一种动态混合QoS语义的Web服务个性化推荐模型

服务推荐是服务计算中的主要问题之一,当前大多针对功能属性进行推荐,而在Web服务的QoS属性方面考虑较少,并且不支持动态变化的QoS属性。基于动态混合QoS的语义Web服务个性化推荐模型,把语义Web技术引入Web服务中,在QoS监控器下,有效监测Web服务的QoS属性变化并动态更新Web服务的QoS属性。根据建立的用户兴趣模型,向用户推荐具有个性化的Web服务。此外,在个性化推荐系统中使用最广泛的协同过滤推荐技术基础上,对数据进行了一系列的预处理填充,而且充分考虑了不同时间的项目评分对推荐的影响。结合用户兴趣度和用户评分的相似性计算方法,并通过不同的权值来表示它们的重要程度,综合计算目标用户的最近邻居集合,最终对用户u产生推荐。该系统在一定程度上提高了服务推荐的效率和准确度并满足用户查询需求。     

一种基于服务质量的语义Web服务发现框架

在Web服务发现过程中,不同的用户希望根据自己的情况或个性化的需求进行服务选择,如何提供满足用户服务质量（QoS）需求的服务是语义Web服务应用急需解决的问题。基于OWL规范定义了一个QoS元模型——OWL-QoS,并将其应用于Web服务描述当中。根据提出的QoS元模型给出了一个基于QoS的语义Web服务发现框架,并从基本描述、IOPE、QoS三个层次实现了服务匹配。实验结果表明,与传统语义Web服务发现方法相比,该方法能显著提高服务匹配精度和效率。     

基于用户反馈QoS的动态Web服务发现方法

由于传统的基于关键字和简单分类的Web服务发现机制缺少服务质量(QoS)考虑,因此不能很好满足用户的需求。针对该问题,提出一种基于QoS的Web服务发现模型,通过引入QoS代理机制,对终端用户使用Web服务后反馈的QoS信息进行量化和度量处理,以支持基于QoS的Web服务发现;在此基础上,根据Web服务的动态性特点和不同用户的QoS需求,给出了基于用户反馈的QoS数据度量方法,并提出一种基于QoS的Web服务发现算法。实验结果表明,提出的Web服务发现方法能够较好地满足用户的需求。     

基于灰色关联分析的Web服务选择

为方便用户选择最优Web服务,利用灰色系统理论对Web服务质量QoS属性因子进行分析,提出了一种基于用户QoS偏好的Web服务灰色关联分析方法。考虑到Web服务QoS的不确定性,该方法使用区间对Web服务QoS值进行建模。为了确定候选服务的QoS与用户QoS需求的符合程度,先针对服务的每个QoS属性,计算其与用户QoS需求的灰色区间关联系数;然后结合各个QoS属性的关联系数计算候选服务的QoS与用户QoS需求的综合灰色区间关联度,关联度越大的服务越符合用户的要求;最后从满足用户功能需求的Web服务中选择灰色关联度最大的Web服务推荐给用户。与其它Web服务评价模型相比较,该模型更加符合Web服务QoS的实际情况,能够在服务QoS信息不充分、不确定的环境下,对QoS属性进行合乎实际的分析处理,从而得到更加合理有效的QoS评价。     

一种支持QoS的自适应Web服务发现模型

服务质量是Web服务发现中的关键问题.该文提出一种支持QoS的自适应Web服务发现模型,在满足用户对Web服务功能需求的基础上,依据QoS等非功能性指标对Web服务进行选择和排序,并给出服务的选择排序算法,该算法以服务注册参数、用户反馈信息和实时监测数据为依据,能动态地对服务的非功能性指标进行评价,返回最合适的服务给用户.实验证明,该模型有效地提高了系统的可用性.     

一种基于服务质量的语义Web服务发现框架

在Weh服务发现过程中,不同的用户希望根据自己的情况或个性化的需求进行服务选择,如何提供满足用户服务质量(Qos)需求的服务是语义Web服务应用急需解决的问题.基于OWL规范定义了一个QoS元模型--OWL-QoS,并将其应用于Web服务描述当中.根据提出的Qos元模型给出了一个基于Qos的语义Web服务发现框架,并从基本描述、IOPE、QoS三个层次实现了服务匹配.实验结果表明,与传统语义Web服务发现方法相比,该方法能显著提高服务匹配精度和效率.     

基于QoS的Web服务发现方法

由于传统的基于关键字和简单分类的Web服务发现机制较少考虑服务质量(QoS),因此不能很好地满足用户的需求。针对该问题,提出一种基于QoS的Web服务发现模型,通过引入QoS代理机制以支持基于QoS的Web服务发布与发现。在此基础上,根据不同用户的QoS需求,提出一种基于QoS的Web服务发现算法。实验结果表明,该算法具有较高的准确率。     

基于Hadoop的可信Web服务多维QoS权重最优选择模型

随着Web服务应用的快速增长,用户如何在众多功能相似的Web服务中更加准确地选择出满足自己非功能性需求的Web服务是一个急需解决的问题.针对此问题,设计了一种基于Hadoop的可信Web服务多维QoS权重最优选择模型——HL模型.在HL模型中,以Hadoop和HBase平台为基本框架,首先,使用主客观赋权模式为多维QoS属性赋权值,提高QoS属性权重的客观性和准确性;其次,加入信誉度参数来提高Web服务QoS属性的可信性,并采用QoS-Tree来存储QoS属性值和权重值.实验表明该模型不仅提高了QoS属性的可信性,使用一种客观的手法给出了合理的Web服务推荐顺序来满足用户的QoS需求偏好,而且还提高了Web服务在Hadoop中的查找准确性.     

基于位置聚类和张量分解的Web服务推荐算法

基于服务质量（QoS）的Web服务推荐能在众多功能相似的Web服务中发现最能满足用户非功能需求的Web服务,但QoS属性值预测算法仍存在预测准确度不高和数据稀疏性的问题。针对以上问题,提出了一种基于位置聚类和分层张量分解的QoS预测算法ClustTD,该算法基于用户和服务的位置属性将用户和服务聚类成多个局部组,分别对局部组和全局的用户、服务和时间上下文进行张量建模和分解,将局部和全局张量分解的QoS预测值进行加权组合,同时考虑了局部和全局因素,获得最终QoS预测值。实验结果表明,该算法具有较高的QoS预测准确率和Web服务推荐质量,并能在一定程度上解决数据稀疏性问题。     

一种基于QoS的Web服务发现模型

当前采用 OWL-S 描述的 Web 服务,主要从服务功能进行描述,缺乏对服务质量的明确刻画,导致服务请求者难以得到最佳服务.针对此问题,本文对 OWL-S 规范扩展,提出一个基于 QoS 的语义 Web 服务发现模型 SWSDM-QoS.该模型支持 QoS 的服务发布、查找和反馈,并在此基础上提出一种 QoS 约束的服务选择算法.本论文创新性之处在于在服务发现过程中加入了服务质量本体信息,使得Web服务在框架内支持QoS约束的语义发现,满足了用户的个性化需求.     

支持QoS属性的Web服务PFS模型研究

目前的Web服务只有基于功能性描述的服务注册与发现接口，不能实现具有QoS属性的Web服务注册与发现，为此提出了支持QoS属性的Web服务PFS模型，引入QoS Broker模块实现具有QoS属性的Web服务注册、查找、选择和QoS信息的管理功能，实现了Web服务使用过程中的QoS监视以及QoS评价，并将最新的评价结果用于服务QoS信息的更新，从而保证了QoS信息的公平性、可信性和实时性。     

基于QoS的语义Web服务发现研究

将QoS引入到语义Web服务中,分析了QoS本体的描述方法、Web服务的发现方法和语义Web服务发现方法,建立了一个通用的QoS模型,模型中的参数属性基本能描述QoS的衡量标准。提出了基于QoS语义Web服务发现框架,第一步通过功能来发现Web服务,第二步通过建立的QoS模型来评价发现的Web服务集合,找到QoS最佳的Web服务。最后通过实例建立了语义功能本体和QoS本体。     

A trustworthy QoS-based collaborative filtering approach for web service discovery

Many network services which process a large quantity of data and knowledge are available in the distributed network environment, and provide applications to users based on Service-Oriented Architecture (SOA) and Web services technology. Therefore, a useful web service discovery approach for data and knowledge discovery process in the complex network environment is a very significant issue. Using the traditional keyword-based search method, users find it difficult to choose the best web services from those with similar functionalities. In addition, in an untrustworthy real world environment, the QoS-based service discovery approach cannot verify the correctness of the web services’ Quality of Service (QoS) values, since such values guaranteed by a service provider are different from the real ones. This work proposes a trustworthy two-phase web service discovery mechanism based on QoS and collaborative filtering, which discovers and recommends the needed web services effectively for users in the distributed environment, and also solves the problem of services with incorrect QoS information. In the experiment, the theoretical analysis and simulation experiment results show that the proposed method can accurately recommend the needed services to users, and improve the recommendation quality.     

一个面向语义服务发现的QoS本体

随着网络上服务数量的急剧增长,用户使用服务有了更多的选择。服务的QoS属性是用户实施服务选择的一个重要准则。为了实现支持QoS的语义服务匹配和服务选择,本文对语义QoS规范进行了深入研究,并根据QoS和应用的相关性提出了一种分层的QoS语义模型。该模型使得服务提供者可以基于SLA在不同的场景下为用户提供不同层次的QoS保障。在此模型基础上,本文对支持QoS的语义服务匹配与服务选择算法进行了详细讨论。此外,还给出了一个基于QoS本体的服务发现框架。     

面向用户群体的Web服务推荐

针对Web服务推荐中服务用户调用Web服务的服务质量数据稀疏性导致的低推荐质量问题,提出了一种面向用户群体并基于协同过滤的Web服务推荐算法(WRUG)。首先,为每个服务用户根据用户相似性矩阵构建其个性化的相似用户群体;其次,以相似用户群体中心点代替群体从而计算用户群体相似性矩阵;最后,构造面向群体的Web服务推荐公式并为目标用户预测缺失的Web服务质量。通过对197万条真实Web服务质量调用记录的数据集进行对比实验,与传统基于协同过滤的推荐算法(TCF)和基于用户群体影响的协同过滤推荐算法(CFBUGI)相比,WRUG的平均绝对误差下降幅度分别为28.9%和4.57%;并且WRUG的覆盖率上升幅度分别为110%和22.5%。实验结果表明,在相同实验条件下WRUG不仅能提高Web服务推荐系统的预测准确性,而且能显著地提高其有效预测服务质量的百分比。     

CluCF: a clustering CF algorithm to address data sparsity problem

In QoS-based Web service recommendation, predicting Quality of Service (QoS) for users will greatly aid service selection and discovery. Collaborative filtering (CF) is an effective method for Web service selection and recommendation. Data sparsity is an important challenges for CF algorithms. Although model-based algorithms can address the data sparsity problem, those models are often time-consuming to build and update. Thus, these CF algorithms aren’t fit for highly dynamic and large-scale environments, such as Web service recommendation systems. In order to overcome this drawback, this paper proposes a novel approach CluCF, which employs user clusters and service clusters to address the data sparsity problem and classifies the new user (the new service) by location factor to lower the time complexity of updating clusters. Additionally, in order to improve the prediction accuracy, CluCF employs time factor. Time-aware user-service matrix Mu;s(tk, d) is introduced, and the time-aware similarity measurement and time-aware QoS prediction are employed in this paper. Since the QoS performance of Web services is highly related to invocation time due to some time-varying factors (e.g., service status, network condition), time-aware similarity measurement and time-aware QoS prediction are more trustworthy than traditional similarity measurement and QoS prediction, respectively. Since similarity measurement and QoS prediction are two key steps of neighborhood-based CF, time-aware CF will be more accurate than traditional CF. Moreover, our approach systematically combines user-based and item-based methods and employs influence weights to balance these two predicted values, automatically. To validate our algorithm, this paper conducts a series of large-scale experiments based on a real-world Web service QoS dataset. Experimental results show that our approach is capable of alleviating the data sparsity problem.     

基于QoS-Ontology的Web服务选择Broker模型

服务匹配是Web服务选择的重要前提.针对目前Web服务发现中过分依赖Web服务的功能性属性这一方法的不足,提出了一种基于非功能性Web服务质量QoS本体的Web服务选择Broker模型.之后,介绍了用来描述用户的个人偏好QoS PPR,量化了用户模糊需求;给出了QoS值计算函数公式.最后,依据Broker模型和QoS值计算公式提出了服务选择匹配算法.