面向领域的Web服务文档质量评价方法

摘要

本发明涉及Web服务技术领域，为提供一种对不同领域的Web服务的文档质量的评价方法，能够实现对于新的Web服务，预测其所属领域、包含的语义及其文档质量，从而减少专家评价Web服务文档质量的负担，提高服务发现效率，本发明采取的技术方案是，面向领域的Web服务文档质量评价方法，包括如下步骤：1)解析语义Web服务；2)将Web服务的数据随机分为10等分；3)建立决策树1、2、3；4)计算出性能度量；5)得到标注该服务的本体名称、标注该服务参数的本体概念；6)利返回该领域的性能度量值作为该Web服务文档质量的评价。本发明主要应用于Web服务技术。

说明书

技术领域

本发明涉及Web服务技术领域，具体来说，涉及面向领域的Web服务文档质量评价。

技术背景

随着Web服务在工业界的广泛使用，Web服务技术不断发展，互联网上出现了大量的 Web服务。由于服务开发者众多，存在很多提供相似或者相同功能的服务。因此，按照Web 服务的功能可以将其分为不同的作用领域，每个领域都包含了大量的Web服务的集合。从服 务发布的角度看，当服务开发者开发了一个Web服务，他关心的除了用户能否成功调用该 Web服务，还有必要知道该服务的描述质量如何，从而开发高质量的Web服务，让服务注册 中心识别，更好地让服务消费者使用；从服务管理的角度看，一个服务文档的描述质量直接 影响了Web服务的语义，对于Web服务的发现、服务消费者的使用都有着重要的影响。

然而，Web服务文档质量好坏的判断需要专家知识与经验，这使得Web服务的管理产生 了困难。当前研究Web服务质量的关注点在于将广泛的服务质量引入并扩展到Web服务质量 属性中，对于Web服务的非功能的属性进行分析。由于使用标准的WSDL语言描述的Web 服务不能够体现出Web服务的质量，因此，一些研究为Web服务引入语义网技术，提出了语 义Web服务的概念，从而构建了基于本体的服务质量模型。基于服务质量的语义Web服务将 本体作为词汇表提供明确的定义和机器可理解的语义，能够描述出Web服务的质量，例如 DAML-QoS就是专为描述Web服务质量而开发的本体。此外，也有研究通过智能技术根据 Web服务的质量属性将Web服务分成不同层次的事先定好的四类，从而用以评价Web服务。

以上技术仅对Web服务的质量评价提出了不同的解决方案，但是均未对于Web服务文档 的描述质量进行分析，它们主要存在如下的问题：

1)主要考虑的是某个Web服务质量的通用属性，如可用性、可访问性、可靠性、安全 性、响应时间等这些非功能属性，而没有考虑到对Web服务文档描述质量的评价。然而，服 务质量的前提条件是服务的可用性，而文档描述的好坏决定了服务的可用性，较差的文档质 量影响了服务消费者理解并调用服务，因此服务的文档质量是服务质量的基础，很有必要进 行文档质量的评价工作；

2)无法实现服务管理中心对于不同领域的Web服务进行管理和组织。这些Web服务质 量属性机制，忽略了对于不同领域的Web服务的质量差异，未体现出不同领域的Web服务质 量属性在质量保证体系中的作用；同时，现有技术着重对单个Web服务个体进行服务质量评 价，不仅具有难度，并且其准确性也不能够得以保障，本文以服务所属的领域为单位，对成 组的Web服务进行分析，从统计意义上的对Web服务文档进行评价；

3)无法满足用户了解不同领域的Web服务质量的需求。用户可能需要知道所使用的Web 服务所属的领域相对于其他领域的Web服务来说，其质量如何，以上方法均无法给出分析结 果；

4)不可适用于大规模的Web服务的应用，也就是说，不能够广泛地用在实际工程中。

针对以上问题，有必要研究面向领域的Web服务文档描述质量评价的方法，对于成组的 Web服务文档质量进行分析，这对于面向服务的系统研究具有重要影响，也有助于大规模的 Web服务选择及管理。

发明内容

本发明旨在克服现有技术的不足，提供一种对不同领域的Web服务的文档质量的评价方 法，能够实现对于新的Web服务，预测其所属领域、包含的语义及其文档质量，从而减少专 家评价Web服务文档质量的负担，提高服务发现效率，有助于Web服务的管理，便于服务的 发现和组织，为此，本发明采取的技术方案是，面向领域的Web服务文档质量评价方法，包 括如下步骤：

1)解析语义Web服务，获取Web服务语义属性：服务名称、服务接口名称、服务参数 名称、服务参数类型、服务所属领域、标注该服务的本体名称、标注该服务的本体概 念，所有Web服务的语义属性作为输入数据集；

2)将Web服务的数据随机分为10等分，选择其中的9份作为训练数据，1份作为测试 数据，进入步骤3)；

3)对于训练数据，选定目标属性为Web服务所属领域，利用服务名称、服务接口名称、 服务参数名称、服务参数类型、标注该服务的本体名称、标注该服务的本体概念6个 Web服务的语义属性建立决策树1；

4)对于训练数据，选定目标属性为标注该服务的本体名称，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体概念6个Web 服务的语义属性建立决策树2；

5)对于训练数据，选定目标属性为标注该服务的本体概念，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体名称6个Web 服务的语义属性建立决策树3；

6)利用建立的决策树1对测试数据预测其服务所属领域，并根据数据已有的领域信息， 对不同的领域的服务分别计算出如下性能度量：命中率tp-rate，错误正例率fp-rate，查 准率precision，召回率recall，F测量F-measure，接受者操作特征曲线面积ROC Area；

7)选择另一份数据作为测试数据，重复步骤3)至步骤6)十次，直到每份数据轮流被测 试，计算上述性能度量的平均值；

8)对于一个新的不在数据集中的Web服务，解析并获取Web服务各个属性的集合，若 该服务是语义Web服务，例如OWL-S文件或者通过Web服务语义标注等手段处理 后的服务，则进入步骤10)；若不是语义Web服务，则进入步骤9)；

9)将该Web服务的属性集合作为输入，分别利用决策树2和决策树3对该Web服务进 行预测，从而得到标注该服务的本体名称、标注该服务参数的本体概念，进入步骤 11)；

10)将Web服务的语义属性集合作为输入，进行步骤4)和步骤5)的处理之后，进入步骤 11)；

11)利用决策树1预测该Web服务的所属领域，并返回该领域的性能度量值作为该Web 服务文档质量的评价，从而达到预测该服务文档质量的目的。

上述的步骤1)中，读取Web服务文件，按照Web服务文档的结构特征将其解析成为四个 部分：Web服务层，包括了服务的一般信息；接口层，包括了服务接口的信息；参数层，包 括了服务的输入和输出参数的信息；语义基础层，包括了语义Web服务关联的本体信息及 Web服务所属的领域信息。由此，可以获取Web服务的语义属性的集合 T＝{X1，X2，X3，X4，X5，X6，X7}，其中，X1-X7分别代表了服务名称、服务接口名称、服务参 数名称、服务参数类型、服务所属领域、标注该服务的本体名称、标注该服务的本体概念， X4为0时代表了该参数是输入参数，为1则是输出参数，采用X1-X7这7个属性作为分类 模型候选属性集。

本发明的步骤3)具体过程如下：

3.1创建根节点N；

3.2若当前训练数据集S属于同一个领域D_i，则返回N为叶节点，标记为所属领域D_i；

3.3若候选属性集合T为空，或者S中所剩的样本数少于给定值Y，则返回N为叶节点， 标记N为S中出现最多的领域；

3.4对于每个集合T中的属性，计算信息增益率；

3.5选定N的测试属性等于T中具有最高信息增益率的属性；

3.6对于每一个由节点N一个新的叶子节点，执行步骤3.7；

3.7若给叶子节点对应的训练数据集S′为空，则分裂此叶子节点生成新叶节点，将其标记 为S中出现最多的服务领域，进入步骤3.8；否则，选择当前训练数据集为S′，该叶 子节点为N，转至步骤3.2，继续对其进行分裂；

3.8计算每个节点的分类错误，进行剪枝。

步骤3.4需要计算每个属性的信息增益比，对于某个属性X_i，其信息增益率是通过如下公 式进行计算：首先计算对于一个给定的Web服务集合所需的期望信息，由公式(1)给出：

$I(s_1,......,s_m)={\Sigma }_{i=1}^m{p}_{i}l{\mathrm{og}}_2^{\left(p_i\right)}---\left(1\right)$

其中，S是s个测试服务的数据集合，服务所属领域D具有m个不同的值，s_i是服务数据 属于领域D_i的个数，p_i是任意的服务数据属于领域D_i的概率，取的值；

接下来计算属性X_i划分成子集的熵，由公式(2)给出：

$E\left(X_i\right)={\Sigma }_{i=1}^v\frac{s_{\mathrm{ij}}+...+s_{\mathrm{mj}}}{s}I(s_{\mathrm{ij}},......,s_{\mathrm{mj}})---\left(2\right)$

其中，设v是X_i的属性个数，则X_i具有v个子集s₁，......，s_v，s_i包含了在S中属性X_i具有 值a_i的数据集合，若X_i选作测试属性，则这些子集对应于由包含集合S的结点生成出来的分 支，s_ij是s_i中属于领域D_i的服务数据个数，熵值越小，子集划分的纯度越高；

由此，可计算出X_i在分支获得的信息增益，有公式(3)给出：

Gain(X_i)＝I(s₁，……，s_m)-E(X_i)        (3)

分裂信息的计算公式见公式(4)：

$\mathrm{SplitInfo}(S,X_i)=-{\Sigma }_{i=1}^c\frac{\left|\mathrm{Si}\right|}{\left|S\right|}{\mathrm{Log}}_2^{\frac{\left|\mathrm{Si}\right|}{\left|S\right|}}---\left(4\right)$

其中，S₁到S_c是c个不同值的属性X_i分割S而形成的c个样本子集；

这样，在属性X_i上所得到的信息增益比为：

$\mathrm{GainRatio}(S,X_i)=\frac{\mathrm{Gain}(S,X_i)}{\mathrm{SplitInfo}(S,X_i)}---\left(5\right)$

由上述过程也可以得到步骤4)和步骤5)的具体过程。

所说的步骤6)按照不同的领域分别计算出各个性能度量过程如下所示：

6.1按照表1计算出tp，fp，tn，fn的值；

表1服务领域分类的混淆矩阵

6.2计算出命中率tp-rate和错误正例率fp-rate：tp-rate＝tp/(tp+fn)，fp-rate＝fp/(fp+tn)；

6.3计算出查准率precision以及召回率recall：precision＝tp/(tp+fp)，recall＝tp/(tp+fn)＝ tp-rate；

6.4由precision和recall计算出F-measure：取β＝1；

6.5令p(C₁|X)为正类的概率，若p(C₁|X)＞θ，选X为正类，则对每一个θ可得到一对tp-rate， fp-rate，从而得到ROC曲线。

本发明具备下列技术效果：

本发明针对不同领域的Web服务，提供了一种评价Web服务文档质量的方法，从而减少 专家评价Web服务文档质量的负担，填补自动评价Web服务文档质量的空白，有助于Web 服务的管理，也便于Web服务的发现和组织。

附图说明

图1是本发明Web服务文档质量评价的整体流程图。

图2是本发明对新的Web服务预测其所属领域及其文档质量的流程图。

图3是本发明实验中服务的参数所在领域及所用本体中的分布，(a)是参数所在领域中的 分布，(b)是参数在标注本体中的分布。

图4是本发明实验中对不同领域分类的结果。

具体实施方式

本发明采用的技术方案是：

1)解析语义Web服务，获取Web服务语义属性：服务名称、服务接口名称、服务参数 名称、服务参数类型、服务所属领域、标注该服务的本体名称、标注该服务的本体概 念。所有Web服务的语义属性作为输入数据集；

2)将Web服务的数据随机分为10等分，选择其中的9份作为训练数据，1份作为测试 数据，进入步骤3)；

3)对于训练数据，选定目标属性为Web服务所属领域，利用服务名称、服务接口名称、 服务参数名称、服务参数类型、标注该服务的本体名称、标注该服务的本体概念6个 Web服务的语义属性建立决策树1；

4)对于训练数据，选定目标属性为标注该服务的本体名称，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体概念6个Web 服务的语义属性建立决策树2；

5)对于训练数据，选定目标属性为标注该服务的本体概念，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体名称6个Web 服务的语义属性建立决策树3；

6)利用建立的决策树1对测试数据预测其服务所属领域，并根据数据已有的领域信息， 对不同的领域的服务分别计算出如下性能度量：命中率tp-rate，错误正例率fp-rate，查 准率precision，召回率recall，F测量F-measure，接受者操作特征曲线面积ROC Area；

7)选择另一份数据作为测试数据，重复步骤3)至步骤6)十次，直到每份数据轮流被测 试，计算上述性能度量的平均值；

8)对于一个新的不在数据集中的Web服务，解析并获取Web服务各个属性的集合。若 该服务语义Web服务，例如OWL-S文件或者通过Web服务语义标注等手段处理后 的服务，则进入步骤10)；若不是语义Web服务，则进入步骤9)；

9)将该Web服务的属性集合作为输入，分别利用决策树2和决策树3对该Web服务进 行预测，从而得到标注该服务的本体名称、标注该服务参数的本体概念，进入步骤 11)；

10)将Web服务的语义属性集合作为输入，进行步骤4)和步骤5)的处理之后，进入步骤 11)；

11)利用决策树1预测该Web服务的所属领域，并返回该领域的性能度量值作为该Web 服务文档质量的评价，从而达到预测该服务文档质量的目的。

上述的步骤1)中，读取Web服务文档，按照Web服务文档的结构特征将其解析成为四个 部分：Web服务层，包括了服务的一般信息；接口层，包括了服务接口的信息；参数层，包 括了服务的输入和输出参数的信息；语义基础层，包括了语义Web服务关联的本体信息及 Web服务所属的领域信息。由此，可以得到Web服务的语义属性的集合 T＝{X1，X2，X3，X4，X5，X6，X7}。其中，X4为0时代表了该参数是输入参数，为1则是输出 参数。我们将采用表中的X1-X7这7个属性作为分类模型候选属性集。

本发明的步骤3)具体过程如下：

3.1创建根节点N；

3.2若当前训练数据集S属于同一个领域D_i，则返回N为叶节点，标记为所属领域D_i；

3.3若候选属性集合T为空，或者S中所剩的样本数少于给定值Y，则返回N为叶节点， 标记N为S中出现最多的领域；

3.4对于每个集合T中的属性，计算信息增益率；

3.5选定N的测试属性等于T中具有最高信息增益率的属性；

3.6对于每一个由节点N一个新的叶子节点，执行步骤3.7；

3.7若给叶子节点对应的训练数据集S′为空，则分裂此叶子节点生成新叶节点，将其标记 为S中出现最多的服务领域，进入步骤3.8；否则，选择当前训练数据集为S′，该叶 子节点为N，转至步骤3.2，继续对其进行分裂；

3.8计算每个节点的分类错误，进行剪枝。

步骤3.4需要计算每个属性的信息增益比。对于某个属性X_i，其信息增益率是通过如下公 式进行计算。首先计算对于一个给定的Web服务集合所需的期望信息，由公式(1)给出：

$I(s_1,......,s_m)={\Sigma }_{i=1}^m{p}_{i}l{\mathrm{og}}_2^{\left(p_i\right)}---\left(1\right)$

其中，S是s个测试服务的数据集合，服务所属领域D具有m个不同的值，s_i是服务数据 属于领域D_i的个数。p_i是任意的服务数据属于领域D_i的概率，本文中取的值。

接下来计算属性X_i划分成子集的熵，由公式(2)给出：

$E\left(X_i\right)={\Sigma }_{i=1}^v\frac{s_{\mathrm{ij}}+...+s_{\mathrm{mj}}}{s}I(s_{\mathrm{ij}},......,s_{\mathrm{mj}})---\left(2\right)$

其中，设v是X_i的属性个数，则X_i具有v个子集s₁，......，s_v。s_i包含了在S中属性X_i具有 值a_i的数据集合。若X_i选作测试属性，则这些子集对应于由包含集合S的结点生成出来的分 支。s_ij是s_i中属于领域D_i的服务数据个数。熵值越小，子集划分的纯度越高。

由此，可计算出X_i在分支获得的信息增益，有公式(3)给出：

Gain(X_i)＝I(s₁，……，s_m)-E(X_i)         (3)

分裂信息的计算公式见公式(4)：

$\mathrm{SplitInfo}(S,X_i)=-{\Sigma }_{i=1}^c\frac{\left|\mathrm{Si}\right|}{\left|S\right|}{\mathrm{Log}}_2^{\frac{\left|\mathrm{Si}\right|}{\left|S\right|}}---\left(4\right)$

其中，S₁到S_c是c个不同值的属性X_i分割S而形成的c个样本子集。

这样，在属性X_i上所得到的信息增益比为：

$\mathrm{GainRatio}(S,X_i)=\frac{\mathrm{Gain}(S,X_i)}{\mathrm{SplitInfo}(S,X_i)}---\left(5\right)$

由上述过程也可以得到步骤4)和步骤5)的具体过程。

所说的步骤6)按照不同的领域分别计算出各个性能度量过程如下所示：

6.1按照表1计算出tp，fp，tn，fn的值；

表1服务领域分类的混淆矩阵

6.2计算出命中率tp-rate和错误正例率fp-rate：tp-rate＝tp/(tp+fn)，fp-rate＝fp/(fp+tn)；

6.3计算出查准率precision以及召回率recall：precision＝tp/(tp+fp)，recall＝tp/(tp+fn)＝ tp-rate；

6.4由precision和recall计算出F-measure：取β＝1；

6.5令p(C₁|X)为正类的概率，若p(C₁|X)＞θ，选X为正类，则对每一个θ可得到一对tp-rate， fp-rate，从而得到ROC曲线。

下面结合附图对本发明作进一步详细说明。

参见图1，评价对面向不同领域的Web服务文档质量时，需要进行以下的步骤：

1)解析语义Web服务，获取Web服务语义属性集合。按照Web服务文档的结构特征将 其解析成为四个部分：Web服务层，包括了服务的一般信息，如服务名称X1；接口 层，包括了服务接口的信息，如接口名称X2；参数层，包括了服务的输入参数和输 出参数的信息，如参数名称X3和参数类型X4；语义基础层，包括了语义Web服务 关联的本体信息及Web服务所属的领域信息，如本体名称X6以及本体中的概念X7。 由此，可以得到。按照表2中的Web服务的语义属性及其描述得到这些属性的集合 T＝{X1，X2，X3，X4，X5，X6，X7}，其中，X4为0时代表了该参数是输入参数，为1则 是输出参数。我们将采用表中的X1-X7这7个属性作为分类模型候选属性集。所有 Web服务的语义属性作为输入数据集；

表2Web服务的语义属性及其描述

2)将Web服务的数据随机分为10等分，选择其中的9份作为训练数据，1份作为测试 数据，进入步骤3)；

3)对于训练数据，选定目标属性为Web服务所属领域，利用服务名称、服务接口名称、 服务参数名称、服务参数类型、标注该服务的本体名称、标注该服务的本体概念6个 Web服务的语义属性建立决策树1；

4)对于训练数据，选定目标属性为标注该服务的本体名称，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体概念6个Web 服务的语义属性建立决策树2；

5)对于训练数据，选定目标属性为标注该服务的本体概念，利用服务名称、服务接口名 称、服务参数名称、服务参数类型、服务所属领域、标注该服务的本体名称6个Web 服务的语义属性建立决策树3；

6)利用建立的决策树1对测试数据预测其服务所属领域，并根据数据已有的领域信息， 对不同的领域的服务分别计算出如下性能度量：命中率tp-rate，错误正例率fp-rate，查 准率precision，召回率recall，F测量F-measure，接受者操作特征曲线面积ROC Area；

7)选择另一份数据作为测试数据，重复步骤3)至步骤6)十次，直到每份数据轮流被测 试，计算上述性能度量的平均值；

处理完以上步骤，我们就可以得到对于不同领域的Web服务文档质量的不同的评价值。

本发明的步骤3)具体过程如下：

3.1创建根节点N；

3.2若当前训练数据集S属于同一个领域D_i，则返回N为叶节点，标记为所属领域D_i；

3.3若候选属性集合T为空，或者S中所剩的样本数少于给定值Y，则返回N为叶节点， 标记N为S中出现最多的领域；

3.4对于每个集合T中的属性，计算信息增益率；

3.5选定N的测试属性等于T中具有最高信息增益率的属性；

3.6对于每一个由节点N一个新的叶子节点，执行步骤3.7；

3.7若给叶子节点对应的训练数据集S′为空，则分裂此叶子节点生成新叶节点，将其标记 为S中出现最多的服务领域，进入步骤3.8；否则，选择当前训练数据集为S′，该叶 子节点为N，转至步骤3.2，继续对其进行分裂；

3.8计算每个节点的分类错误，进行剪枝。

步骤3.4需要计算每个属性的信息增益比。对于某个属性X_i，其信息增益率是通过如下公 式进行计算。首先计算对于一个给定的Web服务集合所需的期望信息，由公式(1)给出：

$I(s_1,......,s_m)={\Sigma }_{i=1}^m{p}_{i}l{\mathrm{og}}_2^{\left(p_i\right)}---\left(1\right)$

其中，S是s个测试服务的数据集合，服务所属领域D具有m个不同的值，s_i是服务数据 属于领域D_i的个数。p_i是任意的服务数据属于领域D_i的概率，本文中取的值。

接下来计算属性X_i划分成子集的熵，由公式(2)给出：

$E\left(X_i\right)={\Sigma }_{i=1}^v\frac{s_{\mathrm{ij}}+...+s_{\mathrm{mj}}}{s}I(s_{\mathrm{ij}},......,s_{\mathrm{mj}})---\left(2\right)$

其中，设v是X_i的属性个数，则X_i具有v个子集s₁，......，s_v。s_i包含了在S中属性X_i具有 值a_i的数据集合。若X_i选作测试属性，则这些子集对应于由包含集合S的结点生成出来的分 支。s_ij是s_i中属于领域D_i的服务数据个数。熵值越小，子集划分的纯度越高。

由此，可计算出X_i在分支获得的信息增益，有公式(3)给出：

Gain(X_i)＝I(s₁，……，s_m)-E(X_i)        (3)

分裂信息的计算公式见公式(4)：

$\mathrm{SplitInfo}(S,X_i)=-{\Sigma }_{i=1}^c\frac{\left|\mathrm{Si}\right|}{\left|S\right|}{\mathrm{Log}}_2^{\frac{\left|\mathrm{Si}\right|}{\left|S\right|}}---\left(4\right)$

其中，S₁到S_c是c个不同值的属性X_i分割S而形成的c个样本子集。

这样，在属性X_i上所得到的信息增益比为：

$\mathrm{GainRatio}(S,X_i)=\frac{\mathrm{Gain}(S,X_i)}{\mathrm{SplitInfo}(S,X_i)}---\left(5\right)$

由上述过程也可以得到步骤4)和步骤5)的具体过程。

所说的步骤6)按照不同的领域分别计算出各个性能度量过程如下所示：

6.1按照表1计算出tp，fp，tn，fn的值；

6.2计算出命中率tp-rate和错误正例率fp-rate：tp-rate＝tp/(tp+fn)，fp-rate＝fp/(fp+tn)；

6.3计算出查准率precision以及召回率recall：precision＝tp/(tp+fp)，recall＝tp/(tp+fn)＝ tp-rate；

6.4由precision和recall计算出F-measure：取β＝1；

6.5令p(C₁|X)为正类的概率，若p(C₁|X)＞θ，选X为正类，则对每一个θ可得到一对tp-rate， fp-rate，从而得到ROC曲线。

参见图2，要对新的Web服务预测其所属领域及其文档质量，其具体过程如下：

1)对于一个新的不在数据集中的Web服务，解析并获取Web服务各个属性的集合。

2)若该服务是语义Web服务，例如OWL-S文件或者通过Web服务语义标注等手段处 理后的服务，则进入步骤4)；若不是语义Web服务，则进入步骤3)；

3)将该Web服务的属性集合作为输入，分别利用决策树2和决策树3对该Web服务进 行预测，从而得到标注该服务的本体名称、标注该服务的本体概念，进入步骤5)；

4)将Web服务的语义属性集合作为输入，进行步骤4)和步骤5)的处理之后，进入步骤 5)；

5)利用决策树1预测该Web服务的所属领域，并返回该领域的性能度量值作为该Web 服务的评价。

本文通过在Web服务测试集上实现了面向领域的Web服务文档质量评价方法。所选用的 数据集是OWLS-TC4(OWL-S Service Retrieval Test Collection Version4.0)，该公开的数据集是 用来评价OWL-S服务匹配算法的性能。通过服务解析之后，服务集的属性的具体情况见表3。 该数据集覆盖了9个领域的1090个服务，服务在这9个领域中的分布如表4中所示。

表3OWLS-TC4服务情况

表4OWLS-TC4服务领域分布

从表3中还可以看出，OWLS-TC4服务集共包括3075个服务参数，与服务一同提供的还 有68个现有本体，图3反映了参数在9个领域中的分布，以及参数在其标注本体中的分布。

通过本发明描述的方法，对得到的实验结果进行统计，可以计算出对领域进行分类的精 度为86.58％。可见，在以上实验环境下，本方法所得到较高的精度值。

对于具体的9个领域，利用本面向领域的Web服务文档质量评价方法，得到的性能指标 如图4所示。9个领域中，对于食物(food)领域的Web服务的分类效果最差，也说明其文档质 量最差，F测量值为0.699。同时，对于仿真(simulation)领域的Web服务分类效果最好，说 明其服务描述的质量最好。