动态环境下的Web服务推荐与组合方法研究

发布时间：2020-05-22 11:04

【摘要】：互联网技术的发展促进了计算模式的演变,一种新兴的计算模式——服务计算应运而生,服务计算实现了Web环境中跨平台跨协议的应用交互与集成.随着数据、软件、存储、计算等都被打包成服务的形式交付用户使用,服务计算受到了工业界和学术界的越来越多的关注.服务种类与数量增长迅猛,但是服务质量(quality of service,QoS)参差不齐,让用户从海量的服务中寻找高质量的服务变得非常困难,因此迫切需要服务推荐系统为用户推荐能使该用户得到最优体验的服务.同时,随着企业级应用逐渐走向规模化,单一的服务往往难以满足用户的复杂需求,而服务数据交互与集成的灵活性,使多个服务无缝集成形成更高级别的业务过程成为可能,所以针对复杂的用户需求提供组合服务也成为一个现实问题.在实践中,由于运行环境的动态性,服务推荐与服务组合面临极大的挑战,如:服务的行为是不确定的,受网络或其它因素影响可能出现服务失败;服务的一些QoS属性值是变化的,如网络访问量的增加可能导致响应时间延长.另外,相对用户和服务的数量,服务执行的QoS历史记录极其稀疏,这给基于QoS值预测的服务推荐带来困难.因此,研究动态环境下的服务推荐与服务组合具有非常重要的现实意义.本文将针对动态环境中,服务行为不确定、服务QoS值动态变化、历史QoS数据稀疏等环境下的服务推荐与组合的方法开展系统深入的研究.通过选择有效的机器学习方法,从稀疏的历史评分数据中学习目标用户对服务的评分模式,设计个性化的服务推荐方法,高效准确地为用户推荐能得到最优体验的服务.同时本文将服务组合看作决策优化问题,通过增强学习的方法,在服务组合过程中选择组件服务,既能运行适应动态环境的最优组合服务,又能尽最大可能满足用户的约束.本文的主要研究工作包括:(1)针对服务动态提供、历史评价数据稀疏等环境下的个性化服务推荐问题,提出一种基于SVM分类器的协同过滤Top-N服务推荐方法SVMCF4SR.该方法基于稀疏的历史评分数据训练SVM分类器,对用户—服务评分模式进行学习,将学习结果用于评估未知的服务,根据评估结果对未知服务进行排序,为用户推荐Top-N服务.(2)针对个性化服务推荐的效率与效果问题,提出一种分布感知的基于粒度SVM的Top-N服务推荐方法GDSVM4SR.该方法首先对用户空间进行粒化,区分相似用户与一般用户,区别对待两类用户的评分数据,以提高推荐的准确度.同时,GDSVM4SR也对训练集进行粒化,选取代表点压缩训练集,提高模型训练的速度的同时避免了一些不实评分对推荐精度的影响.(3)针对服务行为不确定、服务QoS动态变化等环境下的服务组合问题,提出基于部分可观测的马尔科夫决策过程的服务组合方法SC_POMDP.该方法首先根据历史QoS数据对各组件服务在系统不同运行状态的性能进行学习,然后在服务组合执行中根据观测到的已完成服务的QoS值对系统所处状态进行判断,根据系统执行状态为下一个任务选择组件服务.SC_POMDP在服务组合执行中进行服务选择,以提高服务组合对不确定服务行为及QoS的自适应性.(4)针对满足用户QoS约束的服务组合问题,提出基于马尔科夫决策过程的服务组合方法CSSC-MDP.该方法首先从历史QoS数据中学习各组件服务满足用户不同QoS约束的能力,然后在组合服务执行过程中根据上一组件服务执行结束后QoS约束的实时满足情况,选择最适合当前QoS约束的最优组件服务,最大程度地保证用户QoS约束的满足.本文的研究工作围绕服务计算领域的两大核心问题——服务推荐与服务组合开展.本文提出的服务推荐方法可以准确地为用户推荐能获得最优体验的服务,而对于复杂的用户需求,本文提出的服务组合方法能运行适应当前环境的最优组合服务,满足用户的功能需求的同时最大程度地满足用户的QoS约束.取得的研究成果不仅丰富了服务计算领域的理论研究,而且具有重要的应用价值.
【学位授予单位】：山西大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP393.09;TP391.3

【参考文献】