基于情境的Web服務推薦方法

古凌嵐

（廣東輕工職業(yè)技術學院 計算機工程系，廣東 廣州510300）

0 引 言

Web服務組合現(xiàn)已成為面向服務的計算模式下應用構造的主要方式，隨著面向服務技術的廣泛應用，功能相似性能相異的Web服務也越來越多，使得用戶需要花費大量時間搜索自己滿意的服務，因此，在匹配功能需求的前提下，如何快速有效地發(fā)現(xiàn)服務質量（quality of service，QoS）良好、適合用戶個性化需求的Web服務，已成為Web服務組合技術成功應用的關鍵和研究熱點。目前，許多研究成果對此進行了闡述，如文獻［1，2］在功能匹配的基礎上，結合用戶QoS約束和QoS屬性偏好，更好地滿足了用戶對服務質量的要求。文獻［3，4］基于聚類思想，對于功能相似而QoS不同的語義Web 服務先分類后排序，縮小了搜索范圍，在滿足功能和質量要求的同時，提高了服務發(fā)現(xiàn)的效率。文獻［5］以語義Web服務發(fā)現(xiàn)的結果為基礎，利用用戶和服務的情境信息、預定義的情境規(guī)則和規(guī)則等級，進一步篩選和排序得到適應用戶情境的Web服務，提高了用戶滿意度。通過分析發(fā)現(xiàn)已有研究存在以下不足：

（1）對用戶信息的利用不充分。Web服務資源的迅速膨脹，使得用戶的個性化需求逐漸成為服務發(fā)現(xiàn)的重要依據，但目前主要從當前用戶背景和QoS屬性偏好來考慮，較少關注歷史數(shù)據（如歷史用戶評價、歷史用戶信息等）的利用，而歷史數(shù)據反映了用戶的行為習慣和服務體驗的滿意度，對于發(fā)現(xiàn)用戶個人偏好具有重要的價值。

（2）忽視了服務動態(tài)性和網絡特性對于QoS 的影響。已有研究中多采用服務提供者提供的原始QoS值，由于服務的動態(tài)性和網絡的不確定性，QoS的許多指標是動態(tài)變化的，直接影響了服務發(fā)現(xiàn)的有效性。

針對Web服務組合過程中服務發(fā)現(xiàn)的問題，本文提出一種基于情景的Web服務推薦方法，構建情境模型刻畫用戶和服務的信息，利用服務歷史執(zhí)行信息建立和更新服務緩存，采用K－MEANS算法實現(xiàn)服務情境聚類，并進行服務查找和初步QoS約束篩選；綜合用戶特征和用戶評價相似性，結合服務聚類集，進行用戶情境聚類，利用情境相似用戶的預測和使用頻率優(yōu)化初步推薦結果，從而最大限度地滿足了用戶個性化需求，同時也提高了服務發(fā)現(xiàn)的效率。

1 情境模型

情境是用來描述任何一個實體情況的所有信息，本文總結文獻［6，7］情境的定義及分類工作，把情境分為用戶特征情境、服務情境和用戶評價情境3個部分。用戶特征情境包括用戶背景和平臺環(huán)境，其中用戶背景是指用戶的基本特征，包括姓名、性別、年齡、職業(yè)和民族。平臺環(huán)境是指用戶所在位置、硬件設備和網絡狀態(tài)，硬件設備是指用戶所使用的設備，如PDA 或PC，網絡狀態(tài)包括網絡帶寬、延遲和安全性。服務情境包括服務描述和QoS 情境。其中服務描述包括服務名、輸入／輸出屬性、前提和結果。QoS情境是指經過一段時間統(tǒng)計到的服務質量有關屬性，包括響應時間、服務費用、可用性和可靠性。用戶評價情境是指用戶對于服務的滿意程度，包括服務標識、用戶標識和用戶評分。

為了充分利用情境信息，需要建立統(tǒng)一的描述和表示模型，以刻畫服務、用戶特征和用戶評價信息，給出以下定義：

定義1 服務情境模型定義為SC＝（SInfo，QoS，TStat），其中SInfo＝｛Name，Inpu，Outp，Cond，Effe｝表示服務描述，包括服務名、輸入屬性、輸出屬性、前提和結果集，QoS＝｛Time，Cost，Avai，Reli｝表示服務質量，包括響應時間、費用、可用性和可靠性，TStat為更新時間。

定義2 用戶特征情境模型定義為UC＝（Feat，Plat）。其中Feat＝｛Name，Gend，Age，Prof，Nati｝表示用戶背景，包括姓名、性別、年齡、職業(yè)和民族，Plat＝｛Loca，Devi，NStatu｝表示平臺環(huán)境，包括用戶所在位置、硬件設備（PDA／PC）和網絡狀態(tài)，NStatu＝｛NBand，NDela，NSecu｝表示網絡狀態(tài)，包括網絡帶寬、網絡延遲和網絡安全性。

定義3 用戶評價情境模型定義為UR ＝（Uid，Sid，Score），其中Uid、Sid 和Score 分別表示用戶標識、服務標識和用戶評分。

2 基于情境的Web服務推薦方法

本文方法的基本思路是：①構建情境模型描述用戶特征、服務和用戶評價信息；②收集服務運行時信息，建立和更新服務緩存；③對于相似情境的服務和用戶進行聚類；④基于服務情境發(fā)現(xiàn)符合功能和QoS 要求的初步結果；⑤基于用戶情境進一步推薦符合用戶偏好的候選服務，從而得到最適合用戶的推薦結果。服務推薦框架如圖1所示。

圖1 Web服務推薦框架

圖1中各部分的主要功能：

服務代理：負責解析用戶提出的服務請求，向服務推薦引擎提交其可識別的功能需求和QoS約束描述，返回服務推薦結果給用戶，并負責捕獲服務執(zhí)行信息，收集用戶的使用評價，提交給推薦引擎。

服務推薦引擎：由服務情境推薦、用戶情境推薦、服務緩存管理、服務聚類和用戶聚類模塊組成。事先服務聚類和用戶聚類模塊分別利用服務信息、用戶評價和用戶信息庫，對相似情境的服務和用戶進行聚類。用戶提出請求時，服務情境推薦模塊負責查找功能匹配服務所在類，若查找失敗，則通過UDDI注冊中心搜尋并返回功能和QoS匹配的具體服務，服務推薦結束；若查找成功，則計算其總的QoS值，按QoS降序排序，并剔除小于QoS約束最低容忍度的服務，得到初步推薦結果集。用戶情境推薦模塊負責查找用戶所在類，結合預測評價和使用頻率降序排序，得到最終推薦結果集，提交給服務代理。服務緩存管理模塊負責建立和更新服務緩存，包括QoS參數(shù)的更新。

UDDI注冊中心：負責Web服務的發(fā)布，并提供服務查詢功能。

2.1 服務緩存的建立和更新

為了提高服務查詢效率，本文引入了服務緩存機制。每當服務被調用時，服務代理主動進行監(jiān)測，收集該服務執(zhí)行時信息，包括服務標識、服務描述、響應時間、費用、可用性和可靠性，保存在服務信息庫作為服務緩存。當用戶請求服務時，服務推薦引擎先查詢服務緩存，查找成功則進入推薦的下一步工作，只有查詢不成功時，才需要通過UDDI注冊中心發(fā)現(xiàn)服務，隨著服務緩存中數(shù)據的不斷積累，服務查詢效率將會不斷提高。

由于Web服務的動態(tài)性，服務緩存中的數(shù)據需及時更新，一方面，對于長時間無人訪問的服務或是服務質量低下的服務定期進行刪除；另一方面，根據每次服務執(zhí)行情況，需重新評估QoS各參數(shù)，以保證QoS的時效性。QoS數(shù)據是本文初步推薦服務的主要依據，下面重點對于QoS參數(shù)評估的方法進行說明。

由于Web服務的動態(tài)性，使得QoS 值也隨之不斷變化，越近時間得到的QoS數(shù)據對于服務質量評估的貢獻越大，為此，引入時間衰減因子λ，每當服務被調用時，利用每次服務執(zhí)行時收集的QoS數(shù)據，結合λ對QoS的各參數(shù)進行重新評估

式中：qijold、qij′——緩存中服務QoS參數(shù)、最新評估的服務QoS參數(shù)，qij——服務執(zhí)行時QoS 參數(shù)，λ——時間衰減因子，值域為［0，1］，為了盡量準確地反映服務當前的狀態(tài)，忽略時間跨度很近的衰減影響，取λ＝0.5，而時間跨度過大的QoS 已無太大價值，取λ＝1，因此，λ計算公式如下

式中：tcur、told——當前、QoS統(tǒng)計時間，T——有效時間跨度，T0——可忽略衰減的時間跨度，λ越大，則qijold的重要性越低。

由于QoS參數(shù)包括成本型和效益型兩種，成本型包括服務費用和響應時間，取值越大，質量越低；效益型包括可用性和可靠性，取值越大，質量越高。為了便于計算和比較，在計算服務總的QoS之前還需要對QoS 各參數(shù)進行歸一化處理，將其規(guī)格化到相同量綱上。本文采用的歸一化公式如下

式中：qij′、qij″——某QoS參數(shù)處理前、后的值，、——該項參數(shù)最大、最小值，式（a）用于成本型參數(shù)，式（b）則應用于效益型參數(shù)。

2.2 服務情境聚類

聚類算法通過對n 個對象不斷地分類，形成若干個聚類集合，同一類中對象的相似度較高，而不同類中對象的差別較大。本文采用K－MEANS聚類算法，通過計算服務情境相似性，對于服務進行聚類。

服務相似性通過服務情境信息中服務描述屬性的語義相似度來體現(xiàn)，計算公式如下。

式中：w1～w5——服務名稱、輸入／輸出、前提和結果屬性的權重，式中的本體間距離和屬性間語義相似度的計算參考文獻［6］中方法。

服務情境聚類的算法描述：

算法1：服務情境聚類

輸入：服務情境集合SC＝｛sc1，sc2，…，scn｝。

輸出：服務類的集合C＝｛C1，C2，…，Ck｝。

（1）任意選K 個相互間相似度小于閾值δ的服務，將其服務情境向量作為初始的聚類中心，記為c＝｛c1，c2，…，ck｝；

（2）初始化服務類的集合C；

（3）REPEAT

2.3 用戶情境聚類

協(xié)同過濾推薦算法是基于用戶評價項目相似性計算用戶相似性，來發(fā)現(xiàn)目標用戶的最近鄰，從而成功地預測用戶感興趣的項目。本文將其用戶相似度計算方法引入用戶情境聚類中，綜合用戶評價相似性和用戶特征相似性度量用戶情境相似度，考慮到實際上用戶評價服務的數(shù)量偏少所引起的數(shù)據稀疏性對于計算準確性的影響，在服務聚類基礎上，先計算各服務類內的用戶情境相似度，以減少相似用戶搜尋空間，而后據此進行類之間聚合，最終得到用戶聚類的集合。

（1）用戶評價相似性采用常用的Person 相關系數(shù)度量，該方法是基于用戶共同評分過的服務集合來計算的，為了避免共同評分服務較少時出現(xiàn)相似性度量的偶然性，總結文獻［8］工作，引入評分服務交集最小閾值η對于相似度計算進行修正

（2）對于用戶特征相似性，本文假設用戶特征的各屬性均可量化，包括數(shù)值型和區(qū)間型兩類，而數(shù)值型屬性分為成本型和效益型，為了便于計算采用式（3）進行了規(guī)范化處理。用戶特征相似度包括數(shù)值型和區(qū)間型屬性相似度計算。

數(shù)據型屬性相似度

區(qū)間型屬性相似度。

采用相對長度法計算區(qū)間型屬性的相似度，計算公式為

式中：L（ui）、L（vi）和L（ui∩vi）——u 和v 的第i 個屬性區(qū)間長度，以及兩個屬性間重疊長度。

（3）根據用戶評價相似性和用戶特征相似性的度量方法，可得到用戶情境相似性計算公式為

式中：w1，w2——權重系數(shù)，w1＋w2＝1，且w1＞w2，k是聚類數(shù)。

2.4 Web服務推薦算法

服務情境和用戶情境聚類無實時性要求，可采用離線方式，在服務推薦處理之前完成。算法描述如下：

算法2：基于情境的Web服務推薦算法

輸入：服務類的集合C、用戶類的集合U、用戶標識v、服務功能需求Sreq、服務QoS約束Qreq和用戶QoS偏好權重w。

教學手段和方法的創(chuàng)新 基于前述搭建的虛擬共享實訓平臺，本改革對變速箱拆裝實訓課程的教學手段和方法進行創(chuàng)新，將整個拆裝實訓課程劃分為課前、課中和課后三個階段（如圖1所示）。

輸出：滿足用戶個性化需求的服務集合RSfinal。

1.For each cluster Ci∈C do i∈｛1，…，k｝ ／／在服務類的集合中查找功能匹配的服務

2.For si∈S do／／對于功能匹配的服務計算QoS

If（qi＞Qreq）／／若大于QoS約束則結合用戶QoS偏好計算服務總的QoS

S′＝S′∪scj；／／將功能匹配且大于QoS約束的服務加入S′

3.RSfirst＝sort（S′，Q）；／／按服務總的QoS 降序排序，得到初步推薦結果

4.For 1to m do

find v∈Ui；Ui∈U／／查找用戶v所在的類

5.For each user uj∈Uido／／計算RSfirst預測評價，統(tǒng)計使用頻率

6.If Frsi＝0filter（rsi，RSfirst）；／／剔除頻率為0的服務

7.For each service rsi∈RSfirstdo

EFrsi＝αQi＋βPrsi，v＋γFrsi；／／計算每個服務得到的總體評價，權重α＋β＋γ＝1

8.RSfinal＝sort（RSfirst，EFrsj）；／／按總評價降序排序，得到最終推薦結果

3 實例分析

下面以一實例說明本文Web服務推薦的方法。假設有50個Web服務，包括5個酒店訂房服務、10個訂票服務、10個天氣預報服務和25個景點查詢服務，這些服務均已被使用過，其中酒店訂房服務有6人使用過，包括一名學生u6。他現(xiàn)準備在酒店訂房，并希望酒店提供訂票服務。表1描述了酒店訂房服務使用情況，各服務的QoS和業(yè)務特點，假設已通過情境聚類得到了服務類的集合C 和用戶類的集合U（表2），為了減少計算復雜度，QoS僅列出響應時間和服務費用屬性量化后的值，U 僅包含使用過酒店訂房服務的用戶類，用戶情境也僅列出用戶背景的職業(yè)屬性。

表1 用戶使用酒店訂房服務的評價（平均評分／使用次數(shù)）

表2 用戶類的集合和服務類的集合列表

采用本文方法推薦Web服務的過程：

（1）在服務類的集合C 中發(fā)現(xiàn)酒店訂房服務所在類C1，得到候選服務sc1，sc2，sc3，sc4，sc5；

（2）計算各服務總的QoS值，假設sc5總的QoS值小于用戶QoS約束被剔除，則得到sc1，sc2，sc3，sc4各自總的QoS值排名（3，1，1，2）；

（3）按QoS 降序排序，得到初步推薦結果sc2，sc3，sc4，sc1；

（4）在用戶類的集合U 中發(fā)現(xiàn)用戶所在類U2；

（5）計算u6對服務sc2，sc3，sc4，sc1的預測評分（4.1，4.3，0，3.2）；

（6）統(tǒng)計U2使用服務sc2，sc3，sc4，sc1的頻率（11，6，0，9）；

（7）剔除頻率為0 的服務sc4，設α＝0.5，β＝0.3，γ＝0.2，計算U2對sc2，sc1，sc3的總評價為（3.52，2.92，2.57）；

（8）按總評價降序排序；

（9）得到最終推薦結果sc2，sc1，sc3返回給用戶u6。

用戶u6可優(yōu)先選sc2，其次sc1，通過本文的服務推薦算法，為用戶提供了功能匹配、達到QoS約束要求，且滿足用戶個性化需求的服務。

4 實驗及結果分析

為了進一步驗證本文方法的可行性和有效性，本文設計了3組實驗。

實驗環(huán)境：2臺服務器CPU Intel Core 2Duo 2.1GHz，內存4G，操作系統(tǒng)Window Server 2003，數(shù)據庫SQL Server 2008。1臺PC 機CPU Intel Core 2 1.86GHz，內存2G，操作系統(tǒng)Window XP。服務器1、2 分別用于配置Web服務和運行本文的Web服務推薦算法，Web服務代理也配置在服務器2上。PC用于用戶提出請求。

實驗數(shù)據：鑒于現(xiàn)在沒有標準的測試數(shù)據集，實驗數(shù)據均以模擬方式產生，共生成200個Web服務。服務的QoS屬性包括響應時間、費用、可用性和可靠性，在一定范圍內隨機生成。500個用戶已使用過，用戶評價在［0，5］整數(shù)范圍內隨機生成。實驗以響應時間為例進行測試，事先以隨機次數(shù)調用每個Web服務，以獲得真實響應時間參數(shù)。

實驗1：QoS動態(tài)變化對服務推薦的影響

設T0＝60s，T＝250s，響應時間約束Time＝40s，選取9個功能相同的Web服務（sc1～sc9），且sc4～sc9均滿足QoS約束。利用程序模擬延遲1s，對于服務sc1～sc3減少響應時間，對于sc4～sc6增加響應時間，對于sc7～sc9不做改變，對9個服務的QoS值進行計算排序，得到最初推薦結果，共進行5次實驗。

分析表3數(shù)據，當某次服務被調用時QoS 發(fā)現(xiàn)變化，該服務情境的QoS響應時間屬性也被重新評估，間隔越久的原有QoS數(shù)據重要性越低，當再次請求時，若重新評估后的響應時間不能滿足QoS約束最低容忍度，將被剔除，如服務sc4在第一次延遲后其響應時間大于40s，第二次請求時被剔除，實驗結果表明，利用每次服務運行時QoS數(shù)據動態(tài)更新服務QoS參數(shù)，保證了提供給用戶的QoS數(shù)據的真實性、可信性。

表3 QoS變化時對服務推薦的影響

實驗2：本文方法與其它方法在準確性上的比較

初選20個服務，之后每次增加20 個服務，對于本文方法與通過功能和QoS匹配方法 （FQM）進行比較，圖2表明，由于本文方法中服務QoS參數(shù)得到了及時更新，在服務推薦過程中從歷史數(shù)據挖掘用戶偏好，發(fā)現(xiàn)的候選服務數(shù)相對較少，為用戶提供了滿意度較高的服務，并且隨著服務數(shù)量的增加，其效果更加明顯。

圖2 服務推薦的準確性比較

實驗3：本文方法與其它方法在時間開銷上的比較

初選20個服務，之后每次增加20 個服務，比較本文方法與FQM 發(fā)現(xiàn)候選服務所用的時間，圖3 表明，由于FQM 需通過服務器1查找候選服務，隨著服務數(shù)量增多服務發(fā)現(xiàn)所用的時間大幅度增加，而本文方法由于引入了緩存機制，僅在緩存查找失敗時，才需要訪問服務器1，并且事先對服務信息庫中的服務進行了聚類處理，使得服務推薦的實時性得到了明顯改善。

圖3 服務推薦的時間開銷比較

5 結束語

服務發(fā)現(xiàn)是Web服務組合成功應用的關鍵，為了解決服務發(fā)現(xiàn)的效率和用戶滿意度問題，本文提出了基于情境的服務推薦方法。該方法建立情境模型描述服務執(zhí)行信息和用戶相關信息，利用服務歷史執(zhí)行信息建立和更新服務緩存，采用K－MEANS算法進行相似情境服務的聚類，基于功能和QoS匹配實現(xiàn)初步服務推薦，通過綜合用戶特征和用戶評價相似性度量用戶情境相似度，先計算各服務類內的用戶相似度，而后據此進行類之間聚合，實現(xiàn)用戶情境聚類，利用用戶所在類對初步結果的預測評價和統(tǒng)計使用頻率，使得推薦結果得到了進一步精化和優(yōu)化，實例分析和實驗結果表明，本文方法能夠快速有效地發(fā)現(xiàn)質量良好、滿足用戶個性需求的服務。下一步工作重點是服務組合過程中服務發(fā)現(xiàn)的安全性問題。

［1］WANG P.QoS－aware Web services selection with intuitionistic fuzzy set under consumer’s vague perception ［J］.Expert System with Applications，2009，36 （3）：4460－4466.

［2］FENG Jianzhou，KONG Lingfu.Research on web service composition based on fuzzy QoS and preference weight［J］.Journal of Chinese Computer Systems，2012，33 （7）：1517－1521 （in Chinese）. ［馮建周，孔令富.基于模糊QoS 和偏好權重的Web服務組合方法研究 ［J］.小型微型計算機系統(tǒng)，2012，33（7）：1517－1521.］

［3］BAI Wen，LI Shuyu，DU Xuezhi.Fuzzy C－means clustering semantic web service discovery ［J］.Computer Engineering and Design，2012，33 （11）：4183－4186 （in Chinese）.［白雯，李蜀瑜，杜學智.模糊C－均值聚類語義Web服務發(fā)現(xiàn) ［J］.計算機工程與設計，2012，33 （11）：4183－4186.］

［4］MA Hua，LI Jianhua，CHEN Songqiao，et al.Business useroriented service discovery model based on ontology clustering［J］.Computer Engineering，2007，33 （4）：215－217 （in Chinese）.［馬華，李建華，陳松喬，等.基于本體聚類的面向業(yè)務用戶服務發(fā)現(xiàn)模型 ［J］.計算機工程，2007，33 （4）：215－217.］

［5］FENG Zaiwen，HE Keqing，LI Bing，et al.A method for semantic web service discovery based on context inference ［J］.Chinese Journal of Computers，2008，31 （8）：1354－1363 （in Chinese）.［馮在文，何克清，李兵，等.一種基于情境推理的語義Web服務發(fā)現(xiàn)方法 ［J］.計算機學報，2008，31 （8）：1354－1363.］

［6］ZOU Jin’an.Exploration of semantic web service discovery based on QoS ［J］.Journal of Computer Applications，2009，29 （10）：2844－2846 （in Chinese）.［鄒金安.基于聚類的QoS語義Web服務發(fā)現(xiàn)研究 ［J］.計算機應用，2009，29 （10）：2844－2846.］

［7］YANG Yueming，CHEN Lichao，XIE Binhong，et al.Study on approach of web services discovery based on clustering of users’context information ［J］.Computer Engineering and Design，2012，33 （4）：1442－1446 （in Chinese）.［楊岳明，陳立潮，謝斌紅，等.基于用戶情境聚類的Web服務發(fā)現(xiàn)方法研究 ［J］.計算機工程與設計，2012，33 （4）：1442－1446.］

［8］HUANG Chuangguang，YIN Jian，WANG Jing，et al.Uncertain neighbors collaborative filtering recommendation algorithm ［J］.Chinese Journal of Computers，2010，33 （8）：1369－1377 （in Chinese）.［黃創(chuàng)光，印鑒，汪靜，等.不確定近鄰的協(xié)同過濾推薦算法［J］.計算機學報，2010，33（8）： 1369－1377.］

［9］ZHU Hongkang，YU Xueli.Research on recommendation of web services based on QoS execution information ［J］.Computer Engineering and Applications，2010，46 （18）：237－239（in Chinese）. ［朱紅康，余雪麗.基于服務QoS執(zhí)行信息的Web服務推薦研究 ［J］.計算機工程與應用，2010，46 （18）：237－239.］

［10］WANG Guoxia，LIU Heping.Survey of personalized recommendation system ［J］.Computer Engineering and Applications，2012，48 （7）：66－76 （in Chinese）. ［王國霞，劉賀平.個性化推薦系統(tǒng)綜述 ［J］.計算機工程與應用，2012，48 （7）：66－76.］

［11］WEN Junhao，QIN Jia，LIU Ling.Approach to web services selection under uncertain user preferences ［J］.Application Research of Computers，2010，27 （6）：2147－2149 （in Chinese）.［文俊浩，秦佳，柳玲.一種在用戶偏好不確定情況下的Web服務選擇方法 ［J］.計算機應用研究，2010，27 （6）：2147－2149.］

［12］Blake M B，Nowlan M F.A web service recommender system using enhanced syntactical matching ［C］／／Salt Lake City，Utah，USA：Proceedings of International Conference on Web Services，2007：575－582.

［13］Aciar S，Zhang D，Simoff S，et al.Informed recommender：Basing recommendations on consumer product reviews ［J］.IEEE Intelligent Systems，2007，22 （3）：39－47.

［14］Sufyan Beg MM，Nesar Ahmad.Web search enhancement by mining user actions ［J］.Information Science，2007，177（23）：5203－5218.

［15］ZHU Zhengzhou，WU Zhongfu，WU Kaigui，et al.E－learning services discovery algorithm based on user satisfaction ［J］.Computer Engineering，2009，35 （3）：71－73（in Chinese）.［朱鄭州，吳中福，吳開貴，等.基于用戶滿意度的學習服務發(fā)現(xiàn)算法［J］.計算機工程，2009，35 （3）：71－73.］

［16］Laddawan Kulnarattana，Songsak Rongviriyapanish.A client perceived QoS model for web services selection ［C］／／6th International Conference on Electrical Engineering／Electronics，Computer，Telecommunications and Information Technology，2009：731－734.