基于QoS缺失数据预测的个性化Web服务推荐方法研究

发布时间：2017-05-13 04:06

  本文关键词：基于QoS缺失数据预测的个性化Web服务推荐方法研究，，由笔耕文化传播整理发布。

【摘要】：个性化Web服务推荐是服务计算领域的重要研究内容,其包含两个核心问题：QoS缺失数据的预测以及适应用户偏好的QoS多属性综合评价。问题一是由于很多被推荐的Web服务对用户是陌生的(即未被该用户使用过),造成用户相关的QoS属性值缺失。因此需要对其进行预测以对Web服务推荐提供全面的数据支持；问题二是因为Web服务一般具有多个QoS属性,而不同用户对每个QoS属性的要求(通常称之为用户偏好)又不尽相同,造成用户个性化需求的多样性。因此,准确的个性化推荐需要在考虑用户偏好的基础上对Web服务的多QoS属性进行合理地综合评价,以保障所推荐的Web服务能够使用户满意。以上两个问题虽然已经获得了广泛关注并取得了很多研究成果,但是在QoS缺失数据预测的准确性以及QoS综合评价的合理性等方面仍存在诸多不足,因此,本文针对这两个Web服务推荐中的核心问题进行了深入研究并取得了如下成果：1.在无时空信息环境下,已有的QoS预测方法大都借鉴了传统服务推荐(如电影、音乐以及购物相关的服务推荐)中的协同过滤方法,但没有意识到传统的协同过滤方法起源于主观数据的处理,而Web服务QoS数据是客观数据,将协同过滤的思想简单借鉴到Web服务QoS预测中可能会产生较大的误差。针对该问题,本文通过大量实验首次发现了QOS数据的一些重要特征,并基于这些特征对传统的协同过滤方法进行了本质的改进,以适应无时空约束情况下的QoS缺失数据预测,并取得了很高的预测精度。2.在高维时空条件下,已有的QoS预测方法大都针对某一特定的维度,而忽略了高维QoS数据的整体信息,导致了预测精度不高、扩展性不强(即针对不同维度的预测方法不能通用)以及不易应用(即同时考虑多个维度时方法非常复杂)等缺点。针对该问题,本文利用多重线性代数中的重要概念“张量”对高维QoS数据进行建模,整体并统一地处理各个维度；并设计了张量分解与重构等重要操作的优化算法,以实现在任意维度上对QoS缺失数据进行准确及方便地预测。3.用户的个性化需求一般由用户偏好来体现,目前已有的QoS综合评价方法在用户偏好的处理上存在不足,不能准确地获取用户偏好。针对该问题,本文提出了一种基于用户偏好学习的QOS多属性综合评价方法。该方法将用户的历史评分数据作为因变量,将所使用过的Web服务的QoS数据作为自变量,将用户偏好作为自变量参数,建立了用于用户偏好学习的方程组模型,通过求解该方程组可定量、准确地学习出用户偏好,并最终对Web服务QoS做出符合用户偏好的合理评价,以实现个性化的Web服务推荐。4.针对Web服务推荐中的冷启动问题,即历史数据不足导致QoS缺失数据无法准确预测、用户偏好无法准确学习,本文提出了一种基于网络近邻的Web服务推荐方法。通过网络距离测量发现网络近邻；通过网络近邻确定候选Web服务；通过网络近邻实现QoS缺失数据的预测；通过和用户简单交互获取用户偏好；通过综合考虑主客观权重的QoS综合评价方法实现Web服务推荐。该方法解决了冷启动时的两个重要问题：向新用户推荐Web服务；将新的Web服务推荐出去。
【关键词】：Web服务推荐 QoS 用户偏好 协同过滤 时空信息 张量 冷启动
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP393.09;TP391.3
【目录】：

• 摘要5-7
• ABSTRACT7-14
• 主要缩略语及中英文对照14-15
• 第一章 绪论15-21
• 1.1. 研究背景15-19
• 1.1.1. Web服务15-16
• 1.1.2. Web服务推荐16
• 1.1.3. Web服务推荐中的主要研究问题16-18
• 1.1.4. Web服务推荐的两种环境及两个阶段18
• 1.1.5. 相关研究面临的挑战18-19
• 1.2. 论文主要工作19-20
• 1.3. 论文组织结构20
• 1.4. 课题来源20-21
• 第二章 相关研究综述21-28
• 2.1. Web服务QoS缺失数据预测相关研究21-26
• 2.1.1. 无时空信息的Web服务QoS缺失数据预测相关研究21-25
• 2.1.2. 高维时空下的Web服务QoS缺失数据预测相关研究25-26
• 2.2. 符合用户偏好的QoS多属性综合评价相关研究26-27
• 2.3. 本章小结27-28
• 第三章 无时空信息的Web服务QoS缺失数据预测方法(PAwTS)28-51
• 3.1. 引言28-33
• 3.2. PAwTS方法33-42
• 3.2.1. PAwTS的理论基础34-36
• 3.2.2. 基于用户的PAwTS36-39
• 3.2.3. 基于物品的PAwTS39-40
• 3.2.4. 使用PAwTS进行QoS缺失数据预测40-42
• 3.2.5. PAwTS的时间复杂度分析42
• 3.3. 实验42-49
• 3.3.1. 实验环境43
• 3.3.2. 准确性评价指标43
• 3.3.3. PAwTS与其他方法的对比43-44
• 3.3.4. PAwTS的最优参数设置44-48
• 3.3.5. 通过结合UPAwTS和IPAwTS到达最高的预测精度48-49
• 3.4. 讨论49-50
• 3.5. 本章小结50-51
• 第四章 高维时空下的Web服务QOS缺失数据预测方法(HDOP)51-69
• 4.1. 引言51-52
• 4.2. HDOP方法52-60
• 4.2.1. 高维QoS数据的张量建模52-55
• 4.2.2. 基于张量分解与重构的QOS缺失数据预测55-59
• 4.2.3. HDOP时间复杂度分析59-60
• 4.3. 实验60-67
• 4.3.1. 实验环境60
• 4.3.2. 实验建立60-62
• 4.3.3. HDOP与其他方法的对比62-64
• 4.3.4. HDOP的最优参数设置64-67
• 4.4. 讨论67-68
• 4.5. 本章小结68-69
• 第五章 个性化Web服务推荐69-96
• 5.1. 引言69-71
• 5.2. 面向用户偏好的个性化Web服务推荐方法(PRUP)71-75
• 5.2.1. 用户偏好学习71-73
• 5.2.2. 符合用户偏好的QoS多属性综合评价73-75
• 5.2.3. Web服务推荐实施75
• 5.3. 基于网络近邻的个性化Web服务推荐方法(PRNN)75-78
• 5.3.1. 基于网络距离测量的的网络近邻选择76-77
• 5.3.2. 候选Web服务选择77
• 5.3.3. 候选Web服务的QoS缺失数据预测77-78
• 5.3.4. QoS综合评价78
• 5.3.5. Web服务推荐实施78
• 5.4. 综合考虑主客观权重的QoS多属性综合评价方法(ESOW)78-87
• 5.4.1. 主观权重计算(SWDM)80-82
• 5.4.2. 客观权重计算(OWDM)82-85
• 5.4.3. 数据归一化85
• 5.4.4. QoS综合评价85-87
• 5.5. 实验87-92
• 5.5.1. 实验环境88
• 5.5.2. PRUP方法验证88-89
• 5.5.3. PRNN方法验证89-92
• 5.6. 讨论92-94
• 5.7. 本章小结94-96
• 第六章 结束语96-99
• 6.1. 工作总结96-97
• 6.2. 未来工作97-99
• 参考文献99-103
• 攻读博士学位期间发表的论文103-104
• 攻读博士学位期间参与项目及专利104-105
• 致谢105-106

【参考文献】

中国期刊全文数据库 前3条

1 朱锐;王怀民;冯大为;;基于偏好推荐的可信服务选择[J];软件学报;2011年05期

2 邵凌霜;周立;赵俊峰;谢冰;梅宏;;一种Web Service的服务质量预测方法[J];软件学报;2009年08期

3 苗夺谦,范世栋;知识的粒度计算及其应用[J];系统工程理论与实践;2002年01期

  本文关键词：基于QoS缺失数据预测的个性化Web服务推荐方法研究，由笔耕文化传播整理发布。

本文编号：361519