一種支持用戶風(fēng)險偏好的服務(wù)評估方法

王海艷, 曲匯直

(南京郵電大學(xué) 計算機學(xué)院， 210036 南京)

?

一種支持用戶風(fēng)險偏好的服務(wù)評估方法

王海艷, 曲匯直

(南京郵電大學(xué) 計算機學(xué)院， 210036 南京)

摘要:針對服務(wù)質(zhì)量波動所造成的選擇風(fēng)險性，提出一種支持用戶風(fēng)險偏好的服務(wù)評估方法. 首先，根據(jù)區(qū)間數(shù)理論處理缺失信息,對用戶評分進行完整描述. 然后，根據(jù)用戶面對不確定信息的風(fēng)險傾向性不同，引入風(fēng)險偏好對用戶進行細(xì)分，并確定用戶的服務(wù)感知風(fēng)險. 最后，根據(jù)服務(wù)收益最大化原則，將服務(wù)屬性進行劃分并結(jié)合用戶屬性偏好度得到服務(wù)收益，權(quán)衡服務(wù)收益與用戶感知風(fēng)險得到綜合評估結(jié)果. 仿真實驗表明：與其他服務(wù)評估方法相比，本方法在表達用戶屬性偏好的同時也清晰表達了用戶的風(fēng)險偏好特征，更好地體現(xiàn)用戶個性化差異，具有更高的用戶滿意度.

關(guān)鍵詞:服務(wù)評估； 風(fēng)險偏好； 風(fēng)險效用； 服務(wù)收益

隨著網(wǎng)絡(luò)技術(shù)的普及與信息技術(shù)的不斷發(fā)展，各類服務(wù)大量出現(xiàn)，如何在大量的功能屬性相同但非功能屬性不同的候選服務(wù)中進行服務(wù)評估并選擇出滿足用戶需求的優(yōu)質(zhì)服務(wù)已經(jīng)成為服務(wù)計算領(lǐng)域所要解決的關(guān)鍵問題之一. 服務(wù)評估[1]近年來受到了國內(nèi)外學(xué)者的廣泛關(guān)注，目前已有的服務(wù)評估方法主要有基于服務(wù)質(zhì)量方法QoS(quality of service)[2]、基于QoS修正法[3]、基于不確定QoS法[4]、基于QoS預(yù)測法[5-6]和基于用戶偏好等. 這些評估方法大多根據(jù)服務(wù)的 QoS 值以及用戶的屬性偏好度對服務(wù)質(zhì)量進行評估，未曾考慮評估中評分信息的不確定性會引起服務(wù)質(zhì)量波動，從而產(chǎn)生服務(wù)質(zhì)量降低的風(fēng)險.

服務(wù)評估方法仍然存在以下問題有待解決：

1)由于用戶對某些服務(wù)沒有進行反饋以及網(wǎng)絡(luò)環(huán)境下不可避免的數(shù)據(jù)傳輸丟失等情況，導(dǎo)致服務(wù)的非功能屬性評分只包含部分有效的用戶評分信息，而缺失的評分信息則可能會造成服務(wù)總體質(zhì)量的波動性，形成一個波動區(qū)間. 這種信息缺失造成的不確定性會導(dǎo)致用戶選擇服務(wù)存在風(fēng)險性，即選擇結(jié)果與實際期望值存在偏差，現(xiàn)有方法沒有對其風(fēng)險性作出相應(yīng)表達.

2)用戶對承擔(dān)風(fēng)險的態(tài)度不同，部分用戶希望承擔(dān)較少風(fēng)險獲得相對穩(wěn)妥的服務(wù)，部分用戶希望承擔(dān)較大的風(fēng)險以獲得更大收益的服務(wù). 因此用戶對風(fēng)險的偏好度很大程度上影響評估結(jié)果，現(xiàn)有服務(wù)評估方法沒有考慮該問題.

本文針對服務(wù)質(zhì)量波動所造成的選擇風(fēng)險性問題展開研究，基于QoS方法，應(yīng)用風(fēng)險決策理論和效用理論，提出了一種支持用戶風(fēng)險偏好的服務(wù)評估方法.

1相關(guān)工作

現(xiàn)有服務(wù)評估方法主要針對服務(wù)質(zhì)量和用戶偏好對服務(wù)進行評估. 基于QoS修正的方法主要采用信任度量的方法對與實際不符的QoS值進行修正；基于不確定QoS的方法在分析QoS屬性的基礎(chǔ)上提出從區(qū)間型和模糊型兩方面考慮不確定QoS信息，使區(qū)間型QoS屬性確定化；基于QoS預(yù)測的方法通過協(xié)同過濾算法預(yù)測用戶對服務(wù)的喜好程度，對服務(wù)質(zhì)量進行評估；基于用戶偏好的方法根據(jù)用戶對服務(wù)非功能屬性偏好的不同，為其分配相應(yīng)的權(quán)重，綜合得到QoS值對服務(wù)質(zhì)量作出評估. 以上方法均未考慮服務(wù)質(zhì)量波動性所帶來的質(zhì)量降低風(fēng)險對評估結(jié)果造成的影響.

風(fēng)險是指一個或多個目標(biāo)的不確定性及其發(fā)生的可能性和后果，這種后果與決策者的預(yù)期目標(biāo)存在偏離或差異，這種偏離程度通常被用作衡量風(fēng)險大小或程度的指標(biāo). 信息系統(tǒng)風(fēng)險普遍指對資產(chǎn)造成損害的可能性. 信息系統(tǒng)中的風(fēng)險評估是指確定在計算機系統(tǒng)和網(wǎng)絡(luò)中每一種資源缺失或遭到破壞對整個系統(tǒng)造成的預(yù)計損失數(shù)量，是對威脅、脆弱點以及由此帶來的風(fēng)險大小的評估.

文獻[7]認(rèn)為網(wǎng)絡(luò)風(fēng)險是主機風(fēng)險的組合，而主機可以處于不同的安全狀態(tài)，每種安全狀態(tài)的概率決定了其安全風(fēng)險，并使用隱馬爾卡夫(HMM)狀態(tài)轉(zhuǎn)換矩陣和觀察矩陣進行度量. 矩陣法主要依賴專家經(jīng)驗，其評估結(jié)果主觀性較大. 針對評估主觀性問題，文獻[8-9]使用粗糙集模型、貝葉斯網(wǎng)絡(luò)模型進行風(fēng)險評估. 文獻[10]針對網(wǎng)絡(luò)受到各種安全威脅的影響，提出一種優(yōu)化的實時網(wǎng)絡(luò)安全風(fēng)險量化方法，對網(wǎng)絡(luò)風(fēng)險值進行量化，評估網(wǎng)絡(luò)受到的威脅. 文獻[11]提出一種基于實體行為風(fēng)險評估的信任模型，通過加權(quán)復(fù)合函數(shù)計算實體行為中潛在的風(fēng)險，并給出一種基于風(fēng)險的實體信任計算方法，對實體行為中潛在的風(fēng)險進行識別. 文獻[12]針對社交網(wǎng)絡(luò)中用戶的社交結(jié)構(gòu)信息和非敏感屬性信息均會增加用戶隱私屬性泄露的風(fēng)險，通過分割節(jié)點的屬性連接和社交連接，提高了節(jié)點的匿名性，降低了用戶隱私屬性泄露的風(fēng)險. 以上這些工作主要考慮應(yīng)對外部攻擊，如惡意用戶和惡意評價，沒有針對服務(wù)評估中評分信息的不確定性所造成的質(zhì)量降低風(fēng)險進行度量，也沒有從用戶角度出發(fā)，對用戶承擔(dān)風(fēng)險的意愿進行討論.

對于服務(wù)質(zhì)量波動所造成的選擇風(fēng)險性的分析和處理，可以依據(jù)成熟的風(fēng)險決策理論進行研究分析. 風(fēng)險決策理論認(rèn)為，所謂風(fēng)險決策就是在損失或贏利、損失或贏利的權(quán)重及損失與贏利聯(lián)系的不確定性這三個要素中進行最優(yōu)化的選擇. 文獻[13]提出，風(fēng)險的大小對于決策人而言取決于其主觀感知風(fēng)險的大小，有效的風(fēng)險感知對決策人作出合理的決策起到關(guān)鍵性作用，是影響決策有效性的重要因素之一. 文獻[14]認(rèn)為，移動支付中消費者感知風(fēng)險大小是影響消費者使用服務(wù)與否的關(guān)鍵因素，并構(gòu)建基于風(fēng)險偏好的消費者行為意向模型，對消費者感知風(fēng)險的作用機制和度量方法展開了研究.

效用理論認(rèn)為，在風(fēng)險和不確定情況下，個人決策行為以效用值最大為目標(biāo)，而不是最大期望金額. 文獻[15]提出決策者期望效用理論，認(rèn)為人們預(yù)期結(jié)果的效用是結(jié)果發(fā)生的客觀概率與其價值乘積，建立了評價理論基礎(chǔ)并調(diào)和了各子目標(biāo)不可公度的矛盾. 文獻[16]根據(jù)期望效用理論構(gòu)建風(fēng)險偏好模型，構(gòu)造關(guān)于效用度量的函數(shù)方程，根據(jù)風(fēng)險偏好的程度，確定未知參數(shù)并構(gòu)建出相應(yīng)風(fēng)險效用函數(shù).

本文將風(fēng)險決策理論應(yīng)用到服務(wù)評分區(qū)間，針對評分缺失所造成的風(fēng)險性，從用戶需求出發(fā)，表達用戶的風(fēng)險偏好程度，使用效用理論度量用戶的感知風(fēng)險，并結(jié)合用戶的非功能屬性偏好，對支持用戶風(fēng)險偏好的服務(wù)評估進行了研究.

2支持用戶風(fēng)險偏好的服務(wù)評估方法

2.1場景

用一個場景來說明提出方法的實現(xiàn)過程. 電子商務(wù)環(huán)境中，各主流電子商務(wù)平臺的評分模式如圖1所示. 若用戶需要調(diào)用某個風(fēng)險性較高的基金理財服務(wù)，服務(wù)A總體評分4.9(滿分為5)，有20%的用戶在使用后給予評價(存在大量用戶未反饋信息或反饋信息丟失)，B服務(wù)總體評分4.8(滿分為5)，70%的用戶在調(diào)用該服務(wù)后給予評價. 針對評分來看，A服務(wù)的評分更高，但由于反饋樣本容量較小，其不確定程度也更高，若用戶為風(fēng)險規(guī)避型用戶，通常認(rèn)為選擇B服務(wù)也許沒有A服務(wù)的回報率更高，但更為穩(wěn)健，能獲得更為穩(wěn)定的服務(wù)質(zhì)量保障.

在這個場景中：缺失信息所造成的不確定性會影響一項服務(wù)對于用戶的價值，風(fēng)險規(guī)避型用戶更傾向于服務(wù)質(zhì)量波動性較小的服務(wù)；風(fēng)險偏好型用戶為尋求更高收益愿意承擔(dān)更大的風(fēng)險；風(fēng)險中立型用戶對服務(wù)質(zhì)量的波動性不敏感，傾向于總體回報率更高的服務(wù).

通過上述觀察，由于用戶存在個體差距，即使面對同樣的服務(wù)，不同的用戶也會具有不同的服務(wù)感知風(fēng)險，從而影響服務(wù)對于用戶的價值. 因此，在對服務(wù)進行評估時，須將用戶的風(fēng)險偏好納入考慮.

圖1　風(fēng)險場景描述圖

投資收益理論中，最佳選擇策略應(yīng)綜合考慮成本和收益兩方面因素，所以本文將服務(wù)的非功能屬性細(xì)分為成本型屬性和收益型屬性，以確定非功能屬性收益和成本. 接著結(jié)合用戶偏好度分別對成本型屬性和收益型屬性計算得到服務(wù)成本和收益，進而得到服務(wù)的期望收益率. 最后根據(jù)收益最大化原則，權(quán)衡收益率與用戶感知風(fēng)險使用風(fēng)險收益模型綜合評估服務(wù)結(jié)果.

2.2相關(guān)定義

采用效用理論和用戶風(fēng)險偏好對服務(wù)質(zhì)量波動性所造成風(fēng)險進行處理，本節(jié)將闡述支持用戶風(fēng)險偏好的服務(wù)評估方法的一些相關(guān)定義.

效用：效用是指對于用戶通過消費或享受閑暇等使自己的需求、欲望等得到滿足的一個度量.

評分效用：評分效用即用戶從一個評分區(qū)間中所獲得滿足程度的度量. 用戶最喜好、最傾向、獲得滿意程度最高的事物效用值取1，用戶最不喜好、獲得滿意程度最低的效用值取0，即效用值的取值范圍為(0,1).

效用函數(shù)：效用函數(shù)是反應(yīng)用戶風(fēng)險態(tài)度的一類曲線，受主觀、客觀因素影響，不同的用戶對相同損益問題會做出不同反應(yīng). 效用函數(shù)是用來反應(yīng)決策結(jié)果的損益值與用戶所獲得效用之間關(guān)系的函數(shù). 以損益值為橫坐標(biāo)，效用值為縱坐標(biāo)，把用戶對風(fēng)險的態(tài)度變化擬合成一條曲線.

風(fēng)險規(guī)避型用戶效用函數(shù)為凹性，效用隨損益值增加而增加，增加率遞減,遞減率由用戶風(fēng)險偏好程度決定. 風(fēng)險中立型用戶效用函數(shù)為線性，其效用隨損益值增加而增加，增加率不變. 風(fēng)險偏好型用戶效用函數(shù)為凸性，其效用隨損益值增加而增加，增加率遞增，遞增率由用戶風(fēng)險偏好程度決定.

評分感知風(fēng)險：表示用戶從不確定性評分中感知到風(fēng)險的度量，感知風(fēng)險的大小取決于用戶的風(fēng)險偏好度. 服務(wù)各非功能屬性的評分是對服務(wù)質(zhì)量的量度，在用戶未獲得服務(wù)之前通過其他用戶評分的不確定程度來評估該服務(wù)可以給此用戶帶來的感知風(fēng)險.

服務(wù)期望收益率：將用戶獲取服務(wù)所得的收益和為獲取服務(wù)所付出的成本之間的比值稱為服務(wù)期望收益率. 服務(wù)期望收益率是反映用戶付出與回報的指標(biāo)，綜合衡量用戶選擇一項服務(wù)的得失效率.

2.3支持風(fēng)險偏好的服務(wù)評估方法架構(gòu)

圖2中所述服務(wù)評估架構(gòu)需要用戶提供兩個輸入信息，分別為一組偏好判斷矩陣和用戶風(fēng)險偏好度，系統(tǒng)經(jīng)過評估處理后，給出所得最佳服務(wù)供用戶選擇. 該架構(gòu)分為4個主要模塊：風(fēng)險度量模塊根據(jù)用戶的風(fēng)險偏好度構(gòu)建效用函數(shù)，用以度量存在不確定性的服務(wù)給用戶帶來的效用；收益度量模塊將非功能屬性分為成本型屬性和收益型屬性，并計算各屬性的評分區(qū)間得分值，然后根據(jù)加權(quán)得到的服務(wù)成本和服務(wù)收益進而計算服務(wù)收益率；非功能屬性權(quán)重計算模塊分別為效用度量模塊和收益度量模塊計算權(quán)值，根據(jù)用戶的屬性偏好度判斷矩陣得到各屬性權(quán)值；綜合服務(wù)度量模塊根據(jù)服務(wù)效用值和服務(wù)收益率加權(quán)得到綜合評估的服務(wù)評分，使服務(wù)風(fēng)險和收益得到平衡，以符合用戶的期望.

2.4用戶評分區(qū)間的得分值評估過程

2.4.1區(qū)間評分矩陣構(gòu)建

2.4.2風(fēng)險偏好程度的確定

2.4.2.1用戶風(fēng)險偏好表示

在屬性不確定條件下，更高的服務(wù)質(zhì)量、更低的成本付出不再是決定服務(wù)優(yōu)劣程度的僅有因素，用戶對于風(fēng)險的接受程度需作為重要影響因子進行度量并列入評估范圍.

圖2　支持風(fēng)險偏好的服務(wù)評估架構(gòu)

對用戶風(fēng)險偏好程度進行量化，可采用賭博當(dāng)量法[18]令用戶表達自己的偏好程度，其無差異式為

應(yīng)用中可采用0-1分布標(biāo)準(zhǔn)無差異式：

其中θ表示用戶的風(fēng)險偏好程度，取值范圍θ∈[0,1]. θ=α表示風(fēng)險中立型用戶；θ∈[0，α)表示風(fēng)險規(guī)避型用戶，其中θ趨近于0表示用戶完全不希望承擔(dān)風(fēng)險；θ∈(α,1]表示風(fēng)險偏好型用戶，其中θ趨近于1表示用戶極度樂于冒險.

2.4.2.2效用函數(shù)確定

根據(jù)風(fēng)險偏好度θ計算得到相應(yīng)的效用函數(shù)，θ=α?xí)r，τ=E[x,α,y]，其效用函數(shù)為

當(dāng)θ∈[0,1]且θ≠α?xí)r，τ≠E[x,α,y]，其效用函數(shù)為

其中a=1/(1-φ)，λ=-lnφ. 也可以寫成

2.4.3基于屬性偏好度的權(quán)重度量過程

文獻[19]采用模糊理論對用戶屬性偏好進行表達，并確定服務(wù)非功能屬性的權(quán)重分配. 本文采用文獻[19]中方法，通過用戶對各屬性偏好兩兩比較，按偏好程度大小構(gòu)建區(qū)間直覺判斷矩陣，矩陣元素使用區(qū)間直覺模糊數(shù)表示：A=(aij)n×n，n表示影響因素的個數(shù)，aij表示比起屬性j，用戶對屬性i的偏好程度的標(biāo)度. 標(biāo)度量化如表1所示.

表1　非功能屬性偏好標(biāo)度表

將A的元素按行相乘得到一個向量，將此向量開n次方，將所得向量歸一化處理得到權(quán)重向量，即

權(quán)重向量為

2.4.4服務(wù)風(fēng)險度量

對評分效用進行歸一化處理,得

(i=1,2,…,n)2.4.5服務(wù)期望收益率度量

將服務(wù)的非功能屬性劃分為成本型屬性和收益型屬性，定義服務(wù)收益率ROS(returnonservice)進行服務(wù)收益計算. 設(shè)服務(wù)所含越大越優(yōu)的非功能屬性(如可用性，可用性)為收益型屬性，相反，設(shè)越小越優(yōu)的非功能屬性(如價格，響應(yīng)時間)為成本型屬性，得到期望收益率公式：

式中：ROS(i)表示服務(wù)i的期望收益率；Sj(j=1,2,…,k)表示收益型屬性，屬性值越大越優(yōu)；Sj(j=k+1,…,n)表示成本型屬性，屬性值越小越優(yōu)；wj表示屬性j權(quán)重.

(i=1,2,…,n)

2.4.6根據(jù)均值-方差模型對服務(wù)進行評估

2.5評估方法可行性分析

由圖2可知，本文提出的評估過程在評估系統(tǒng)中進行. 在Web環(huán)境下，可在Web服務(wù)器上安裝本文評估系統(tǒng)的服務(wù)器端，用戶計算機上安裝評估系統(tǒng)客戶端，用戶通過輸入接口輸入評估系統(tǒng)所述相關(guān)信息，通過服務(wù)器端計算返回相關(guān)結(jié)果，即評估所得最佳服務(wù). 用戶不需要在客戶端進行計算操作，降低了用戶的計算機負(fù)荷.

3仿真實驗及結(jié)果分析

本實驗實現(xiàn)文獻[20]中基于用戶偏好的服務(wù)評估方法(用AHP表示)，文獻[21]基于QoS的服務(wù)評估方法(用QoS表示)，文獻[19]中基于模糊偏好服務(wù)評估方法(用IIFS-SEA表示)，以及本文提出的支持用戶風(fēng)險偏好的服務(wù)評估方法SEM-RP(serviceevaluationmethodbasedonriskpreferences).

實驗中服務(wù)的非功能屬性值取自文獻[22]中真實數(shù)據(jù)，并限制數(shù)據(jù)范圍，使篩選出的服務(wù)屬性值更加穩(wěn)定，并根據(jù)本文方法進行評分區(qū)間構(gòu)建. 針對風(fēng)險偏好不同的用戶設(shè)置相應(yīng)風(fēng)險偏好度，并將5 000個服務(wù)分為10組分別使用4種服務(wù)評估方法進行評估，得出最佳服務(wù).

服務(wù)的非功能屬性方面，選取價格、響應(yīng)時間、安全性、可靠性、可用性、信譽度6個維度屬性進行綜合評估. 用戶的屬性偏好度根據(jù)偏好標(biāo)度表判斷確定，用戶風(fēng)險效用函數(shù)通過用戶給出風(fēng)險偏好度確定.

用戶滿意度計算方法為：設(shè)第k個非功能屬性值為x，用戶對其滿意范圍為[a1,a2]，若該屬性為越大越優(yōu)的屬性，則用戶對該屬性的滿意程度為

若該屬性為越小越優(yōu)的屬性，則用戶對該屬性的滿意程度為

風(fēng)險偏好度及效用函數(shù)的確定：設(shè)四類用戶評定各自風(fēng)險偏好度為0.25，0.40，0.50，0.75，根據(jù)2.4.2確定其標(biāo)準(zhǔn)無差異式分別為[0,1/2,1]～0.25，[0,1/2,1]～0.40，[0,1/2,1]～0.50，[0,1/2,1]～0.75；確定其效用函數(shù)分別為

本實驗?zāi)M了針對風(fēng)險偏好不同用戶，在同一時段對10組服務(wù)進行評估，針對每個服務(wù)分別使用AHP，QoS，IIFS-SEA和SEM-RP等4種方法進行評估，得到各自最佳服務(wù)，計算用戶對每個服務(wù)的滿意程度，得到的結(jié)果如圖3～6所示.

圖3對風(fēng)險中立型用戶進行服務(wù)評估實驗

(風(fēng)險偏好度θ=0.50)

圖4對風(fēng)險偏好型用戶進行服務(wù)評估實驗

(風(fēng)險偏好度θ=0.75)

圖5對風(fēng)險規(guī)避型用戶進行服務(wù)評估實驗

(風(fēng)險偏好度θ=0.40)

圖6對風(fēng)險規(guī)避型用戶進行服務(wù)評估實驗

(風(fēng)險偏好度θ=0.25)

從圖3中可以看出，對風(fēng)險中立型用戶而言，即風(fēng)險偏好度為0.50時，由于用戶對風(fēng)險不敏感，用戶通過屬性值大小以及用戶偏好來確定并選擇服務(wù)，本方法關(guān)于用戶屬性偏好度計算方法與IIFS-SEA方法相同，因此針對風(fēng)險不敏感用戶所得用戶滿意度與IIFS-SEA方法相近.

從圖4中可以得出，對于風(fēng)險偏好型用戶，即風(fēng)險偏好度為0.75時，用戶的屬性偏好度不變，用戶對風(fēng)險有明顯的傾向性，AHP，QoS，IIFS-SEA方法沒有考慮用戶的風(fēng)險偏好. 圖中結(jié)果表明，本方法選擇所得用戶滿意度優(yōu)于上述幾種方法.

從圖5和圖6中可以得出，對于風(fēng)險規(guī)避型用戶，即風(fēng)險偏好度小于0.5時，用戶屬性的偏好度不變，用戶對風(fēng)險有明顯的傾向性. 圖中結(jié)果表明：本文服務(wù)評估方法所得用戶滿意度優(yōu)于其他幾種方法，并且隨著用戶對風(fēng)險的敏感程度增加，本方法優(yōu)勢加大.

4結(jié)語

服務(wù)的執(zhí)行通常處于評分信息缺失的環(huán)境之中，這種信息缺失往往會帶來服務(wù)質(zhì)量的波動從而導(dǎo)致服務(wù)存在質(zhì)量降低的風(fēng)險. 針對服務(wù)質(zhì)量波動所造成的選擇風(fēng)險性，本文提出一種支持用戶風(fēng)險偏好的服務(wù)評估方法. 仿真結(jié)果表明，本方法在表達用戶屬性偏好的同時清晰表達了用戶的風(fēng)險偏好特征，更完善地表達了用戶的個性化差異，提高了服務(wù)評估的有效性和準(zhǔn)確性.

參考文獻

[1] KONDRATYEVA1 O, CAVALLI A, KUSHIK N, et al. Evaluating quality of web services: a short survey[C] //Proceedings of IEEE 20th International Conference on Web Services. Santa Clara:IEEE, 2013: 587-594.

[2] BENOUARET K,BENSLIMANE D,HADJALI A. WS-Sky: an efficient and flexible framework for qos-aware web service selection[C] // Proceedings of IEEE Ninth International Conference on Services Computing. Honolulu:IEEE, 2012:146-153.

[3] MALIK Z, BOUGUETTAYA A. RATEWeb: m [J]. The VLDB Journal, 2009, 18(4): 885-911.

[4] 吳青林,周天宏.不確定QoS信息下的web服務(wù)選擇方法研究[J].湖北大學(xué)學(xué)報(自然科學(xué)版),2015,37(2):179-184.

[5] CUI Yuehui, CHEN Chang, ZHAO Zhengde. Web service selection based on credible user recommended and QoS[C] // Proceedings of IEEE/ACIS 11th International Conference on Computer and Information Science. Shanghai,:IEEE, 2012:637-642.

[6] LIU TAO, XU FENG, YAO Yuan, et al. A group recommendation approach for service selection[C] //Proceedings of the Fourth Asia-Pacific Symposium on Internetware. Qingdao: ACM, 2012.

[7] ARNES A, VALEUR F, VIGNA G, et al. Using hidden Markov models to evaluate the risk of intrusions[C]//Proceedings of the RAID06. Hamburg:Springer, 2006: 145-164.

[8] SIMON D. Kalman filtering with state constriants:a survey of linear and nonlinear algorithms[J].IET Control Theory and Applications,2010,4(8):1303-1318.

[9] BOULKROUNE B,DAROUACH M,ZASADZINSKI M.Moving horizon state estimation for linear discrete-time singular systems[J].IET Control Theory and Applications,2010,4(3):339-350.

[10]李偉明,雷杰,董靜,等. 一種優(yōu)化的實時網(wǎng)絡(luò)安全風(fēng)險量化方法[J]. 計算機學(xué)報,2009,32(4):793-804.

[11]張潤蓮,武小年,周勝源,等. 一種基于實體行為風(fēng)險評估的信任模型[J].計算機學(xué)報,2009, 32(4):688-698.

[12]付艷艷,張敏,馮登國,等. 基于節(jié)點分割的社交網(wǎng)絡(luò)屬性隱私保護[J]. 軟件學(xué)報,2014, 25(4):768-780.

[13] ZINGG A，SIEGRIST M.Lay people’s and expert’s risk perception and acceptance of vaccination and culling strategies to fight animal epidemics[J].Journal of Risk Research,2012,15(1)：553-66.

[14]劉偉.移動支付消費者感知風(fēng)險評價研究[D].武漢：華中科技大學(xué),2012.

[15]NEUMANN J von, MORGENSTERN O. Theory of Games and Economic Behavior[M]. Princeton: Princeton University Press, 1944.

[16]姜樹元,姜青舫. 定常風(fēng)險偏好效用函數(shù)式及其參數(shù)確定問題[J].中國管理科學(xué),2007,15(1):16-20.

[17]劉健,陳劍,劉思峰,等. 風(fēng)險偏好與屬性約簡在決策問題中的應(yīng)用研究[J]. 管理科學(xué)學(xué)報,2013,16(8):68-79.

[18]FARQUHAR P H.State of the art-utility assessment methods[J].Management Science，1984,30(11)：1283-1300.

[19]駱健.基于用戶偏好的IIFS-SEA服務(wù)評估方法[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版),2014,42(11):80-85.

[20]DOU Wanchun, LV Chao, ZHANG Xuyun, et al. A QoS-aware service evaluation method for co-selecting a shared service[C] //Proceedings of the IEEE International Conference on Web Services. Washington DC:IEEE, 2011: 145-152.

[21]LI Fei, HE Yanxiang, HUI Wensheng, et al. Web service selection based on fuzzy QoS attributes[J]. Journal of Computational Information Systems, 2011,7(1):198-205.

[22]ZHENG Zibin, LYU M R. Personalized reliability prediction of web services[J]. ACM Transactions on Software Engineering and Methodology, 2013,22(2):1-25.

(編輯王小唯苗秀芝)

A service evaluation method based on risk preferences

WANG Haiyan, QU Huizhi

(College of Computer Science, Nanjing University of Posts and Telecommunications, 210036 Nanjing, China )

Abstract:We propose a service evaluation method based on risk preferences (SEM-RP) for the risk caused by quality volatility. First, complete description rating information according to the interval number theory is made. Then we use risk preference to identify user’s perceived risk in order to express different user’s risk propensity. After that, service revenue is obtained by calculate service attributes and users’ preferences according to the principle of revenue maximization, and finally we get service evaluation rating by calculate service revenue and user’s perceived risk. Simulation experiments and results demonstrate that the proposed method can clearly express the characteristics of user’s risk preference while expressing user preferences attributes and which have the performance of higher user satisfaction.

Keywords:service evaluation； risk preference； risk utility； service revenue

中圖分類號:TP301.6

文獻標(biāo)志碼:A

文章編號:0367-6234(2016)05-0110-07

通信作者:曲匯直, 191922094@qq.com.

作者簡介:王海艷(1974—)，女，博士，教授.

基金項目:國家自然科學(xué)基金(61201163).

收稿日期:2015-04-16.

doi：10.11918/j.issn.0367-6234.2016.05.018