基于协同过滤和QoS预测的Web服务推荐方法研究

发布时间：2017-04-30 11:08

  本文关键词：基于协同过滤和QoS预测的Web服务推荐方法研究，由笔耕文化传播整理发布。

【摘要】：Web服务作为一种广泛应用的分布式计算模型,近年来得到了学术界和工业界的重点关注。随着Web服务规模的不断扩大,如何为用户选择最优的Web服务已成为服务计算领域的一项重要挑战。一个好的Web服务推荐系统,一方面可提升用户的寻找效率,另一方面也可帮助服务提供者防止由于信息过载造成的用户流失等状况的发生。在一组功能相似的Web服务中,为帮助用户选择最适合的Web服务,Web服务的Qo S服务质量属性是其中的关键因素。目前,基于Qo S的Web服务推荐系统研究有限,现阶段仍然存在着个性化程度不高,推荐效率偏低等问题。针对Web服务推荐系统中面临的主要问题,本文对Web服务推荐系统中的个性化协同过滤推荐算法进行了探索和研究。论文主要工作包括:①分析了近几年Web服务推荐和推荐系统的研究背景及现状,介绍了协同过滤、聚类等推荐系统的相关技术,对基于协同过滤的Qo S预测算法和用户相似度计算方法进行了详细描述。②研究了UBCF算法中用户相似度计算方法,针对用户相似度计算不准确的问题,引入了Web服务相似性影响因子,对传统的用户相似度计算方法加以改进,结合现有的基于用户的协同过滤算法,提出了自适应服务的协同过滤Qo S预测算法(SA-UBCF)。③通过对基于聚类的协同过滤算法的研究,针对聚类过程中所遇到的灰羊问题,引入用户置信度概念,提出了基于用户置信度对用户预分类的二次聚类算法,然后将其应用推荐算法中,提出了基于二次聚类的协同过滤Qo S预测算法(DCCF)。④采用WSRec数据集的Qo SDataset2版本,通过实验对提出的SA-UBCF算法和DCCF算法进行评估,验证其合理性和有效性。实验结果表明,相对传统的UBCF方法和其它文献提出的改进算法,SA-UBCF和DCCF算法在Qo S预测准确率上均有一定程度的提高;同时DCCF算法可以有效提升推荐系统效率。
【关键词】：Web服务 推荐系统 QoS预测 协同过滤 用户聚类
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.09;TP391.3
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 1 绪论8-14
• 1.1 研究背景及意义8-9
• 1.2 国内外研究现状9-11
• 1.3 论文研究内容11-12
• 1.4 论文章节安排12-13
• 1.5 本章小结13-14
• 2 相关技术研究14-26
• 2.1 WEB服务14-18
• 2.1.1 WEB服务的概念14
• 2.1.2 WEB服务模型14-16
• 2.1.3 WEB服务的技术体系16-17
• 2.1.4 WEB服务的QoS17-18
• 2.2 推荐系统研究18-25
• 2.2.1 基于关联规则的推荐算法19-20
• 2.2.2 基于内容的推荐算法20-21
• 2.2.3 基于协同过滤的推荐算法21-25
• 2.3 本章小结25-26
• 3 自适应服务的协同过滤QoS预测算法26-37
• 3.1 引言26
• 3.2 基于协同过滤的QoS预测算法26-29
• 3.3 传统协同过滤算法的问题29-32
• 3.4 自适应服务QoS预测算法的提出32-36
• 3.4.1 改进的用户相似性计算方法32-35
• 3.4.2 改进算法的推荐流程35-36
• 3.5 本章小结36-37
• 4 基于二次聚类协同过滤QoS预测算法37-48
• 4.1 基于用户聚类的协同过滤算法37-40
• 4.1.1 基本流程37
• 4.1.2 灰羊问题37-40
• 4.2 用户置信度40-44
• 4.2.1 相关定义40
• 4.2.2 评分置信度40-42
• 4.2.3 评分置信度算法42-43
• 4.2.5 评分置信度算法示例43-44
• 4.3 基于二次聚类的协同过滤QoS预测算法44-47
• 4.4 本章小结47-48
• 5 实验设计与结果分析48-56
• 5.1 实验环境48
• 5.1.1 实验平台48
• 5.1.2 实验数据48
• 5.2 评价指标48-49
• 5.3 对比算法描述49-50
• 5.4 实验设计和结果分析50-55
• 5.5 本章小结55-56
• 6 总结与展望56-58
• 6.1 总结56
• 6.2 展望56-58
• 致谢58-59
• 参考文献59-64
• 附录64

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

2 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

3 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

4 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

5 高e，

本文编号：336737