CN112329877A - 一种基于投票机制的web服务分类方法及系统 - Google Patents
一种基于投票机制的web服务分类方法及系统 Download PDFInfo
- Publication number
- CN112329877A CN112329877A CN202011278483.3A CN202011278483A CN112329877A CN 112329877 A CN112329877 A CN 112329877A CN 202011278483 A CN202011278483 A CN 202011278483A CN 112329877 A CN112329877 A CN 112329877A
- Authority
- CN
- China
- Prior art keywords
- web service
- model
- qos
- sentence
- user
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于web服务技术领域,具体涉及一种基于投票机制的web服务分类方法及系统,包括下列步骤:获取用户的Web服务功能描述以及QoS需求,对用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务;采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类,并选出符合用户需求的Web服务并输出。本发明具有可以提高系统的运行效率、对不同参数的适应能力更强、有较高的准确率与较低的误报率等优点。本发明用于web服务的分类。
Description
技术领域
本发明属于web服务技术领域,具体涉及一种基于投票机制的web服务分类方法及系统。
背景技术
目前,大多数公司采用Web服务的形式为其客户提供业务,随着Web服务的发展,数量与日俱增,网络上出现了许多具有相同或相似功能的Web服务,如何选择合适的Web服务为客户提供良好的服务成为公司的一大难题。
现有技术存在的问题或者缺陷:目前选择Web服务方法时通常利用基于语义、基于机器学习的方法从服务池中选择相似的Web服务。在服务分类时一般利用Web服务的QoS各维度的参数基于机器学习算法来评价最优的Web服务。在Web服务过多的时候,一些不相关的服务也会被现有系统选择造成系统运行效率低;利用单个机器学习模型不能很好的应对QoS性能、安全性、可靠性等多个维度的参数。
发明内容
针对上述单个机器学习模型不能很好的应对QoS性能、安全性、可靠性等多个维度的参数的技术问题,本发明提供了一种运行效率高、误报率低、适应能力强的基于投票机制的web服务分类方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于投票机制的web服务分类方法,包括下列步骤:
S1、获取用户的Web服务功能描述以及QoS需求,对用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务;
S2、采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;
S3、通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类,并选出符合用户需求的Web服务并输出。
所述S2中的多个机器学习模型分别为SVM模型、决策树模型、随机森林模型、朴素贝叶斯模型。
所述SVM模型是采用线性分类算法,针对Web服务QoS的各个维度参数组成的高维向量数据集,通过查找最佳的超平面对数据空间进行分类,输出Web服务所属的类别;SVM模型的训练是先将数据集中的数据转换成特征向量,构建SVM优化函数,利用SMO算法求解参数,最后获得数据集的超平面参数。
所述决策树模型是采用决策树算法,基于训练样本,对样本各个属性进行一次判断,最终得出判断结果;决策树模型的训练是先将数据集中数据转换成特征向量,然后对特征向量的每个维度逐一建立节点进行判断,遍历所有训练样本来优化判断条件,最终得到决策树模型。
所述随机森林模型是采用集成算法,针对Web服务QoS的各个维度参数,它组合多个弱分类器,最终通过投票或取均值来对Web服务进行分类,输出Web服务所属的类别,使得整体模型的结果具有较高的精确度和泛化性能;随机森林模型的训练是先将数据集中的数据转换成特征向量,将全部样本随机分给n个弱分类器,弱分类器对各特征进行学习,n轮训练后得到每个弱分类器的参数,集成各弱分类器形成随机森林模型。
所述朴素贝叶斯模型是假设各个特征之间相互独立,在面对QoS各个维度参数组成的向量时可以有效的对Web服务进行分类;朴素贝叶斯模型的训练是先将数据集中数据转换成特征向量,然后对每个类别计算P(yi),再对每个特征属性计算所有划分的条件概率,得到条件概率参数。
所述S1中的自然语言处理模型采用BiLSTM+CNN模型,具体方法包括:
采用BiLSTM+CNN模型首先将语义相似度数据中的句子一与句子二进行词向量表示,然后将各句子的词向量输入到BiLSTM模型中得到其高维特征向量,将高维特征向量通过CNN模型得到句子的全局语义向量,计算句子一与句子二的全局语义向量之间的距离得到句子一与句子二之间的相似度,最后利用监督学习的方法来对整个数据集进行学习得到最终模型。
一种基于投票机制的web服务分类系统,包括获取模块、功能识别模块、投票模块、输出模块,所述获取模块依次与功能识别模块、投票模块、输出模块连接;
获取模块,用于获取用户的Web服务功能描述以及QoS需求;
功能识别模块,用于将用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务;
投票模块,用于采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;并通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类;
输出模块,用于将选出的符合用户需求的Web服务输出。
本发明与现有技术相比,具有的有益效果是:
本发明在用户端部署基于投票机制的Web服务分类系统,系统先获取用户想要的Web服务的功能以及QoS要求,从服务池中挑选出相近的服务,进一步使用多个机器学习模型构成的投票模块对Web服务的QoS不同维度如性能、安全性、可靠性等参数进行评价并分类,最后将筛选出的符合用户要求的Web服务提供给用户。利用BiLSTM+CNN算法进行功能描述识别后过滤了大量不相关的服务,提高了系统的运行效率,同时使用不同机器学习模型的能力对QoS不同维度的参数进行评价并利用投票机制对Web服务的QoS质量进行分类,对不同参数的适应能力更强,同时具有较高的准确率与较低的误报率。
附图说明
图1为本发明的控制流程图;
图2为本发明SVM模型算法的训练流程图;
图3为本发明随机森林模型算法的训练流程图;
图4为本发明朴素贝叶斯模型算法的训练流程图;
图5为本发明功能识别学习模块的训练流程图;
图6为本发明投票学习模块的训练流程图;
图7为本发明的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
参照图1,一种基于投票机制的web服务分类方法,包括以下步骤:
S1:获取用户的Web服务功能描述以及QoS需求,对用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务。具体地,针对用户想要的Web服务功能,对其功能描述利用自然语言处理方法进行建模,然后利用训练好的模型从服务池中选择与功能描述语义相似的Web服务,过滤绝大多数不相关的Web服务提升系统运行效率。
S2:采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价。
S3:通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类,并选出符合用户需求的Web服务并输出。具体地,利用多个机器学习模型(比如SVM模型、决策树模型、随机森林模型、朴素贝叶模型斯)等对Web服务QoS的各个维度参数进行评价,利用投票机制根据每个模型的结果得出每个Web服务的QoS质量分类。
上述基于投票机制的web服务分类方法,在用户端部署基于投票机制的Web服务分类系统,系统先获取用户想要的Web服务的功能以及QoS要求,从服务池中挑选出相近的服务,进一步使用多个机器学习模型构成的投票模块对Web服务的QoS不同维度如性能、安全性、可靠性等参数进行评价并分类,最后将筛选出的符合用户要求的Web服务提供给用户。利用BiLSTM+CNN算法进行功能描述识别后过滤了大量不相关的服务,提高了系统的运行效率,同时使用不同机器学习模型的能力对QoS不同维度的参数进行评价并利用投票机制对Web服务的QoS质量进行分类,对不同参数的适应能力更强,同时具有较高的准确率与较低的误报率。
参照图2,上述基于投票机制的web服务分类方法,所述SVM模型是采用线性分类算法,针对Web服务QoS的各个维度参数组成的高维向量数据集,通过查找最佳的超平面对数据空间进行分类,输出Web服务所属的类别;SVM模型的训练是先将数据集中的数据转换成特征向量,构建SVM优化函数,利用SMO算法求解参数,最后获得数据集的超平面参数。
上述基于投票机制的web服务分类方法,所述决策树模型是采用决策树算法,基于训练样本,对样本各个属性进行一次判断,最终得出判断结果;决策树模型的训练是先将数据集中数据转换成特征向量,然后对特征向量的每个维度逐一建立节点进行判断,遍历所有训练样本来优化判断条件,最终得到决策树模型。
参照图3,上述基于投票机制的web服务分类方法,所述随机森林模型是采用集成算法,针对Web服务QoS的各个维度参数,它组合多个弱分类器,最终通过投票或取均值来对Web服务进行分类,输出Web服务所属的类别,使得整体模型的结果具有较高的精确度和泛化性能;随机森林模型的训练是先将数据集中的数据转换成特征向量,将全部样本随机分给n个弱分类器,弱分类器对各特征进行学习,n轮训练后得到每个弱分类器的参数,集成各弱分类器形成随机森林模型。
参照图4,上述基于投票机制的web服务分类方法,所述朴素贝叶斯模型是假设各个特征之间相互独立,在面对QoS各个维度参数组成的向量时可以有效的对Web服务进行分类;朴素贝叶斯模型的训练是先将数据集中数据转换成特征向量,然后对每个类别计算P(yi),再对每个特征属性计算所有划分的条件概率,得到条件概率参数。
参照图5,上述基于投票机制的web服务分类方法,所述自然语言处理模型采用BiLSTM+CNN模型,具体方法包括:
采用BiLSTM+CNN模型首先将语义相似度数据中的句子一与句子二进行词向量表示,然后将各句子的词向量输入到BiLSTM模型中得到其高维特征向量,将高维特征向量通过CNN模型得到句子的全局语义向量,计算句子一与句子二的全局语义向量之间的距离得到句子一与句子二之间的相似度,最后利用监督学习的方法来对整个数据集进行学习得到最终模型。
参照图6,上述基于投票机制的web服务分类方法,利用SVM算法、随机森林算法、朴素贝叶斯算法或决策树算法分别采用Web服务Qos数据集进行学习,得到可以进行被投票机制使用的基础模型。
实施例二:
参照图7,一种基于投票机制的web服务分类系统,包括:
获取模块,用于获取用户的Web服务功能描述以及QoS需求。
功能识别模块,用于将用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务。具体地,针对用户想要的Web服务功能,对其功能描述利用自然语言处理方法进行建模,然后利用训练好的模型从服务池中选择与功能描述语义相似的Web服务,过滤绝大多数不相关的Web服务提升系统运行效率。
投票模块,用于采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;并通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类。具体地,利用多个机器学习模型(比如SVM模型、决策树模型、随机森林模型、朴素贝叶模型斯)等对Web服务QoS的各个维度参数进行评价,利用投票机制根据每个模型的结果得出每个Web服务的QoS质量分类。
输出模块,用于将选出的符合用户需求的Web服务输出。
上述基于投票机制的web服务分系统,在用户端部署基于投票机制的Web服务分类系统,系统先获取用户想要的Web服务的功能以及QoS要求,从服务池中挑选出相近的服务,进一步使用多个机器学习模型构成的投票模块对Web服务的QoS不同维度如性能、安全性、可靠性等参数进行评价并分类,最后将筛选出的符合用户要求的Web服务提供给用户。利用BiLSTM+CNN算法进行功能描述识别后过滤了大量不相关的服务,提高了系统的运行效率,同时使用不同机器学习模型的能力对QoS不同维度的参数进行评价并利用投票机制对Web服务的QoS质量进行分类,对不同参数的适应能力更强,同时具有较高的准确率与较低的误报率。
参照图2,上述基于投票机制的web服务分类系统,所述SVM模型是采用线性分类算法,针对Web服务QoS的各个维度参数组成的高维向量数据集,通过查找最佳的超平面对数据空间进行分类,输出Web服务所属的类别;SVM模型的训练是先将数据集中的数据转换成特征向量,构建SVM优化函数,利用SMO算法求解参数,最后获得数据集的超平面参数。
上述基于投票机制的web服务分类系统,所述决策树模型是采用决策树算法,基于训练样本,对样本各个属性进行一次判断,最终得出判断结果;决策树模型的训练是先将数据集中数据转换成特征向量,然后对特征向量的每个维度逐一建立节点进行判断,遍历所有训练样本来优化判断条件,最终得到决策树模型。
参照图3,上述基于投票机制的web服务分类系统,所述随机森林模型是采用集成算法,针对Web服务QoS的各个维度参数,它组合多个弱分类器,最终通过投票或取均值来对Web服务进行分类,输出Web服务所属的类别,使得整体模型的结果具有较高的精确度和泛化性能;随机森林模型的训练是先将数据集中的数据转换成特征向量,将全部样本随机分给n个弱分类器,弱分类器对各特征进行学习,n轮训练后得到每个弱分类器的参数,集成各弱分类器形成随机森林模型。
参照图4,上述基于投票机制的web服务分类系统,所述朴素贝叶斯模型是假设各个特征之间相互独立,在面对QoS各个维度参数组成的向量时可以有效的对Web服务进行分类;朴素贝叶斯模型的训练是先将数据集中数据转换成特征向量,然后对每个类别计算P(yi),再对每个特征属性计算所有划分的条件概率,得到条件概率参数。
参照图5,上述基于投票机制的web服务分类系统,还包括功能识别学习模块,用于利用BiLSTM+CNN模型对已有的语义相似度数据集进行学习,得到可以对Web服务进行功能描述识别的模型,具体包括:
采用BiLSTM+CNN模型首先将语义相似度数据中的句子一与句子二进行词向量表示,然后将各句子的词向量输入到BiLSTM模型中得到其高维特征向量,将高维特征向量通过CNN模型得到句子的全局语义向量,计算句子一与句子二的全局语义向量之间的距离得到句子一与句子二之间的相似度,最后利用监督学习的方法来对整个数据集进行学习得到最终模型。
参照图6,上述基于投票机制的web服务分类系统,还包括投票学习模块,利用SVM算法、随机森林算法、朴素贝叶斯算法或决策树算法分别采用Web服务Qos数据集进行学习,得到可以进行被投票机制使用的基础模型。
上面仅对本发明的较佳实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化,各种变化均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于投票机制的web服务分类方法,其特征在于:包括下列步骤:
S1、获取用户的Web服务功能描述以及QoS需求,对用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务;
S2、采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;
S3、通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类,并选出符合用户需求的Web服务并输出。
2.根据权利要求1所述的一种基于投票机制的web服务分类方法,其特征在于:所述S2中的多个机器学习模型分别为SVM模型、决策树模型、随机森林模型、朴素贝叶斯模型。
3.根据权利要求2所述的一种基于投票机制的web服务分类方法,其特征在于:所述SVM模型是采用线性分类算法,针对Web服务QoS的各个维度参数组成的高维向量数据集,通过查找最佳的超平面对数据空间进行分类,输出Web服务所属的类别;SVM模型的训练是先将数据集中的数据转换成特征向量,构建SVM优化函数,利用SMO算法求解参数,最后获得数据集的超平面参数。
4.根据权利要求2所述的一种基于投票机制的web服务分类方法,其特征在于:所述决策树模型是采用决策树算法,基于训练样本,对样本各个属性进行一次判断,最终得出判断结果;决策树模型的训练是先将数据集中数据转换成特征向量,然后对特征向量的每个维度逐一建立节点进行判断,遍历所有训练样本来优化判断条件,最终得到决策树模型。
5.根据权利要求2所述的一种基于投票机制的web服务分类方法,其特征在于:所述随机森林模型是采用集成算法,针对Web服务QoS的各个维度参数,它组合多个弱分类器,最终通过投票或取均值来对Web服务进行分类,输出Web服务所属的类别,使得整体模型的结果具有较高的精确度和泛化性能;随机森林模型的训练是先将数据集中的数据转换成特征向量,将全部样本随机分给n个弱分类器,弱分类器对各特征进行学习,n轮训练后得到每个弱分类器的参数,集成各弱分类器形成随机森林模型。
6.根据权利要求2所述的一种基于投票机制的web服务分类方法,其特征在于:所述朴素贝叶斯模型是假设各个特征之间相互独立,在面对QoS各个维度参数组成的向量时可以有效的对Web服务进行分类;朴素贝叶斯模型的训练是先将数据集中数据转换成特征向量,然后对每个类别计算P(yi),再对每个特征属性计算所有划分的条件概率,得到条件概率参数。
7.根据权利要求1所述的一种基于投票机制的web服务分类方法,其特征在于:所述S1中的自然语言处理模型采用BiLSTM+CNN模型,具体方法包括:
采用BiLSTM+CNN模型首先将语义相似度数据中的句子一与句子二进行词向量表示,然后将各句子的词向量输入到BiLSTM模型中得到其高维特征向量,将高维特征向量通过CNN模型得到句子的全局语义向量,计算句子一与句子二的全局语义向量之间的距离得到句子一与句子二之间的相似度,最后利用监督学习的方法来对整个数据集进行学习得到最终模型。
8.一种基于投票机制的web服务分类系统,其特征在于:包括获取模块、功能识别模块、投票模块、输出模块,所述获取模块依次与功能识别模块、投票模块、输出模块连接;
获取模块,用于获取用户的Web服务功能描述以及QoS需求;
功能识别模块,用于将用户功能描述需求进行向量化,利用自然语言处理模型从服务池中选择与所述用户功能描述需求相同或相似的Web服务;
投票模块,用于采用训练好的多个机器学习模型对选出的Web服务的QoS的不同参数进行评价,每个机器学习模型输出一个评价;并通过投票器对所有模型的评价综合给出每个Web服务的QoS的质量分类;
输出模块,用于将选出的符合用户需求的Web服务输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278483.3A CN112329877A (zh) | 2020-11-16 | 2020-11-16 | 一种基于投票机制的web服务分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278483.3A CN112329877A (zh) | 2020-11-16 | 2020-11-16 | 一种基于投票机制的web服务分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329877A true CN112329877A (zh) | 2021-02-05 |
Family
ID=74317595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278483.3A Pending CN112329877A (zh) | 2020-11-16 | 2020-11-16 | 一种基于投票机制的web服务分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329877A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043863A (zh) * | 2010-12-30 | 2011-05-04 | 浙江大学 | 一种Web服务聚类的方法 |
CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
CN105550374A (zh) * | 2016-01-29 | 2016-05-04 | 湖南大学 | Spark云服务环境下面向大数据的随机森林并行机器学习方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
CN108549814A (zh) * | 2018-03-24 | 2018-09-18 | 西安电子科技大学 | 一种基于机器学习的sql注入检测方法、数据库安全系统 |
CN109255124A (zh) * | 2018-08-17 | 2019-01-22 | 浙江工业大学 | 一种基于OWL-S的Web服务综合评分计算方法 |
CN109697679A (zh) * | 2018-12-27 | 2019-04-30 | 厦门智融合科技有限公司 | 知识产权服务导引方法及系统 |
CN110516748A (zh) * | 2019-08-29 | 2019-11-29 | 泰康保险集团股份有限公司 | 业务处理方法、装置、介质及电子设备 |
CN110717047A (zh) * | 2019-10-22 | 2020-01-21 | 湖南科技大学 | 一种基于图卷积神经网络的Web服务分类方法 |
CN111177374A (zh) * | 2019-12-13 | 2020-05-19 | 航天信息股份有限公司 | 一种基于主动学习的问答语料情感分类方法及系统 |
CN111428028A (zh) * | 2020-03-04 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息分类方法及相关设备 |
-
2020
- 2020-11-16 CN CN202011278483.3A patent/CN112329877A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043863A (zh) * | 2010-12-30 | 2011-05-04 | 浙江大学 | 一种Web服务聚类的方法 |
CN104102875A (zh) * | 2014-07-22 | 2014-10-15 | 河海大学 | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 |
CN105550374A (zh) * | 2016-01-29 | 2016-05-04 | 湖南大学 | Spark云服务环境下面向大数据的随机森林并行机器学习方法 |
CN107066553A (zh) * | 2017-03-24 | 2017-08-18 | 北京工业大学 | 一种基于卷积神经网络与随机森林的短文本分类方法 |
CN108549814A (zh) * | 2018-03-24 | 2018-09-18 | 西安电子科技大学 | 一种基于机器学习的sql注入检测方法、数据库安全系统 |
CN109255124A (zh) * | 2018-08-17 | 2019-01-22 | 浙江工业大学 | 一种基于OWL-S的Web服务综合评分计算方法 |
CN109697679A (zh) * | 2018-12-27 | 2019-04-30 | 厦门智融合科技有限公司 | 知识产权服务导引方法及系统 |
CN110516748A (zh) * | 2019-08-29 | 2019-11-29 | 泰康保险集团股份有限公司 | 业务处理方法、装置、介质及电子设备 |
CN110717047A (zh) * | 2019-10-22 | 2020-01-21 | 湖南科技大学 | 一种基于图卷积神经网络的Web服务分类方法 |
CN111177374A (zh) * | 2019-12-13 | 2020-05-19 | 航天信息股份有限公司 | 一种基于主动学习的问答语料情感分类方法及系统 |
CN111428028A (zh) * | 2020-03-04 | 2020-07-17 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息分类方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220232029A1 (en) | Systems and methods for machine learning-based digital content clustering, digital content threat detection, and digital content threat remediation in machine learning-based digital threat mitigation platform | |
CN111831790B (zh) | 一种基于低门限集成与文本内容匹配的虚假新闻识别方法 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
CN111933175A (zh) | 一种基于噪声场景识别的活动语音检测方法及系统 | |
CN113326377A (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
CN110826617A (zh) | 态势要素分类方法及其模型的训练方法、装置及服务器 | |
CN112132321A (zh) | 一种基于机器学习对森林火灾预测分析的方法 | |
CN116781346A (zh) | 基于数据增强的卷积双向长短期记忆网络入侵检测方法 | |
CN115811440A (zh) | 一种基于网络态势感知的实时流量检测方法 | |
CN116722992A (zh) | 一种基于多模态融合的诈骗网站识别方法及装置 | |
CN113849599B (zh) | 基于模式信息和事实信息的联合虚假新闻检测方法 | |
Liu et al. | Learning multiple gaussian prototypes for open-set recognition | |
CN117009613A (zh) | 一种图数据分类方法、系统、装置及介质 | |
Karimi et al. | Enhancing individual fairness through propensity score matching | |
CN115982722A (zh) | 一种基于决策树的漏洞分类检测方法 | |
CN112329877A (zh) | 一种基于投票机制的web服务分类方法及系统 | |
Kim et al. | Anomaly pattern detection in streaming data based on the transformation to multiple binary-valued data streams | |
CN115643153A (zh) | 基于图神经网络的报警关联分析方法 | |
CN112069392B (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 | |
CN113032612B (zh) | 一种多目标图像检索模型的构建方法及检索方法和装置 | |
CN114826764A (zh) | 一种基于集成学习的边缘计算网络攻击识别方法及系统 | |
Ahmadi et al. | Modeling multi-label recurrence in data streams | |
Gao et al. | Aggregating data sampling with feature subset selection to address skewed software defect data | |
CN111953701B (zh) | 基于多维特征融合和堆栈集成学习的异常流量检测方法 | |
CN114584350B (zh) | 基于流形的网络数据包特征的降维及聚类的攻击识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210205 |