一种基于服务组合骨干网加权k核分析的服务推荐方法
【技术领域】
[0001] 本发明设及一种服务推荐方法，尤其是设及一种基于服务组合骨干网加权k核分 析的服务推荐方法。
【背景技术】
[0002] 面向服务的计算（Service-OrientedComputing,S0C)是一种新型的计算模式，它 倡导W服务及其组合为基础构造应用，为解决分布、异构环境中跨组织敏捷应用集成问题 带来了诸多便利，是工业界与学术界备受关注的主题。随着由服务构成的应用的普及，服务 的种类和数量急剧增加，W服务为中屯、的互联网正在形成。面对数量如此庞大的服务群，如 何发现满足用户需求的服务已成为影响服务计算进一步发展的瓶颈。
[0003] 推荐技术是解决信息资源过载问题的有效方法之一，同样也为解决服务资源过载 带来了契机。近年来，国内外学者将推荐技术引入服务计算领域，提出了基于语义的服务推 荐方法、基于情境的服务推荐方法、基于语法的服务推荐方法及基于协同过滤的服务推荐 方法等，取得了丰硕的成果，但是仍有如下不足：
[0004] (1)现有的方法基本都依赖事先收集的用户偏好数据、服务QoS(如alityOf Services)信息等，然而运些数据比较少且收集不易，限制了推荐方法的通用性；
[0005] (2)现有的方法很多依赖服务WSDL(WebServiceDescriptionLanguage)文档中 的信息，但是随着服务种类的多样化，很多新型服务并不存在WS化描述文档；
[0006] (3)缺少针对服务组合时的服务推荐方法。
[0007] 因此，如何在服务组合时，为缺少用户偏好数据、服务QoS信息及WS化描述文档的 服务推荐可W组合的服务，成为服务推荐领域的一个新问题。
【发明内容】
[0008] 本发明的目的在于针对现有技术的不足，提供了一种基于服务组合骨干网加权k 核分析的服务推荐方法，实现在服务组合阶段，为缺少用户偏好数据、服务QoS信息及WS化 描述文档的服务推荐可与其组合的服务。
[0009] 本发明的上述技术问题主要是通过下述技术方案得W解决的：一种基于服务组合 骨干网加权k核分析的服务推荐方法，该方法包括W下步骤：
[0010](1)根据服务组合数据构建服务隶属网SAN= (Nw成，DuJ。其中，N。历复合服务 节点的集合；化是原子服务节点的集合，表示复合服务所使用的所有原子服务的集合；DUW ={ {csi，S,}}(CSiGNWS,GNJ是无向边的集合，表示复合服务对原子服务的使用关系。 SAN的关联矩阵4描述了复合服务节点和原子服务节点间的连接关系，其元素：
[0011]
[001引其中，4是一个阳」XInJ的二值矩阵。阳」表示复合服务的数量，InJ表示原 子服务的数量。若(61,=I，则第i个复合服务节点和第j个原子服务节点间有边相连，否 则不存在边。
[001引 似基于步骤（1)完成的SAN构建服务组合网SECON=化，D。）。其中，成为原子服 务节点的集合；D。是一个无向边的集合，表示原子服务间的共现关系，即若两个原子服务共 同作为某个复合服务的构成部分，则代表运两个原子服务的节点间存在一条无向边；SECON 的关联矩阵(65描述了原子服务节点间的连接关系及其强度。4S可由4得到，其元素：
[0014] 的=f郝兄細'V 审 ,
[001引其中，轉表示原子服务i和j共同参与构成的复合服务的数量，的康示原子服 务i参与构成的复合服务的数量。因此，若的>0则原子服务i和j之间存在共现关系 ({si，s,}GDc),否贝怀存在共现关系佔，'vjg",)。
[001引 做基于步骤似完成的沈CON构建服务组合骨干网SCBN=化，Db)。其中，SCBN的节点集和SECON的节点集相同，所述边集化在D。基础上做了部分修改。
[0017] (4)基于步骤（3)完成的SCBN计算节点的加权核数值。
[001引 巧）根据步骤（4)求得的节点的加权核数值对SCBN网络中的所有节点相应的服务 进行降序排序。
[0019] (6)对步骤巧）中具有相同加权核数值的节点对应的服务进行基于服务流行度的 ^次降序排序。
[0020] (7)对步骤化）中具有相同加权核数值及相同流行度的节点对应的服务任选一种 可能的排序。
[0021] (8)基于步骤巧）、步骤（6)和步骤（7)得到的排序结果，在为服务i进行推荐时， 从SCBN中与服务i相连的服务集中，选择加权核数值排名最靠前的num个服务进行推荐 (num为待推荐的服务个数）。
[0022] 上述步骤（3)中的SCBN构建具体包括W下子步骤：
[0023](3. 1)求步骤（2)所得SECON中所有节点的节点权。节点i的节点权Si定义为与 该节点相连的所有边的权重和，即：
[0024] &=完妇3，'.，
[002引其中，Vi是节点i的邻居节点集合，WU是节点i和节点j(jGVi)间边（i,如的 权值。
[002引 （3.。求步骤似所得沈CON中所有边的归一化边权。边权Wi湘对于S1的归一 化边权Pi.j定义为Pi.j=Wi.j/Si。
[0027] (3. 3)构建一个与沈CON同节点集但是没有边的网络。
[002引 （3. 4)取沈CON中的节点i，遍历沈CON中节点i的每一条边，将满足y-A, )''、><a 的边（i，如保留下来。其中，ki是节点i的度，a是给定的一个过滤值。若节点i不存在 运样的边，则保留边权最大一条边。若存在多条运样的边，任选一条边保留。将保留下来的 边添加到步骤化3)构建的网络中，同时加入边集化。
[0029] (3. 5)重复步骤（3. 4)，直到遍历完沈CON的所有节点。
[0030] 上述步骤（4)求节点的加权k核值具体包括W下子步骤：
[00如 （4. 1)计算节点的加权度wDeg(i)。wDeg(i)计算公式为：
[003引其中，wDega)是节点的加权度，Dega)是节点的度，I%是与节点i相连的边 户'' 的边权和。Deg(i)是对节点代表的服务的流行性的度量/If是对组合可能性的度量。
[0034] (4. 2)求网络的加权k核化=1，2, 3,…）：反复去掉网络中加权度值小于k的节 点及其连边，得到的子图即为网络的加权k核。
[003引 （4.扣求节点的加权核数值：比较k核和化+1)核中的节点，若节点存在于加权k 核中，但是在加权化+1)核中被删除，便可得到该节点的加权核数值为k。
[0036] 上述步骤（6)所述的对具有相同加权核数值的节点对应的服务进行基于服务流 行度的二次降序排序采用节点度Deg(i)来度量服务i的流行度。
[0037] 上述步骤（8)具体包括W下子步骤：
[003引（8. 1)基于步骤（3)得到的SCBN，得到在SCBN中与服务i有边相连的所有服务构 成的集合。
[003引（8.。基于步骤化1)得到的服务集和步骤巧）、步骤（6)和步骤（7)得到的排序 结果，在服务集中选择加权核值排名最靠前的num个服务进行推荐（num为待推荐的服务个 数）。
[0040] 与现有技术相比，本发明具有W下优点和积极效果：
[0041] (1)本发明仅依赖复合服务和原子服务的宏观使用信息，运些信息极易获得，在一 定程度上克服了现有方法所依赖数据少及不易获取的问题，在一定程度上提高了方法的适 应性。
[0042] (2)本发明从服务的历史组合信息出发，通过网络模型抽象，并使用加权k核从服 务的流行性及可组合性两个方面来综合评价服务的优先级，使得推荐的服务更加准确。
【附图说明】
[0043] 图1本发明的服务组合数据；
[0044] 图2本发明的实施例构建的SAN;
[0045] 图3本发明的实施例构建的SAN相应的关联矩阵；
[0046] 图4本发明的实施例构建的沈CON;
[0047] 图5本发明的实施例构建的SECON相应的关联矩阵；
[004引图6本发明的实施例构建的SECON对应的无边网络；
[0049] 图7本发明的实施例构建的SECON对应的无边网络加入一条边后的图；
[0050] 图8本发明的实施例构建的SCBN;
[0051] 图9本发明的实施例构建的SCBN相应的加权2核图。
【具体实施方式】
[0052] 下面通过实施例并结合附图对本发明的技术方案作进一步的说明：
[0053] 本发明提出的一种基于服务组合骨干网加权k核分析的服务推荐方法，具体步骤 如下：
[0054](1)根据服务组合数据构建服务隶属网SAN=(Nw成，DuJ。图1所示的是服务的 组合数据。其中，Mashup是复合服务，API是构成相应Mashup的原子服务。按照图1所给 的数据，可W构建相应的SAN(如图2所示）。其中，N。,={FacebookRriendPlotter,Blog onMap,BiodiversityI'axonomic化talogue}为复合服务节点的集合；Ns={GoogleAjax Search,Facebook,GoogleMaps,Flickr,GlobalBiodiversityInformationFacility} 表示复合服务所使用的所有原子服务的集合；Duw={(FacebookRriendPlotter,Google AjaxSearch),(FacebookFriendPlotter,