一种可信的基于协同过滤的服务选择模型

发布时间：2020-02-04 06:16

【摘要】：针对目前服务选择方法中基于QoS的服务选择方法较少考虑服务请求者自身的个性属性特征和基于协同过滤的服务选择方法未能考虑服务推荐者可信程度的问题,该文将协同过滤技术与信任度量方法进行有机结合,根据服务请求者的个性属性特征对服务选择过程的影响,引入用户(服务请求者)相关性,并计算推荐可信度,利用层次分析法确定服务信誉值中各因子的权重,提出了一种可信的基于协同过滤的服务选择模型。仿真实验表明该模型不仅提高了服务选择的效率,还能有效避免服务推荐者的恶意攻击。
【图文】：

模型图,模型,可信度评估,信任管理

似度、领域相关度和推荐可信度计算等功能。该模型包括服务注册中心、服务请求者、服务提供者、协同过滤模块、信任管理模块和推荐度权重算法引擎模块，结构如图1所示。2.2.1协同过滤模块协同过滤模块负责计算用户之间的相关性。本模型将用户相关性分为评价相似度和领域相关度。其中，评价相似度根据不同的服务对服务选择影响程度的不同，引入服务权重因子，使得评价相似度更加精确；领域相关度将服务请求者中具有相同领域的推荐用户从普通用户中区别出来，避免了不同领域的用户对同一服务的评价差异所产生的影响。图1TSSMCF模型2.2.2信任管理模块信任管理模块负责计算推荐者的可信度。由式(5)可知，本模型根据推荐用户对服务提供者的可信度评估值来确定其推荐可信度。当推荐用户对服务提供者可信度评估值与大部分用户对服务提供者可信度评估值较为接近，并且在一段时间内可信度评估值变化保持在一定范围时，则认为此用户推荐可信度较高。通过这种方法得到的推荐可信度不仅能有效避免恶意团体反馈带来的不良影响，而且还考虑了推荐值不持续的推荐情况。此外，信任管理模块根据服务请求者与服务提供者交互的结果来对推荐者的可信度进行更新。2.2.3推荐度权重算法引擎模块由于用户推荐度的确定是多层次、多因素的复杂问题，模型中推荐度权重算法引擎模块利用层次分析法(AnalyticHierarchyProcess,AHP)的思想对用户推荐度进行条理化，构造一个层次分析的结构模型实现用户推荐度的确定。图2给出了计算用户推荐度的分层情况：确定用户推荐度是本模块的最终目标，定义为目标层；信誉值的确定可以从3个维度(评价相似度、领域相关度和推荐可信度)考虑，将影响他们的因子定义为准则层；基于协同过滤、基于信任度量修正QoS和将两种?

模块图,引擎,权重,模块

352电子与信息学报第34卷图2推荐度权重算法引擎模块元素相对权重的计算；然后，对判断矩阵进行一致性检验；最后，求评价相似度、领域相关度和推荐可信度对于总目标的相对权重，写成向量形式即为W=[w1,w2,w3]，并对A进行一致性检验。2.3基于TSSMCF的服务选择流程步骤1服务请求者sr向服务注册中心发出某一服务请求，服务注册中心返回声明拥有这种服务的提供者列表L{sp1,sp2,,spn}。步骤2服务请求者利用式(2)计算出服务请求者与服务推荐者的评价相似度，再根据相应算法得到服务请求者邻居。步骤3根据用户属性信息，，利用式(3)计算服务请求者与邻居用户的领域相关度。步骤4调用信任管理模块，利用式(5)计算邻居用户的推荐可信度。步骤5根据具体的网络环境，应用层次分析法确定指标体系中相关因素的权重，最终计算出邻居用户的推荐度。步骤6根据推荐用户对服务提供者的用户评估值和推荐用户的用户推荐度计算候选服务提供者列表L中每个服务提供者的信誉值(服务信誉值)，并进行排序。步骤7服务请求者选择相应的服务提供者进行交互，并且根据交互的情况更新用户邻居的可信度。3仿真实验及其结果分析为了深入地阐述在服务选择中结合用户相关性和推荐可信度的作用和意义，本文通过仿真实验验证所提出的TSSMCF的服务选择模型对服务提供者信誉值的影响，来证明方法的有效性。3.1实验环境本实验硬件环境为Intel(R)Core(TM)i3CPUM350@2.27GHz2.27GHz,4GB内存。软件环境为win7ultimate,eclipse-SDK-3.5.2-win32，仿真程序用java语言编写。3.2实验场景设置本实验根据Apache的开源项目Mahout中机器学习领域中的协同过滤算法进行了改进，形成满足本文模型的TSSMCF系统，包括数据预处理模块、协同过?

【相似文献】