[发明专利]基于用户上下文数据的Web服务信誉度度量方法

摘要

一种基于用户上下文数据的Web服务信誉度度量方法，先采集用户访问Web服务时该用户的上下文数据，并利用归一化方式对该用户以向量表示的上下文数据进行预处理，再利用k-means方法对该用户的预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据；然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反馈等级的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户上下文数据类别对应的服务信誉度。

主权项

一种基于用户上下文数据的Web服务信誉度度量方法，其特征在于：首先采集用户访问Web服务时的该用户的上下文数据，并利用归一化方式对该用户以向量表示的上下文数据进行预处理，再利用k‑means方法对该用户的这些预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据；然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反馈等级造成的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户上下文数据类别对应的服务信誉度；所述方法包括下列操作步骤：步骤1，对采集到的用户访问Web服务时的上下文数据执行预处理：因为对用户上下文数据产生影响的因素有多个，至少包括CPU、内存、屏幕尺寸和网络带宽四个因素，且不同因素的物理涵义、取值范围和计量单位又各不相同，故先选取其中影响大的因素，并对该影响大的各个因素进行归一化处理，再将归一化后的各个因素统一采用向量表示，作为归一化后的用户上下文数据；然后用k‑means方法对归一化后的用户上下文数据进行聚类，以便能够根据用户上下文数据将用户反馈等级归分为不同类别；步骤2，计算不同类别的用户上下文数据对反馈等级的影响：根据聚类后的用户上下文数据及其相应的反馈等级，为每个用户分别计算不同类别用户上下文数据对其反馈等级造成的影响，也就是求解每个用户在访问同一服务时，在不同类别用户上下文数据环境下，将不同类别的用户上下文数据反馈等级转换为统一的参考级别，使得该用户提交的反馈等级之间的差别实现弱化处理；步骤3，根据转换后的统一的用户上下文数据参考级别计算用户相似度及其反馈相似度：根据步骤2得到的参考用户上下文数据类别的反馈等级，采用基于用户的协同过滤方法计算两个用户在其访问过的Web服务上的皮尔逊相关系数PCC(Pearson Correlation Coefficient)，作为该两个用户间的用户相似度；然后选取相似度较高的用户组成集合，再求解各个用户之间的反馈等级相似度；步骤4，根据步骤2和3分别得到的参考类别用户上下文数据的反馈等级和用户的反馈等级相似度，为用户度量参考类别用户上下文数据对应的服务信誉度，最后根据不同类别用户上下文数据与参考类别用户上下文数据之间的反馈等级差值，将信誉度转化到不同类别用户上下文数据对应的情景。