CN108038612B - 一种用户行为驱动的制造云服务自组织评价系统及方法 - Google Patents

一种用户行为驱动的制造云服务自组织评价系统及方法 Download PDF

Info

Publication number
CN108038612B
CN108038612B CN201711293227.XA CN201711293227A CN108038612B CN 108038612 B CN108038612 B CN 108038612B CN 201711293227 A CN201711293227 A CN 201711293227A CN 108038612 B CN108038612 B CN 108038612B
Authority
CN
China
Prior art keywords
service
user
behavior
cloud service
manufacturing
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.)
Active
Application number
CN201711293227.XA
Other languages
English (en)
Other versions
CN108038612A (zh
Inventor
黄沈权
周宏明
陈亚绒
周富得
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.)
Wenzhou University
Original Assignee
Wenzhou 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 Wenzhou University filed Critical Wenzhou University
Priority to CN201711293227.XA priority Critical patent/CN108038612B/zh
Publication of CN108038612A publication Critical patent/CN108038612A/zh
Application granted granted Critical
Publication of CN108038612B publication Critical patent/CN108038612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用户行为驱动的制造云服务自组织评价系统，包括用户行为接口、用户行为跟踪记录器、制造云服务库、用户行为库、行为权重计算器、制造云服务评价器以及用户权重评价器。用户行为接口提供用户操作制造云服务的接口，用户行为跟踪记录器跟踪和记录用户的各种行为，制造云服务库存储制造云服务模型，用户行为库存储用户行为模型，行为权重计算器计算不同类型行为的权重。制造云服务评价器获取用户行为数据以及用户权重向量，计算制造云服务的评价向量；用户权重评价器获取用户行为数据及制造云服务评价向量，计算用户权重向量。实施本发明，能够降低海量制造云服务评价的时间和成本，提高服务评价的用户参与度与专业性。

Description

一种用户行为驱动的制造云服务自组织评价系统及方法
技术领域
本发明涉及云计算技术领域和制造业技术领域，尤其涉及一种用户行为驱动的制造云服务自组织评价系统及方法。
背景技术
制造业的服务化转型发展以及云计算模式和技术的兴起，催生了云制造的产生和发展。制造云服务是构成云制造平台的基本要素，是云制造平台上虚拟化和服务化的制造资源和制造能力。制造云服务通过虚拟化、物联网等技术，将分散的制造资源进行虚拟封装，并接入到云制造平台进行统一的、集中的智能化管理和经营，从而形成一个大的云服务资源池(即制造云)，使得用户通过制造云，可以按需地调用所需的制造云服务并进行动态组装，进而构建松散耦合的面向制造全生命周期的应用，从而盘活广域范围内的制造资源，支持企业间的业务协作。
为保证制造云服务的正确执行，在云服务选择、调用和组合的过程中，需要选择高质量、高信誉的服务，因此服务的有效评价是云制造工程化应用的基本前提。而云制造在给用户带来海量云服务的同时，不可避免地产生了“服务爆炸”的现象，大量的未经评价、未被用户认同的无序云服务充满整个制造云，将极大地降低制造云的利用效果和效率。因此，制造云服务的评价是云制造的核心关键问题，需要通过对制造云服务的科学合理评价，提高服务检索、组合和利用的效率。
制造云服务本质上是一种网络服务资源，现有技术中，为了评价互联网上的服务资源，QoS(Qualtiy of Service)的方法常常被用到，QoS表示一组服务的非功能属性，在服务检索、组合、调度的过程中，可以直接使用服务提供者发布的QoS数据进行服务评价。然而在实际应用的过程中，不少服务提供商会夸大自己的QoS属性来获得更高的服务收入，因此服务供应商发布的QoS的真实性和客观性不能有效保证。
针对QoS存在的上述问题，采用用户的反馈来评价服务成为另一个途径，但是在用户反馈的过程中，用户的专业性和可信度参差不齐，难以保证服务评价的真实有效性。因此，不少学者在制造网格、云计算、web服务等领域提出采用“信任”和“声誉”的方法来对用户反馈的服务评价信息进行分析，该方法虽然能够在一定程度上保证服务QoS评价的可信性，但是服务“信任”和“声誉”的研究依赖于用户反馈。不少研究强制要求用户直接评价服务，这种强制性策略很难适应云制造自组织、分布化、开放式的环境，并容易导致随意和恶意评价的问题，尤其是云平台运营的初始阶段，用户反馈数据稀少；并且云制造扩展了云计算资源优化配置的范围，在云制造环境下，用户来源复杂多样，海量的多品种的制造云服务不断演化，对服务评价的计算效率也提出了更高的要求。
因此，如何建立制造云服务的良性评价模式，低成本、高效率地对海量的制造云服务进行评价，提高用户参与服务评价的积极性和专业性，是云制造服务评价问题面临的重大挑战。针对上述问题，本发明提出一种用户行为驱动的制造云服务自组织评价系统和方法。
发明内容
本发明实施例所要解决的技术问题在于，提供一种用户行为驱动的制造云服务自组织评价系统及方法，对海量制造云服务进行自组织的评价，以提高服务评价的参与度与专业性，促进制造云的按需有序化及制造云服务的有效共享和高效利用。
为了解决上述技术问题，本发明实施例提供了一种用户行为驱动的制造云服务自组织评价系统，包括用户行为接口、用户行为跟踪记录器、制造云服务库、用户行为库、行为权重计算器、制造云服务评价器以及用户权重评价器；其中，
所述用户行为接口与所述用户行为跟踪记录器的输入端相连，包括服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，用于提供用户操作制造云服务的接口；
所述用户行为跟踪记录器的输出端与所述用户行为库的输入端相连，用于跟踪和记录用户的各种行为，形成相应的用户行为模型，存入所述用户行为库中；
所述制造云服务库与所述行为权重计算器的第一输入端相连，用于存储海量的制造云服务模型，并提供云服务信息给所述行为权重计算器；
所述用户行为库的第一输出端与所述行为权重计算器的第二输入端相连，用于提供用户行为数据给所述行为权重计算器来计算不同类型行为的权重；
所述制造云服务评价器的第一输入端与所述行为权重计算器的输出端相连，第二输入端与所述用户行为库的第二输出端相连，第三输入端与所述用户权重评价器的第一输出端相连，用于分别获取所述行为权重计算器计算出的不同类型行为的权重、所述用户行为库中的用户行为数据以及所述用户权重评价器计算出的用户权重向量，进而计算出制造云服务综合评价向量；
所述用户权重评价器的第一输入端与所述用户行为库的第三输出端相连，第二输入端与所述制造云服务评价器的第一输出端相连，用于获取所述用户行为库中的用户行为数据以及所述制造云服务评价器计算出的制造云服务综合评价向量，进而计算出用户权重向量。
其中，还包括服务评价均衡值求解器，所述服务评价均衡值求解器与所述制造云服务评价器的第二输出端相连以及所述用户权重评价器的第二输出端相连，用于迭代调用所述制造云服务评价器计算出的制造云服务评价向量和所述用户权重评价器计算出的用户权重向量，来求解最终的服务评价均衡值和用户权重均衡值。
其中，所述制造云服务库包括全局制造云服务以及至少一个与所述全局制造云服务具有从属关系的子制造云服务；其中，
所述全局制造云服务包括服务标识、服务类型、服务名称、所属领域、服务供应商和拓展属性；
每一子制造云服务均包括标识对象、功能对象、调用对象、资源对象、状态对象和评价对象；其中，所述评价对象包括由服务响应时间、服务质量、服务价格、服务可靠性和服务能力形成的自身评价对象和由用户的服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为形成的大众评价对象。
其中，服务评分行为模型用矩阵形式表示为E＝[eij]N×M，表示用户i评价服务j为eij分，其中，eij∈[0,1]，N是平台中的用户总数，M是平台中的服务总数；服务点击/浏览行为模型用矩阵形式表示为C＝[cij]N×M，其中，cij∈{0,1}，如果用户i点击或浏览了服务j，那么cij＝1，否则cij＝0；服务分享/关注行为模型用矩阵形式表示为F＝[fij]N×M，其中，fij∈{0,1}，如果用户i分享或关注了服务j，那么fij＝1，否则fij＝0；服务调用行为模型用矩阵形式表示为U＝[uij]N×M，其中，uij∈{0,1}，如果用户i调用了服务j，那么uij＝1，否则uij＝0。
本发明实施例还提供了一种用户行为驱动的制造云服务自组织评价方法，其在前述的制造云服务自组织评价系统中实现，包括以下步骤：
S1、使用用户行为跟踪记录器，通过监控服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，来获取用户的行为数据，组织形成用户行为模型，并存储到用户行为库中；
S2、确定用户行为的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子，并采用所述的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子来修正所述用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵值；
S3、根据所述用户行为库中的用户行为数据，采用信息熵，统计分析不同种类用户行为的权重；
S4、根据用户行为数据，采用公式(1)获得用户权重的评价向量：
Figure GDA0001580161240000041
式(1)中，E，C，F和U分别是经过修正后的用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵，
Figure GDA0001580161240000054
是制造云服务的评价向量。
S5、根据所述用户行为库中的用户行为数据，采用公式(2)获得制造云服务的评价向量：
Figure GDA0001580161240000051
式(2)中，α1，α2，α3和α4是步骤S3中获得的行为权重；
Figure GDA0001580161240000052
Figure GDA0001580161240000053
分别是用户的评分权重向量，用户的点击/浏览权重向量，用户的分享/关注权重向量和用户的调用权重向量；
其中，所述方法进一步包括：
循环调用制造云服务评价器和用户权重评价器执行步骤S4和S5，再进行归一化，直到制造云服务评价向量和用户权重向量达到均衡值，得到最终的用户权重值和服务评价值；其中，得到的服务评价值越大，则表明制造云服务的价值越大，排序越靠前。
实施本发明实施例，具有如下有益效果：
(1)采用用户自发形成的用户行为数据来自组织地评价海量的制造云服务，而不需要领域专家和平台运营商的持续鉴定，节省了海量制造云服务鉴定和评价的时间和成本，提高了制造云服务的有序化，促进了制造云服务的有效共享和高效利用。
(2)在评价过程中，综合考虑了用户的权重，用户行为的质量，用户行为的时效性，服务版本的演化效应，适应了云制造环境高度开放和动态变化的特征。
(3)通过集成评价制造云服务和用户权重，一方面，自组织地识别出高水平的专业用户和高价值的服务，另一方面，激励用户评价的积极性从而有助于形成主动评价和有序化云服务的文化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的用户行为驱动的制造云服务自组织评价系统的结构示意图；
图2为本发明实施例提供的用户行为驱动的制造云服务自组织评价系统中制造云服务库的结构示意图
图3为本发明实施例提供的用户行为驱动的制造云服务自组织评价方法的流程图；
图4为本发明实施例提供的用户行为驱动的制造云服务自组织评价方法中各用户行为的有效行为数的应用场景图；
图5为本发明实施例提供的用户行为驱动的制造云服务自组织评价方法中用户行为综合评价结果的应用场景图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
发明人发现，网络技术的发展，使得云平台可以方便地获取用户在云平台使用过程中的各种行为(如使用、点击、浏览、评分、关注、分享等)。结合云制造服务平台的运营模式，通过集成考虑用户评价和服务评价问题，发明人提出采用用户行为对制造云服务进行自组织评价的原理，该评价原理由用户评价和服务评价两个部分组成。
在用户评价部分，根据用户的行为(即服务被操作的行为)以及用户行为所作用的云服务的评价情况，分析和度量用户权重，进而给出用户进行服务评价的参与度和贡献度排名，区分用户的专业性，提高用户评价、使用服务的积极性和认真性。
在服务评价部分，根据服务被操作的行为(即用户的行为)以及服务被操作的用户的评价能力，分析和计算制造云服务的评价值，进而给出云服务的价值排序，促进服务组织和管理的有序化，提高服务被用户发现和获取的效率和效果。
用户评价和云服务评价不是相互独立的，是一个相互影响、互为因果、协同发展的迭代过程。云服务的评价结果依赖于所评价用户的专业性，反过来，用户的评价结果依赖于所评价服务的价值。用户对云服务的评价越积极、越准确，该用户的评价权重就越高；制造云服务得到评价越高、评价者的能力越强，该云服务的评分就越高。用户评价和服务评价相互交互，通过不断的闭环正反馈循环，最终在海量云服务的动态环境下，一方面，自组织地识别出高水平的专业用户和高价值的服务，另一方面，激励用户评价的积极性形成主动评价和有序化云服务的文化。
发明人基于上述原理，提出了一种用户行为驱动的制造云服务自组织评价系统，其基本结构如图1所示，包括用户行为接口1、用户行为跟踪记录器2、制造云服务库3、用户行为库4、行为权重计算器5、制造云服务评价器6以及用户权重评价器7；其中，
用户行为接口1与用户行为跟踪记录器2的输入端相连，包括服务点击/浏览接口11、服务分享/关注接口12、服务调用接口13和服务评分接口14，用于提供用户操作制造云服务的接口；
用户行为跟踪记录器2的输出端与用户行为库4的输入端相连，用于跟踪和记录用户的各种行为，形成相应的用户行为模型，存入用户行为库4中；
制造云服务库3与行为权重计算器5的第一输入端相连，用于存储海量的制造云服务模型，并提供云服务信息给行为权重计算器5；
用户行为库4的第一输出端与行为权重计算器5的第二输入端相连，用于提供用户行为数据给行为权重计算器5来计算不同类型行为的权重；
制造云服务评价器6的第一输入端与行为权重计算器5的输出端相连，第二输入端与用户行为库4的第二输出端相连，第三输入端与用户权重评价器7的第一输出端相连，用于分别获取行为权重计算器5计算出的不同类型行为的权重、用户行为库4中的用户行为数据以及用户权重评价器7计算出的用户权重向量，进而计算出制造云服务综合评价向量；
用户权重评价器7的第一输入端与用户行为库4的第三输出端相连，第二输入端与制造云服务评价器6的第一输出端相连，用于获取用户行为库4中的用户行为数据以及制造云服务评价器6计算出的制造云服务综合评价向量，进而计算出用户权重向量。
更进一步的，还包括服务评价均衡值求解器8，服务评价均衡值求解器8与制造云服务评价器6的第二输出端相连以及用户权重评价器7的第二输出端相连，用于迭代调用制造云服务评价器6计算出的制造云服务评价向量和用户权重评价器7计算出的用户权重向量，来求解最终的服务评价均衡值和用户权重均衡值
如图2所示，制造云服务库包括全局制造云服务以及至少一个与全局制造云服务具有从属关系的子制造云服务；其中，
全局制造云服务包括服务标识、服务类型、服务名称、所属领域、服务供应商和拓展属性；
每一子制造云服务均包括标识对象、功能对象、调用对象、资源对象、状态对象和评价对象；其中，评价对象包括由服务响应时间、服务质量、服务价格、服务可靠性和服务能力形成的自身评价对象和由用户的服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为形成的大众评价对象。
应当说明的是，由于云制造环境下的制造云服务处于动态演化的过程中，需要在评价过程中考虑版本的演化作用。因此，将制造云服务模型(Manufacturing CloudService Model,MCSM)分为两种类型，形式化表示为：MCSM＝＜MCSg,MCSv,GV＞。其中MCSg表示版本无关的全局制造云服务，MCSv表示版本相关的子制造云服务，
Figure GDA0001580161240000081
表示全局云服务与某一版本子制造云服务之间的从属关系；其中，1个全局的云服务对应n个版本相关的子制造云服务。
在本发明实施例中，全局云服务形式化为：MCSg＝＜sid,stype,sname,domain,supplier,exta＞。其中，sid,stype,sname,domain,supplier,exta分别表示服务标识，服务类型，服务名称，所属领域，供应商和其他拓展属性。
与版本相关的子制造云服务形式化为：MCSv＝＜CSIdentity,CSFunction,CSInvoke,CSResource,CSState,CSEvaluation＞。其中CSIdentity,CSFunction,CSInvoke,CSResource,CSState,CSEvaluation分别表示服务的标识对象，功能对象，调用对象，资源对象，状态对象和评价对象，各业务对象具有自身的属性和关联的子对象。其中，评价对象CSEvaluation与云服务的评价直接相关，为了支持制造云服务的自组织评价，将评价对象分为自身评价对象SelfEval和大众评价对象MassEval两个子对象，表示为CSEvaluation＝(SelfEval,MassEval)，SelfEval描述了云服务发布商自身对外宣称的服务质量等评价信息，MassEval描述了广大云服务用户对云服务的评价信息，MassEval有评分、点击/浏览、关注/分享、使用等评价实例，MassEval对象中的信息由用户行为数据自动提取。
由此可见，用户行为是制造云服务自组织评价系统的驱动力，将用户行为具体定义如下：
第一步、通过公式
Figure GDA0001580161240000091
表示用户的服务评分行为E；其中，
Figure GDA0001580161240000092
表示用户USERi对当前子制造云服务MCSj的评分，且SCOREij＝{＜i,j,p,q＞}，其中，p表示评级指数，包括服务响应时间、服务质量、服务价格、服务可靠性和服务能力,q表示每一个评级指数维度下的打分；k表示USERi对MCSj的第k次评分；T(tb)表示用户行为对服务评价的影响随时间衰减的函数；V(vid)表示用户行为对服务评价的影响随当前子制造云服务版本演化的因子；
Figure GDA0001580161240000093
表示当前子制造云服务版本和行为时间对服务评价结果影响的运算符。
用户的服务评分行为用矩阵的形式表示为E＝[eij]，其中，
Figure GDA0001580161240000101
ηq为打分值采用李克特五级量表。
第二步、通过公式
Figure GDA0001580161240000102
表示用户的服务点击或浏览行为C；其中,k表示用户USERi对当前子制造云服务MCSj的第k次点击或浏览；用户的服务点击或浏览行为用矩阵的形式表示为C＝[cij]，其中，cij∈{0,1}；如果用户USERi点击或浏览了当前子制造云服务MCSj，则cij＝1，否则cij＝0。
第三步、通过公式
Figure GDA0001580161240000103
表示用户的服务分享或关注行为F；其中，k表示用户USERi对当前子制造云服务MCSj的第k次服务分享或关注；用户的服务分享或关注行为用矩阵的形式表示为F＝[fij]，其中fij∈{0,1}；如果用户USERi分享/关注了当前子制造云服务MCSj，则fij＝1，否则fij＝0。
第四步、通过公式
Figure GDA0001580161240000104
表示用户的服务使用行为U；其中，k表示用户USERi对当前子制造云服务MCSj的第k次使用；用户的服务使用行为用矩阵的形式为U＝[uij]，其中uij∈{0,1}；如果用户USERi使用了当前子制造云服务MCSj，则uij＝1，否则uij＝0。
由此可见，服务评分行为模型用矩阵形式表示为E＝[eij]N×M，表示用户i评价服务j为eij分，eij∈[0,1]，N是平台中的用户总数，M是平台中的服务总数；服务点击/浏览行为模型用矩阵形式表示为C＝[cij]N×M，cij∈{0,1}，如果用户i点击或浏览了服务j，那么cij＝1，否则cij＝0；服务分享/关注行为模型用矩阵形式表示为F＝[fij]N×M，fij∈{0,1}，如果用户i分享或关注了服务j，那么fij＝1，否则fij＝0；服务调用行为模型用矩阵形式表示为U＝[uij]N×M，uij∈{0,1}，如果用户i调用了服务j，那么uij＝1，否则uij＝0。
如图3所示，为本发明实施例中，提供的一种用户行为驱动的制造云服务自组织评价方法，其在前述的制造云服务自组织评价系统中实现，包括以下步骤：
步骤S1、使用用户行为跟踪记录器，通过监控服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，来获取用户的行为数据，组织形成用户行为模型，并存储到用户行为库中；
步骤S2、确定用户行为的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子，并采用所述的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子来修正用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵值；
步骤S3、根据所述用户行为库中的用户行为数据，采用信息熵，统计分析不同种类用户行为的权重；
步骤S4、根据用户行为数据，采用公式(1)获得用户权重的评价向量：
Figure GDA0001580161240000111
式(1)中，E，C，F和U分别是经过修正后的用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵，
Figure GDA0001580161240000112
是制造云服务的评价向量。
步骤S5、根据所述用户行为库中的用户行为数据，采用公式(2)获得制造云服务的评价向量：
Figure GDA0001580161240000113
式(2)中，α1，α2，α3和α4是步骤S3中获得的行为权重；
Figure GDA0001580161240000114
Figure GDA0001580161240000115
分别是用户的评分权重向量，用户的点击/浏览权重向量，用户的分享/关注权重向量和用户的调用权重向量；
具体过程为，在步骤S1中，授予权限用户可以通过服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口分别点击/浏览，分享/关注，调用和评分相应的服务，其中，评分行为以调用行为为前提，即只有调用过该服务的用户，才可以对该服务进行评分。用户行为跟踪记录器通过监控服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，自动获取用户的行为数据，组织形成用户行为模型并存储到用户行为库中。
在步骤S2中，为了适应制造云服务高度动态变化的要求，克服用户的随意和恶意评价行为，所述方法进一步包括，确定用户行为随时间衰减因子、用户行为随服务版本演化的因子、用户行为的质量协调因子，并采用用户行为随时间衰减因子、用户行为随服务版本演化的因子、质量协调因子来修正用户行为矩阵值。
在本发明实施例中，用户行为随时间衰减因子、用户行为随服务版本演化的因子、质量协调因子的设计和使用方法如下：
设计用户行为随时间衰减因子，如式(3)所示，其中tnow表示当前时间(单位为天)，tb表示用户行为的时间(单位为天)，(tnow-tb)表示从用户行为时间到当前的时间差。根据负指数函数的性质，CL表示用户行为的影响力从1衰减到0.1的周期，其长度可由云平台订制。
T(tb)＝EXP(-(tnow-tb)*2.3/CL) (3)
设计用户行为随服务版本演化的因子，如式(4)所示。式(4)中，vmax表示子制造云服务当前的最大版本号，vid表示用户行为作用于服务时所处的版本号，a是版本影响系数，a∈(0,1)，其值可由云平台订制。由基数位于(0,1)之间的等比数列具有递减的性质可知，式(4)所示的演化函数V(vid)具有随版本演化而递减的作用。因此，随着子制造云服务版本的递增，作用于该子制造云服务的行为对该子制造云服务所对应的全局服务的影响是递减的。
Figure GDA0001580161240000121
设计质量协调因子为如式(5)所示，以协调用户行为的质和量问题。其中
Figure GDA0001580161240000122
为经过质量协调后的用户行为矩阵值，
Figure GDA0001580161240000123
表示eij，cij，hij或uij，将
Figure GDA0001580161240000124
定义为eij，
Figure GDA0001580161240000125
定义为cij，
Figure GDA0001580161240000126
定义为fij，
Figure GDA0001580161240000127
定义为uij，
Figure GDA0001580161240000128
是用户i的行为l所作用的服务总数。在式(5)中，β表示质量协调系数。β越靠近0，则
Figure GDA0001580161240000129
趋向于
Figure GDA00015801612400001210
表示越注重“量”；β越靠近1，则
Figure GDA00015801612400001211
趋向于
Figure GDA00015801612400001212
表示越注重“质”。
Figure GDA0001580161240000131
综合采用用户行为随时间衰减因子、用户行为随服务版本演化的因子、质量协调因子来修正用户行为矩阵值，如式(6)-式(9)所示.
Figure GDA0001580161240000132
Figure GDA0001580161240000133
Figure GDA0001580161240000134
Figure GDA0001580161240000135
在步骤S3中，通过行为权重计算器统计分析不同种类用户行为的权重，行为权重计算器根据用户行为数据，采用信息熵，自动计算和获得不同种类用户行为的权重，获取步骤是：首先，统计每个云服务获得的每种用户行为的有效行为数，并对统计得到的每个云服务的每种用户行为的有效行为数进行标准化处理；然后，统计出标准化后的每种用户行为的有效行为数占各自有效行为总数的比重，并基于这个比重，获取每一种用户行为的信息熵；接着，基于每一种用户行为的信息熵，得到每一种行为对服务评价影响的权重。
在本发明实施例中，不同种类用户行为的权重获取步骤如下：
根据式(10)统计每个云服务获得的有效行为数
Figure GDA0001580161240000136
其中
Figure GDA0001580161240000137
表示ej，
Figure GDA0001580161240000138
表示cj，
Figure GDA0001580161240000139
表示fj，
Figure GDA00015801612400001310
表示uj；并根据式(11)对服务的有效行为数
Figure GDA00015801612400001311
进行标准化处理，得到
Figure GDA00015801612400001312
以消除量纲不同对评价结果的影响。
Figure GDA00015801612400001313
Figure GDA00015801612400001314
然后，根据式(12)统计有效行为次数占有效行为总次数的比重。
Figure GDA0001580161240000141
例如，对于服务使用行为，u'j即
Figure GDA0001580161240000142
表示标准化后的服务j被有效使用的次数，
Figure GDA0001580161240000143
即
Figure GDA0001580161240000144
表示服务j的有效使用次数所占的比重.
采用
Figure GDA0001580161240000145
通过式(13)来定义第l种用户行为的信息熵H(l)。
Figure GDA0001580161240000146
基于各种用户行为的信息熵H(l)，根据式(14)获取第l种用户行为的总权重。
Figure GDA0001580161240000147
为了获取每一个用户行为的权重，
Figure GDA0001580161240000148
还需要除以该类行为的有效行为总数，如式(15)所示，最终根据式(16)得到第l种用户行为的权重αl，其中α1，α2，α3，α4分别是评分行为、点击或浏览行为、分享或关注行为以及使用行为对服务评价影响的权重。
Figure GDA0001580161240000149
Figure GDA00015801612400001410
在步骤S4中，在用户权重评价器中，根据用户行为数据，采用公式(1)获得用户权重的评价向量。
Figure GDA00015801612400001411
其中，E，C，F和U是经过修正后的用户行为矩阵，
Figure GDA00015801612400001412
是制造云服务的评价向量，
Figure GDA00015801612400001413
分别是用户的评分权重向量，用户的点击/浏览权重向量，用户的分享/关注权重向量和用户的调用权重向量。
在步骤S5中，在制造云服务评价器中，根据用户行为，采用公式(2)获得制造云服务的评价向量。
Figure GDA0001580161240000151
式(2)中，α1，α2，α3和α4分别是步骤3中获得的评分行为、点击或浏览行为、分享或关注行为以及使用行为对服务评价影响的权重；
Figure GDA0001580161240000152
分别是用户的评分权重向量，用户的点击/浏览权重向量，用户的分享/关注权重向量和用户的调用权重向量。
在本发明实施例中，所述方法进一步包括：
循环调用制造云服务评价器和用户权重评价器执行步骤S4和S5，再进行归一化，直到制造云服务评价向量和用户权重向量达到均衡值，得到最终的用户权重值和服务评价值；其中，所述得到的服务评价值越大，则表明制造云服务的价值越大，排序越靠前。
由于制造云服务的评价向量依赖于用户权重向量，反过来，用户权重向量依赖于制造云服务评价向量。为了求解用户权重向量
Figure GDA0001580161240000153
和服务评价向量
Figure GDA0001580161240000154
需要找到
Figure GDA0001580161240000155
和
Figure GDA0001580161240000156
的均衡值，把式(1)代入式(2)，式(2)可以转化为式(17)。
Figure GDA0001580161240000157
设R＝(α1ETE+α2CTC+α3FTF+α4UTU)，根据矩阵的特性，R是一个对称矩阵。如果R是一个随机对称矩阵，
Figure GDA0001580161240000158
能够通过式(17)的迭代过程，快速收敛于R的主特征向量。因此，服务评价均衡值求解器不断地迭代调用制造云服务评价器和用户权重评价器执行步骤S4和S5，再进行归一化，直到制造云服务评价向量和用户权重向量达到均衡值，得到最终的用户权重值集和服务评价值集。服务评价值越大，表明制造云服务的价值越大，排序越靠前。
对本发明实施例中用户行为驱动的制造云服务自组织评价方法的应用场景做进一步说明：
某服务需求者希望通过模具云制造服务平台获取合适的注塑模具成型分析服务，通过在云平台搜索，发现符合要求的制造云服务40个。经分析发现，用户行为数据库中与这40个服务有过行为交互的用户有130个,而平台共有1642个有效制造云服务和618个有效用户。下面以这20个制造云服务为例，在本发明提出的系统上，采用本发明提出的方法来集成评价和排序制造云服务和用户。在这个案例中，衰减周期CL设为365天，版本影响因子a设为0.70。
下面分析服务评价的计算过程和计算结果。
(1)计算各类型用户行为对服务评价影响的权重.
计算平台中所有的1642个服务的各类型行为的有效行为总数，包括有效评分总数、有效点击/浏览总数、有效分享/关注总数，有效使用总数。图4显示了本案例中检索到的40个服务的有效行为数。由计算结果可以发现，总体而言，云服务被点击/浏览的有效次数比较多，分享/关注次之，而被使用和评分的次数较少，这与云制造平台用户的服务操作情况相符。
将基于熵值法的行为权重算法编程写入系统,通过调用用户行为数据库，可以计算得到各类型用户行为对服务评价的信息熵，行为总权重和行为权重。表1展示了不同类型用户行为的权重，各个用户行为中评分的权重最大，无论行为总权重还是行为权重，说明评分行为携带的信息最多，效用值最大，对服务评价的影响最大；反之，点击/浏览是一种常用的用户行为，信息量少，权重也比较少。
表1.
信息熵 行为总权重 行为权重
Rate 0.879 861 0.347 549 0.488 495
Click/Browse 0.952 569 0.137 213 0.026 938
Share/Focus 0.923 788 0.220 474 0.143 539
Use 0.898 108 0.294 764 0.341 027
(2)计算制造云服务评价向量和用户权重向量
计算制造云服务评价向量和用户权重向量。在这个计算过程中，用户行为矩阵综合考虑了版本进化、时间衰减和用户行为的质量问题。表2和表3展示了本例中40个服务和130个用户的评价结果。
表2
Service Score/0.1 Service Score/0.1 Service Score/0.1
S1 0.183 167 S15 0.138 201 S29 0.355 676
S2 0.085 190 S16 0.119 284 S30 0.521 039
S3 0.028 463 S17 0.056 062 S31 0.405 657
S4 0.047 498 S18 0.029 691 S32 0.305 104
S5 0.207 380 S19 0.144 648 S33 0.209 945
S6 0.036 694 S20 0.192 365 S34 0.062 724
S7 0.355 096 S21 0.236 422 S35 0.011 072
S8 0.392 090 S22 0.249 875 S36 0.017 454
S9 0.422 143 S23 0.244 732 S37 0.048 603
S10 0.714 844 S24 0.605 620 S38 0.098 613
S11 0.440 544 S25 0.317 591 S39 0.163 558
S12 0.264 554 S26 0.253 661 S40 0.220 845
S13 0.225 350 S27 0.211 750
S14 0.018 883 S28 0.193 608
表3
Figure GDA0001580161240000171
(3)评价结果分析与讨论
根据表2和表3的计算结果，可以识别出高价值的服务和专业的用户，进而方便地评价和排序制造云服务。
高价值的服务：获得高的评价值的制造云服务，例如S10,S24,S30。从图4中，我们发现这些服务得到了最多的有效行为，因此这个结果与实际的服务使用情况是符合的。
垃圾服务：获得低的评价值的制造云服务，例如S35,S36,S3,S18。从图4中，我们发现这些服务得到最少的有效行为。需要说明的是S14的评价值很低，但是它并不是垃圾服务，因为它是新发布的服务。
专业用户：具有高权重的用户，如U5,U6,U10。这些服务具有很多的服务操作行为，并且这些用户操作的服务的评价值都比较高。
积极用户：例如U3,U4，这些用户具有很多的服务操作行为，但是这些用户所操作的服务的评分比较一般。
消极用户：具有低权重的用户，如U8,U9，这些用户很少操作服务或者这些用户操作的服务评分很低。需要说明的是，U7的用户权重很低，但它并不认为是消极用户，因为它是新用户。
根据
Figure GDA0001580161240000181
可以进一步地区分好的评分者/差的评分者，好的浏览者/差的浏览者，好的分享者/差的分享者，好的使用者/差的使用者。
实施本发明实施例，具有如下有益效果：
(1)采用用户自发形成的用户行为数据来自组织地评价海量的制造云服务，而不需要领域专家和平台运营商的持续鉴定，节省了海量制造云服务鉴定和评价的时间和成本，提高了制造云服务的有序化，促进了制造云服务的有效共享和高效利用。
(2)在评价过程中，综合考虑了用户的权重，用户行为的质量，用户行为的时效性，服务版本的演化效应，适应了云制造环境高度开放和动态变化的特征。
(3)通过集成评价制造云服务和用户权重，一方面，自组织地识别出高水平的专业用户和高价值的服务，另一方面，激励用户评价的积极性从而有助于形成主动评价和有序化云服务的文化。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种用户行为驱动的制造云服务自组织评价系统，其特征在于，包括用户行为接口、用户行为跟踪记录器、制造云服务库、用户行为库、行为权重计算器、制造云服务评价器以及用户权重评价器；其中，
所述用户行为接口与所述用户行为跟踪记录器的输入端相连，包括服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，用于提供用户操作制造云服务的接口；
所述用户行为跟踪记录器的输出端与所述用户行为库的输入端相连，用于跟踪和记录用户的各种行为，形成相应的用户行为模型，存入所述用户行为库中；
所述制造云服务库与所述行为权重计算器的第一输入端相连，用于存储海量的制造云服务模型，并提供云服务信息给所述行为权重计算器；
所述用户行为库的第一输出端与所述行为权重计算器的第二输入端相连，用于提供用户行为数据给所述行为权重计算器来计算不同类型行为的权重；
所述制造云服务评价器的第一输入端与所述行为权重计算器的输出端相连，第二输入端与所述用户行为库的第二输出端相连，第三输入端与所述用户权重评价器的第一输出端相连，用于分别获取所述行为权重计算器计算出的不同类型行为权重、所述用户行为库中的用户行为数据以及所述用户权重评价器计算出的用户权重向量，进而计算出制造云服务综合评价向量；
所述用户权重评价器的第一输入端与所述用户行为库的第三输出端相连，第二输入端与所述制造云服务评价器的第一输出端相连，用于获取所述用户行为库中的用户行为数据以及所述制造云服务评价器计算出的制造云服务综合评价向量，进而计算出用户权重向量。
2.如权利要求1所述的制造云服务自组织评价系统，其特征在于，还包括服务评价均衡值求解器，所述服务评价均衡值求解器与所述制造云服务评价器的第二输出端相连以及所述用户权重评价器的第二输出端相连，用于迭代调用所述制造云服务评价器计算出的制造云服务评价向量和所述用户权重评价器计算出的用户权重向量，来求解最终的服务评价均衡值和用户权重均衡值。
3.如权利要求1所述的制造云服务自组织评价系统，其特征在于，所述制造云服务库包括全局制造云服务以及至少一个与所述全局制造云服务具有从属关系的子制造云服务；其中，
所述全局制造云服务包括服务标识、服务类型、服务名称、所属领域、服务供应商和拓展属性；
每一子制造云服务均包括标识对象、功能对象、调用对象、资源对象、状态对象和评价对象；其中，所述评价对象包括由服务响应时间、服务质量、服务价格、服务可靠性和服务能力形成的自身评价对象和由用户的服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为形成的大众评价对象。
4.如权利要求1所述的制造云服务自组织评价系统，其特征在于，服务评分行为模型用矩阵形式表示为E＝[eij]N×M，表示用户i评价服务j为eij分，其中，eij∈[0,1]，N是平台中的用户总数，M是平台中的服务总数；服务点击/浏览行为模型用矩阵形式表示为C＝[cij]N×M，其中，cij∈{0,1}，如果用户i点击或浏览了服务j，那么cij＝1，否则cij＝0；服务分享/关注行为模型用矩阵形式表示为F＝[fij]N×M，其中，fij∈{0,1}，如果用户i分享或关注了服务j，那么fij＝1，否则fij＝0；服务调用行为模型用矩阵形式表示为U＝[uij]N×M，其中，uij∈{0,1}，如果用户i调用了服务j，那么uij＝1，否则uij＝0。
5.一种用户行为驱动的制造云服务自组织评价方法，其特征在于，其在如权利要求1至4中任一项所述的制造云服务自组织评价系统中实现，包括以下步骤：
S1、使用用户行为跟踪记录器，通过监控服务点击/浏览接口、服务分享/关注接口、服务调用接口和服务评分接口，来获取用户的行为数据，组织形成用户行为模型，并存储到用户行为库中；
S2、确定用户行为的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子，并采用所述的质量协调因子、用户行为随时间衰减因子、用户行为随服务版本演化的因子来修正所述用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵值；
S3、根据所述用户行为库中的用户行为数据，采用信息熵，统计分析不同种类用户行为的权重；
S4、根据所述用户行为库中的用户行为数据，采用公式(1)获得用户权重的评价向量：
Figure FDA0003031190000000031
式(1)中，E，C，F和U分别是经过修正后的用户行为库中服务评分行为、服务点击或浏览行为、服务分享或关注行为以及服务使用行为的矩阵表示，
Figure FDA0003031190000000032
是制造云服务的评价向量；
S5、根据所述用户行为库中的用户行为数据，采用公式(2)获得制造云服务的评价向量：
Figure FDA0003031190000000033
式(2)中，α1，α2，α3和α4是步骤S3中获得的行为权重；
Figure FDA0003031190000000034
Figure FDA0003031190000000035
分别是用户的评分权重向量，用户的点击/浏览权重向量，用户的分享/关注权重向量和用户的调用权重向量。
6.如权利要求5所述的制造云服务自组织评价方法，其特征在于，所述方法进一步包括：
循环调用制造云服务评价器和用户权重评价器执行步骤S4和S5，再进行归一化，直到制造云服务评价向量和用户权重向量达到均衡值，得到最终的用户权重值和服务评价值；其中，所述得到的服务评价值越大，则表明制造云服务的价值越大，排序越靠前。
CN201711293227.XA 2017-12-08 2017-12-08 一种用户行为驱动的制造云服务自组织评价系统及方法 Active CN108038612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711293227.XA CN108038612B (zh) 2017-12-08 2017-12-08 一种用户行为驱动的制造云服务自组织评价系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711293227.XA CN108038612B (zh) 2017-12-08 2017-12-08 一种用户行为驱动的制造云服务自组织评价系统及方法

Publications (2)

Publication Number Publication Date
CN108038612A CN108038612A (zh) 2018-05-15
CN108038612B true CN108038612B (zh) 2021-06-15

Family

ID=62101615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711293227.XA Active CN108038612B (zh) 2017-12-08 2017-12-08 一种用户行为驱动的制造云服务自组织评价系统及方法

Country Status (1)

Country Link
CN (1) CN108038612B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574685A (zh) * 2016-02-02 2016-05-11 浙江工业大学 一种基于主客观结合的云服务评价方法
CN106100883A (zh) * 2016-03-12 2016-11-09 浙江工商大学 一种云服务评价方法及装置
CN106559265A (zh) * 2016-11-21 2017-04-05 中国电子科技网络信息安全有限公司 一种云服务商能力综合考评系统及考评方法
CN106600058A (zh) * 2016-12-13 2017-04-26 北京理工大学 一种制造云服务QoS的组合预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574685A (zh) * 2016-02-02 2016-05-11 浙江工业大学 一种基于主客观结合的云服务评价方法
CN106100883A (zh) * 2016-03-12 2016-11-09 浙江工商大学 一种云服务评价方法及装置
CN106559265A (zh) * 2016-11-21 2017-04-05 中国电子科技网络信息安全有限公司 一种云服务商能力综合考评系统及考评方法
CN106600058A (zh) * 2016-12-13 2017-04-26 北京理工大学 一种制造云服务QoS的组合预测方法

Also Published As

Publication number Publication date
CN108038612A (zh) 2018-05-15

Similar Documents

Publication Publication Date Title
Zhang et al. Unibench: A benchmark for multi-model database management systems
US10303703B2 (en) Data fusion using behavioral factors
Qu et al. A cloud trust evaluation system using hierarchical fuzzy inference system for service selection
Lin et al. A trustworthy QoS-based collaborative filtering approach for web service discovery
US10235430B2 (en) Systems, methods, and apparatuses for detecting activity patterns
Baru et al. Benchmarking big data systems and the bigdata top100 list
Ouadah et al. SEFAP: an efficient approach for ranking skyline web services
US20120072435A1 (en) Multidimensional tags
WO2014099127A1 (en) Dynamic model data facility and automated operational model building and usage
Nepal et al. A fuzzy trust management framework for service web
AU2011204831B2 (en) Digital analytics platform
US11567936B1 (en) Platform agnostic query acceleration
Kontogianni et al. Designing a smart tourism mobile application: User modelling through social networks’ user implicit data
Saleem et al. Personalized decision-strategy based web service selection using a learning-to-rank algorithm
Kläs et al. Quality evaluation for big data: a scalable assessment approach and first evaluation results
US20160188685A1 (en) Fan identity data integration and unification
Chen et al. Web service QoS prediction: when collaborative filtering meets data fluctuating in big-range
Ayala-Rivera et al. COCOA: A synthetic data generator for testing anonymization techniques
Chauhan et al. BSS: a brokering model for service selection using integrated weighting approach in cloud environment
Obulaporam et al. GCRITICPA: A CRITIC and grey relational analysis based service ranking approach for cloud service selection
Wen et al. Probabilistic top-K dominating services composition with uncertain QoS
Ye et al. Parameters tuning of multi-model database based on deep reinforcement learning
Li et al. Quality factory and quality notification service in data warehouse
Colombo-Mendoza et al. A knowledge-based multi-criteria collaborative filtering approach for discovering services in mobile cloud computing platforms: The case of MobiCloUP!
CN108038612B (zh) 一种用户行为驱动的制造云服务自组织评价系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180515

Assignee: Ningbo Haishu rongchuang paper products Co.,Ltd.

Assignor: Wenzhou University

Contract record no.: X2021330000840

Denomination of invention: A user behavior driven manufacturing cloud service self-organizing evaluation system and method

Granted publication date: 20210615

License type: Common License

Record date: 20211225

EE01 Entry into force of recordation of patent licensing contract