迎的节点添加至个性化服务本体中去。随着用户服务搜索行为的增加，通过分析与挖掘的用户服务搜索历史信息寻找出并排列出用户满意的服务，并将其SPD与领域专家所设定的相关阈值进行比较，以便执行相关的操作，如图5所示：

STEP1：计算服务S的受欢迎程度SPD_i(s_j)，并将计算结果与领域专家所设定的阈值θ相比较，此节中的S与上述章节的s_j含义相同。

①如果服务不具有用户适合度，即SPD_i(s_j)，则结束对该服务的操作；

②如果服务具有用户适合度，即SPD_i(s_j)≥θ，则进入到STEP2。

STEP2：判定服务S是否存在于已有的个性化服务本体PSO。

①如果服务S存在于已有的个性化服务本体PSO，则结束对该服务的操作；

②如果服务S不存在于已有的个性化服务本体PSO，则进入到STEP3。

STEP3：判定服务S在已有的个性化服务本体PSO是否为叶节点。

①如果服务S在已有的个性化服务本体PSO为叶节，将新服务S添加至其在已有个性化服务本体PSO中的父节点下；

②如果服务S在已有的个性化服务本体PSO为非叶节，则进入到STEP4。

STEP4：判定新服务S与已有个性化服务本体PSO中的子服务节点S₀之间的关系。

①如果新服务S与已有个性化服务本体PSO中的子服务节点S₀之间的关系为兄弟节点关系，将新服务S添加至其在已有个性化服务本体PSO中的父节点下；

②如果新服务S与已有个性化服务本体PSO中的子服务节点S₀之间的关系为父子节点关系，将新服务S添加至其在已有个性化服务本体PSO中的父节点下，并将子服务节点S₀将曾为新服务S的子节点。

3.2.2)服务本体库删除操作用于将用户不再欢迎的服务节点从现有的个性化服务本体中删除。在此项删除操作中，仍然需要分析用户对服务节点的欢迎程度并与领域专家所设定的阈值相比较。不可否认的一点是，此类操作耗时长且计算成本高，但是相较于其他服务本体而言，其简明精准的服务呈现更能提升服务用户体验值，服务节点删除操作具体流程如图6所示：

STEP1：计算服务S的受欢迎程度SPD，并将计算结果与领域专家所设定的阈值θ相比较。

①如果服务具有用户适合度，即SPD_i(s_j)≥θ，则结束对该服务的操作；

②如果服务不具有用户适合度，即SPD_i(s_j)＜θ，则进入到STEP2。

STEP2：判定服务S在已有的个性化服务本体PSO是否为叶节点。

①如果服务S在已有的个性化服务本体PSO为叶节点，将服务S直接从已有个性化服务本体PSO中删除；

②如果服务S在已有的个性化服务本体PSO为非叶节点，将服务S的直接子节点S₁升层为服务S父节点S₀的直接子节点，然后删除服务节点S。

3.3)网络服务智能发现关键算法设计，包括：

3.3.1)服务名称语义相似度算法，SN_O代表服务本体中的服务名称，而SN_N代表基于用户搜索请求输入的新服务名称，SNS_O代表SN_O与SN_N之间的服务名称相似度，则是服务名称SN_O中的概念i，而则是服务名称SN_N中的概念j。计算并选取和之间最大的 Jaccard系数后，并对服务名称SN_O中的概念数进行加和平均以获取服务概念相似度SNS_O。

${\mathrm{SNS}}_O({\mathrm{SN}}_O,{\mathrm{SN}}_N)=\frac{1}{n}\underset{i}{\mathrm{\&Sigma;}}\{\underset{j}{\arg \max }\frac{|c_O^i\&cap;c_N^j|}{|c_O^i\&cup;c_N^j|}$

3.3.2)服务属性语义相似度算法采用Pearson相关系数计算服务属性矩阵SAM_O和SAM_N之间的服务属性相似度，SAM_O代表搜索到的本体中的服务属性矩阵，代表基于用户搜索请求输入的新服务属性矩阵，如公式所示。

$\begin{array}{c}{\mathrm{SAS}}_O({\mathrm{SA}}_O,{\mathrm{SA}}_N)\\ ={\mathrm{SAS}}_O({\mathrm{SAM}}_O,{\mathrm{SAM}}_N)=\frac{\underset{a\&Element;A}{\mathrm{\&Sigma;}}({\mathrm{sav}}_{O,a}-\stackrel{\&OverBar;}{{\mathrm{sav}}_O})({\mathrm{sav}}_{N,a}-\stackrel{\&OverBar;}{{\mathrm{sav}}_N})}{\sqrt{\underset{a\&Element;A}{\mathrm{\&Sigma;}}{({\mathrm{sav}}_{O,a}-{\stackrel{\&OverBar;}{\mathrm{sav}}}_O)}^2\sqrt{\underset{a\&Element;A}{\mathrm{\&Sigma;}}{({\mathrm{sav}}_{N,a}-{\stackrel{\&OverBar;}{\mathrm{sav}}}_N)}^2}}}\end{array}$

3.3.3)服务关系语义相似度算法，基于对Wu-Palmer的语义距离计算方法进行改进，提出新的基于服务本体的服务关系相似性计算方法，如公式所示。

$\begin{array}{c}{\mathrm{SRS}}_O({\mathrm{SR}}_O,{\mathrm{SR}}_N)\\ =\frac{2\mathrm{dep}\left(\mathrm{lca}(S_o,S_N)\right)}{\mathrm{len}(S_o,S_N)-\frac{\mathrm{len}(S_O,\mathrm{lca}(S_o,S_N))\&times;\mathrm{len}(S_N,\mathrm{lca}(S_o,S_N))}{(\mathrm{len}(S_O,\mathrm{lca}(S_O,S_N))+\mathrm{len}(S_N,\mathrm{lca}(S_O,S_N)){)}^2}+2\mathrm{dep}\left(\mathrm{lca}(S_o,S_N)\right)}\end{array}$

3.3.3)服务综合相似度算法主要是根据服务名称相似度，服务属性相似度和服务关系相似度的加和平均而来，如公式所示，SS_O代表本体服务S_O与用户搜索的新服务S_N之间的服务综合相似度：

${\mathrm{SS}}_O=\frac{{\mathrm{SNS}}_O({\mathrm{SN}}_O,{\mathrm{SN}}_N)+{\mathrm{SAS}}_O({\mathrm{SA}}_O,{\mathrm{SA}}_N)+{\mathrm{SRS}}_O({\mathrm{SR}}_O,{\mathrm{SR}}_N)}{3}$

最后，为提升服务发现结果集合呈现方式的准确性，对服务过滤集合进行服务综合相似度排序，智能服务发现机制将依据不同用户所设置的阈值进行服务发现结果推送操作，将具有较高相似性的服务搜索结果推荐给服务用户。

Claims (4)

1.一种基于用户需求的网络服务智能发现方法，其特征在于：该方法包含网络服务用户模型(1)、网络服务本体模型(2)和面向用户个性化需求的网络服务智能发现方法(3)；

网络服务用户模型(1)是一种面向网络服务智能发现算法的、定义良好的、形式化的用户综合信息描述模型，其结构包含：用以描述与标准化存储网络服务用户显示信息与隐式信息的网络服务用户基本信息模型(11)；用以定义、分类并量化用户行为模式的网络服务用户行为模型(12)；以及依据网络服务用户基本信息模型(11)和网络服务用户行为模型(12)相关指标所构建的网络服务用户适用度模型(13)；

网络服务本体模型(2)是准确有效地实现网络服务信息描述，精准的网络服务发现和恰当的服务结果推荐与实现网络服务智能发现的关键基础，其内容包括：网络服务本体模型设计(21)和网络服务本体规则描述(22)；

面向用户个性化需求的网络服务智能发现方法(3)是在融合考虑网络服务用户模型(1)和网络服务本体模型(2)的基础上实现网络服务本体智能发现，包括网络服务智能发现流程设计(31)、个性化网络服务本体库生成(32)、个性化网络服务本体库优化与更新(33)以及网络服务智能发现关键算法设计(34)。

2.根据权利要求1所述的网络服务用户模型(1)，其特征在于：根据用户信息获得方式将网络服务用户信息的显式信息和隐式信息，并针对不同的用户基本信息进行描述；

网络服务用户模型的基本信息模型(11)中的信息描述包括：网络服务用户模型的基本信息(111)、服务用户基本信息——个人信息(112)、服务用户基本信息-教育信息(113)、服务用户基本信息-职业信息(114)、服务用户基本信息-标签信息(115)、用户基本信息-接收信息(116)；

网络服务用户行为模型(12)中的信息描述包括：用户服务搜索行为(121)、用户服务点击行为(122)、用户服务浏览行为(123)、用户服务消费行为(124)、用户服务收藏行为(125)、用户服务评价行为(126)、用户服务分享行为(127)；

网络服务用户适用度模型(13)用一个三元组的形式进行表述：SPD＝<UID,SCD,SRD>，其中的信息描述包括：用户服务兴趣度(131)、服务关注度(132)、服务推广度(133)。

3.根据权利要求1所述的网络服务本体模型(2)，其特征在于：定义建模对象并刻画各建模对象之间联系的模型，它规定了网络服务本体的内容范围，同时也明确了网络服务本体的学习目标；

网络服务本体模型设计(21)中，包含服务本体概念类别(211)，其中定义了网络服务概念(2111)、属性概念(2112)、服务分类概念(2113)、属性类别概念(2114)、主体概念(2115)；概念实例(212)，包括服务概念的实例(2121)和属性概念的实例(2122)；服务本体关系(213)，其中定义了分类关系(2131)、等于关系(2132)、部分-整体关系(2133)、相似关系(2134)、互斥关系(2135)、关联关系(2136)；服务属性(214)，包含服务通用属性(2141)和服务商业属性(2142)；服务公理(215)；

网络服务本体规则描述(22)是用以实现服务本体推理功能的基础，包含网络服务本体基本规则(221)，其中有服务概念间的属性继承规则(2211)、部分-整体服务间的传递性规则(2211)和相似服务间的双向传递性规则(2213)；网络服务本体过滤规则(222)，包括基于服务属性的过滤规则(2221)和基于用户偏好的过滤规则(2222)。

4.权利要求1中的面向用户个性化需求的网络服务智能发现方法(3)，其特征在于：

从接收到用户服务请求开始，依次完成一下步骤以结束发现流程(31)；

步骤一：执行用户请求预处理步骤(311)；

步骤二：执行匹配映射算法以实现网络服务本体中相关服务的查找与搜索(312)；

步骤三：通过过滤算法剔除不满足用户服务需求或其他相关规则的服务，优化用户服务选择(313)；

步骤四：为提升服务发现结果集合呈现方式的准确性，对服务过滤集合进行服务综合相似度排序(314)；

根据用户个性化信息实现个性化网络服务本体库生成(32),并通过三种方法：基于主体约束的PSO(321)、基于范围约束的PSO(322)和混合约束条件下的PSO(323)实现删减用户不感兴趣的服务并且保留用户感兴趣的服务，并且保持其他来源所推荐的相关服务；

基于个性化网络服务本体库生成(32)和用户动态变化的需求信息，完成个性化网络服务本体库优化与更新(33)，其主要操作包括：服务本体库添加操作(331)和服务本体库删除操作(332)；

在权利1、权利2、权利3的基础上，结合用户需求与个性化网络服务本体库，设计网络服务智能发现关键算法(34)，基于用户需求的网络服务智能发现方法将智能服务发现的匹配与映射的具体操作分为服务名称语义相似度计算(341)、服务属性语义相似度计算(342)、服务关系语义相似度计算(343)、综合服务语义相似度计算(341)。