基于服务QoS执行信息的Web服务推荐研究

基于服务的非功能（QoS）特性进行服务发现是面向服务计算领域的一个研究热点。为了克服服务QoS难以获取且动态变化的特点,提出一种基于已往QoS执行信息的Web服务推荐方法。首先给出一种可以方便记录QoS执行信息的系统框架;然后描述了基于时间加权的服务推荐的匹配算法;实验结果表明该推荐方法是可行和有效的。     

基于平行因子分解的协同聚类推荐算法

针对三元组数据内在关联性复杂的特点,提出了基于平行因子分解(PARAFAC)的协同聚类推荐算法。该算法利用PARAFAC算法对张量进行分解,挖掘多维数据实体之间的相关联系和潜在主题。首先,利用PARAFAC分解算法对三元组张量数据进行聚类;然后,基于协同聚类算法提出了三种不同方案的推荐模型,并通过实验对三种方案进行了比较,得到了最优的推荐模型;最后,将提出的协同聚类模型与基于高阶奇异值分解(HOSVD)的推荐模型进行比较。在last.fm数据集上,PARAFAC协同聚类算法比HOSVD张量分解算法在召回率和精确度上平均提高了9.8个百分点和3.7个百分点,在delicious数据集上平均提高了11.6个百分点和3.9个百分点。实验结果表明所提算法能更有效地挖掘出张量中的潜在信息和内在联系,实现高准确率和高召回率的推荐。     

基于张量分解的药品个性化推荐

在当前网购越来越流行的趋势下,网上买药也给很多病人带来了极大的便利.但是普通人在网上购买药品时普遍存在盲目购药、无法获得买药指导的问题,针对这一问题,提出首先根据药品的功能描述信息进行聚类,设计了基于用户相似度的协同过滤药品推荐算法;然后针对该算法的冷启动以及数据稀疏性等问题提出了基于张量分解的个性化药品推荐算法来对获取到的药品功能描述信息进行特征分析,构建标签特征向量,利用特征向量与用户对药品的评分值构建三阶张量,再利用张量分解方法对该三阶张量进行分解;最后得到推荐评估值,再利用该推荐评估值进行Top-N药品推荐.通过对真实的药品销售网站数据进行抓取并分析,构建了张量模型,并进行数据建模,与协同过滤的推荐结果相比,其得到了较好的推荐效果.     

基于QoS感知的Web服务推荐算法

为了改进Web服务推荐的准确性,通过分析现有Web服务推荐算法的面临的主要问题,提出了一种基于地域划分的Web服务推荐方法。该算法对Web服务进行区域划分,并对区域内Web服务进行分类,根据用户区域位置,计算消费者之间及服务之间的相似程度,并以此相似度为基础对使用者并未调用过的服务的质量进行预测。基于大量真实数据的实验显示,该算法在推荐准确性方面优于现有的基于协同过滤的Web服务推荐算法。     

基于多元关系的张量分解标签推荐方法

标签推荐的现有方法忽视了多种属性特征之间的联系,无法保证大数据环境下推荐系统的准确率。针对该问题,提出了一种基于用户聚类和张量分解的新标签推荐方法,以进一步提高标签推荐的质量。该方法首先对一些对产品具有重要影响的用户进行聚类,然后根据用户、产品、标签和产品评分之间的多元关系综合计算总权重。最后,根据聚类之后的用户群体以及多元关系的总权值构建张量并进行张量因式分解。实验与传统张量分解方法相对比,结果表明提出的方法在准确率上具有一定的提高,验证了算法的有效性。     

基于张量分解的个性化微博推荐算法研究

随着社交媒体的发展,微博为人们提供的服务正在极大地改变着人们使用互联网的习惯,然而微博上用户发表的大量信息,以及高频率的信息更新,使得用户面临信息过载的问题而无法快速获取他感兴趣的信息。推荐系统是解决此问题的一种很好的方法,它是通过研究用户已有数据来发掘用户兴趣,从而为用户推荐可能感兴趣的对象,如产品、网页、微博等。本文介绍了一种基于张量分解技术的微博推荐算法来预测用户对微博的兴趣度,同时考虑用户与微博、用户与微博发布者影响因素,以及微博与微博发布者的影响因素,提高了已有算法的准确度。     

基于分布式聚类的不确定性Web服务发现研究

针对现有的Web服务发现机制存在的不足,提出了基于分布式聚类的不确定性Web服务发现方法。该方法为了提高服务检索效率,在分布式网络下对Web服务实现聚类,同时为了克服现有服务质量度量方法的主观性,实现了不确定性服务质量情况下的多属性决策的二次查找。通过实验结果分析证明了相比传统服务发现策略在保证服务质量和检索效率方面有明显提高。     

基于贝叶斯张量分解的改进QoS预测

随着Web服务相关标准和技术的日趋成熟,基于服务质量（QoS）的Web服务推荐对用户体验起着决定性作用。如何准确预测Qos值是当今的研究热点。以往基于近邻或模型的协同过滤算法,采用的是“用户-服务”二维信息,预测的QoS值是静态的且精准性不高。将时间信息维度引入张量模型,建立“用户-服务-时间”的三维张量可使QoS预测值更加符合用户需求特点,用贝叶斯方法求解张量分解,引入概率意义下对于系统的解释和分析,提供一套先验概率引入先验知识的贝叶斯推断框架,提高了QoS预测的精确度。实验表明,使用该算法的预测结果较其他算法相比较有更小的平均绝对误差,很好地解决了数据稀疏度问题。     

基于混合协同过滤的个性化Web服务推荐

随着网络上Web服务的不断增加,Web服务的个性化选择和推荐成为服务计算领域最重要的挑战之一。对个性化Web服务推荐方法进行了研究,提出了基于模型和基于内存混合的Web服务推荐方法。该方法基于客观连续的服务质量（quality of service,QoS）数据和主观离散的评价数据,采用聚类、映射、聚合等算法预测服务的质量,并对用户的期望、评分和服务的QoS信息进行了量化描述。此外,设计了Web服务推荐框架,实现了信息的采集与处理、Web服务的个性化推荐。实验结果表明,与主流的推荐算法相比,所提方法在多种评分误差的评价指标上都取得了更好的结果。     

基于ranking的深度张量分解群组推荐算法

针对当前群组推荐研究中,对于用户偏好建模时大多忽略了群组偏好与个人偏好之间的相互影响以及建模初始化问题,提出了一种基于ranking的混合深度张量分解群组推荐算法（R-HDTF）。该算法首先利用基于深度降噪自动编码器的混合神经网络对群组、个人和项目等信息进行初始化;然后提出基于成对张量分解模型来捕获群组、个人和项目之间的相关关系;最后,采用BPR标准优化张量分解的损失函数,学习提出算法的参数。在真实数据集上的实验结果表明,该算法性能优于传统的主流群组推荐算法。     

个性化服务中基于用户聚类的协同过滤推荐

协同过滤技术被成功地应用于个性化推荐系统中，但随着系统规模扩大，它的效能逐渐降低。针对此缺点，使用了基于用户聚类的协同过滤推荐，根据用户评分的相似性对用户聚类，在此基础上搜索目标用户的最近邻居，从而缩小用户的搜索范围。本文还提出将协同过滤推荐分为类内相似系数计算和产生推荐两个阶段，把相似系数的计算放在离线部分，减少在线推荐的计算量，提高实时响应速度。另对聚类算法初始聚类中心的选取也做了改进。     

基于直觉模糊聚类的Web资源推荐方法

在Web资源分类中,针对传统基于用户兴趣的方法不能准确反映用户兴趣的变化以及难以区分资源内容的品质和风格等问题,提出一种基于直觉模糊C均值聚类的Web资源聚类推荐方法。该方法首先根据用户兴趣度将Web资源表示为直觉模糊数,然后应用直觉模糊信息集成理论进行资源分类,最后实现向用户推荐相似或相近资源。理论分析和实验表明,该方法比传统的模糊C均值以及协同过滤方法在推荐质量上有很大的提高。     

基于本体的Web服务发现算法研究

随着Web服务数目的增长,基于关键字的发现机制已不能满足Web服务的需要。引入领域本体概念,提出一种基于领域本体的Web服务发现匹配算法WSDA。该算法采用Web服务本体描述语言（OWL-S）描述Web服务,采用改进的基于几何距离的语义匹配方法,将概念关系图映射到数据库中,方便了Web服务间相似度的计算和比较。通过实验验证算法的可行性和有效性。     

基于SFLA和FCM的Web搜索结果聚类

针对模糊聚类算法中存在的对初始值敏感、易陷入局部最优等问题,提出了一种融合改进的混合蛙跳算法（SFLA）的模糊C均值算法（FCM）用于Web搜索结果的聚类。新算法中,使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程。改进的SFLA通过混沌搜索优化初始解,变异操作生成新个体,并设计了一种新的搜索策略,有效地提高了算法寻优能力。实验结果表明,该算法提高了模糊聚类算法的搜索能力和聚类精度,在全局寻优能力方面具有优势。     

植入引导式层次聚类Mashup服务推荐算法*

针对传统Mashup服务推荐算法在关键字聚合搜索和网络构建等方式中计算复杂度过高的问题,提出一种基于语义标签的植入引导式层次聚类Mashup服务推荐算法。首先,为提高聚类算法的收敛精度,提高算法运行效率来满足大型数据搜索对算法简化的需求,采用数据预处理和植入易于获取具有代表性的样本数据对聚类进行引导,防止层次聚类算法顶层集分类失败导致的算法聚类失败。其次,利用改进的聚类算法结合实际的Mashup服务数据库,设计了植入引导式层次聚类Mashup服务推荐算法。最后,通过通过仿真对比表明,基于语义的植入式半监督层次聚类Mashup服务推荐算法的精度要好于对比算法,验证所提算法的有效性。     

基于用户模式聚类的智能信息推荐算法

基于数据挖掘的智能信息推荐日益成为一个重要的研究课题。针对现有智能信息推荐算法存在的不足,提出了一种基于用户模式聚类的智能信息推荐算法（IRUMC）。该算法将相似的用户模式聚类到一起,生成用户聚类模式,然后将用户访问操作与用户聚类模式进行匹配,最后形成推荐集。它比较适合新用户、访问站点较少的用户和有新颖性信息需求的用户。实验结果表明,该算法是有效的。