基于QoS历史记录的Web服务推荐算法研究

发布时间：2017-04-16 02:18

  本文关键词：基于QoS历史记录的Web服务推荐算法研究，由笔耕文化传播整理发布。

【摘要】：Web服务是一种近年来新兴的Web应用模式,并迅速发展起来。并且随着Internet及相关技术的迅速发展,Web服务的种类和个数正在快速地增长,而且越来越多的Web服务提供的功能相同或相似,这导致了用户很难快速地选择自己所需要的服务；同时,对于服务提供者而言,也出现了信息过载的问题,导致消费者不断流失。这都使得如何提高服务推荐质量成为相关领域的关键问题。服务质量QoS (Quality of Service)作为一个判定服务提供者是否成功的重要因素,其描述了服务的非功能属性,是成功进行Web服务推荐的关键性因素。目前,对基于QoS的Web服务推荐研究有限,而且已有的研究方法大多假设Web服务的QoS是静态已知的,然而Web服务的QoS是不断变化,与服务运行时的状态密切联系的。因此,现有的研究仍存在着推荐精确度低的问题。基于以上分析,本文针对Web网络环境,研究传统基于QoS的Web服务推荐技术中由于使用假设的QoS值和全部用户的QoS历史记录,从而导致Web服务推荐结果精确度不高,推荐效率低等问题。本文首先引入用户兴趣度概念,利用欧氏距离将与网络新用户兴趣度相似的用户划分为一个簇,然后,利用同一簇中用户的QoS历史记录,确定对同一Web服务的各个QoS属性值,将其作为自变量,对应的服务质量QoS值作为因变量,通过多元线性回归求解出每个Web服务QoS属性的权重预测值,进而得到每个Web服务的QoS预测函数,据此为网络新用户推荐服务。围绕本文提出的基于QoS历史记录的Web服务推荐算法(Web Service Recommendation Algorithm based on Historical QoS, WSRAHQ)给出了Web服务推荐过程,文中给出了推导过程。最后,我们以仿真实验的形式验证了该算法在提高服务推荐精确度和降低推荐运行时间方面的有效性。本文的创新点有两点,一是采用用户的QoS历史记录,这些数值反映了Web服务真实的运行情况,这有助于提高服务推荐的精确度；二是将兴趣度相似的用户划分成一个簇,在进行Web服务推荐时不再使用全部用户的QoS历史记录,减少了运算量,大大提高了推荐效率。Web服务推荐算法的研究已经成为服务推荐技术研究的热点问题。在Web网络环境中,一个有效的服务推荐算法能够很好的结合服务质量,用户偏好确保为用户推荐其满意的服务。保证为用户推荐服务质量较好服务的同时,满足其个性化需求,具有一定理论意义和实践价值。
【关键词】：QoS历史记录 用户兴趣度 欧氏距离 多元线性回归 Web服务推荐
【学位授予单位】：中国海洋大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要5-7
• Abstract7-11
• 1 绪论11-19
• 1.1 研究背景及意义11-13
• 1.1.1 Web服务发展背景及前景11-12
• 1.1.2 Web服务推荐的重要性12-13
• 1.2 研究现状13-15
• 1.3 本文介绍15-17
• 1.3.1 本文研究内容15-16
• 1.3.2 本文组织结构16-17
• 1.4 本章小结17-19
• 2 Web服务概述及其推荐技术19-29
• 2.1 Web服务概述19-22
• 2.1.1 Web服务的定义19-20
• 2.1.2 Web服务推荐技术的应用20-22
• 2.2 Web服务个性化推荐技术22-25
• 2.2.1 基于规则的推荐技术22-23
• 2.2.2 基于内容的推荐技术23-24
• 2.2.3 协同过滤推荐技术24-25
• 2.3 基于QoS的Web服务推荐25-27
• 2.4 本章小结27-29
• 3 Web服务推荐相关知识和技术29-43
• 3.1 用户兴趣度29-32
• 3.1.1 Web服务中的用户兴趣度定义29
• 3.1.2 用户兴趣度的求解29-32
• 3.2 欧氏距离32-33
• 3.2.1 欧氏距离的定义32
• 3.2.2 欧氏距离在Web服务推荐中的应用32-33
• 3.3 多元线性回归技术33-39
• 3.3.1 一元线性回归33-36
• 3.3.2 多元线性回归36-39
• 3.4 梯度下降39-42
• 3.4.1 梯度下降的定义与分类39-41
• 3.4.2 梯度下降算法在Web服务推荐中的应用41-42
• 3.5 本章小结42-43
• 4 基于QoS历史记录的Web服务推荐算法研究43-51
• 4.1 相关研究43-44
• 4.1.1 基于QoS的Web服务推荐方法存在的主要问题43-44
• 4.1.2 研究环境44
• 4.2 相关定义44-46
• 4.2.1 用户的QoS历史记录44-45
• 4.2.2 QoS预测函数45-46
• 4.3 基于用户兴趣度的Web用户分簇46
• 4.4 基于用户QoS历史记录的Web服务推荐算法46-50
• 4.5 本章小结50-51
• 5 仿真环境与性能分析51-57
• 5.1 仿真工具介绍51
• 5.2 仿真设置51-52
• 5.3 性能分析52-56
• 5.3.1 用户分簇精确度分析52-53
• 5.3.2 WSRAHQ算法性能分析53-56
• 5.4 本章小结56-57
• 6 总结与展望57-59
• 参考文献59-63
• 致谢63-64
• 个人简历、在学期间发表的学术论文与研究成果64

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：309789