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.     

面向智慧社区基于可信联盟的服务推荐算法

针对现有推荐算法同等看待每个用户评价信息的问题,提出一种面向智慧社区的基于可信联盟的服务推荐算法。引入用户的信誉度和服务使用频率,改进传统相似度计算公式,建立基于用户信任模型的信任关系。在此基础上,面向智慧社区用户,引入社区因子,构建可信联盟,从而对目标用户进行个性化推荐。实验结果表明,与基于云模型的链式推荐等算法相比,该推荐算法的精确度更优。     

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.     

基于用户评价驱动的可信Web服务发现

随着Web服务技术的快速发展,如何请求和选择可信服务成为了非常重要的研究课题,即可信服务发现。本文提出了一种新的基于用户评价的Web服务发现方法．通过计算当前一段时间内多个用户对Web服务的反馈值,来判断Web服务所声明QoS的真实性,从而选择出更具可信度的Web服务。实验表明该方法具有有效性。     

基于Skyline的动态可信服务选择方法

服务选择是实现服务共享、组合、复用的重要前提。随着具有相同功能属性但非功能属性(如服务质量C Quali-ty of Scrvicc, QoS))不同的候选服务数量日益增多,QoS已成为服务选择的关键指标。然而,在动态网络环境下,服务选择过程中QoS数据的真实可信性无法得到保障。通过引入包括度量服务资源种类及服务提供商信任的服务信任( Trust of Scrvicc, ToS)来构建服务的信任机制。利用Skyline技术的支配关系及投影模型,给出QoS和\"hoS两者之间的关联,提出了基于Sk沙nc的动态服务选择算法,它在确保服务质量的前提下可提高服务选择的可信性。仿真实验表明了所提算法的可行性与有效性。     

Web服务中主观信任和客观声誉的研究

随着Web服务的出现,对软件服务和服务组合的安全可靠的运行使得服务提供方、服务请求方以及代理之间的相互信任变得尤为重要。首先给出信任和声誉的定义以及它们之间的区别和联系,由此提出一个用于度量软件服务间信任关系的信誉评估模型——WSTR。给出了更加灵活的计算直接信任度方法,并且将声誉引入推荐信任的合成中,利用现有的节点作为声誉存储实体,更加能够体现信任的主观性和客观性的结合。仿真结果表明声誉度能够客观地反映出真实的实际情况。     

基于用户声誉的鲁棒协同推荐算法

随着推荐系统在电子商务界的快速发展以及取得的巨大经济收益, 有目的性的托攻击是目前协同过滤系统面临的重大安全威胁, 研究一种可抵御攻击的鲁棒推荐技术已成为目前推荐系统领域的重要课题.本文利用历史记录得到用户声誉, 建立声誉推荐系统, 并结合协同过滤推荐领域内的隐语义模型, 提出基于用户声誉的隐语义模型鲁棒协同算法.本文提出的算法从人为攻击和自然噪声两个方面对系统的鲁棒性进行了改善.在真实的数据集 Movielens 1M 上的实验表明, 与现有的鲁棒性推荐算法相比, 这种算法具有形式简单、可解释性强、稳定的特点, 且在精度得到一定提升的情况下大大增强了系统抵御攻击的能力.     

基于声誉的多维度信任计算算法

针对移动Agent电子商务环境,大多数基于声誉的信任算法是单维度的,评价的节点只对历史交易给出单一的评价,并不区分节点服务内容,给出的信任评价粒度较粗.对此,提出了一种基于声誉的多维度信任算法RMDT(reputation-based multi-dimensional trust).给出了一种新的推荐可信度计算方法,...     

基于组合服务执行信息的服务选取方法研究

组合服务选取问题是服务计算领域的一个研究热点问题,已往的选取方法大多基于难以准确获取的服务QoS信息,且算法思路复杂.文中提出了一种基于组合服务执行信息的服务选取方法.该方法分为3个阶段:数据生成阶段、数据挖掘阶段和服务选取阶段,分别进行组合服务执行信息的记载和相关数据集的生成、路径分支关联规则和服务执行顺序序列模式的挖掘以及基于挖掘产生的知识模式进行服务选取.文中首先给出一种可以方便记载日志的服务组合系统架构;然后提出一种基于时间加权的算法模型,以有效地进行路径分支关联规则和顺序序列模式的挖掘;最后对文中的组合服务选取方法进行描述.实验结果表明:文中方法在选取出的组合服务健壮性方面要优于基于QoS的方法.     

POYRAZ: CONTEXT-AWARE SERVICE SELECTION UNDER DECEPTION

The increasing number of service providers on the Web makes it challenging to select a provider for a specific service demand. Each service consumer has different expectations for a given service in different contexts, so the selection process should be consumer-oriented and context-dependent. Current approaches for service selection typically have consumers receive ratings of providers from other consumers, where the ratings reflect the consumers' overall subjective opinions. This may be misleading if consumers have different contexts and satisfaction criteria. In this paper, we propose that consumers objectively record their experiences, using an ontology to capture subtle details. This can then be interpreted by consumers according to their own criteria and contexts. We then integrate a method for addressing consumers who lie about their experiences, filtering them out during service selection. We demonstrate the value of our approach through experiments comparing our model with three recent rating-based service selection models. Our experiments show that using the proposed approach, service consumers can select the service providers for their needs more accurately even if the consumers have different criteria, they change the contexts of their service demands over time, or a significant portion of them are liars.     

P2P网络环境下信任模型的研究

由于对等(P2P)网络的开放性和匿名性,各种恶意节点的恶意行为层出不穷,严重影响了网络的正常运行,加之传统的信任管理模型并不能很好地适应对等网络环境,提出了一种基于分级推荐的P2P网络信任模型(GRTM)。仿真实验表明,基于分级推荐的信任模型能有效评估节点的信任度,交易成功率优于传统的信任管理模型。     

一种基于Qos约束的信任模型研究

提出一种基于服务提供的QoS约束建立直接信任模型的方法,并在建立过程中引入偏序关系,以屏蔽一些在创建过程中没有价值的参考历史纪录．同时参考人类社会行为规律建立推荐信任模型,并借鉴人类竞赛的打分机制屏蔽恶意推荐信息．为了避免出现负载不均衡的现象,提出采用轮盘赌的方法进行服务选择．实验证明该模型能有效地解决问题．     

基于信任偏好的个性化推荐

协同过滤推荐作为主流的个性化推荐方法在实际应用中存在一定缺陷, 在一些情况下得到的推荐结果不够准确。考虑到信任与用户偏好相似性的关系, 将信任引入到推荐模型中, 并同时考虑暗示用户偏好的多维因素, 提出基于信任偏好的个性化推荐方法, 以提高推荐系统的准确性, 并用实验验证了此方法的有效性。     

基于专家信任的协同过滤推荐算法改进研究

针对目前协同过滤推荐算法存在的冷启动、数据稀疏、可扩展性不高以及未考虑到不同社区簇之间可能存在相关性导致的推荐准确度低的问题,提出了一种在考虑同社区簇内专家信任基础上结合不同社区簇专家信任的推荐算法。在改进相似度计算时,改进算法不仅结合了Jaccard相关系数、用户的平均评分因子以及加权处理的Pearson相关系数,还结合了用来惩罚热门物品权重的流行度。在改进评分预测时,改进算法在引入了传统聚类推荐算法中的同社区簇专家信任后,还引入了不同社区簇专家信任。实验在MovieLens数据集上进行,实验结果表明,改进算法不仅缓解了冷启动和数据稀疏等问题,还显著提高了推荐准确度。     

基于信任模型的协同过滤推荐算法

提出一种基于信任机制的协同过滤推荐算法,其中,直接信任度基于共同评价项目得出,推荐信任度通过对项目的预测得出。借鉴社会网络中人与人之间的信任评价方法,使用户之间的相似度计算更加准确,从而为目标用户提供更好的推荐结果。实验结果表明,该模型提高了信任度预测的准确性及系统的推荐质量。     

基于协同过滤的美食推荐算法

为了解决传统的基于用户的协同过滤算法中的数据稀疏性问题,提高推荐的准确率,本文对推荐算法进行了改进并将改进后的算法应用在美食推荐领域。首先,利用均值中心化方法对实验数据进行处理,减少因个人评分习惯差异造成的推荐误差。然后,通过使用改进的空值填补法降低评分矩阵的稀疏性。最后,在计算相似度时引入了遗忘函数和用户间的信任度,进一步提高了推荐系统的准确性。实验表明,本文提出的改进算法比传统算法有更高的准确率,并得出了在推荐过程中考虑用户和项目外的其他因素以及针对不同的数据信息采用不同的算法,都有利于提高推荐准确率的重要结论。     

分布式系统推荐信任模型研究

针对分布式网络中节点请求推荐信任时需要选取推荐节点的问题,提出一种能够准确评估推荐节点推荐能力信任度的信任模型DSRT（Distributed System Recommendation Trust）。该模型在区分服务质量信任度和推荐能力信任度的基础上,研究了影响推荐能力信任度的节点相关性、频繁度和风险等因素,其中,相关性不仅考虑了节点的服务关心相似度,还考虑了节点的评价能力相似度,频繁度和风险的计算均考虑了请求节点和其他交互节点的不同。模拟实验表明,该模型能够准确选取推荐节点,提高节点交互的满意率。