[发明专利]一种混合概率分布检测的QoS预测模型的构建方法

说明书

本发明提供一种混合概率分布检测的QoS预测模型的构建方法，包括获取原始QoS数据，构建离散化表示QoS数据概率分布的数学模型；基于传统的MF方法构建用户对服务的第一QoS预测模型；基于改进的CF方法构建用户对服务的第二QoS预测模型；其中，用户对服务的第二QoS预测模型包括采用传统方法、MF分解后的低维度用户潜因子矩阵以及KL散度各自构建的用户相似度计算模型；根据QoS数据概率分布的数学模型，确定预测结果概率置信度计算公式后计算出第一及第二QoS预测模型的概率置信度并结合各自QoS预测模型，得到最终QoS预测模型。实施本发明，基于现有的QoS预测方法基础上综合考虑原始数据的分布情况，自适应地融合多种现有预测模型的优势以提高服务的预测精度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种混合概率分布检测的QoS预测模型的构建方法。

背景技术

SOA(Service-Oriented Architecture，面向服务的体系架构)作为一种新型的分布式计算模型已经在电子商务，应用集成等领域扮演越来越重要的角色。工业界中IBM、Oracle、微软等巨头纷纷发布自己的SOA战略，建议用户在进行企业IT建设时考虑S0A，学术界也成立多个服务计算技术委员会重点关注SOA研究。

SOA的核心思想是强调以服务为基本单位，发现并组合符合用户需求的一系列服务。然而随着SOA和Web服务的迅速发展，在网络上具有功能相似但非功能属性各异的Web服务数量急剧增加，因此基于web服务的推荐机制成为目前学术界和工业界共同关注的重大问题。

当前web服务推荐机制主要考虑两个方面，一个是服务功能，另一个是QoS(Quality of Service，服务质量)，比如服务的响应时间，数据吞吐量等。

目前，基于服务质量的推荐面临数据稀疏和“冷启动”的问题。由于预测模型的单一性，数据随机性，环境复杂等因素引起的不确定性问题导致web服务推荐算法精度不够高。因此，开发出一种有效地针对服务数据稀疏的问题并提高服务预测精度的推荐算法，成为目前学术界和工业界的研究和讨论的问题。

在现有技术中，基于相似度计算的协同过滤(CF，Collaborative filtering)方法和基于矩阵分解(MF，Matrix Factorization)的预测方法是目前解决稀疏数据中服务QoS预测问题的主要手段，有各自的特点和优势。

但是，上述两种方法的使用具有单一性，且构建的预测模型的预测能力都十分有限；另外，上述两种方法都没有考虑原始数据的分布情况对预测结果的影响，也导致了预测精度不够准确。

发明内容

本发明实施例所要解决的技术问题在于，提供一种混合概率分布检测的QoS预测模型的构建方法，基于现有的QoS预测方法基础上综合考虑原始数据的分布情况，自适应地融合多种现有预测模型的优势以提高服务的预测精度。

为了解决上述技术问题，本发明实施例提供了一种混合概率分布检测的QoS预测模型的构建方法，所述方法包括以下步骤：

步骤S1、获取原始QoS数据，并构建出离散化方式表示QoS数据概率分布的数学模型；

步骤S2、将所获取到的原始QoS数据基于传统的矩阵分解MF方法，构建出用户对服务的第一QoS预测模型；

步骤S3、将所获取到的原始QoS数据基于改进的相似度计算的协同过滤CF方法，构建出用户对服务的第二QoS预测模型；其中，所述用户对服务的第二QoS预测模型由多个用户相似度计算模型决定；所述多个用户相似度计算模型包括采用传统方法构建的用户相似度第一计算模型、采用MF分解后的低维度的用户潜因子矩阵构建的用户相似度第二计算模型以及采用KL散度构建的基于概率分布的用户相似度第三计算模型；