一種基于用戶情境的QoS預(yù)測(cè)方法

李蓉 楊莉萍 楊艷

摘? 要： 完整的QoS信息有利于更準(zhǔn)確的服務(wù)推薦，但是現(xiàn)實(shí)中往往很難得到。文章提出了一種基于用戶情境的QoS預(yù)測(cè)方法，對(duì)于老用戶，根據(jù)他們?cè)瓉?lái)的QoS選擇，考慮QoS類型區(qū)別和時(shí)間衰減情況，預(yù)測(cè)新的QoS取值;對(duì)于新用戶，按照用戶分類信息，根據(jù)同類用戶的服務(wù)選擇情況，預(yù)測(cè)他們的QoS取值。實(shí)驗(yàn)證明，該方法有助于提高服務(wù)推薦的性能。

關(guān)鍵詞： QoS; Web服務(wù); 服務(wù)推薦; 用戶情境

中圖分類號(hào)：TP311? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2020）05-54-05

Abstract： Complete QoS information is conducive to more accurate service recommendation， but it is often difficult to get in reality. In this paper， a QoS prediction method based on user context is proposed. For the old user， new QoS value is predicted according to their original QoS selection， taking the difference of QoS types and time attenuation into the consideration; for new users， the QoS is predicted according to the user classification information and the service selection of similar users. Experiments show that this method can improve the performance of service recommendation.

Key words： QoS; Web service; service recommendation; user context

0 引言

Web服務(wù)的發(fā)展非常迅速，隨著Web服務(wù)數(shù)量的急劇增加，用戶如何從大量服務(wù)中快速、準(zhǔn)確地選擇服務(wù)成為一個(gè)難題。當(dāng)提供的一些服務(wù)相似時(shí)，用戶可能不知道如何選擇，這時(shí)可以考慮服務(wù)的QoS屬性。服務(wù)的QoS屬性從多方面描述服務(wù)的質(zhì)量，比如服務(wù)的價(jià)格、吞度量、可靠性、聲譽(yù)等，對(duì)用戶的使用感受起到?jīng)Q定性作用[1]。

現(xiàn)在基于QoS的服務(wù)推薦多數(shù)是針對(duì)QoS屬性信息比較完全的情況，但是用戶可能沒有耐心去選擇所有的QoS屬性，或者用戶不清楚該如何選擇。遇到這些情況，我們不能簡(jiǎn)單地得到用戶的QoS取值，就需要先做QoS預(yù)測(cè)[2]。

主要的服務(wù)QoS預(yù)測(cè)方法有基于協(xié)同過(guò)濾的預(yù)測(cè)方法和基于數(shù)學(xué)模型的預(yù)測(cè)方法。協(xié)同過(guò)濾的思想比較簡(jiǎn)單，算法時(shí)間復(fù)雜度小，但是在數(shù)據(jù)稀疏的情況下推薦效果不太理想。其著名方法有文獻(xiàn)[3]提出的基于混合協(xié)同過(guò)濾的WSRec方法和文獻(xiàn)[4]提出的基于用戶協(xié)同過(guò)的UPCC算法?；跀?shù)學(xué)模型的方法對(duì)于數(shù)據(jù)稀疏的情況推薦效果較好，例如文獻(xiàn)[5]提出的ASmooth方法。但是因?yàn)樾枰啻蔚瓿蓴?shù)據(jù)集的訓(xùn)練，需要花費(fèi)很長(zhǎng)的時(shí)間，并存在取值不容易解釋的問(wèn)題。兩種方法都會(huì)遇到冷啟動(dòng)的問(wèn)題，即不能很好地預(yù)測(cè)新用戶的QoS取值。

針對(duì)以上問(wèn)題，本文提出了基于用戶情境的QoS預(yù)測(cè)方法。對(duì)新、老用戶使用不同的預(yù)測(cè)方法并結(jié)合在一起，這樣預(yù)測(cè)的QoS能擴(kuò)大用戶的選擇范圍，提高服務(wù)推薦的準(zhǔn)確度。

1 基于用戶情境的QoS預(yù)測(cè)框架

本框架以期在QoS信息不完整的情況下根據(jù)用戶的使用情境預(yù)測(cè)服務(wù)的QoS，具體步驟如圖1所示。

⑴ 根據(jù)用戶偏好得到經(jīng)驗(yàn)QoS

用戶偏好記錄用戶選擇服務(wù)的習(xí)慣，如經(jīng)常選擇的價(jià)格區(qū)間、經(jīng)常使用的時(shí)間等等。用戶的使用習(xí)慣往往是固定的，可以據(jù)此得到用戶的經(jīng)驗(yàn)QoS信息。用戶偏好來(lái)自于用戶原來(lái)的服務(wù)選擇，根據(jù)原來(lái)選擇過(guò)的服務(wù)的平均QoS，考慮服務(wù)選擇的時(shí)間衰減，根據(jù)公式計(jì)算得到現(xiàn)在用戶可能會(huì)選擇的QoS取值。

⑵ 使用協(xié)同過(guò)濾的方法預(yù)測(cè)QoS

當(dāng)用戶原來(lái)沒用過(guò)服務(wù)時(shí)，無(wú)法得到經(jīng)驗(yàn)QoS，本文考慮用戶注冊(cè)時(shí)填寫的用戶的職業(yè)、年齡、受教育情況、興趣愛好等基本信息，再考慮用戶的使用平臺(tái)、使用位置等情境信息，在用戶庫(kù)中找到類似的用戶，獲得同類用戶的最常用的QoS選擇，綜合得到所有類別中出現(xiàn)得最多的QoS值，以此預(yù)測(cè)該用戶的QoS信息。

⑶ 綜合QoS信息

當(dāng)用戶輸入了QoS信息時(shí)優(yōu)先使用輸入信息，當(dāng)用戶的QoS不完整或者沒有選擇QoS信息時(shí)，首先考慮用戶原來(lái)的QoS選擇。當(dāng)經(jīng)驗(yàn)QoS仍然不足時(shí)，采用協(xié)同過(guò)濾的方法預(yù)測(cè)用戶可能的QoS選擇，綜合得到盡可能完整的QoS信息。

2 基于情境的QoS補(bǔ)充

2.1 根據(jù)用戶QoS偏好計(jì)算QoS

在服務(wù)注冊(cè)庫(kù)中建立用戶庫(kù)，專門用于記錄用戶的使用習(xí)慣。在用戶選擇的QoS信息不完整地情況下，我們可以計(jì)算用戶過(guò)去選擇過(guò)的服務(wù)的QoS取值范圍，以計(jì)算現(xiàn)在用戶可能的QoS選擇。

⑴ 基本定義

因?yàn)镼oS屬性的種類很多，不同QoS屬性的物理意義不同，因此取值范圍不同，單位也不同，使得在計(jì)算中不容易對(duì)QoS的值統(tǒng)一處理。我們需要先對(duì)QoS屬性進(jìn)行規(guī)范化處理，使所有屬性值在相同取值范圍內(nèi)。

QoS屬性可以分類為增量型和減量型。增量型的QoS屬性，屬性值越大服務(wù)的質(zhì)量越高，如吞度量和可靠性等。減量型的QoS屬性屬性值越小服務(wù)的質(zhì)量越高，如響應(yīng)時(shí)間、價(jià)格等。

表示取所有服務(wù)的某一種QoS屬性qj的最大值。

表示取所有服務(wù)的某一種QoS屬性qj的最小值。

后面所有對(duì)QoS屬性的計(jì)算，都是計(jì)算經(jīng)過(guò)規(guī)范化處理之后的QoS值。

假設(shè)用戶對(duì)于服務(wù)的QoS屬性的選擇傾向于一致，即從用戶原來(lái)所選擇的QoS屬性可以預(yù)測(cè)出用戶后來(lái)的QoS選擇，我們可以計(jì)算出用戶經(jīng)驗(yàn)QoS的值。

因?yàn)橛脩舻腝oS屬性選擇習(xí)慣會(huì)隨時(shí)間變化，在計(jì)算服務(wù)QoS取值比率時(shí)要綜合考慮時(shí)間對(duì)UQVR的影響。因?yàn)闀r(shí)間越接近，用戶選擇相同的QoS值的概率越高，UQVR的影響隨著時(shí)間前推遞減，我們需要選擇指數(shù)類型的時(shí)間衰減函數(shù)，讓過(guò)去的UQVR的影響逐漸衰減。

2.2 根據(jù)用戶分類的QoS預(yù)測(cè)

⑴ 基本方法

根據(jù)用戶的QoS偏好預(yù)測(cè)QoS的方法可以得到比較準(zhǔn)確的QoS取值，但是對(duì)于新用戶，因?yàn)闆]有原來(lái)的QoS偏好數(shù)據(jù)，無(wú)法判斷他們的QoS選擇，因此無(wú)法推薦服務(wù)，這是常見的冷啟動(dòng)問(wèn)題[6]。

對(duì)于新用戶的QoS預(yù)測(cè)比較困難，簡(jiǎn)單的方法是選擇QoS取值高的服務(wù)或者使用度最高的服務(wù)，但這不一定符合用戶的需求。有實(shí)驗(yàn)表明使用職業(yè)、年齡、性別等等人口統(tǒng)計(jì)學(xué)的信息推薦能取得更好的推薦效果[7]。

我們?cè)谟脩糇?cè)時(shí)需要用戶輸入比較詳細(xì)的用戶基本信息，包括職業(yè)、生日、性別、受教育程度、注冊(cè)地址和興趣愛好。在用戶使用系統(tǒng)時(shí)，我們也動(dòng)態(tài)搜集了用戶的平臺(tái)信息和環(huán)境信息，包括用戶使用的軟件和硬件平臺(tái)、用戶當(dāng)前的地址、現(xiàn)在的時(shí)間、天氣情況和網(wǎng)絡(luò)狀況。這些信息可以用于個(gè)性化的服務(wù)推薦。

本文先按用戶基本信息對(duì)用戶分類，在每個(gè)類別中取最常用的10個(gè)服務(wù)，然后合并所有類別取出的服務(wù)集，把服務(wù)按照出現(xiàn)次數(shù)排序，出現(xiàn)的次數(shù)最高的服務(wù)被推薦，該服務(wù)的QoS最有可能滿足用戶的QoS取值要求。

綜合運(yùn)用算法1和算法2，當(dāng)用戶輸入的QoS信息不完整時(shí)，如果系統(tǒng)中有用戶原來(lái)使用過(guò)的服務(wù)的信息，則通過(guò)算法1求得用戶的經(jīng)驗(yàn)QoS;否則用算法2求得預(yù)測(cè)QoS值。

3 結(jié)束語(yǔ)

本文提出了一種基于用戶情境的QoS預(yù)測(cè)方法，在用戶的QoS信息不完整的情況下，能根據(jù)用戶的使用習(xí)慣和選擇服務(wù)的偏好預(yù)測(cè)QoS值，也能使用同類用戶的QoS緩解冷啟動(dòng)問(wèn)題。我們?cè)谕ㄟ^(guò)模擬實(shí)驗(yàn)與常用的QoS預(yù)測(cè)算法WSRec和UPCC比較，本文的方法的QoS預(yù)測(cè)性能明顯比UPCC好，和WSRec比較接近，但是在訓(xùn)練集增大的情況下，性能比WSRec略好。這證明了該方法有利于提高服務(wù)推薦的性能。

參考文獻(xiàn)（References）：

[1] Yu C， Huang L. Time-Aware Collaborative Filtering for QoS-Based Service Recommendation[A]. 2016 IEEE International Conference on Web Services （ICWS）[C].San Francisco， CA： IEEE，2016：265-272

[2] Zhu J， He P， Zheng Z， et al. A Privacy-Preserving QoSPrediction Framework for Web Service Recommendation[A]. 2015 IEEE International Conference onWeb Services （ICWS）[C].New York， NY，：IEEE，2015：241-248

[3] Zheng Z， Ma H， Lyu M R， et al. WSRec： A CollaborativeFiltering Based Web Service Recommender System[A]. 2009 IEEE International Conference on Web Services （ICWS）[C]. Los Angeles， CA： IEEE，2009：437-444

[4] Shao L， Zhang J， Wei Y， et al. Personalized QoSPrediction for Web Services via Collaborative Filtering[A]. 2007 IEEE International Conference on Web Services （ICWS）[C]. Salt Lake City， UT： IEEE，2007：439-446

[5] Chen L， Feng Y， Wu J， et al. An Enhanced QoS PredictionApproach for Service Selection[A]. 2011 IEEE International Conference on Services Computing（SCC）[C]， Washington， DC： IEEE，2011：727-728

[6] Leila Bahri， Barbara Carminati， Elena Ferrari. Privacy inWeb Service Transactions： A Tale of More than a Decade of Work[J]. IEEE Transactions on Services Computing，2018.11（2）：448-465

[7] Krulwich B. Lifestyle finder： Intelligent user profiling usinglarge-scale demographic data[J]. Ai Magazine，1997.18（2）：37-45

[8] 國(guó)家職業(yè)分類大典和職業(yè)資格工作委員會(huì).中華人民共和國(guó)職業(yè)分類大典[M].中國(guó)勞動(dòng)社會(huì)保障出版社，1999.