基于用户-服务特征的网络服务协同过滤方法
【专利摘要】基于用户-服务特征的网络服务协同过滤方法，首先随机选取一用户作为积极用户，计算出用户-服务距离矩阵；然后，找出与该积极用户最为相似的k个用户，找出与该服务最为相似的k个服务；最后根据这k个最相似用户和k个最相似服务计算出最终的QoS推荐值。本发明将用户间的相似度、用户-服务距离相似度、用户-服务响应时间分别在三个维度上进行计算，这样避免了将它们一起线性回归计算概念含混不清，计算精度低等缺陷。对比于UMEAN、IMEAN算法，本发明在分类精度上明显优于其他2个对比算法，平均预测精度提高约20%。
【专利说明】基于用户-服务特征的网络服务协同过滤方法
【技术领域】
[0001]本发明属于数据挖掘方法【技术领域】，涉及一种基于用户-服务特征的网络服务协同过滤方法。
【背景技术】
[0002]协同过滤是信息过滤的主要技术，也是推荐系统中最为成功的技术，对于它的研究开始于20世纪90年代，促进了整个推荐系统研究的繁荣。协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统中。
[0003]协同过滤的基本思想是:获取与当前用户Ccot相似(比如兴趣和爱好相似)的其他用户Cp计算对象S对于用户的效用值U (Cj, s)，利用效用值对所有S进行排序或者加权等操作，找到最适合CU!.的对象s*.其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到推荐系统中来，即基于其他用户对某一内容的评价向目标用户进行推荐。基于协同过滤的推荐系统可以说是从用户的角度进行推荐的，并且是自动的，也就是说，用户所获得的推荐是系统从用户购买会浏览等行为中隐式获得的，不需要用户主动去查找适合自己兴趣的推荐信息，如填写一些调查表格等。其另外一个优点是对推荐对象没有特殊的要求(而基于内容的推荐需要对推荐对象进行特征分析)，能够处理非结构化的复杂对象，如音乐、电影等。同时，研究用户之间的关系需要大量的用户访问行 为的历史数据，与社会网络研究有交叉点，有丰富的研究基础和广阔的前景。对协同过滤最早的研究有Grundy system,后来的研究成果包括Tapestrysystem, GroupLens, Ringo, PHOAKS system, Jester system 等。网络服务中 QoS 的主要性能参数包括可用性，响应时间，可靠性，吞吐率等等。这些QoS值都和用户-服务双方的地址及距离密切相关，而这些都没有全面和合理地考虑在现有的协同过滤推荐算法中。首先研究基于协同过滤技术进行QoS预测的是Shao。他们提出了一种基于用户的协同过滤方法预测QoS值。Zheng等人提出了 WSRec算法，这是一种融合了基于用户和基于服务的协同过滤方法来推荐网络服务，并且基于真实网络服务数据集进行了大规模的实验。在他们的算法中还提出了一种强化的皮尔森相关系数，它解决了 PCC因为调用极少的相同服务而经常高估用户调用的服务的相似度的问题。上述的两种方法都是只根据用户调用服务之间的相似度来进行推荐，而没有考虑QoS值中的各种参数问题，因此，其精度较低。
【发明内容】
[0004]本发明的目的是提供一种基于用户-服务特征的网络服务协同过滤方法-USCFA(An user-service based web service collaborative filtering algorithm),解决现有技术存在的大规模网络服务的QoS值预测精度较低的问题。
[0005]本发明的技术方案是，基于用户-服务特征的网络服务协同过滤方法，首先随机选取一用户作为积极用户，计算出用户-服务距离矩阵；然后，找出与该积极用户最为相似的k个用户，找出与该服务最为相似的k个服务；最后根据这k个最相似用户和k个最相似服务计算出最终的QoS推荐值。
[0006]本发明的特点还在于:
[0007]找出与该积极用户最为相似的k个用户的方法如下:
[0008]步骤一:对于指定的积极用户U，计算Simju，!!')，并记为，值域是[0，I]；
[0009]步骤二:对于指定的积极用户U，针对目标服务，计算SimD(u，u')，并记为又2，值域是[O, I]；
[0010]步骤三:对于指定的积极用户U，针对目标服务，计算SimKT(U，U')，并记为S值域是[-1，I];
[0011]步骤四:计算基于用户的最终相似度su，它的计算公式如下:
[0012]
【权利要求】
1.基于用户-服务特征的网络服务协同过滤方法，其特征在于，首先随机选取一用户作为积极用户，计算出用户-服务距离矩阵；然后，找出与该积极用户最为相似的k个用户，找出与该服务最为相似的k个服务；最后根据这k个最相似用户和k个最相似服务计算出最终的QoS推荐值。
2.如权利要求1所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，找出与该积极用户最为相似的k个用户的方法如下: 步骤一:对于指定的积极用户U，计算Sin^(u，u')，并记为Sui，值域是[0，I]； 步骤二:对于指定的积极用户U，针对目标服务，计算SimD(u，u')，并记力&，值域是[O, I]； 步骤三:对于指定的积极用户U，针对目标服务，计算SimKT(u，u')，并记为，值域是[-1，I]; 步骤四:计算基于用户的最终相似度Su，它的计算公式如下:
3.如权利要求1所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，找出与该服务最为相似的k个服务的方法如下: 步骤一:对于指定的目标服务s，计算Sin^(s，s')，并记为Sil，值域是[0，I]； 步骤二:对于指定的目标服务S，针对调用过它的积极用户U，计算SimD (s，s')，并记为Si2，值域是[O, I]； 步骤三:对于指定的目标服务S，针对调用过它的积极用户U，计算SimKT(s，s')，并记为Si3，值域是[-1, I]； 步骤四:计算基于服务的最终相似度Ss，它的计算公式如下: Ss = β ! * Sil+ β 2.Si2+ β 3 * Si3(2) 这里，β !> β 2> β 3为三个分量的组合参数，本发明中Ct:=β P α 2=β 2，α 3=β 3,在后文中用S1统一表不a i和β i,用S2统一表不α 2和β 2,用S3统一表不α 3和P35Sil是基于服务的相似度分量，Si2是基于目标服务到测试用户的距离的相似度分量，Si3是基于目标服务到测试用户产生的响应时间的相似度分量，值域为[_1，1]; 步骤五:根据上述的基于服务的相似度值，找出k个最大值的服务，作为与目标服务s最为相似的服务s’，再通过这些服务的QoS值计算出目标服务的QoS预测值，记为rs (u, s)。
4.如权利要求3所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，基于用户的相似度计算 .1.积极用户u与其他用户u’基于用户地址的相似度:
5.如权利要求3所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，基于服务的相似度计算的计算方法如下: .1.目标服务s与其他服务s’基于服务地址的相似度
6.如权利要求1所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，最后的QoS预测值的计算方法如下: (1)基于用户的QoS值预测
7.如权利要求1所述的基于用户-服务特征的网络服务协同过滤方法，其特征在于，对ru(u，s)和1^(1!，8)线性回归计算，得到最终的推荐结果r(u，s)即最终的QoS值预测结果为 r(u，s) = λ ru(u, s) + (l-X ) ^rs(U1S)(11) 其中λ的范围是0.1到0.5，步进值为0.1。
【文档编号】G06F17/30GK103793505SQ201410038613
【公开日】2014年5月14日 申请日期:2014年1月27日 优先权日:2014年1月27日
【发明者】周红芳, 何馨依, 段文聪, 王心怡, 郭杰, 张国荣 申请人:西安理工大学