[发明专利]一种应用在云服务推荐中基于图模型的QoS预测方法

说明书

本发明提供了一种应用在云服务推荐中基于图模型的QoS预测方法。该方法包括：构建包含多源信息的全图模型，该全图模型包括代表用户和服务的节点，以及使用用户之间的相似度、服务之间的相似度和用户与服务之间的相似度作为权重的边；将全图模型切分成若干个子图模型；对全图模型与子图模型分别进行优化的概率矩阵分解算法得到全局和局部预测的QoS；对全局和局部预测的QoS进行自适应融合处理，得到最终预测的QoS。本发明的方法充分考虑多源信息对于QoS的影响，自适应地融合局部与全局的特征，以提高QoS的预测精度。能够准确地预测缺失的QoS值，进而将稀疏矩阵进行填充，提高了矩阵的稠密程度，一定程度上解决了云服务推荐领域QoS稀疏的问题。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种应用在云服务推荐中基于图模型的QoS 预测方法。

背景技术

SOA(Service-Oriented Architecture，面向服务的体系结构)被广泛的运用在分布式计算环境中，尤其在云计算领域，作为SOA的核心部分，服务(services)是一种流行的提供可配置功能的方式。在这种情况下，出现了很多功能相近但是QoS(Quality ofService，服务质量)不同的冗余服务。面对这些海量的服务，用户在如何选择合适的云服务上遇到很大问题。云服务推荐系统的出现正是为了解决云服务数量众多，信息过载使用户无法快速选择合适服务的问题。在功能相同的情况下，如何为用户提供恰当服务的关键是QoS。QoS是一组用来描述云服务非功能性的属性，包括响应时间、吞吐量、信誉度、服务调用的失败率、稳定性等。在不同的Web服务中，QoS值可能相差很大，这是由于网络环境条件的变化以及使用服务的用户所处的不同的网络环境造成的。由于服务数量众多而且调用费用昂贵，个人用户获得的QoS是极度稀疏的，直接根据QoS来进行云服务推荐是不可行的。因此，一种基于非功能性的云服务推荐系统的核心可以看作是对QoS的预测，根据预测缺失的QoS给用户推荐合适的服务。

目前，有很多学者致力于研究QoS的预测。最初，学者采用静态方法对QoS进行预测。静态方法使用算术平均值进行预测，计算包括分别来自全局的用户和服务的平均QoS值。这些方法简单易行，无需考虑用户和服务的情境感知因素，但是这些静态方法无法反映QoS的动态特性，得到的结果往往不准确。

受到传统的推荐系统的启发，很多学者将推荐系统中的协同过滤算法(Collaborative Filtering,CF)运用到云服务推荐上面。CF算法利用用户调用服务的历史记录，通过这些记录发现用户之间体验的相似度或者服务之间的相似度，利用相似度对QoS进行预测。CF算法分为基于内存和基于模型这两类。有学者提出使用基于用户的协同过滤与基于服务的协同过滤进行QoS预测，将基于内存的预测方法运用在web services服务推荐领域；然而这些只是在QoS上进行研究，并没有考虑用户与服务的上下文信息，因此预测的结果有一定的局限性；紧接着又有学者开始考虑使用地理位信息对服务与用户进行聚类，聚类之后使用混合矩阵融合的方式进行QoS预测，在一定程度上提高了QoS预测的准确性。尽管上述研究对于QoS预测模型进行了一些改进，而且添加了很多上下文信息；但是没有考虑在保持用户与服务原始联系的基础上，如何有效地整合这些多源信息。同时在处理局部信息与全局信息时往往采用一种线性调参的方式进行融合，这种方法在确定合适的参数上往往会花费比较多的精力，而且并不具有鲁棒性。同样的，他们在解决冷启动问题上考虑的也不是很充分，通常选择忽视这些个问题。

如图1为四个用户调用五个服务的例子：先前的研究都是提取单方面的特征对用户和服务进行聚类操作，从而将四个用户分成了两类，将五个服务分成了两堆，群体内部的用户和服务表示的是和他们紧密相关的邻居。但是，这样的做法往往忽略了用户调用服务产生的调用记录，而这条调用记录是用户与服务间最重要的联系(如图1中的虚线所示)。

因此，在预测QoS的过程中如何考虑保持用户与服务紧密联系的前提下，深入挖掘这些多源信息之间的联系，充分利用联系提高QoS预测的准确性成了亟待解决的问题。

发明内容