[發明專利]一種基于相關性的服務選擇系統及選擇方法

有效

• 申請號: 201210494558.0
• 申請日: 2012-11-28
• 公開（公告）號: CN103034963B
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 王海艷;羅軍舟;李偉;楊文彬
• 申請（專利權）人: 東南大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 柏尚春

1.一種基于相關性的服務選擇系統，其特征在于：包括發布模塊、檢索模塊、評價模塊、數據庫模塊以及選擇模塊，檢索模塊提供檢索端口供用戶訪問，數據庫中包含所有相關的原子服務資源及對這些原子服務資源的評價數據，評價模塊提供評價機制以便用戶對已接受或已使用的服務進行評價，評價數據送入數據庫進行保存，選擇模塊根據用戶檢索的關鍵字提供與之相近的服務資源供用戶參考，發布模塊提供接口供服務提供商發布服務信息，當信息接受完畢，發布模塊將服務信息存儲在數據庫中；所述選擇模塊，選擇模塊的工作即是參考可信聯盟中用戶的服務交互歷史，包括各個服務的發現、選擇及聚合過程，分析考慮不同服務之間所存在的相關性，根據這種潛在的相關性為服務使用者提供最能滿足其需求的候選服務，最終完成服務選擇；所述可信聯盟通過以下方式構建：引入用戶間的信任關系，通過計算用戶信任度來考慮信息的真實可信度，最后綜合相似度和信任度二者進行用戶分配，確定目標用戶的相似鄰居用戶；

通常一個服務推薦系統是由M個用戶{U₁,U₂,…U_M}以及N個候選服務{S₁,S₂,…S_N}組成，通過用戶的用戶日志可以提取出其服務評價信息，即用戶與各個服務之間的關系可以用一個M×N的矩陣來表示，其中第i行s列的元素R_i,s表示的是用戶i對服務s某項QoS屬性值的評價值，通常評分越高代表用戶對此服務的質量越滿意，若用戶i從沒有調用過服務s，那么R_i,s則為0；用戶i和j共同評分過的服務集合為s_i,j，用戶i與j的相似度Sim(i,j)可按公式1進行計算：

Sim(i,j)=Σs∈si,jμ1reputations2+ω1frequencys2(Ri,s-Ri‾)×(Rj,s-Rj‾)Σs∈si,j(Ri,s-Ri‾)2Σs∈si,j(Rj,s-Rj‾)2---(1)]]>

其中和分別表示用戶i和j對s_i,j中所有服務的評分的均值；參數μ與ω是服務的兩個屬性特征的影響因子，取值范圍是[0,1]；由于服務所處的應用環境不同會導致兩個屬性特征對計算結果產生影響的比重也發生相應的變化，因此，可變的參數μ與ω使得該相似度計算方法能更好地適用于不同的應用環境；

接下來考慮用戶行為的可信性：一種有效獲取推薦行為的直接信任度的渠道是通過用戶間信息交互后彼此互相評價對方的信譽來建立的；使用Beta信任模型來計算兩個用戶之間推薦行為的直接信任度RDT(i,j)；若用戶j和i都與服務s交互過，R_i,s表示用戶i對服務s的評分，R_j,s表示用戶j對服務s的評分，將j作為i的一個單獨的鄰居對i進行推薦，并將j對服務的評分值與i對服務的真實評分值相比較，若它們之間的誤差絕對值小于某一固定值ε，則認為j對i的推薦是正確的，反之則認為推薦是錯誤的；在兩者共同評分過的服務集合s_i,j中，用戶j為用戶i正確推薦的總次數記為pi,j，錯誤推薦的總次數記為ni,j；Beta概率密度函數適用于描述包含二進制事件的后驗概率，這里x事件指的是用戶j為i做出正確的服務推薦，計算推薦行為的直接信任度的公式如下所示：

RDT(i,j)=Γ(pi,j+ni,j+2)Γ(pi,j+1)Γ(ni,j+1)xpi,j(1-x)ni,j---(2)]]>

其中Γ為gamma函數，0<x<1；

計算推薦行為的間接信任時，設集合D為目標用戶i的信任用戶群，由集合D內的信任用戶對推薦用戶j進行信任評估，并結合各自的信任權重作為評估依據；RIDT(i,j)表示用戶i對j的推薦行為的間接信任度，計算公式如下所示：

RIDT(i,j)=ΣDwiRDT(j,Di)ΣDwi---(3)]]>

式中，w_i為目標用戶信任集合D內的用戶D_i向用戶i推薦用戶j的信任權重，其值為兩個用戶推薦行為的直接信任度，由公式2計算所得；RDT(j,D_i)為用戶D_i與用戶j之間的直接信任度；

得到推薦行為的直接信任度和間接信任度之后，用戶推薦行為的信任度可由公式4計算得出：

RT(i,j)＝αRDT(i,j)+βRIDT(i,j) (4)

式中，RDT(i,j)表示推薦行為的直接信任度，RIDT(i,j)表示推薦行為的間接信任度，α、β分別表示其權重，取值范圍為[0,1]，且α+β＝1；RT(i,j)值越大，說明用戶j對目標用戶i的推薦越值得信賴；

綜合目標用戶與候選鄰居的相似度及信任度時，綜合權重計算公式如下：

weight(i,j)=2sim(i,j)·RT(i,j)sim(i,j)+RT(i,j)---(5)]]>

進行用戶分配時，由于實際的網絡環境中用戶比較多，之間的聯系也相對較緊密，我們采取傳統的top-k方法，根據綜合權重值選取前k個用戶形成可信聯盟；

選擇模塊的工作即是參考可信聯盟中用戶的服務交互歷史，包括各個服務的發現、選擇及聚合過程，分析考慮不同服務之間所存在的相關性，根據這種潛在的相關性為服務使用者提供最能滿足其需求的候選服務，最終完成服務選擇，具體選擇方法表述如下：

將用戶-服務調用率作為形成s_c的參考因子；當可信聯盟中某一用戶k選擇服務j時，我們記錄下本次調用，服務j被調用的總次數記為number(s_j,u_k)，一段時間后我們按公式6計算出服務的調用率，將其記為freq(s_j,u_k)，然后對可信聯盟中用戶-服務調用率進行排序，選出數值最高的m個子服務作為常用服務集中的元素；

freq(sj,uk)=number(sj,uk)Σj=1mnumber(sj,uk)if number(sj,uk)≠00if number(sj,uk)=0---(6)]]>

常用服務集s_c表示的是在一定時間段內，根據可信聯盟中所有用戶的服務聚合歷史，選出的用戶最常用來進行服務聚合的子服務集合，將其表示為s_c＝{s_c1,s_c2,...s_cm}，其中每個服務相比其他服務都能更好的滿足用戶的需求；用戶進行服務選擇時，服務資源池中滿足用戶需求的候選服務集，表示為c＝{c₁,c₂,...c_m}；

c中某一服務c_i與s_c之間的相關性可以通過評估兩者間存在的聯盟原則來進行計算；存在的聯盟原則越多，c_i與s_c的相關性則越強；另外我們將c_i與資源池中的所有服務集合的相關性也作為另外一個重要的參考因素，c_i與所有服務集合間存在的聯盟原則越多，c_i與s_c的相關性則越弱；本文用R₁和R₂分別來表示這兩種相關性，將服務間相關性定義為R＝R₁*R₂，聯系資源池中所有服務的聚合歷史計算出候選服務集c中每一個服務與常用服務集s_c中服務的support和confidence值；排除不滿足門限confidence(s_c→c)＞δ，support(s_c→c)＞γ的候選服務，其中δ和γ的值根據具體的模型和環境而改變；在所有滿足門限值的候選服務中根據公式7計算出c_i與s_c中服務的相關性R₁

R1=Σj=1,scj∈Scmconfidence(scj→ci)---(7)]]>

再根據公式8計算c_i與所有服務的相關性R₂，其中t是服務資源池中存在的所有聯盟原則AR的個數，num(c_i,AR)表示的是包含c_i參與的聯盟原則AR的個數；

R2=logt+1num(ci,AR)+0.5---(8)]]>

接著計算服務間的相關性R，返回值最高的候選服務，用戶選擇其作為最優服務；

至此便成功地使用聯盟原則在候選服務集c中選出了最能滿足用戶需求的服務。