基于协同过滤和QoS预测的Web服务推荐方法研究

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QoS服务质量属性是其中的关键因素。目前，基于QoS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QoS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QoS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 QoS预测算法（DCCF）。
　　④采用WSRec数据集的QoSDataset2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QoS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。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容

1.4 论文章节安排

1.5 本章小结

2 相关技术研究

2.1 WEB服务

2.2 推荐系统研究

2.3 本章小结

3 自适应服务的协同过滤QoS预测算法

3.1 引言

3.2 基于协同过滤的QoS预测算法

3.3 传统协同过滤算法的问题

3.4自适应服务QoS预测算法的提出

3.5 本章小结

4 基于二次聚类协同过滤QoS预测算法

4.1 基于用户聚类的协同过滤算法

4.2 用户置信度

4.3 基于二次聚类的协同过滤QoS预测算法

4.4 本章小结

5 实验设计与结果分析

5.1 实验环境

5.2 评价指标

5.3 对比算法描述

5.4 实验设计和结果分析

5.5 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

附录A．作者在攻读硕士学位期间所发表的文章