[发明专利]基于关联规则的Web服务推荐方法

权利要求书

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n个原子服务编号为n)；

(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＝n,n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]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；

(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-1，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n(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，推荐排名越靠前；

(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)：

Support(A->B)=ΣX∈Dfs(|X|,|A∪B|)IxID]]>

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。I_D代表数据集所有复合服务的数量。

Ix=1(A∪B⋐X)0(A∪B∉X)]]>

修正函数f_s代表该AB元素在当前组合中所占的比例，函数如下：

fs=|A∪B||X|]]>

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。