[发明专利]一种基于群分类的协同过滤Web服务推荐方法及系统

说明书

本发明公开了一种基于群分类的协同过滤Web服务推荐方法，包括如下步骤：利用已有的技术对用户群及Web服务群进行分类；将N×M用户‑Web服务矩阵转换成N×CluM用户‑Web服务类矩阵；利用N×CluM用户‑Web服务类矩阵计算用户与活动用户之间的类似度，再根据计算结果寻找类似用户，并且根据类似用户记录的目标Web服务QoS属性值预测活动用户调用目标Web服务可能的QoS属性值；还公开了其推荐系统，包括：用户输入处理模块、寻找类似用户模块、推荐模块、预测模块、转换模块、用户‑Web服务库、用户‑Web服务类库、用户类库、UDDI注册中心及Web服务类库。本发明，具有高可扩展性，能克服数据稀疏性问题，模型更新时间复杂度低。

技术领域

本发明涉及计算机应用技术领域，具体是一种基于群分类的协同过滤Web服务推荐方法及系统。

背景技术

随着Web服务以及互联网技术的迅猛发展，越来越多具有相同或相似功能的Web服务出现在网络中。这种现象一方面给了用户更多的选择，另一方面用户不得不花费大量的时间以及精力来寻找真正满足自己需求的Web服务。就算找到了满足用户功能需求的Web服务，但是该Web服务的非功能属性(QoS属性)也不一定满足，即便是Web提供者声明的非功能属性(QoS属性)满足用户需求，该用户感受到的Web服务的QoS属性值很可能与Web服务提供者声明的QoS属性值不同。因此，如何从大量的具有相同或者类似功能的Web服务中选出真正满足用户需求的Web服务变得越来越重要。

协同过滤技术的出现为上述问题提供了一个良好的技术途径。协同过滤技术利用一个N×M用户-Web服务矩阵M_u,s记录用户调用某个Web服务是观察到的QoS属性值。其中N代表该Web服务推荐系统中已经注册的用户数量，M代表该Web服务推荐系统中已经注册的Web服务数量。矩阵中的项表示编号为i的用户调用编号为j的Web服务时所观察到的Web服务的实际QoS属性值，并且将用户i观察到的Web服务j的QoS属性值记录在项中。假如则表示用户i没有调用过Web服务j。协同过滤技术通过找到和用户类似的用户，然后根据类似用户观察到的目标Web服务的QoS属性值来进行预测。协同过滤技术可以分成两大类：基于内存的协同过滤技术和基于模型的协同过滤技术。基于内存的协同过滤技术的特点是容易实现，但是可扩展性差且无法克服数据稀疏性问题。而基于模型的协同过滤技术的特点是具有较好的可扩展性且能处理数据系数性问题，但是该类技术所使用的模型的更新时间复杂度较大。

由于Web服务以及互联网技术的迅猛发展，导致网络中的Web服务数量及用户数量极其膨大，最终导致N×M用户-Web服务矩阵M_u,s变得非常稀疏。例如当Web服务推荐系统中的Web服务数量达到几百万时。如果每个用户平均调用过100个Web服务，则的N×M用户-Web服务矩阵M_u,s的数据密度将小于1％。由于基于内存的协同过滤技术无法克服数据稀疏性问题，导致其无法胜任大型的Web服务推荐平台。现有的基于模型的协同过滤技术，例如基于SVD降维的协同过滤技术，由于模型的更新时间复杂度非常大，导致其也无法胜任大型Web服务推荐平台。这是因为Web服务推荐平台不时有新的用户及新的Web服务加入且不时有用户调用曾经调用过的Web服务导致N×M矩阵M_u,s的值不断被更新，而所有这些行为都将导致基于模型的协同过滤技术中的模型需要被及时更新。如果不及时更新将导致推荐质量下降，这将极大的降低用户的体验。而现有的基于模型的协同过滤技术的模型更新时间复杂度都非常高。例如，基于SVD降维的协同过滤技术中模型的更新时间复杂度为O(f²M+f²N)，其中f是算法中的因子数量，N和M分别表示用户数量及Web服务数量。因此，现有的基于模型的协同过滤技术也无法胜任大型Web服务推荐平台。

发明内容

本发明的目的在于提供一种基于群分类的协同过滤Web服务推荐方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：