基于QoS预测的Web服务推荐算法的研究与实现

摘要

随着SOA的广泛应用，Web服务的数量在互联网上呈现爆炸性增长，这使得用户手动查找、选择和调用Web服务的工作难以进行，不再能满足用户的需求。因此，如何让用户高效地发现、推荐、选择和组合服务的算法研究成为了迫切的需要。如何在海量服务中找到符合用户功能需求描述的服务，是服务发现的研究内容。然而，因为近年来，大量功能相同而非功能属性完全不同的服务出现在互联网及云平台上，仅仅帮助用户找到符合功能描述的服务是远远不够的。如何从大量符合功能描述的服务中，有效地选择出一些非功能属性较高的服务提供给用户成为了研究热点和难点。
　　但是，对于不同网络环境下的用户，服务所提供的QoS表现出强烈的不稳定性。因此仅根据服务供应商提供的静态QoS属性或历史的QoS均值进行服务推荐，可能会得到不满意的结果。此外，由于Web服务数量的不断激增，甚至呈现出爆炸性增长的趋势，用户不可能调用过全部的服务，绝大多数的服务的QoS对于用户来说是未知的，即Web服务的QoS存在着非完整性。服务的QoS所具有的不稳定性和非完整性，使得根据QoS进行服务选择的工作难以进行。因此，如何根据已有的历史QoS值，预测用户未调用过的服务的QoS值，显得尤为重要。
　　基于此，本文提出了一种制造近邻的Web服务QoS的协同过滤预测算法。该算法首先通过上下文信息过滤对“稳定用户”类和“稳定服务”类进行QoS预测，然后引入迭代的思想，对“普通用户”和“普通服务”类进行制造近邻的协同过滤预测算法对该类用户进行预测，最后对需要预测的QoS中未有预测值的部分进行预测。通过对真实数据的实验预测，表明该算法具有较好的预测准确度。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．1．1 Web服务

1．1．2 Web服务与服务质量

1．2 国内外研究现状

1．2．1 SOA与Web服务

1．2．2 Web服务的QoS指标

1．2．3 QoS预测

1．3 论文研究内容及成果

1．4 论文组织结构

第2章 相关概念介绍

2．1 推荐系统

2．1．1 用户模型

2．1．2 推荐对象模型

2．1．3 推荐算法模型

2．2 协同过滤简介

2．2．1 基于用户的协同过滤

2．2．2 基于服务的协同过滤

2．2．3 混合协同过滤

2．3 准确度衡量标准

2．3．1 均方根误差

2．3．2 平均绝对值误差

2．3．3 标准化平均绝对值误差

2．4 本章小结

第3章 协同过滤算法改进

3．1 相似度算法改进

3．1．1 相似度计算方法

3．1．2 相似度改进算法

3．2 相似邻居选择方法改进

3．2．1 相似邻居选择算法

3．2．2 相似邻居选择算法改进

3．3 预测值计算方法改进

3．3．1 预测值计算方法

3．3．2 预测值计算方法的改进

3．4 本章小结

第4章 QoS预测算法

4．1 上下文信息过滤

4．1．1 上下文简介

4．1．2 上下文获取

4．1．3 上下文建模

4．1．4 基于上下文的优化算法

4．2 算法步骤

4．2．1 填充矩阵

4．2．2 普通QoS的预测

4．2．3 特殊QoS的预测

4．3 算法相关描述

4．3．1 稳定用户和稳定服务预测

4．3．2 普通用户类预测

4．3．3 普通服务类预测

4．3．4 普通用户和普通服务预测算法

4．3．5 特殊预测算法

4．4 本章小结

第5章 实验与分析

5．1 相关参数对预测准确度的影响

5．1．1 DU和DS对预测准确度的影响

5．1．2 snum和unum对预测准确度的影响

5．1．3 sims和simu对预测准确度的影响

5．1．4 ω对预测准确度的影响

5．2 准确度对比分析

5．3 本章小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢