CN102170449A - 一种基于协同过滤的Web服务QoS预测方法 - Google Patents

Abstract

本发明公开了一种基于协同过滤的Web服务QoS预测方法，通过用A-Cosine方法来计算Web服务之间的相似度、利用相似web服务对相似客户端用户的QoS信息来解决数据稀疏问题，使得服务器端对QoS预测的结果更加精确。

Description

一种基于协同过滤的Web服务QoS预测方法

技术领域

本发明属于web服务领域，主要实现一种基于协同过滤的Web服务QoS预测方法。

背景技术

随着网络化应用和“软件作为服务”理念的兴起，互联网环境下软件***的主要形态、运行方式、生产方式和使用方式正发生着巨大的变化。通过服务重用及动态聚合以构建随需应变的松耦合的分布式应用***成为未来网络软件开发的重要趋势。然而，随着服务数量的***性增长，网络上分布着大量功能相同、非功能特性各异的服务，如何在功能相当的服务集中选择质量较优的服务成为一个普遍存在的问题。基于QoS的Web服务选择成为近几年研究的一个热门领域。

目前关于基于QoS的Web服务选择的研究都假设所有web服务针对目标客户端用户的QoS都是已知的，然后通过基于最优化理论或者图论的方法来解决此问题。然而，在真实应用场景中，假设所有Web服务针对目标客户端用户的QoS都是已知是不实际的，理由如下：1)由于不同客户端用户的地理位置或者网络环境等因素的不同，相同Web服务针对不同客户端用户的QoS可能不一样；2)一个客户端用户很难调用过所有的Web服务。因此，在真实的场景中，存在着某些Web服务针对目标客户端用户的QoS是未知的，这些未知的QoS影响了基于QoS的Web服务选择的准确性和完备性。针对未知的QoS进行预测是基于QoS的Web服务选择的准确性和完备性的重要保障。

现有技术中，对未知的QoS进行预测主要有以下几点不足：

1.现有的Web服务QOS预测方法主要采用Pearson Correlation Coefficient(PCC)方法来计算客户端用户之间或者Web服务之间的相似度。通过对真实的Web服务QoS数据的观察，我们发现不同客户端用户的的QoS范围差距明显，即有些客户端用户调用所有Web服务的QoS都比较低，而有一些客户端用户调用任何Web服务的QoS都比较高。如，客户端用户A由于所处的网络网关较多，而且安全性较强，他调用所有Web服务需要的时间都比较长，而客户端用户B由于处在一个快速网络中，调用所有Web服务时间都较短。

2.现有的Web服务QoS预测方法都是使用基于客户端用户或者基于Web服务的QoS预测，也有一些研究都将基于客户端用户和基于Web服务的预测方法结合起来进行预测。然而，由于QoS数据的稀疏性，从相似客户端用户和相似Web服务中获得的信息还不足以提供精确的QoS预测。

发明内容

针对现有技术的不足，本发明提出了一种基于协同过滤的Web服务QoS预测方法，通过用A-Cosine方法来计算Web服务之间的相似度、利用相似web服务对相似客户端用户的QoS信息来解决数据稀疏问题，使得预测的结果更加精确。

为了解决上述技术问题，本发明的技术方案如下：

一种基于协同过滤的Web服务QoS预测方法，包括如下步骤：

1)客户端用户向服务端提出基于QoS的Web服务选择需求；

2)所述服务端根据所述客户端用户的需求及已有客户端用户与所述服务端web服务之间的QoS数据生成特征向量，如果已有客户端用户未调用过所述web服务，则置为空；

3)所述服务器端通过公式1计算所述客户端用户之间的相似度，通过公式2计算所述web服务之间的相似度

$\mathrm{Sim}(u_1,u_2)=\frac{{\mathrm{\Σ}}_{s\∈S}(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}{\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})}^2}\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}^2}}---1$

$S=S_{u_1}\∩S_{u_2}$

$\mathrm{Sim}(s_1,s_2)=\frac{{\mathrm{\Σ}}_{u\∈U}(r_{u,s_1}-\stackrel{\‾}{r_u})(r_{u,s_2}-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_1}-\stackrel{\‾}{r_u})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_2}-\stackrel{\‾}{r_u})}^2}}---2$

$U=U_{s_1}\∩U_{s_2};$

其中

为客户端用户u₁用过的所有Web服务的集合，

为所有调用过Web服务s₁的客户端用户的集合，r_u，s表示客户端用户u调用Web服务s的QoS，

为客户端用户u所调用过的Web服务的QoS的平均值；

4)根据Top-K原则，所述服务器端选择步骤3)中相似的客户端用户以及相似的web服务；

5)所述服务器端通过公式3计算相似客户端用户相似web服务之间QoS的相似度；

Sim(u₁s₁，us)＝Sim(u₁，u)×Sim(s₁，s)    3

6)所述服务器端通过公式4计算基于客户端用户的预测结果，通过公式5计算基于web服务的预测结果，通过公式6计算基于相似客户端用户相似web服务的预测结果，并分别计算各自的预测结果的可信度；

$\mathrm{UPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_u}+\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}S{\mathrm{im}}^{\′}(u_1,u)(r_{u_1,s}-\stackrel{\‾}{r_{u_2}})}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}{\mathrm{Sim}}^{\′}(u_1,u)}---4$

${\mathrm{con}}_u={\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\frac{\mathrm{Sim}(u_1,u)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\mathrm{Sim}(u_1,u)}\×\mathrm{Sim}(u_1,u),$

其中con_u为基于客户端用户的预测结果的可信度，

$\mathrm{SPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_s}+\frac{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}S{\mathrm{im}}^{\′}(s_1,s)(r_{u,s_1}-\stackrel{\‾}{r_{s_1}})}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}{\mathrm{Sim}}^{\′}(s_1,s)}---5$

${\mathrm{con}}_s={\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\frac{\mathrm{Sim}(s_1,s)}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\mathrm{Sim}(s_1,s)}\×\mathrm{Sim}(s_1,s),$

con_s为基于web服务的预测结果的可信度

$\mathrm{USPre}\left(r_{u,s}\right)=\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})P_{u,s}(u_1,s_1)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})},---6$

${\mathrm{con}}_{\mathrm{us}}={\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\frac{\mathrm{Sim}{(u_1{s}_1,\mathrm{us})}^2}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})}$

其中con_us为基于相似客户端用户相似Web服务的预测结果的可信度，P_u，s(u₁，s₁)表示由

对r_u，s出的预测结果，其计算如下：

$P_{u,s}(u_1,s_1)=(r_{u_1,s_1}-\frac{\stackrel{\‾}{r_{u_1}}+\stackrel{\‾}{r_{s_1}}-\stackrel{\‾}{r_u}-\stackrel{\‾}{r_s}}{2});$

7)所述服务器端通过公式7、8、9分别计算所述三种预测结果的权重，并通过公式10得到最终的预测结果

$w_u=\frac{\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},---7$

$w_s=\frac{(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},---8$

$w_{\mathrm{us}}=\frac{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}---9$

Pre(r_u，s)＝w_u×UPre(r_u，s)+w_s×SPre(r_u，s)+w_us×USPre(r_u，s)  10

其中，w_u，w_s，w_us分别是基于客户端用户的预测结果，基于web服务的预测结果和基于相似客户端用户相似web服务的预测结果的权重；

8)所述服务器端根据最终预测结果，对候选web服务进行删选；

9)根据步骤8)筛选得到的候选web服务，根据所述客户端用户的QoS需求，进行web服务选择。

作为可选方案：所述步骤4)和步骤5之间还包括对所述相似客户端用户和所述相似web服务的Qos通过公式11进行Data Smoothing处理；

${r^{\′}}_{u_{\mathrm{\τ}},s}=\stackrel{\‾}{r_{u_{\mathrm{\τ}}}}+\mathrm{\Δ}{r}_{C_u}\left(s\right),---11$

其中

表示聚类C_u中客户端用户对Web服务s的平均QoS偏差，具体计算公式如下：

$\mathrm{\Δ}{r}_{C_u}\left(s\right)=\frac{{\mathrm{\Σ}}_{u^{\′}\∈C_u\left(s\right)}(r_{u^{\′},s}-\stackrel{\‾}{r_{u^{\′}}})}{\left|C_u\left(s\right)\right|},$

其中，C_u(s)表示聚类C_u中所有调用过web服务s的客户端用户的集合。本发明的有益效果在于：通过用A-Cosine方法来计算Web服务之间的相似度，使用

消除了不同客户端用户的不同QoS范围对最终的QoS预测结果的影响；而使用Data Smoothing方法更加提高了预测的准确率；利用相似web服务对相似客户端用户的QoS信息来解决数据稀疏问题，使得预测的结果更加精确。

附图说明

图1为基于协同过滤的Web服务选择架构图；

图2为Web服务QoS预测方法内部流程图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1所示，基于协同过滤的Web服务选择包括以下几个部分：

(1)Request：客户端用户提出基于QoS的Web服务选择需求；

(2)QoS Prediction：服务器端根据客户端用户的需求及收集到的QoS数据，预测各web服务对目标客户端用户的QoS。

(3)Pruning：服务器端根据预测结果，对候选web服务进行删剪，将一些明显被其他服务“支配“的服务从候选队列中除去。

(4)QoS-based Selection：根据Pruning过程筛选得到的候选web服务，根据客户端用户的QoS需求，进行Web服务选择。

上述步骤2)中，服务器端QoS预测结果是最关键的一环，在现有的Web服务QoS预测方法主要采用PCC方法来计算客户端用户之间或者Web服务之间的相似度。但是通过对真实的Web服务QoS数据的观察，发现不同客户端用户的的QoS范围差距明显，为了消除这种QoS范围的差距，在本实例中提出用A-Cosine方法来计算web服务之间的相似度。

首先对预测方法中需要用到的变量和公式进行一些定义；

为客户端用户u₁用过的所有Web服务的集合，为所有调用过Web服务s₁的客户端用户的集合，r_u，s表示客户端用户u调用Web服务s的QoS，

为客户端用户u所调用过的Web服务的QoS的平均值。

客户端用户相似度计算公式：

$\mathrm{Sim}(u_1,u_2)=\frac{{\mathrm{\Σ}}_{s\∈S}(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}{\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})}^2}\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}^2}}---\left(2.1\right)$

其中 $S=S_{u_1}\∩S_{u_2}.$

基于A-Cosine的Web服务相似度计算公式：

$\mathrm{Sim}(s_1,s_2)=\frac{{\mathrm{\Σ}}_{u\∈U}(r_{u,s_1}-\stackrel{\‾}{r_u})(r_{u,s_2}-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_1}-\stackrel{\‾}{r_u})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_2}-\stackrel{\‾}{r_u})}^2}}---\left(2.2\right)$

其中 $U=U_{s_1}\∩U_{s_2}.$

在公式2.2中，我们引入了A-Cosine方法，通过使用

消除了不同客户端用户的不同QoS范围对最终的QoS预测结果的影响。

现有技术中关于Web服务的QoS的预测方法在最终预测的时候，往往将客户端用户未调用过的Web服务的QoS设为Null，虽然这个方法简便易行，但是也使最终的预测值降低，影响了QoS的预测精度。在本发明中提出了一个DataSmoothing的方法，对客户端用户未调用过的Web服务的QoS进行一个插值处理，通过对客户端用户根据相似度进行聚类，从该客户端用户所处的聚类中取对该Web服务的平均QoS值作为该客户端用户对此Web服务的QoS值，从而提高预测的准确率。客户端用户集合U＝{u₁，u₂，...，u_n}，通过K-Means聚类方法根据公式1得到的客户端用户相似度将其聚类，得到K个聚类，其中客户端用户u_t属于聚类C_u。

Data Smoothing：

${r^{\′}}_{u_{\mathrm{\τ}},s}=\stackrel{\‾}{r_{u_{\mathrm{\τ}}}}+\mathrm{\Δ}{r}_{C_u}\left(s\right),---\left(2.3\right)$

其中

表示聚类C_u中客户端用户对Web服务s的平均QoS偏差，具体计算公式如下：

$\mathrm{\Δ}{r}_{C_u}\left(s\right)=\frac{{\mathrm{\Σ}}_{u^{\′}\∈C_u\left(s\right)}(r_{u^{\′},s}-\stackrel{\‾}{r_{u^{\′}}})}{\left|C_u\left(s\right)\right|},$

其中，C_u(s)表示聚类C_u中所有调用过Web服务s的客户端用户的集合。

上述Data Smoothing的优点在于使得更加提高了预测的正确率，但是在一些对正确率要求不是很苛刻的情况下，使用现有技术亦可。

基于客户端用户的QoS预测

$\mathrm{UPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_u}+\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}S{\mathrm{im}}^{\′}(u_1,u)(r_{u_1,s}-\stackrel{\‾}{r_{u_2}})}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}{\mathrm{Sim}}^{\′}(u_1,u)}---(2.4)$

基于Web服务的QoS预测

$\mathrm{SPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_s}+\frac{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}S{\mathrm{im}}^{\′}(s_1,s)(r_{u,s_1}-\stackrel{\‾}{r_{s_1}})}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}{\mathrm{Sim}}^{\′}(s_1,s)}---\left(2.5\right)$

现有的Web服务QoS预测方法都是使用公式2.4和公式2.5中的基于客户端用户或者基于Web服务的QoS预测，也有一些研究都将基于客户端用户和基于Web服务的预测方法结合起来进行预测《Zibin Zheng，ICWS’09》。然而，由于QoS数据的稀疏性，从相似客户端用户和相似Web服务中获得的信息还不足以提供精确的QoS预测。因此，可以利用相似Web服务对相似客户端用户的QoS信息来解决数据稀疏问题(Data Sparsity Problem)。给定u₁为u的相似客户端用户，s₁为Web服务s的相似Web服务，则和r_u，s之间的相似度通过如下公式2.6进行计算。

Sim(u₁s₁，us)＝Sim(u₁，u)×Sim(s₁，s)              (2.6)

基于公式2.7，本实例提出一种基于相似客户端用户相似Web服务的QoS预测方法。

基于相似客户端用户相似Web服务的QoS预测

$\mathrm{USPre}\left(r_{u,s}\right)=\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})P_{u,s}(u_1,s_1)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})},---\left(2.7\right)$

其中

表示由对

做出的预测结果，其计算如下：

$P_{u,s}(u_1,s_1)=(r_{u_1,s_1}-\frac{\stackrel{\‾}{r_{u_1}}+\stackrel{\‾}{r_{s_1}}-\stackrel{\‾}{r_u}-\stackrel{\‾}{r_s}}{2})$

通过将公式2.4，2.5，2.7中的三个预测结果进行结合，得到最终的预测结果。

由于三个预测结果由不同的数据得出，因此其可信程度也不一，可以通过其相似度计算其结果的可信程度。具体公式如下：

预测可信度公式：

${\mathrm{con}}_u={\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\frac{\mathrm{Sim}(u_1,u)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\mathrm{Sim}(u_1,u)}\×\mathrm{Sim}(u_1,u),$

${\mathrm{con}}_s={\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\frac{\mathrm{Sim}(s_1,s)}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\mathrm{Sim}(s_1,s)}\×\mathrm{Sim}(s_1,s),---\left(2.8\right)$

${\mathrm{con}}_{\mathrm{us}}={\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\frac{\mathrm{Sim}{(u_1{s}_1,\mathrm{us})}^2}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})}$

其中，con_u为基于客户端用户的预测结果的可信度，con_s为基于Web服务的预测结果的可信度，con_us为基于相似客户端用户相似Web服务的预测结果的可信度。同时，在本发明中，设计了两个参数δ和θ来调整三种预测结果在最终结果中的权重。

预测结果权重：

$w_u=\frac{\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},$

$w_s=\frac{(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},---\left(2.9\right)$

$w_{\mathrm{us}}=\frac{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}$

其中，w_u，w_s，w_us分别是基于客户端用户的预测结果，基于Web服务的预测结果和基于相似客户端用户相似Web服务的预测结果的权重。最终的预测结果公式如下：

最终预测结果：

Pre(r_u，s)＝w_u×UPre(r_u，s)+w_s×SPre(r_u，s)+w_us×USPre(r_u，s)(2.10)

Web服务QoS预测内部流程如图2所示：

(1)根据已经有的客户端用户与web服务之间的QoS数据，生成特征向量，若客户端用户未调用过此web服务，则置为null；

(2)根据公式2.1，2.2计算客户端用户之间和Web服务之间的相似度；

(3)根据Top-K原则(选择前K个Web服务)，选择相似客户端用户和相似Web服务；

(4)对相似客户端用户和相似Web服务的QoS使用公式2.3进行Data Smoothing处理；

(5)通过公式2.6计算相似客户端用户相似Web服务之间QoS的相似度；

(6)通过公式2.4、2.5、2.7计算基于客户端用户的预测结果，基于Web服务的预测结果和基于相似客户端用户相似Web服务的预测结果；

(7)通过公式2.8、2.9、2.10计算三种预测结果的可信度和权重，并得到最终的预测结果。

测试结果：

为了量化的展现本发明中提出的QoS预测方法和传统预测方法之间的优劣，我们使用NMAE(Normalized Mean Absolute Error)来评估预测的准确度。为了更好地解释NMAE，我们先简单定义一下MAE：

$\mathrm{MAE}=\frac{{\mathrm{\Σ}}_{u,s}|r_{u,s}-{\hat{r}}_{u,s}|}{N}$

其中，r_u，s表示客户端用户u调用Web服务s的缺失QoS预测值，

表示客户端用户u调用Web服务s的真实QoS值，N表示进行预测的缺失QoS总数，MAE即为所有预测结果同各自真实值之间误差的平均值总所周知，不同Web服务各自的QoS值大小会差别非常之大，因此单纯使用MAE并不能够十分客观的反映准确性的问题。为了消除不同Web服务的QoS取值范围之间的差距对量化评估客观性的影响，我们采用了正规化后的NMAE：

$\mathrm{NMAE}=\frac{\mathrm{MAE}}{{\mathrm{\Σ}}_{i,j}\frac{r_{i,j}}{N}}---\left(2.11\right)$

从公式2.11中我们可以看出，越准确的QoS预测结果，所计算生成的NMAE将会越小。

实验使用的数据集中包含了100个客户端用户对150个Web服务的详细调用信息，因此我们使用一个150*100大小的客户端用户-Web服务矩阵来存储。在实验中，这个矩阵被分成了两部分，其中，其中p行被用作训练矩阵，剩下的(150-p)行则作为测试矩阵。同时，为了尽量真实地模拟实际的使用环境，我们假设训练集中的每个客户端用户各自只调用过100个Web服务中的5％，因此，我们随机地将训练矩阵的密度稀疏到5％。此外，我们对测试矩阵也进行了一定程度的稀疏，为每个客户端用户只保留Given个QoS值，即假设每个待预测的客户端用户只调用过Given数量的Web服务，Given的取值分别为5、10、20。同时，我们设置θ＝0.1、δ＝0.05，top-K＝10。

与现在的方法UPCC，IPCC和WSRec相比，本专利中的方法ADF的NMAE值更小，即预测结果更为精确。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围内。

Claims (2)

1.一种基于协同过滤的Web服务QoS预测方法，其特征在于：包括如下步骤：

1)客户端用户向服务端提出基于QoS的Web服务选择需求；

2)所述服务端根据所述客户端用户的需求及已有客户端用户与所述服务端web服务之间的QoS数据生成特征向量，如果已有客户端用户未调用过所述web服务，则置为空；

3)所述服务器端通过公式1计算所述客户端用户之间的相似度，通过公式2计算所述web服务之间的相似度

$\mathrm{Sim}(u_1,u_2)=\frac{{\mathrm{\Σ}}_{s\∈S}(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}{\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_1,s}-\stackrel{\‾}{r_{u_1}})}^2}\sqrt{{\mathrm{\Σ}}_{s\∈S}{(r_{u_2,s}-\stackrel{\‾}{r_{u_2}})}^2}}---1$

$S=S_{u_1}\∩S_{u_2}$

$\mathrm{Sim}(s_1,s_2)=\frac{{\mathrm{\Σ}}_{u\∈U}(r_{u,s_1}-\stackrel{\‾}{r_u})(r_{u,s_2}-\stackrel{\‾}{r_u})}{\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_1}-\stackrel{\‾}{r_u})}^2}\sqrt{{\mathrm{\Σ}}_{u\∈U}{(r_{u,s_2}-\stackrel{\‾}{r_u})}^2}}---2$

$U=U_{s_1}\∩U_{s_2}$

其中为客户端用户u₁用过的所有Web服务的集合，

为所有调用过Web服务s₁的客户端用户的集合，r_u，s表示客户端用户u调用Web服务s的QoS，

为客户端用户u所调用过的Web服务的QoS的平均值；

4)根据Top-K原则，所述服务器端选择步骤3)中相似的客户端用户以及相似的web服务；

5)所述服务器端通过公式3计算相似客户端用户相似web服务之间QoS的相似度；

Sim(u₁s₁，us)＝Sim(u₁，u)×Sim(s₁，s)    3

6)所述服务器端通过公式4计算基于客户端用户的预测结果，通过公式5计算基于web服务的预测结果，通过公式6计算基于相似客户端用户相似web服务的预测结果，并分别计算各自的预测结果的可信度；

$\mathrm{UPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_u}+\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}S{\mathrm{im}}^{\′}(u_1,u)(r_{u_1,s}-\stackrel{\‾}{r_{u_2}})}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}{\mathrm{Sim}}^{\′}(u_1,u)}---4$

${\mathrm{con}}_u={\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\frac{\mathrm{Sim}(u_1,u)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right)}\mathrm{Sim}(u_1,u)}\×\mathrm{Sim}(u_1,u),$

其中con_u为基于客户端用户的预测结果的可信度，

$\mathrm{SPre}\left(r_{u,s}\right)=\stackrel{\‾}{r_s}+\frac{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}S{\mathrm{im}}^{\′}(s_1,s)(r_{u,s_1}-\stackrel{\‾}{r_{s_1}})}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}{\mathrm{Sim}}^{\′}(s_1,s)}---5$

${\mathrm{con}}_s={\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\frac{\mathrm{Sim}(s_1,s)}{{\mathrm{\Σ}}_{s_1\∈S\left(s\right)}\mathrm{Sim}(s_1,s)}\×\mathrm{Sim}(s_1,s),$

con_s为基于web服务的预测结果的可信度

$\mathrm{USPre}\left(r_{u,s}\right)=\frac{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})P_{u,s}(u_1,s_1)}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})},---6$

${\mathrm{con}}_{\mathrm{us}}={\mathrm{\Σ}}_{u_1\∈S\left(u\right),s_1\∈S\left(s\right)}\frac{\mathrm{Sim}{(u_1{s}_1,\mathrm{us})}^2}{{\mathrm{\Σ}}_{u_1\∈S\left(u\right),s\∈S\left(s\right)}\mathrm{Sim}(u_1{s}_1,\mathrm{us})}$

其中con_us为基于相似客户端用户相似服务的预测结果的可信度，P_u，s(u₁，s₁)表示由

对r_u，s做出的预测结果，其计算如下：

$P_{u,s}(u_1,s_1)=(r_{u_1,s_1}-\frac{\stackrel{\‾}{r_{u_1}}+\stackrel{\‾}{r_{s_1}}-\stackrel{\‾}{r_u}-\stackrel{\‾}{r_s}}{2});$

7)所述服务器端通过公式7、8、9分别计算所述三种预测结果的权重，并通过公式10得到最终的预测结果

$w_u=\frac{\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},---7$

$w_s=\frac{(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s},---8$

$w_{\mathrm{us}}=\frac{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}}{\mathrm{\δ}{\mathrm{con}}_{\mathrm{us}}+\mathrm{\θ}(1-\mathrm{\δ}){\mathrm{con}}_u+(1-\mathrm{\θ})(1-\mathrm{\δ}){\mathrm{con}}_s}---9$

Pre(r_u，s)＝w_u×UPre(r_u，s)+w_s×SPre(r_u，s)+w_us×USPre(r_u，s) 10

其中，w_u，w_s，w_us分别是基于客户端用户的预测结果，基于web服务的预测结果和基于相似客户端用户相似web服务的预测结果的权重；

8)所述服务器端根据最终预测结果，对候选web服务进行删选；

9)根据步骤8)筛选得到的候选web服务，根据所述客户端用户的QoS需求，进行web服务选择。

2.根据权利要求1所述的一种基于协同过滤的Web服务QoS预测方法，其特征在于：所述步骤4)和步骤5之间还包括对所述相似客户端用户和所述相似web服务的Qos通过公式11进行Data Smoothing处理；

${r^{\′}}_{u_{\mathrm{\τ}},s}=\stackrel{\‾}{r_{u_{\mathrm{\τ}}}}+\mathrm{\Δ}{r}_{C_u}\left(s\right),---11$

其中

(s)表示聚类C_u中客户端用户对Web服务s的平均QoS偏差，具体计算公式如下：

$\mathrm{\Δ}{r}_{C_u}\left(s\right)=\frac{{\mathrm{\Σ}}_{u^{\′}\∈C_u\left(s\right)}(r_{u^{\′},s}-\stackrel{\‾}{r_{u^{\′}}})}{\left|C_u\left(s\right)\right|},$

其中，C_u(s)表示聚类C_u中所有调用过web服务s的客户端用户的集合。

Images