[发明专利]一种基于用户协同正则化的个性化Web服务组合方法

说明书

技术领域

本发明属于计算机服务技术领域，具体涉及一种基于用户协同正则化的个性化Web服务组合方法。

背景技术

近年来，Web服务技术在蓬勃发展，作为一种随时可被用户访问的互联网资源，Web服务广泛地部署在互联网企业中并满足用户需求。随着互联网朝着云计算的目标不断演进，Web服务的发展呈现出以下四点趋势：(1)服务数量快速增长，互联网上存在数以万计的各类服务；(2)服务描述语义化，语义信息为服务的功能描述提供了统一规范；(3)服务的QoS(QualityofService)受到关注，QoS成为用户在使用服务时考虑的重要指标；(4)云计算环境下服务执行环境更为复杂多变，原本可用的服务在某些特定环境下可能变得无法使用，因而带有更多执行方案的组合服务将显得更加可靠。在此背景之下，如何快速地从海量服务中得到尽可能多的既能满足用户需求又具有最优QoS的组合服务将是云计算趋势下Web服务的研究重点。

目前，用户服务选择研究均包含一个公共前提：即用户必须首先知道所有服务的QoS信息，然后再制定策略进行选择。然而在真实情况下，这种数据前提要求很难得到满足，原因如下：(1)绝大部分服务资源都是由商业公司提供，获取服务的QoS信息只能通过用户调用方式进行，然而这要花费用户大量的金钱和时间成本。(2)当代互联网拓扑结构复杂，用户通过调用方式获得的QoS信息包含了大量的噪声，以致于研究者需要花费大量的精力清洗数据。因此，在真实的应用场景下，大量充足的QoS资源是无法通过调用服务的方式获得的。QoS信息的缺失，直接导致企业只能提供服务子集让用户进行选择，无法很好地满足用户需求。

提高用户服务选择满意度的高效方法，是使用数学模型解决QoS稀缺性问题。近年来，研究者都在思考如何通过使用机器学习方法对缺失的QoS数据资源进行预测。目前大部分工作中，对未知的QoS信息进行预测主要使用基于PearsonCorrelationCoefficient(PCC)方法来计算客户端用户之间或者Web服务之间的相似度。然而，这种计算方法存在以下两点不足：(1)PCC方法需要对历史记录中的QoS作统计学习，严重依赖于数据的准确性和完备性。然而由于当代互联网环境的复杂性，QoS记录并不一定都是准确的，致使PCC方法在服务计算场景下相似性计算准确率下降。(2)传统的PCC方法广泛地应用在推荐系统领域。然而，推荐系统和服务计算的应用场景存在着本质的区别，在QoS历史记录中，每一项都是由用户的实际使用网络环境决定的，这种数据客观性的特点直接降低了PCC相似度计算的精度。

此外，目前主流的Web服务自动组合技术存在用户满意度低等问题，究其原因是因为核心的QoS预测模块运行时受到数据噪音干扰，致使无法高效组合候选服务列表。如何从极其稀疏的历史数据中学习到规律并预测Web服务的全体QoS信息，是当前服务自动组合中的关键难题。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于用户协同正则化的个性化Web服务组合方法，其通过融合用户历史数据的矩阵分解算法可以高效地预测服务的QoS信息，并支持满足用户的个性化服务组合需求。

一种基于用户协同正则化的个性化Web服务组合方法，包括如下步骤：

(1)收集所有用户提供的服务调用数据，所述的服务调用数据包括用户对其调用过的所有Web服务的QoS数据；进而根据所述的QoS数据建立用户与Web服务之间的QoS元矩阵S；

(2)根据所述的QoS元矩阵S确定出每个用户的邻域用户集合；

(3)根据所述的QoS元矩阵S以及每个用户的邻域用户集合，通过SVD方法建立以下目标函数J，并对该目标函数J进行最小化求解，以求得关于用户的隐式特征矩阵U和关于Web服务的隐式特征矩阵V；进而根据R＝U^TV重建用户与Web服务之间的QoS预测矩阵R；