法，包括以下步骤：
[0034] 步骤1，预处理工作流数据，解析工作流，从工作流中提取大量原子服务信息，构造 服务组合的历史记录。假设有如下训练集，工作流1包含A，B，C三个原子服务，工作流2包 含A，B，C，D，E，F三个原子服务。所以总共提取了 6个原子服务。
[0035] 步骤2,组建服务组合：步骤1提取的原子服务重新随机组合，将产生的服务组合 保存在二维数组userCombList中，重新组合后的规则总数N= 2n-l。把每个原子服务编 号，第一个原子服务的编号为1，第二个的编号为2,……，最后一个原子服务编号为6。将 这六个原子服务重新组合，比如，其中一个组合为"1 ;2 ;3 ; "。这里服务组合的总数是26-1 即63个服务组合，把这63个组合放在userCombList[][]。
[0036] 步骤3,搜索最长组合：即从二维数组userCombList中搜索最佳的服务组合，具体 包括以下子步骤：
[0037] (3. 1)令变量len=η,η是原子服务个数；
[0038] (3. 2)如果len>0,执行步骤3. 3;否则执行步骤3. 7;
[0039] (3. 3)令变量i= 0;
[0040] (3. 4)如果i〈userCombList[len]数组的长度，执行步骤3. 5 ;否则执行步骤3. 6 ;
[0041 ] (3. 5)如果userCombList[len]数组的长度等于len,同时userCombList[len]
[i]服务组合符合关联规则，则把该组合保存在二维数组result中，然后令i=i+1，执行 步骤3. 4 ;否则，直接令i=i+1,执行步骤3. 4 ;
[0042] (3· 6)如果二维数组result中存在长度为len的关联规则，则找到最佳服务组合， 保存在二维数组finalresult中，执行步骤3. 7 ;否则，len=len-Ι，执行步骤3. 2 ;
[0043] (3. 7)结束循环；
[0044] 步骤4,从二维数组finalresult中提取关联规则，计算每个服务在这个规则下的 置信度，放在一维数组rec中，把置信度作为推荐度，置信度越大，推荐排名越靠前；比如： 删除原子服务C，那么我们会得到最佳服务组合是A;B;D;E;F;C的推荐度等于C的置信 度，C的支持度=1/2 = 0. 5,最佳组合的支持度是1/2 = 0. 5,那么C的推荐度（置信度） 等于0.5/0.5 = 1，是我们首要推荐目标。把目标C和它的推荐度放在rec数组中。
[0045] 步骤5,排序服务检索结果：遍历所有rec数组，根据推荐目标的推荐度以降次排 序，按顺序取前3个产生推荐列表，将最终推荐结果呈现给用户。
【主权项】
1. 一种基于关联规则的Web服务推荐方法，其特征在于，包括以下步骤： (1) 预处理工作流数据，解析工作流，从工作流中提取原子服务信息，构造服务组合的 历史记录，其中原子服务总数为n，每个原子服务使用编号1-n表示（第一个原子服务编号 为1，第二个原子服务编号为2,……，第η个原子服务编号为η); (2) 组建服务组合：将步骤1提取的原子服务重新随机组合，将产生的服务组合保存在 二维数组userCombList中，userCombList□的长度代表总共有多少个服务组合，重新 组合后的规则总数N= 2n-1; (3) 搜索最长组合，即从二维数组userCombList中搜索最佳的服务组合，具体包括以 下子步骤： (3. 1)令变量len=η，η是原子服务个数； (3. 2)如果len>0,执行步骤3. 3 ;否则执行步骤3. 7 ; (3. 3)令变量i= 0 ; (3. 4)如果i〈userCombList[len]数组的长度，执行步骤3. 5 ;否则执行步骤3. 6 ; (3. 5)如果userCombList[len]数组的长度等于len,同时userCombList[len] [i]月艮 务组合符合关联规则，则把该组合保存在二维数组result中，然后令i=i+1，执行步骤 3. 4 ;否则，直接令i=i+1,执行步骤3. 4 ; (3. 6)如果二维数组result中存在长度为len的关联规则，则找到最佳服务组合，保存 在二维数组finalresult中，执行步骤3. 7 ;否则，len=len-Ι，执行步骤3. 2 ; (3. 7)结束循环； (4)计算推荐度：从二维数组finalresult中提取关联规则，计算每个服务在这个规则 下的置信度，并把计算结果放在一维数组rec中，rec的大小是η(原子服务个数），rec的 第k个元素就是第k个原子服务的置信度；把置信度作为推荐度，置信度越大，推荐排名越 A+-.、r' 罪刖； (5) 排序服务检索结果：根据已有的用户历史记录采用修正后的支持度公式计算每个 推荐目标的推荐预测值即数组rec;将数组rec按照推荐度的值降序排列，从而得到个性化 推荐结果。2. 根据权利要求1所述一种基于关联规则的Web服务推荐方法，其特征在于，所述步 骤2中，所述服务组合的定义为将功能简单的服务组件按照相关的逻辑和时序关系进行动 态地交互，以此协作完成一个大任务以满足用户的复杂多样的业务需求。3. 根据权利要求1所述一种基于关联规则的Web服务推荐方法，其特征在于，所述步骤 4中，每个推荐目标的置信度的计算具体为： A)计算支持度，支持度揭示所有事务中A与B同时出现的概率；如果支持度越大，关联 规则越常见；使用修正后的支持度公式计算支持度Support(A->B):其中，X代表整个复合服务数据集中的任意一组复合服务，D代表整个复合服务数据 集。ID代表数据集所有复合服务的数量。修正函数fs代表该AB元素在当前组合中所占的比例，函数如下：B)计算置信度，置信度Confidence(A->B) =Support(A->B)/Support(A) =P(A|B); 置信度揭示了A出现时，B出现的概率；Support(A->B)就是A与B同时出现的概率，即支持 度。这里的置信度就是推荐目标的推荐度。
【专利摘要】本发明公开了一种基于关联规则的Web服务推荐方法。现有的Web服务推荐方法虽然引入关联规则提高了Web服务组合的执行效率和服务质量，但是只能产生强关联服务的推荐，对于一部分不常见但高关联能力的服务则由于使用率低被忽略了。本发明对关联规则挖掘进行了改进，即对关联规则的支持度进行修改。改进后的关联规则推荐方法保证服务组合内在的每个原子服务间的关联强度不会因服务组合的长度增大而降低，相较于常规的推荐方法在稳定性和准确度上均有提高。本发明分析服务组合的历史数据，发掘单个Web服务之间所隐含的内在联系从而发现用户的潜在需求，系统选择最佳服务组合推荐给用户。本发明给用户提供方便高效的服务推荐方法，具有广阔的应用前景。
【IPC分类】G06F17/30
【公开号】CN105389358
【申请号】CN201510740989
【发明人】姜波, 潘伟丰, 谢波, 王家乐, 余海飞, 汪家磊
【申请人】浙江工商大学
【公开日】2016年3月9日
【申请日】2015年11月4日