一种融合专家意见和用户偏好的Web服务模糊QoS选择方法

摘要

本发明具体公开了一种融合专家意见和用户偏好的Web服务模糊QoS选择方法。其包括步骤：（1）使用基于直觉模糊集的模糊语言变量对QoS各个指标的表现情况及重要程度进行描述；（2）各专家使用模糊语言变量对各个QoS指标的重要程度和每个服务的各个QoS指标的表现情况进行评价，融合各专家的评价获取所有专家对QoS指标的综合意见；（3）用户使用模糊语言变量对各个QoS指标的表现情况及重要程度提出要求，并融合所有专家对QoS指标的综合意见获取QoS指标的总意见；（4）根据QoS指标的总意见获取服务的QoS综合排名。本发明综合专家的模糊评价又充分照顾到用户的偏好，通过将用户的偏好作用于专家的意见上，从而得到带有专家意见并尊重用户偏好的QoS选择。

说明书

技术领域

本发明涉及智能语义网中语义Web服务的选择方法领域,具体涉及一种融合专家意见和用户偏好的Web服务模糊QoS选择方法。 

背景技术

随着语义web服务的语义描述能力的提高以及服务数量的爆炸性增长，基于功能属性的服务发现方法所发现的具有相同或者相似功能的服务的数量规模也随之暴涨。服务的质量良莠不齐，好的服务发现方法，不仅应该找到理论上符合用户需求的服务，还应该找到能够尽量好地完成用户要求的服务。基于QoS匹配的服务发现方法在服务功能匹配的基础上，甄别出优秀的服务，从而提高用户的体验。 

W3C工作小组在其2003年11月发布的版本中定义了如下13种Web服务QoS指标：（1）性能（performance）；（2）可靠性（reliability）；（3）可扩展性（scalability）；（4）能力（capability）；（5）稳健性（robustness）；（6）意外处理（exception handling）；（7）正确性（accuracy）；（8）一致性（integrity）；（9）可访问（accessibility）；（10）可用性（availability）；（11）互操作能力（interoperability）；（12）安全性（security）；（13）网络相关的QoS要求（network related QoS requirements）。常用的指标包括：性能，可靠性，可访问性，可用性，安全性。另外，虽然价格严格来讲并不属于服务的QoS属性，但由于QoS很可能是价格敏感的（高消费可能带来高服务质量），所以一般人们也将价格算在服务QoS匹配中。其次，声誉（一 般表现为用户对服务的满意程度）作为用户对Web服务的评价，也常常被纳入QoS匹配中。在这些QoS指标中，根据指标是否可以测量，可以将指标分为可测量（客观的）和不可测量（主观的），如可用性和可访问性是客观可测量的，而安全性、稳健性则更可能是主观不可测量的。 

对于可测量的QoS指标，具体该指标应该达到怎样的程度（例如可用性与可访问性都是一个百分比）才算服务质量高也没有办法给出一个定量，不能一刀切地认定可用性高于90%的服务就是质量好的，而将可用性在85~90%的服务排除在外；认为低于90元的服务费用算是便宜的，但对于一个91元的服务，其实我们很多时间也会认为它是便宜的。符合与不符合之间存在一个模糊地带，它从几乎符合到越来越不符合渐变。 

对于不可测量的QoS指标，并不存在一个客观数字来反映服务在该指标上的表现，例如安全性，意外处理能力这样的指标，更合理的做法，应该是由专家通过测试来评定，例如，对某一服务的安全性进行测试，并得出该服务的安全性很高，或者一般，或者很差等。综上所述，服务的QoS指标更适合用模糊语言变量来表达。 

模糊语言变量是这样一种变量，它与一个成员隶属函数（membership function）关联，这种语言变量是基于模糊集（fuzzy set）的。模糊集有如下的定义：U={u₁,u₂,…,u_n}表示点（对象）空间，u表示U的一般元素，则在U上的一个模糊集A  由一组有序对{(u₁，μ_A(u₁))，(u₂，μ_A(u₂))，…，(u₂，μ_A(u_n))}表示，其中μ_A称为模糊集A的隶属函数，μ_A：U→[0，1]，μ_A(u1)表示元素u_i在A上的隶属等级。模糊集相对于经 典的集合论中元素a或者属于集合A（μ_A=1），或者不属于集合A（μ_A=0），即μ_A：U →{0,1}，提出一个实数[0,1]的隶属度，一个元素不再非黑即白地属于或不属于一个集合，而是有一部分属于某集合A。例如前面提到的“便宜”（低于90元则是便宜的）可以用图1的模糊集来表达，当价格低于90元时，“便宜”的隶属度为1，即是“便宜”的；当价格高于150元时，“便宜”的隶属度为0，即是“不便宜”的。当价格为120元时，它是“0.5便宜”的。这便是模糊集想要表达的。 

直觉模糊集是基于模糊集的变种，它认为，模糊集中的隶属度只是说明了“属于”这个概念，当人们认为0.4属于的时候，另一个角度也说明了人们认为0.6不属于。这又一次陷入经典数学的非黑即白。事实上，人们对于“不属于”这个概念，可能又有另外的想法。因此，在模糊集的基础上，人们提出了“直觉模糊集”，它除了拥有一个隶属度（membership）外，还拥有一个刻画不属于的非隶属度（non-membership）。设U={u₁,u₂,…,u_n}表示点（对象）空间，u表示U的一般元素，则在U上的一个直觉模糊集A由一个真隶属函数μ_A(u)。和一个假隶属函数v_A(u)来刻画。图2描述了一个直觉模糊集，中间的阴影部分称为犹豫度（degree of hesitation），反映了人们在做决定时的模糊状态。一个[μ_A,v_A]称为一个直觉模糊数（intuitionistic fuzzy number）。 

与QoS指标相关联的描述，除了某个服务在该指标上的表现情况外，还有QoS指标的重要性。即使只是笼统地考虑前面提到的十几种QoS指标，它们的重要程度也是各有不同的。例如一般情况下服务的正确性、可靠性很重要，可是像可扩展性可能就没有那么重要了。但这也不是绝对的，不同的用 户，在不同的语境下，对服务的QoS指标的重要程度的排序可能是不同的。 

目前针对服务QoS进行的服务选择方法，目前主要有两种路线：（1）使用服务描述，对广告服务描述和请求服务描述中的各个QoS指标进行一一匹配。目前使用的描述语言多是基于精确性逻辑的，因此表达能力比较差，从而导致匹配能力也具有较大的局限性。（2）使用模糊综合评价，通过综合用户或专家对服务的各个QoS指标的评价，对服务QoS给出一个综合评分，从而为用户挑选出大家一致认为的QoS最好的服务。评价往往使用模糊语言变量，例如基于模糊集（fuzzy set）的语言变量，或者是基于直觉模糊集(intuitionistic fuzzy set)等，从而提高了用户的表达能力。然而我们有理由相信，不同的用户在不同的情境下对QoS的要求会有不同的理解，试图通过集体决议这种方法来达到共同认可的排序似乎并不怎么符合现实情况。 

发明内容

本发明解决的技术问题是克服现有技术的不足，提供一种融合专家意见和用户偏好的Web服务模糊QoS选择方法，通过将用户的偏好作用于专家的意见上，得到带有专家意见并尊重用户偏好的QoS选择，为用户提供更好的web服务。 

为解决上述技术问题，本发明的技术方案如下： 

一种融合专家意见和用户偏好的Web服务模糊QoS选择方法，包括如下步骤： 

（1）使用基于直觉模糊集的模糊语言变量对QoS各个指标的表现情况及重要程度进行描述； 

（2）各专家使用模糊语言变量对各个QoS指标的重要程度和每个服务的 各个QoS指标的表现情况进行评价，融合各专家的评价获取所有专家对QoS指标的综合意见； 

（3）用户使用模糊语言变量对各个QoS指标的表现情况及重要程度提出要求，并融合所有专家对QoS指标的综合意见获取QoS指标的总意见； 

（4）根据QoS指标的总意见获取服务的QoS综合排名。 

优选地，所述步骤（2）的具体步骤为： 

（21）每个专家使用描述QoS指标重要程度的模糊语言变量对各个QoS指标的重要程度进行评价，形成一个评价矢量： 

$W^k=\{W_1^k,W_2^K,...{,W}_n^k\}$

是一个直觉模糊数，它表示第k个专家对第i个QoS指标的重要程度的评价，i=1，2，…，n； 

（22）每个专家使用描述一个服务的QoS指标表现情况的模糊语言变量对各个服务的各个QoS指标的表现情况进行评价，形成一个评价矩阵： 

是一个直觉模糊数，它表示第k个专家对第i个服务的第j个QoS指标的表现情况的评价，i=1、2、…、m，j＝1、2、…、n； 

（23）根据相似度计算各专家评价的权重： 

设 是第p个专家和第q个专家在QoS指标重要程度评价上的相似度， 是第p个专家和第q个专家在各个服务的QoS指标的表现程度评价上的 相似度，使用直觉模糊集的海明距离来表现两个模糊集的相似度,根据域U={u₁,u₂,…,u_n}上的两个直觉模糊集 和 $B={\Sigma }_{i=1}^n[{\mu }_B\left(u_i\right),v_B\left(u_i\right)]$的相似度定义如下： 

$S(A,B)=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}S\left(\right[{\mu }_A\left(u_i\right),v_A\left(u_i\right)],[{\mu }_B\left(u_i\right),v_B\left(u_i\right)\left]\right)$

由此，定义$S_{\mathrm{pq}}^w=S(W^p,W^q),$$S_{\mathrm{pq}}^V=\frac{1}{m}{\Sigma }_{i=1}^{m}S(V_i^p,V_i^q),$

其中 表示第p个专家对第i个服务的各个QoS指标的表现情况的评价， 表示第q个专家对第i个服务的各个QoS指标的表现情况的评价； 

第p个专家和第q个专家的整体意见的相似度 

根据相似度 计算第k个专家意见的权重： 

$h^k=\frac{{\Sigma }_{q=1,q\ne k}^K{S}_{\mathrm{qk}}}{{\Sigma }_{p=1}^K{\Sigma }_{q=1,q\ne k}^K{S}_{\mathrm{pq}}}=\frac{{\Sigma }_{q=1}^K{S}_{\mathrm{qk}}-1}{{\Sigma }_{p=1}^K{\Sigma }_{q=1}^K{S}_{\mathrm{pq}}-K},$K表述专家人数； 

（24）结合专家的评价及其意见的权重获取各个服务各个QoS指标的综合意见： 

求各个服务的QoS指标重要程度的综合意见， 

W={W₁，W₂，...，W_k，...，W_n} 

其中$W_i={\Sigma }_{k=1}^K{h}^k\times W_i^k=[{\Sigma }_{k=1}^K{h}^k\times {\mu }_{W_i^k},{\Sigma }_{k=1}^K{h}^k\times v_{W_i^k}];$

表示直觉模糊数 的真隶属度， 表示直觉模糊数 的假隶属度； 

各个服务的QoS指标表现情况的综合意见： 

其中 它反映所有专家对第i个服务的第j个指标的综合意见。 

优选地，所述步骤（3）的具体步骤为； 

（31）用户使用描述QoS指标重要性的模糊语言变量对第k个QoS指标的重要程度提出要求，认为第k个QoS指标的重要程度为I_k； 

（32）用户使用描述一个服务的QoS指标表现情况的模糊语言变量对一个服务的第k个QoS指标的表现情况提出要求，要求第k个QoS指标的表现为V_k； 

（33）将I_k和V_k作用于所有专家对QoS指标的综合意见，对W和G进行更新获取QoS指标的总意见： 

$G_{\mathrm{ij}}=\left(\begin{array}{cc}{G}_{\mathrm{ij}}\oplus V_k& \mathrm{if}{\mu }_{G_{\mathrm{ij}}}\ge {\mu }_{V_k}\\ G_{\mathrm{ij}}\otimes V_k& \mathrm{if}{\mu }_{G_{\mathrm{ij}}}<{\mu }_{V_k}\end{array}\right),$

其中， 

$G_{\mathrm{ij}}\oplus V_k=[{\mu }_{G_{\mathrm{ij}}}+{\mu }_{V_k}-{\mu }_{G_{\mathrm{ij}}}\times {\mu }_{V_k},v_{G_{\mathrm{ij}}}\times v_{V_k}],$

$G_{\mathrm{ij}}\otimes V_k=[{\mu }_{G_{\mathrm{ij}}}\times {\mu }_{V_k},v_{G_{\mathrm{ij}}}+v_{V_k}-v_{G_{\mathrm{ij}}}\times v_{V_k}],$

其中， 和 分别为W_k的真隶属度和假隶属度，其他参数依次类推。 

优选地，所述步骤（4）的具体步骤为：对经过步骤（33）更新后的W和G进行如下处理得到服务的QoS综合排名： 

将W中的各元素W_i进行非模糊化得到 然后对ω＝{ω₁，ω₂，...，ω_n}进行标准化，使得 其中ω_i反映第i个QoS指标的权重； 

将权重ω_i作用于G，得到 

其中G′_ij=ω_j×G′₁₁，反映第j个QoS指标对第i个服务的贡献，G′_i则是第i个服务的整体表现；令 

其中P_ij表示第i个服务比第j个服务好的概率， 

$P_{\mathrm{ij}}=P(G_i^{\prime }\ge G_j^{\prime })=\frac{1}{n}{\Sigma }_{t=1}^{n}P(G_{\mathrm{it}}^{\prime }\ge G_{\mathrm{jt}}^{\prime }),$

G′_it和G′_jt均为直觉模糊值，$G_{\mathrm{it}}^{\prime }=[{\mu }_{G_{\mathrm{it}}^{\prime }},v_{G_{\mathrm{it}}^{\prime }}],$$G_{\mathrm{jt}}^{\prime }=[{\mu }_{G_{\mathrm{jt}}^{\prime }},v_{G_{\mathrm{jt}}^{\prime }}]$$P(G_{\mathrm{it}}^{\prime }\ge G_{\mathrm{jt}}^{\prime })=\frac{\mathrm{Max}(0,L\left(G_{\mathrm{it}}^{\prime }\right)+L\left(G_{\mathrm{jt}}^{\prime }\right)-(1-{\mu }_{G_{\mathrm{it}}^{\prime }}-v_{G_{\mathrm{it}}^{\prime }}))}{L\left(G_{\mathrm{it}}^{\prime }\right)+L\left(G_{\mathrm{ji}}^{\prime }\right)},$其中 $L\left(G_{\mathrm{it}}^{\prime }\right)=1-{\mu }_{G_{\mathrm{it}}^{\prime }}-v_{G_{\mathrm{it}}^{\prime }},$$L\left(G_{\mathrm{jt}}^{\prime }\right)=1-{\mu }_{G_{\mathrm{jt}}^{\prime }}-v_{G_{\mathrm{jt}}^{\prime }},$

则m个服务的排序矢量e={e₁，e₂，...，e_m}计算如下： 

$e_i=\frac{{\Sigma }_{j=1}^m{P}_{\mathrm{ij}}+\frac{m}{2}-1}{m(m-1)},$

e_i是一个[0,1]的浮点数，代表第i个服务的综合评分，且 

优选地，所述方法还包括如下步骤： 

（5）使用完一个服务的用户再使用描述一个服务的QoS指标表现情况的模糊语言变量对该使用完的服务的整体表现情况进行评价，设其为C=[μ_c,v_c]，使用以下评分函数计算用户对该服务的满意程度： 

${\mathrm{Score}}_i^c={\mu }_c-{\pi }_c·v_c,$

是由第c个用户对该第i个服务的评价计算而来的得分； 

服务的平均得分为 其中n代表总共有n个用户对该服务进行评价； 

（6）结合服务的QoS综合排名和用户的反馈，使用以下公式对服务 的综合评分进行更新： 

S_i=e_i+e_i×Score_i， 

通过S_i的排名来对服务的总体质量进行排序。 

与现有技术相比，本发明技术方案的有益效果是： 

本发明利用基于直觉模糊集的模糊语言变量对服务的QoS指标进行评价，反映了人在评价时的模糊不确定心态。综合专家的模糊评价，为Web服务保留一份专业意见，而在为用户进行服务QoS选择时，又充分照顾到用户的偏好，通过将用户的偏好作用于专家的意见上，从而得到带有专家意见并尊重用户偏好的QoS选择。通过使用该方法，将得到这样的效果：在综合能力大致相同的情况下，越满足用户QoS需求的服务会得到越高的评价；而在均能满足用户QoS需求的服务列表中，综合能力越强的服务会得到越高的评价。最后还利用用户的反馈，进一步保证服务QoS评价的可信度。 

附图说明

图1为基于模糊集的模糊语言变量“便宜”所关联的模糊集的示意图； 

图2为一个直觉模糊集及其犹豫度的示意图； 

图3为本发明具体实施例的总体框架； 

图4为本发明具体实施例中综合专家对QoS指标重要程度及服务各QoS指标表现情况的流程； 

图5为发明具体实施例中用户偏好对专家意见产生的作用及服务综合表现的评分流程； 

图6为发明具体实施例中用户反馈的流程。 

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的说明。 

如图3所示，为本发明具体实施例的总体框架。 

一种融合专家意见和用户偏好的Web服务模糊QoS选择方法，包括如下步骤： 

（S1）使用基于直觉模糊集的模糊语言变量对QoS各个指标的表现情况及重要程度进行描述；如下表1和表2所示，模糊语言变量设定具体的直觉模糊数，但各个值的设定不限于此范围，此仅作为一个范例： 

表1.描述QoS指标重要性的模糊语言变量 

表2.描述一个服务的某个QoS指标表现情况的模糊语言变量 

使用基于直觉模糊集的语言变量将能比较好地模仿用户的模糊心理。例如用户往往会觉得QoS指标正确性是很重要的，可用性也很重要，不过正确性应该要比可用性重要些，而可扩展性并不是特别重要，这种模糊表达可以使用基于直觉模糊集的语言变量，此时用户可以这样表达：正确性VI(0.0)，可用性VI(0.09)，可扩展性M(0.2)。直觉模糊数的括号中小数代表用户对这个评价的犹豫度（degree of hesitation），这三个评价说明用户认为正确性是无可质疑地很重要的，而可用性应该很重要，可扩展性则为一般重要。在对服务的QoS指标的表现情况进行评价时，使用的也是同样的方法。在数学上，这个评价表现为一个直觉模糊数（intuitionistic fuzzy number）[μ，v]。 

（S2）各专家使用模糊语言变量对各个QoS指标的重要程度和每个服务的各个QoS指标的表现情况进行评价，融合各专家的评价获取所有专家对QoS指标的综合意见； 

（S3）用户使用模糊语言变量对各个QoS指标的表现情况及重要程度提出要求，并融合所有专家对QoS指标的综合意见获取QoS指标的总意见； 

（S4）根据QoS指标的总意见获取服务的QoS综合排名。 

如图4所示，步骤（S2）可以采用一下步骤实现： 

（S21）每个专家使用描述QoS指标重要性的模糊语言变量对各个QoS指标的重要程度进行评价，形成一个评价矢量： 

$W^k=\{W_1^k,W_2^K,...{,W}_n^k\}$

评价矢量W^k实际上是一个直觉模糊集， 是一个直觉模糊数，它表示第k个专家对第i个QoS指标的重要程度的评价，i=1，2，…，n； 

（S22）每个专家使用描述一个服务的QoS指标表现情况的模糊语言变量对各个服务的各个QoS指标的表现情况进行评价，形成一个评价矩阵： 

评价矩阵V^k实际上是一个直觉模糊集的集合， 是一个直觉模糊数，它表示第k个专家对第i个服务的第j个QoS指标的表现情况的评价，i=1、2、…、m，j＝1、2、…、n； 

（S23）根据相似度计算各专家评价的权重： 

设 是第p个专家和第q个专家在QoS指标重要程度评价上的相似度， 是第p个专家和第q个专家在各个服务的QoS指标的表现程度评价上的相似度，使用直觉模糊集的海明距离来表现两个模糊集的相似度,根据域U={u₁,u₂,…,u_n}上的两个直觉模糊集 和 $B={\Sigma }_{i=1}^n[{\mu }_B\left(u_i\right),v_B\left(u_i\right)]$的相似度定义如下： 

$S(A,B)=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}S\left(\right[{\mu }_A\left(u_i\right),v_A\left(u_i\right)],[{\mu }_B\left(u_i\right),v_B\left(u_i\right)\left]\right)$

由此，定义$S_{\mathrm{pq}}^w=S(W^p,W^q),$$S_{\mathrm{pq}}^V=\frac{1}{m}{\Sigma }_{i=1}^{m}S(V_i^p,V_i^q),$

其中 表示第p个专家对第i个服务的各个QoS指标的表现情况的评价， 表示第q个专家对第i个服务的各个QoS指标的表现情况的评价； 

第p个专家和第q个专家的整体意见的相似度 

根据相似度 计算第k个专家意见的权重： 

$h^k=\frac{{\Sigma }_{q=1,q\ne k}^K{S}_{\mathrm{qk}}}{{\Sigma }_{p=1}^K{\Sigma }_{q=1,q\ne k}^K{S}_{\mathrm{pq}}}=\frac{{\Sigma }_{q=1}^K{S}_{\mathrm{qk}}-1}{{\Sigma }_{p=1}^K{\Sigma }_{q=1}^K{S}_{\mathrm{pq}}-K},$K表述专家人数； 

对服务的QoS指标总体评价最终的结果应该尽可能地反映多数专家的意见，因此，当专家的意见与整个专家小组的意见越接近，该专家的意见越有分量，也就是说，该专家的权重会更大些，因此，通过计算专家之间的相似度来反应每个专家与整个专家小组意见的相似度。 

（S24）结合专家的评价及其意见的权重获取各个服务各个QoS指标的综合意见： 

求各个服务的QoS指标重要程度的综合意见， 

W={W₁，W₂，...，W_k，..，W_n} 

其中$W_i={\Sigma }_{k=1}^K{h}^k\times W_i^k=[{\Sigma }_{k=1}^K{h}^k\times {\mu }_{W_i^k},{\Sigma }_{k=1}^K{h}^k\times v_{W_i^k}];$

表示直觉模糊数 的真隶属度， 表示直觉模糊数 的假隶属度； 

各个服务QoS指标表现情况的综合意见： 

其中 它反映所有专家对第i个服务的第j个指标的综合意见。 

如图5所示，在步骤（S3）中，用户的偏好将影响由专家综合得出的意见，即包括QoS指标的重要程度W以及各个服务的QoS指标表现情况G，其可以采用如下步骤实现； 

（S31）用户使用描述QoS指标重要性的模糊语言变量对第k个QoS指标的重要程度提出要求，认为第k个QoS指标的重要程度为I_k； 

（S32）用户使用描述一个服务的QoS指标表现情况的模糊语言变量对一个服务的第k个QoS指标的表现情况提出要求，要求第k个QoS指标的表现为V_k； 

（S33）将I_k和V_k作用于所有专家对QoS指标的综合意见，对W和G进行更新获取QoS指标的总意见： 

$G_{\mathrm{ij}}=\left(\begin{array}{cc}{G}_{\mathrm{ij}}\oplus V_k& \mathrm{if}{\mu }_{G_{\mathrm{ij}}}\ge {\mu }_{V_k}\\ G_{\mathrm{ij}}\otimes V_k& \mathrm{if}{\mu }_{G_{\mathrm{ij}}}<{\mu }_{V_k}\end{array}\right),$

其中， 

$G_{\mathrm{ij}}\oplus V_k=[{\mu }_{G_{\mathrm{ij}}}+{\mu }_{V_k}-{\mu }_{G_{\mathrm{ij}}}\times {\mu }_{V_k},v_{G_{\mathrm{ij}}}\times v_{V_k}],$

$G_{\mathrm{ij}}\otimes V_k=[{\mu }_{G_{\mathrm{ij}}}\times {\mu }_{V_k},v_{G_{\mathrm{ij}}}+v_{V_k}-v_{G_{\mathrm{ij}}}\times v_{V_k}],$

其中， 和 分别为W_k的真隶属度和假隶属度，其他参数依次类推。 

这样，用户所关注的QoS指标将会被适当地注重，同事，如果服务的QoS指标满足用户的需求，其评价将会被扩大，而如果服务的QoS指标不满足用户的需求，则其评价也会被相应的缩小。 

如图5所示，步骤（S4）可以采用如下步骤实现： 

对经过步骤（S33）更新后的W和G进行如下处理得到服务的QoS综合排名： 

将W中的各元素W_i进行非模糊化得到 然后对ω=[ω₁，ω₂，...，ω_n}进行标准化，使得 其中ω_i反映第i个QoS指标的权重； 

将权重ω_i作用于G，得到 

其中G′_ij=ω_j×G_ij，反映第j个QoS指标对第i个服务的贡献，G′_i则 是第i个服务的整体表现，G′_i=[G′₁₁ G′₁₂...G′_1n]；令 

其中P_ij表示第i个服务比第j个服务好的概率， 

$P_{\mathrm{ij}}=P(G_i^{\prime }\ge G_j^{\prime })=\frac{1}{n}{\Sigma }_{t=1}^{n}P(G_{\mathrm{it}}^{\prime }\ge G_{\mathrm{jt}}^{\prime }),$

G′_it和G′_jt均为直觉模糊值，$G_{\mathrm{it}}^{\prime }=[{\mu }_{G_{\mathrm{it}}^{\prime }},v_{G_{\mathrm{it}}^{\prime }}],$$G_{\mathrm{jt}}^{\prime }=[{\mu }_{G_{\mathrm{jt}}^{\prime }},v_{G_{\mathrm{jt}}^{\prime }}]$$P(G_{\mathrm{it}}^{\prime }\ge G_{\mathrm{jt}}^{\prime })=\frac{\mathrm{Max}(0,L\left(G_{\mathrm{it}}^{\prime }\right)+L\left(G_{\mathrm{jt}}^{\prime }\right)-(1-{\mu }_{G_{\mathrm{it}}^{\prime }}-v_{G_{\mathrm{it}}^{\prime }}))}{L\left(G_{\mathrm{it}}^{\prime }\right)+L\left(G_{\mathrm{ji}}^{\prime }\right)},$其中 $L\left(G_{\mathrm{it}}^{\prime }\right)=1-{\mu }_{G_{\mathrm{it}}^{\prime }}-v_{G_{\mathrm{it}}^{\prime }},$$L\left(G_{\mathrm{jt}}^{\prime }\right)=1-{\mu }_{G_{\mathrm{jt}}^{\prime }}-v_{G_{\mathrm{jt}}^{\prime }},$

则m个服务的排序矢量e={e₁，e₂，...，e_m}计算如下： 

$e_i=\frac{{\Sigma }_{j=1}^m{P}_{\mathrm{ij}}+\frac{m}{2}-1}{m(m-1)},$

e_i是一个[0,1]的浮点数，代表第i个服务的综合评分，且 这样就实现了从带有不同权重的多个QoS指标的服务间的比较到多个浮点数的比较的转化。 

用户的反馈是服务QoS质量的有力证明，因此，当用户使用完一个服务后，可以让用户对该服务的表现情况进行评价。因此，如图6所示，本实施 例的方法还包括如下步骤： 

（S5）使用完一个服务的用户再使用描述一个服务的QoS指标表现情况的模糊语言变量对该使用完的服务的整体表现情况进行评价，设其为C=[μ_c,v_c]，使用以下评分函数计算用户对该服务的满意程度： 

${\mathrm{Score}}_i^c={\mu }_c-{\pi }_c·v_c,$

是由第c个用户对该第i个服务的评价计算而来的得分； 

服务的平均得分为 其中n代表总共有n个用户对该服务进行评价； 

（S6）结合服务的QoS综合排名和用户的反馈，使用以下公式对服务的综合评分进行更新：S_i=e_i+e_i×Score_i，通过S_i的排名来对服务的总体质量进行排序。