綜合時空信息的Web服務QoS預測方法研究

2021-08-18 23:44劉珍珍楊懷洲
電腦知識與技術 2021年18期
關鍵詞:個性化推薦協同過濾

劉珍珍 楊懷洲

摘要:隨著Web服務技術的發展,網絡中涌現出很多功能性屬性相同或相似但非功能性屬性如QoS具有明顯差異的Web服務。如何選擇最佳的Web服務構建滿足用戶QoS需求的Web應用成為一個極具價值的研究課題[1]。時間和空間因素是影響Web 服務的QoS屬性的主要因素,在實際應用中,時空信息不同Web服務的性能有很大差異。該文針對綜合時空信息的Web服務QoS預測方法進行了綜合對比分析,總結了當下QoS預測方法的研究趨勢和發展前景。

關鍵詞:Web服務;QoS預測;協同過濾;矩陣分解;個性化推薦

中圖分類號:TP301? ? ? 文獻標識碼:A

文章編號:1009-3044(2021)18-0233-03

開放科學(資源服務)標識碼(OSID):

1 背景

Web服務的QoS屬性是選取最佳候選服務時需要考慮的關鍵性因素,是動態服務發現、查詢、選擇和主動推薦的基礎,通常用來體現Web服務的非功能特性。由于在實際應用中,Web服務數量非常多,用戶對大多數服務并不了解,因此Web服務的QoS屬性值不完整。而且,不同用戶的網絡環境及服務運行環境均存在差異,QoS屬性表現得很不穩定。因此預測活動用戶缺少的QoS值非常必要,不僅能更好地進行服務推薦,還便于用戶進行服務的選擇。Web服務的QoS性能與用戶地理位置高度相關,QoS性能受網絡距離及各自的網絡環境的影響。同時,Web服務的QoS性能與調用時間高度相關,網絡環境以及服務狀態會隨時間而變化。互聯網上不同用戶調用同一Web服務時,感受到的服務性能也不同。通過綜合時空信息進行QoS預測不僅可以對Web服務的多個QoS屬性進行合理的綜合評價,還可以準確地預測 QoS值,幫助用戶選擇在海量的Web服務中選擇最合適的服務,完成服務的個性化推薦。

2 Web服務QoS主要預測方法說明

2.1 基于內容(content-based)的預測方法

基于內存的預測算法使用用戶服務數據庫的整個或一個樣本來生成預測。這種算法易于實現且效率很高,直觀易懂、更容易解決冷啟動問題、容易落地到真實的業務場景中,但推薦精準度不太高,且無法擴展。基于內容的推薦算法有很多的應用實例,比如今日頭條中有很大比例是基于內容的推薦算法。

2.2 基于協同過濾(collaboration filtering)的預測方法

1)基于歷史記錄(memory-based)的CF算法

基于用戶的協同過濾算法是通過對鄰居用戶的QoS信息進行分析生成待推薦服務,然后為目標用戶推薦其相似用戶喜歡的服務。此算法首先計算用戶間相似度,然后選擇目標用戶近鄰,最后基于用戶近鄰預測QoS值。近鄰篩選通常用Top-K 近鄰選擇算法。

基于服務項的協同過濾算法是通過用戶對相似服務的QoS信息進行分析,然后預測目標服務項的QoS值,最后為用戶推薦喜歡及相似的服務。其過程與基于用戶的CF算法類似。

基于混合的協同過濾算法是將基于用戶和基于Web服務的CF算法結合,提出了混合的推薦系統來預測缺失的QoS值。后來有許多學者通過調整參數改變基于用戶的CF算法和基于Web服務項的CF算法對不同數據集的依賴程度,不僅提升了信息的利用價值,還提高預測的準確度。

基于歷史記錄的CF算法是使用現有的數據進行預測,是一種啟發式算法。這種算法雖然計算簡單,但由于QoS值的不完整性和不穩定性,存在QoS矩陣稀疏性和在處理大量數據時的時效性等問題。同時,該算法對歷史數據集的依賴性比較大,存在一定的局限性,例如冷啟動問題,忽略了網絡環境等外部因素的影響。

2)基于模型(model-based)的協同過濾算法

近年來,隨著機器學習的興起,已有學者提出多種基于模型的協同過濾方法,除了可以克服QoS矩陣極度稀疏和在處理大量數據時的時效性等問題,在推薦效果以及算法可行性方面均有突破。基于模型的協同過濾是通過各種機器學習算法對歷史QoS數據進行訓練得到一個學習模型,再使用此學習模型進行QoS預測。目前,基于模型的CF算法有矩陣因子模型、聚類模型、潛在語義模型、貝葉斯模型等。下面我主要介紹基于矩陣分解(MF)的各個模型(如表1所示)。

矩陣分解是協同過濾是目前使用很廣泛的一種方法,它的核心思想是將矩陣分解成兩個低維度矩陣,分解后的兩個特征矩陣突出了重要特征,減少了一些無關因素的干擾,可以更好地挖掘用戶與服務間的關系,進一步提高預測的準確性。常用兩種矩陣分解的技術如表2所示。

3 綜合時空信息預測關鍵技術

由于時空因素對Web服務的QoS性能有一定影響,為此眾多學者對加入空間信息和時間信息的預測方法都做了不少的研究,并取得了一定的成果。

3.1 空間信息的研究

部分研究工作注意到用戶的地理位置對于QoS屬性值的影響,即網絡環境與地理位置存在差異的用戶調用相同的 Web 服務時,QoS記錄可能不同。例如Zheng[2]等人認為 QoS 受到地理位置以及網絡環境的影響比較大,提出了一種基于鄰域綜合矩陣分解(NIMF)的個性化Web服務QoS值預測方法。通過融合基于鄰域和基于模型的協同過濾方法,探索用戶過去的Web服務使用情況,以獲得更高的預測精度。P.He[3]等人針對QoS預測方法預測精度上不足的問題,提出了一種基于位置的層次矩陣分解(HMF)方法。根據用戶的位置將用戶和服務分為多個組,使用全局QoS矩陣和基于位置的局部QoS矩陣對HMF模型進行分層訓練,將兩者緊密結合來預測丟失的QoS值。實驗表明,此方法較之前的算法預測精度更高。有研究者針對數據稀疏,Web服務QoS預測精度不高,算法可擴展性的問題,增加網絡位置正則項來預測用戶的QoS值,根據用戶功能需求對待推薦服務進行排序,然后選擇最合適的服務進行推薦。實驗表明,該方法不僅在預測精度上優于目前主流的推薦算法,可以在一定程度上解決數據稀疏和可擴展性差的問題。還有學者針對冷啟動,QoS數據中存在異常值的問題,提出了以矩陣分解為基礎的服務推薦模型:LA-LFM和LA-PMF。這種模型加入Web服務隱式反饋因子,根據用戶網絡位置特征進行聚類分析,在數據稀疏的情形下,預測精確度要比一些經典方法更好。X等人從概率的角度出發,提出了改進的矩陣分解模型,即基于位置的概率矩陣分解模型(PMF),并在真實QoS數據集進行了驗證。在Netflix競賽中,PMF模型取得了較好的成績。

3.2 時間信息的研究

T.Chen[4]等人為了有效地解決基于特征的矩陣分解問題,設計了SVD特征,構建包含時間動態、層次信息和鄰域關系等邊信息的因子分解模型。通過對模型的改進,提出了SVD Feature模型,并且用于Twitter的好友推薦系統。C.Zhou[5]等人針對數據稀疏以及Web服務的QoS值可能會隨著時間推移而改變的問題,提出了一個考慮時態信息的Web服務推薦框架。針對包含用戶、服務和時間等多維信息的模型,提出了一種Tucker分解方法,將QoS值數據視為張量,將其轉化為張量分解問題。同時為了處理具有服務質量價值的動態數據流,引入了一種可擴展的、節省空間的增量張量因子分解(ITF)方法。實驗結果表明,該方法在效率和準確度上優于其他方法。除此之外,有些學者針對缺乏時間信息導致的靜態性模型問題,提出一個能夠處理用戶服務時間模型三元關系的非負張量分解(NTF)算法,將二維用戶服務矩陣擴展為一個由三維張量表示的更復雜的用戶服務時間三元關系,核心思想是考慮不同時刻QoS值的差異,用用戶服務時間交互關系代替MF中的用戶服務矩陣,利用張量將MF模型擴展到三維空間,采用非負張量分解方法來提高考慮時態信息的QoS感知Web服務推薦性能,進一步的提高的預測的精度。

通過大量研究,基于矩陣分解的協同過濾算法在大規模數據稀疏的情況下預測效果更好,加入時空信息能更好地提高預測的準確性,提升服務推薦的性能,但其算法復雜度較高,更適合離線計算。

4 結束語

由此可見,基于矩陣分解的協同過濾算法在研究綜合時空

信息的Web服務QoS預測值得進一步研究。基于模型的CF算法能更加全面的考慮QoS信息,豐富時空信息,提高了QoS值完整性及預測精確度,不僅能提升推薦質量,還可以實現準實時預測。然而,隨著Web服務數量激增以及用戶要求的不斷提高,綜合時空信息的Web服務QoS預測方法還要有很多改進的空間。冷啟動問題、相似度的計算方法以及預測模型的效果及時間復雜度等都需要進一步的深入研究和改善。

參考文獻:

[1] 唐妮.基于位置聚類和張量分解的Web服務推薦研究與應用[D].重慶:重慶大學,2016.

[2] Zheng Z B,Ma H,Lyu M R,et al.Collaborative web service QoS prediction via neighborhood integrated matrix factorization[J].IEEE Transactions on Services Computing,2013,6(3):289-299.

[3] He P J,Zhu J M,Zheng Z B,et al.Location-based hierarchical matrix factorization for web service recommendation[C]//2014 IEEE International Conference on Web Services.June 27 - July 2,2014,Anchorage,AK,USA.IEEE,2014:297-304.

[4] Chen T,Zhang W,Lu Q,et al.SVDFeature:a toolkit for feature-based collaborative filtering[J].Journal of Machine Learning Research,2012,13(1):3619-3622.

[5] Zhou C,Zhang W C,Li B.Web service recommendation via exploiting temporal QoS information[C]//Algorithms and Architectures for Parallel Processing,2014:15-27.

【通聯編輯:謝媛媛】

猜你喜歡
個性化推薦協同過濾
基于協同過濾的旅游推薦系統研究
融入情境因素和用戶偏好的農業信息個性化推薦模型構建
基于協同過濾的學習資源推薦平臺的設計與實現
面向個性化推薦的教育新聞爬取及展示系統
加權填充與興趣相融合的相似度改進算法
基于情境感知的移動圖書館電子資源個性化推薦研究
協同過濾算法應用于景點推薦研究
基于IPTV的個性化推薦技術的研究
基于交集占比與時間衰減的協同過濾推薦算法研究
基于項目特征的協同過濾推薦算法
桃花-电影-完整版视频在线观看