按需智能问答系统Uniponse

现有的智能问答系统(IQAS,Intclligent Question-Answer System)局限于针对简单问题寻找最适合的答案,无法满足用户日益复杂的个性化问题要求。基于需求元描述框架RGPS,经过需求识别、需求分析和需求验证等手段,将用户的个性化问题转换为一种问答服务需求,然后通过动态挖掘Internet上软件服务所构成的服务管理库,并结合基于服务关系网络的流程服务组合思想,最终形成能够回答此类问题的智能问答服务。构建了面向交通领域的按需智能回答原型系统Uniponse,验证了上述方法的有效性和可行性。     

一种用户需求驱动的服务资源建模方法

面向用户需求通过松散耦合的服务资源的重用和重组,实现其按需发现与组合,正成为网络化软件主流的开发范型。如何对服务进行建模已成为这种范型中的一个重要问题。提出一种用户需求驱动、基于RGPS(Role-Goal-Process-Service)领域资产的服务建模方法。通过对服务模型进行语义需求封装来满足用户需求,从而实现用户需求和服务之间的动态"握手"。该方法已在原型系统中得以应用和验证。     

面向领域核心服务定制的部分语义互操作聚类研究

在面向服务的软件工程(SOSE)时代中,需要面向领域用户共性需求,从语义互操作层次实现服务资源聚合,形成领域核心服务资产的聚合来满足用户需求.提出一种面向领域核心服务定制的部分语义互操作性聚类方法,该方法在实施服务本体封装的基础上,从语义互操作性的充分、必要能力两个方面,利用本体概念间语义推理关系进行匹配计算,实施领域服务聚合.与含意互操作性聚类方法相比,本文通过实验验证,该方法提高了满足用户个性化,多元化需求的按需服务的查全率.     

基于需求预测的主动服务推荐方法

在智能计算领域,网络中可用服务数量与类型的快速增长,使用户更依赖于服务完成各种业务,然而当前“请求-响应”被动式的服务模式严重影响了用户体验与资源利用率。为智能感知用户需求并主动为用户推荐合适的服务,通过引入需求预测过程,提出一种主动服务推荐方法。利用矩阵分解算法从大量历史服务使用数据中提取用户特征和服务特征,据此训练深度学习模型并预测用户的服务需求,进而为用户推荐其所需要的服务。基于真实数据的实验结果表明,该方法较单一的矩阵分解模型和深度神经网络模型具有更高的服务推荐准确性和稳定性。     

一种面向按需处理的空间数据服务模型与实验分析

通过传统空间数据服务系统获取的数据并不是满足用户需求的最终产品。对于地学领域的用户,通常需要根据特定应用目标,花费大量的时间进行数据预处理,从而满足特定的子区范围、波段和图像格式等。通过分析地学应用中针对数据源的操作要求,研究具有按需处理能力的空间数据服务模型,将各种分布的计算资源和数据资源联合起来,按照用于定制的需求,在为用户提供数据前,对数据进行一定的加工。通过对空间数据服务的基本操作进行分类和规范,研究建立兼容OGC WCS标准的数据服务机制,将大量基础性的数据预处理任务集成到数据获取流程中,以满足用户获取更高级别数据的需求。同时利用该模型在空间信息网格平台SIG(Spatial Information Grid)上进行验证,选择若干典型数据源,部署按需处理服务功能组件,对服务响应能力进行实验与评估。详细讨论了空间数据按需处理的流程,并将实验结果与传统方法进行对比分析。     

基于RGPS领域资产聚合的按需服务发现方法

服务发现机制面临两个现实问题:一是服务数量剧增、服务类型多样,二是用户需求多变、业务流程日益复杂,这些都导致服务发现日趋困难.传统服务发现机制往往关注服务本身的属性和内在特征,而忽略了服务发现的宗旨就是为了满足用户的需求.本文将基于RGPS领域资产(Role-Goal-Process-Service)的服务聚合技术引入到服务发现机制中,提出一个新的服务发现框架,实现服务的聚合和抽象,解决服务资源的按需服务发现问题.最后,构建一个服务注册管理原型平台,利用仿真实验对所提出的方法进行了验证.     

基于偏好推荐的可信服务选择

针对现有服务选择中服务推荐技术的不足,提出一种基于偏好推荐的服务选择(trustworthy services selection based on preference recommendation,简称TSSPR)方法.首先搜索一组偏好相似的推荐用户,并通过皮尔逊相关系数计算用户的评价相似度,然后基于用户的推荐等级、领域相关度和评价相似度等对用户的推荐信息进行过滤,从而使推荐信息更为可信.模拟实验结果表明,通过正确的参数设置,该方法能够有效地解决推荐算法中冷启动、推荐信息不准确等问题.     

用户驱动的服务聚合方法及其支撑框架

虚拟计算环境的重要目标之一,就是在动态、开放、多变的网络环境中对分布异构资源按需进行聚合,并提供有效的资源发布、发现、订阅等机制.通过服务来抽象和封装资源是资源虚拟化的主要手段之一,但现有面向服务的体系结构(service oriented architecture,简称SOA)所采用的"以服务提供商为中心"的服务组织模式容易导致用户发现和订阅服务的难度随着服务的增加而增加.提出一种用户驱动的服务聚合技术,即根据用户需求,将功能相似的服务聚合成服务池并封装为单一的虚拟服务,随后根据用户QoS需求进行自动协商,选出最佳服务或服务组合.该方法的特点在于将服务池作为用户发现和订阅的唯一实体,从用户角度将大量服务聚合成为相对稳定和统一的资源视图,屏蔽资源的复杂性、多样性和多变性,支持自动QoS协商,从而有效提高用户对服务资源的利用.     

涉众驱动的服务软件系统需求语义协作式获取方法

基于需求语义的服务工程旨在将无序需求变为有序规约,并最终关联到服务生产,以期提供按需服务能力,本文关注面向服务的软件需求语义的分布式协作获取方法的研究,针对基于服务资源聚合而成的网络化软件使用涉众的全球广域分布的特征,以面向服务软件的需求语义模型为核心,采用语义WIKIS引擎为协作平台基础,充分发挥涉众群体智能参与实例化需求要素标注,同时提供需求验证和推理功能以及与连接开放数据的映射关系,可即时生成阶段性需求语义制品.需求语义由网上涉众分布式协作获取,即用户需求(知识)表示,一致的、大众认可的需求语义为后续按需服务聚合与资源定制提供了自动化按需服务能力.理论与实证研究也证明了所提方法的有效性和可操作性,完成与现有的以需求主导、面向领域的应用系统的全面整合,支持实现需求语义为核心的按需服务工程应用.     

基于可信联盟的服务推荐方法

随着满足用户需求的候选服务数量的飞速增长,服务选择的难度日益增大,服务推荐已成为服务选择的重要环节之一,受到越来越多的关注.然而,目前基于协同过滤的服务推荐方法较少关注到服务的不同属性特征对相似度计算会产生不同的影响,在寻找邻居用户时也很少考虑推荐用户与目标用户之间的信任关系,难以抵抗推荐用户的恶意推荐,无法保障推荐结果的精确度和可信性.针对以上问题,文中通过引入服务的推荐属性特征,改进传统相似度计算公式并基于Beta信任模型建立用户间信任关系,根据改进的相似度计算方法与服务推荐行为的信任度构建出邻居用户的可信联盟,提出了一种基于可信联盟的服务推荐方法.仿真实验与结果表明:与现有其它诸多方法相比,该方法不仅提高了服务推荐的精确度,还能有效保障服务推荐者的可信性,能较好的抵抗恶意攻击.