[发明专利]一种基于去中心化矩阵分解的服务质量预测方法

说明书

本发明公开了一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：（1）建立用户邻接图，（2）确定交互的范围，（3）确定交互的信息，（4）合成并预测QoS值。通过上述方式，本发明基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。

技术领域

本发明涉及网络服务领域，特别是涉及一种基于去中心化矩阵分解的服务质量预测方法。

背景技术

随着互联网技术的快速发展，涌现出越来越多的Web服务，互联网用户想要在海量的Web服务中寻找到自己所需要的Web服务越发困难。因此，越来越多的Web服务推荐系统孕育而生，并受到了广泛的关注和研究。

为了实现个性化Web服务推荐，Web服务推荐系统需要收集用户对服务质量QoS（Quality of Service）的评估情况。QoS广泛用于描述Web服务的非功能特征，比如：响应时间、吞吐量、价格、可靠性等。因此，基于QoS的服务推荐系统已经在现实社会中得到了广泛的应用。这些研究中常见的一种假设就是Web服务的QoS值始终是存在的。

但是，系统获取用户评估每个Web服务的QoS值是不切实际的，一方面，由Web服务提供商或者第三方社区公布的QoS值对于用户而言是不准确的，因为实际的QoS值容易受到不确定的网络环境和用户所在的区域的影响；另一方面，由于时间、成本等其他资源的限制。所以如何获得准确的QoS值是一个主要问题。针对这一问题，提出了各种Web服务QoS预测方法，其中矩阵分解方法是常用的技术之一，它在许多推荐应用中具有较高的准确性和良好的性能。

而现有的矩阵分解Web服务QoS预测方法都是集中式训练的方法，具体而言就是，先构建一个推荐系统的平台，收集所有用户对所有Web服务的QoS值，然后利用这些数据来构建一个矩阵分解模型。这样做存在几个弊端：

（1）浪费存储资源，推荐系统需要收集所有用户的QoS值，所以所有用户对Web服务的QoS值需要集中存储在某个服务器上；

（2）浪费计算资源，在训练矩阵分解模型的时候，需要在服务器上训练，模型的训练速度受限于服务端的机器数量；

（3）不能保护用户的隐私数据，用户对Web服务的QoS值都被服务器获取了，用户的偏好信息也可能会随之泄露给恶意攻击者，存在用户隐私安全隐患问题。

发明内容

本发明主要解决的技术问题是提供一种基于去中心化矩阵分解的服务质量预测方法，通过采用去中心化矩阵分解方法来预测QoS值，一方面，用户的数据保存在自己的个人设备上无需向服务端上传，这样就解决了集中式训练模型造成的存储资源浪费的问题，另一方面，模型的训练也在用户端完成，用户之间通过交互非原始数据信息来完成模型的协同训练，可以解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。

为解决上述技术问题，本发明提供一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：

定义表示用户集合，定义表示Web服务集合，其中共有个用户和个Web服务，表示第i个用户对第j个Web服务的交互信息，其中，并且表示用户对服务评估的QoS值，

定义表示用户潜在特征矩阵，其中每一行表示用户的维潜在特征向量，定义表示服务潜在特征张量，定义表示用户的服务潜在特征矩阵，其中表示用户对服务的K维潜在特征向量，

（1）建立用户邻接图：