支持冷啟動用戶推薦的區(qū)塊鏈服務(wù)發(fā)布方案

董學(xué)文，劉昊哲，喬慧，鄭佳偉

（西安電子科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710071）

1 引言

自2004 年服務(wù)計(jì)算的概念被正式提出以來，服務(wù)計(jì)算和云計(jì)算一直在高速發(fā)展。越來越多的服務(wù)信息需要在互聯(lián)網(wǎng)上發(fā)布，并推薦給適合的用戶使用。在這個過程中，服務(wù)發(fā)布系統(tǒng)是核心和關(guān)鍵。

本文解決的問題主要針對冷啟動用戶（即新進(jìn)入系統(tǒng)缺乏用戶行為特征的用戶）的區(qū)塊鏈服務(wù)發(fā)布和推薦。因?yàn)樾掠脩羧狈τ脩籼卣鳎詿o法準(zhǔn)確地用常用的協(xié)同過濾（CF,collaborative filtering）等算法進(jìn)行推薦。

如圖1 所示，傳統(tǒng)的服務(wù)發(fā)布系統(tǒng)由以下3 個角色組成：服務(wù)請求者、服務(wù)提供者和服務(wù)管理中心。該系統(tǒng)的基本模型為：首先服務(wù)請求者向服務(wù)發(fā)布系統(tǒng)發(fā)出服務(wù)請求，服務(wù)管理中心在接收到服務(wù)請求之后發(fā)布其服務(wù)；然后有多個服務(wù)提供者競爭；最后服務(wù)請求者選擇服務(wù)提供者來滿足其請求。

圖1 傳統(tǒng)服務(wù)發(fā)布系統(tǒng)

但是，這種模型存在嚴(yán)重不足。首先，這種傳統(tǒng)的服務(wù)發(fā)布系統(tǒng)容易受到分布式拒絕服務(wù)（DDoS,distributed denial of service）攻擊、遠(yuǎn)程劫持和惡作劇攻擊，使某些服務(wù)發(fā)布功能無法使用。其次，大多數(shù)服務(wù)發(fā)布系統(tǒng)都運(yùn)行在集中式服務(wù)器上，極易受到攻擊，同時可能導(dǎo)致單點(diǎn)故障。再次，用戶的敏感信息（例如姓名、電子郵件地址和電話號碼）和任務(wù)解決方案保存在服務(wù)管理中心的數(shù)據(jù)庫中，這存在數(shù)據(jù)丟失或篡改的風(fēng)險。最后，對于這種服務(wù)發(fā)布系統(tǒng)，傳統(tǒng)信任模型的弱點(diǎn)仍然是不可避免的挑戰(zhàn)。

當(dāng)前，已經(jīng)有一些工作試圖解決這些問題。例如，分布式體系結(jié)構(gòu)用于確保傳統(tǒng)服務(wù)發(fā)布系統(tǒng)的正常運(yùn)行，同時，采用加密等方法來保護(hù)用戶隱私與數(shù)據(jù)隱私，并提出了評分機(jī)制，以確保服務(wù)提供者和服務(wù)請求者之間相互信任，最大限度地避免作弊。

但是，這些問題很難被同時解決，而且這種傳統(tǒng)的三角形結(jié)構(gòu)在信任方面也不可避免地存在弱點(diǎn)。因此，本文提出一種基于區(qū)塊鏈的分布式服務(wù)發(fā)布系統(tǒng)框架，以盡可能解決上述問題，使服務(wù)發(fā)布系統(tǒng)更加安全、可靠、公平。與傳統(tǒng)的服務(wù)發(fā)布系統(tǒng)架構(gòu)不同，本文提出的模型中，服務(wù)提供者將可以提供的服務(wù)發(fā)布到互聯(lián)網(wǎng)上，然后服務(wù)管理中心向服務(wù)請求者推薦以進(jìn)行瀏覽和選擇，最后服務(wù)請求者與服務(wù)提供者進(jìn)行交易。同時，還應(yīng)注意在各種服務(wù)中如何準(zhǔn)確有效地推薦服務(wù)請求者所需要的服務(wù)。協(xié)同過濾算法是一種廣泛應(yīng)用的推薦算法，利用某興趣相投、擁有共同經(jīng)驗(yàn)之群體的喜好來推薦用戶感興趣的信息，個人通過合作的機(jī)制給予信息相當(dāng)程度的回應(yīng)（如評分）并被記錄下來以達(dá)到過濾的目的，進(jìn)而幫助別人篩選信息，回應(yīng)不一定局限于特別感興趣的信息，特別不感興趣的信息的記錄也相當(dāng)重要[1]。傳統(tǒng)的CF 模型側(cè)重于單域用戶偏好預(yù)測，存在數(shù)據(jù)稀疏的問題。實(shí)際場景中經(jīng)常存在多個項(xiàng)目領(lǐng)域，并且不同域中的用戶偏好是相關(guān)的，例如喜歡幽默書的用戶通常偏愛喜劇電影。因此，跨域協(xié)同過濾（CDCF,cross-domain collaborative filtering）被提出以通過多域評估來豐富目標(biāo)領(lǐng)域的知識，并且這已成為一個新興的研究主題。由于數(shù)據(jù)極為稀少，因此在一個區(qū)域內(nèi)向冷啟動用戶提供可靠的推薦結(jié)果仍然具有挑戰(zhàn)性。但是，大多數(shù)CDCF 模型，例如CBT（code book transfer）[2]、RMGM（rating-matrix generative model）[3]和TCF（transfer by collective factorization）[4]，都是為了減輕單域數(shù)據(jù)問題而設(shè)計(jì)的，未能充分討論如何有效地實(shí)現(xiàn)冷啟動用戶的精準(zhǔn)推薦。

此外，還有一個問題亟待解決。一個不太喜歡參與某一項(xiàng)目領(lǐng)域的用戶可能參與另一個項(xiàng)目領(lǐng)域[5]，例如電影和音樂代表著不同的領(lǐng)域。因此，本文專注于為冷啟動用戶提供跨域推薦，并根據(jù)其中的項(xiàng)目類型級別對域進(jìn)行分類。例如，科幻電影和喜劇電影屬于同一領(lǐng)域。在本文的問題設(shè)置中，冷啟動用戶僅在輔助域中評分，這與以前的大多數(shù)工作不同。在不考慮冷啟動用戶的情況下，假設(shè)輔助域中的數(shù)據(jù)相對于目標(biāo)域中的數(shù)據(jù)[6]更小，多個域中共同出現(xiàn)的用戶稱為鏈接用戶。鏈接用戶是模型跨領(lǐng)域的知識橋梁。向目標(biāo)域中的冷啟動用戶進(jìn)行推薦是一項(xiàng)艱巨的任務(wù)。首先，不同項(xiàng)目域的評分矩陣存在稀疏情況，因此如何更好地建模用戶在不同域中的獨(dú)特特征變得非常重要。其次，在目標(biāo)域中沒有冷啟動用戶的評分?jǐn)?shù)據(jù)，并且在不同域中用戶的評分行為或偏好設(shè)置是相關(guān)但不同的。因此，應(yīng)該轉(zhuǎn)讓哪些知識以及如何跨域轉(zhuǎn)讓知識仍然是一個需要解決的問題。

2 相關(guān)工作

隨著網(wǎng)絡(luò)和移動設(shè)備的爆炸性增長，網(wǎng)頁和服務(wù)發(fā)布的組合研究已成為一種新興趨勢。研究人員已經(jīng)提出了一些服務(wù)架構(gòu)和推薦技術(shù)。

面向服務(wù)的體系結(jié)構(gòu)（SOA,service-oriented architecture）具有比傳統(tǒng)體系結(jié)構(gòu)更多的功能，如可重用性、可組合性、分布式部署和其他功能，因此在業(yè)界得到了廣泛認(rèn)可。近年來，面向服務(wù)的體系結(jié)構(gòu)已經(jīng)被討論了很多次，但是尚未確定最合適的方法。Anurag 等[7]為了解決面向服務(wù)的體系結(jié)構(gòu)中的服務(wù)識別問題，包括自下而上和自上而下的功能，提出了一種“中間相遇”方法模型。Zisman 等[8]提出了基于統(tǒng)一建模語言（UML,unified modeling language）的服務(wù)發(fā)現(xiàn)框架，它是面向服務(wù)的體系結(jié)構(gòu)中最可靠的服務(wù)識別機(jī)制之一。Cheng 等[9]提出了一種面向SOA 的安全體系結(jié)構(gòu)設(shè)計(jì)。Hasselbring 等[10]指出，微服務(wù)架構(gòu)提供了可以彼此獨(dú)立部署和擴(kuò)展的小型服務(wù)，并且可以使用不同的中間件堆棧來實(shí)現(xiàn)它們。微服務(wù)架構(gòu)旨在克服單片架構(gòu)的缺點(diǎn)，在單片架構(gòu)中，所有應(yīng)用程序邏輯和數(shù)據(jù)都在可部署單元中進(jìn)行管理。Sill[11]在物聯(lián)網(wǎng)的背景下提出了一種微服務(wù)架構(gòu)的新范式，同時指出了采用微服務(wù)架構(gòu)的優(yōu)勢。

推薦技術(shù)方面，為了更準(zhǔn)確、更有效地?cái)M合觀察到的等級，研究人員提出了大量的單域?qū)?、次矩陣分解模型[12-13]。Razzaque 等[14]認(rèn)為，鄰域模型可以有效地檢測局部關(guān)系，而潛在特征模型通?？梢杂行У毓烙?jì)整體結(jié)構(gòu)。Wang 等[15]則利用這2 種方法，將用戶相似度納入矩陣分解過程。TagiCoFi[16]旨在提高傳統(tǒng)矩陣分解（MF,matrix factorization）模型[17-19]的性能，可以看作MF 模型的總結(jié)[20]，其中每個域都有其自己的用戶因子矩陣，但它依賴于標(biāo)簽信息，另外也未考慮冷啟動用戶。

對于冷啟動問題，目前已有基于標(biāo)記和審查的跨域分解模型[21-24]。文獻(xiàn)[25-26]嘗試使用多層感知機(jī)（MLP,multilayer perceptron）和轉(zhuǎn)換矩陣來映射跨域用戶特征向量，但它們考慮了所有鏈接用戶，導(dǎo)致計(jì)算量較大，并且特征提取效果不佳。Wang 等[15]提出了一種針對目標(biāo)域中冷啟動用戶的跨域潛在特征映射（CDLFM,cross-domain latent feature mapping）模型，該模型在矩陣分解過程中考慮了用戶相似性。但是，它僅包含一個輔助域，由于相似度的計(jì)算成本高而需花費(fèi)更多時間，并且由于考慮每個冷啟動用戶的個性化功能而增加了模型的復(fù)雜性。本文以一種更易于解釋的方式綜合多個域中映射的潛在特征。

國內(nèi)區(qū)塊鏈技術(shù)的應(yīng)用研究方面，何蒲等[27]對區(qū)塊鏈技術(shù)的應(yīng)用前景進(jìn)行了總體性概述，對相關(guān)應(yīng)用問題進(jìn)行了深入探討。王妙娟[28]和張小華[29]論述了區(qū)塊鏈技術(shù)在物流快遞中的應(yīng)用場景。許濤[30]從教育的維度，討論了在教育領(lǐng)域應(yīng)用區(qū)塊鏈技術(shù)的可能性與現(xiàn)狀。王凱正[31]就眾籌模式存在的第三方支付信任問題，設(shè)計(jì)了基于區(qū)塊鏈技術(shù)的眾籌平臺。王博等[32]以區(qū)塊鏈技術(shù)為基礎(chǔ)，提出智慧平臺建設(shè)，利用智能合約將智慧城市各個部分進(jìn)行整合，并結(jié)合大數(shù)據(jù)技術(shù)，有效解決了成本、開放度、靈活性等問題。韓爽等[33]針對傳統(tǒng)交易平臺不能保證資產(chǎn)安全性的問題，提出了利用區(qū)塊鏈技術(shù)實(shí)施新型數(shù)字資產(chǎn)安全交易的方案。

3 系統(tǒng)模型

本節(jié)描述基于區(qū)塊鏈的服務(wù)發(fā)布系統(tǒng)模型及其工作流程。

3.1 服務(wù)發(fā)布系統(tǒng)模型

本文所提的服務(wù)發(fā)布系統(tǒng)模型主要包含以下4種角色：服務(wù)請求者、服務(wù)提供者、服務(wù)管理中心以及區(qū)塊鏈，具體如圖2 所示。

圖2 服務(wù)發(fā)布系統(tǒng)模型

服務(wù)請求者將服務(wù)請求信息發(fā)送給服務(wù)管理中心，服務(wù)管理中心將這些信息存儲在區(qū)塊鏈上，并等待服務(wù)提供者接受服務(wù)請求信息，服務(wù)允許請求者和服務(wù)提供者瀏覽區(qū)塊鏈上所有已發(fā)布的服務(wù)請求。

3.2 區(qū)塊結(jié)構(gòu)

區(qū)塊結(jié)構(gòu)如圖3 所示。區(qū)塊結(jié)構(gòu)中，首先是一個與其他塊區(qū)分的唯一編碼格式，稱為區(qū)塊格式。下一個字段是區(qū)塊的大小，其表示該字段之后區(qū)塊的大小。區(qū)塊頭在區(qū)塊大小之后，存儲了區(qū)塊的頭信息，主要由版本號、上一個區(qū)塊的哈希值、本區(qū)塊體的哈希值（Merkel 根），以及時間戳、難度目標(biāo)、Nonce 等信息組成。其對區(qū)塊網(wǎng)絡(luò)中保持不變性起到至關(guān)重要的作用。當(dāng)攻擊者想要修改區(qū)塊頭時，攻擊者應(yīng)該能夠從創(chuàng)世塊開始修改所有區(qū)塊頭，以偽造該區(qū)塊的記錄。但是，區(qū)塊頭包含上一個區(qū)塊的哈希，即sha-256 哈希，此哈希值的作用是不更改上一個區(qū)塊頭就無法更改當(dāng)前區(qū)塊頭，這樣可以最大限度地保證鏈上各區(qū)塊的完整性，有助于確保網(wǎng)絡(luò)的更高級別的安全性。在惡意活動的情況下，區(qū)塊不匹配將警告系統(tǒng)可觸發(fā)數(shù)據(jù)取證可疑事件。

區(qū)塊頭之后是區(qū)塊信息字段，存儲服務(wù)管理中心的節(jié)點(diǎn)簽名、服務(wù)提供者的信息、服務(wù)請求者的信息以及服務(wù)相關(guān)狀態(tài)的信息和服務(wù)進(jìn)度情況。

3.3 工作流程

服務(wù)發(fā)布系統(tǒng)交互過程如圖4 所示。首先，服務(wù)請求者和服務(wù)提供者由服務(wù)管理中心進(jìn)行注冊和統(tǒng)一管理。每個提供者都具有代表其服務(wù)質(zhì)量的評分。該分?jǐn)?shù)的初始值是此類服務(wù)的所有提供者的平均分?jǐn)?shù)。服務(wù)請求者根據(jù)其提供的服務(wù)質(zhì)量進(jìn)行評價，使服務(wù)質(zhì)量評分增加或減少。系統(tǒng)會將與該服務(wù)提供者過往評分相差較大的數(shù)據(jù)作為惡意數(shù)據(jù)剔除，并將其余有效數(shù)據(jù)計(jì)算平均分，作為該服務(wù)提供者的正式評分。服務(wù)發(fā)布系統(tǒng)會將每個服務(wù)提供者和請求者的用戶信息存儲在數(shù)據(jù)庫中，以便隨時查閱。

圖3 區(qū)塊結(jié)構(gòu)

本文所提的服務(wù)發(fā)布系統(tǒng)中，要求服務(wù)提供者將他們可以提供的服務(wù)信息上傳到服務(wù)管理中心，并在數(shù)據(jù)庫中存儲信息。服務(wù)請求者創(chuàng)建賬戶后，服務(wù)管理中心將根據(jù)請求者的個人偏好向其推薦服務(wù)。同時，服務(wù)請求者可以查看任何服務(wù)提供者的服務(wù)評估，并決定是否向其發(fā)布請求。

圖4 服務(wù)發(fā)布系統(tǒng)交互過程

服務(wù)提供者接受請求后，服務(wù)管理中心將服務(wù)內(nèi)容、服務(wù)提供者的詳細(xì)信息、服務(wù)傭金和其他相關(guān)內(nèi)容通知服務(wù)請求者。當(dāng)服務(wù)請求者確認(rèn)信息并同意時，服務(wù)管理中心正式創(chuàng)建服務(wù)合同并將其上傳到區(qū)塊鏈。在服務(wù)合同生效期間，服務(wù)提供者將定期上傳當(dāng)前服務(wù)的最新進(jìn)度，以確保服務(wù)請求者可以隨時檢查請求進(jìn)度。服務(wù)提供者終止服務(wù)時，將最后一次上傳服務(wù)進(jìn)度，服務(wù)管理中心將結(jié)果反饋給服務(wù)請求者。服務(wù)請求者確認(rèn)服務(wù)的完成，并支付相應(yīng)的傭金。同時，服務(wù)提供者應(yīng)根據(jù)服務(wù)的相關(guān)條件進(jìn)行升級，以影響其當(dāng)前得分的變化。最后，服務(wù)提供者收到傭金，服務(wù)合同正式終止。從服務(wù)請求者創(chuàng)建請求直到服務(wù)提供者收到傭金的過程中，服務(wù)管理中心都會在區(qū)塊鏈上記錄每個合同的更改，以防篡改。整個事務(wù)結(jié)束后，事務(wù)的備份將存儲在數(shù)據(jù)庫中。

3.4 推薦

本節(jié)詳細(xì)介紹解決冷啟動問題的具體推薦過程。本文的模型中有3 個域，包括2 個輔助域和一個目標(biāo)域。輔助域中的評分矩陣為和。Rs表示對2 個輔助域中的數(shù)據(jù)進(jìn)行篩選后形成的一個矩陣，即可以作為一個新的輔助域。目標(biāo)域中的評分矩陣為，其中，？表示缺失的評分值，Uc和Pc分別表示聚類級矩陣Rc經(jīng)過分解后，得到的輔助域中用戶和產(chǎn)品的潛在特征。Ut和Pt分別表示目標(biāo)域中用戶和產(chǎn)品的集合。參考Wang 等[15]對2 個域情況下冷啟動用戶的跨域推薦的定義，本文定義了3個域的情況下冷啟動用戶的跨域推薦，具體定義參考文獻(xiàn)[15,34]。

本文的TADCDR（two auxiliary domains-base cross-domain recommendation）模型的工作流程如圖5 所示，主要包括3 個階段：潛在特征模型建立、潛在特征映射以及個性化的跨域推薦。在潛在特征模型的建立過程中，采用K-means 聚類算法建立用戶和產(chǎn)品之間的聚類級矩陣Rc。同時，本文考慮目標(biāo)域中的用戶評分行為的相似性，以獲得目標(biāo)域內(nèi)用戶和項(xiàng)目的潛在特征。然后，在潛在特征映射過程中，為每個冷啟動用戶訓(xùn)練一個基于MLP 的潛在特征映射函數(shù)。最后，根據(jù)冷啟動用戶的偏好為他們提供個性化的跨域推薦。

3.4.1 潛在特征模型

TADCDR模型工作流程的第一步旨在獲得輔助域和目標(biāo)域中實(shí)體的潛在特征（即用戶或產(chǎn)品）。本節(jié)主要介紹對輔助域數(shù)據(jù)的處理和對目標(biāo)域數(shù)據(jù)的處理。

圖5 TADCDR 模型的工作流程

1) 對輔助域數(shù)據(jù)的處理

①采用偏置矩陣分解，將評分矩陣R映射到低維度的潛在空間P∈?n×l和Q∈?m×l，其中R=PQT。

② 將K-means聚類算法應(yīng)用于用戶潛在空間P和項(xiàng)目潛在空間Q，使用戶和項(xiàng)目分類到不同的聚類中。

某類用戶對某類項(xiàng)目的聚類級評分矩陣可表示為

2) 對目標(biāo)域數(shù)據(jù)的處理

首先，對目標(biāo)域的用戶?項(xiàng)目評分矩陣進(jìn)行分解，并將用戶之間評分行為的相似度整合到傳統(tǒng)的矩陣分解過程中。

所述用戶評分行為相似度的計(jì)算包含3 個方面：基于共同評分的相似度、基于不感興趣猜測的相似度以及基于評分偏好值的相似度。

基于共同評分的相似度的計(jì)算式為

3.4.2 潛在特征映射

本節(jié)主要介紹知識遷移的過程。在這個過程中，系統(tǒng)可以通過訓(xùn)練輔助域和目標(biāo)域的評分?jǐn)?shù)據(jù)來獲得一個特征映射函數(shù)以處理潛在特征匹配問題。使用MLP 方法作為映射函數(shù)具有以下優(yōu)點(diǎn)。首先，MLP 可以很容易地捕獲input-output 結(jié)構(gòu)，因?yàn)橛成浜瘮?shù)的輸入和輸出都是K維向量。其次，作為一個非線性變換，MLP 比線性映射函數(shù)更靈活。下面，本文將詳細(xì)描述一個基于MLP 的潛在特征映射模型。

對于冷啟動用戶，他們只能從輔助域獲得其潛在的特征，而且所獲得的潛在特征不能直接用于個性化且準(zhǔn)確的推薦。然而，同一用戶在不同領(lǐng)域的潛在特征可能是高度相關(guān)的。所以，本文采用MLP方法來獲得映射函數(shù)Fu以及用戶u在輔助域中的潛在特征向量，通過計(jì)算得到其在目標(biāo)域中的映射特征向量；冷啟動用戶對目標(biāo)域中全體項(xiàng)目Pt的評分預(yù)測為

3.4.3 個性化跨域推薦

如果沒有給定目標(biāo)域中某個用戶或者產(chǎn)品的足夠信息，系統(tǒng)就無法估計(jì)該用戶或者產(chǎn)品的潛在特征以進(jìn)行推薦。通過對其在輔助域的潛在特征的學(xué)習(xí)，以及輔助域與目標(biāo)域之間的映射函數(shù)，便可以得到其在目標(biāo)域的相應(yīng)仿射潛在特征。例如，對于目標(biāo)域中的用戶ui，可以推導(dǎo)出它對應(yīng)的仿射特征向量為

4 實(shí)驗(yàn)過程

本節(jié)在所建立的原型系統(tǒng)中，對所提的服務(wù)發(fā)布框架和推薦方案進(jìn)行性能測試。

4.1 推薦測試

本節(jié)研究本文所提模型在真實(shí)的評分?jǐn)?shù)據(jù)集上的效果，并與其他相關(guān)的跨域推薦模型進(jìn)行比較。具體如下。

CCBMF-PT[22]：一種具有個性化閾值的聚類級矩陣分解模型。

EMCDR[23]：一個跨域推薦嵌入和映射框架。EMCDR 是面向冷啟動用戶的最新跨域推薦方法之一。

CDLFM[13]：一種考慮用戶評分行為的跨域潛在特征映射模型。

4.1.1 實(shí)驗(yàn)設(shè)置

本文從Amazon 平臺上的評分?jǐn)?shù)據(jù)中提取了3 個真實(shí)的數(shù)據(jù)集用于性能評估，包括多個目標(biāo)域，如圖書、電影和音樂。首先，過濾很少評分的錨用戶和產(chǎn)品。為了更好地評估實(shí)驗(yàn)性能，在每個數(shù)據(jù)集中隨機(jī)選擇了300 個用戶的評分作為訓(xùn)練數(shù)據(jù)，剩下的200 個用戶進(jìn)行測試。潛在特征的維度K分別設(shè)置為5、10、20。

4.1.2 實(shí)驗(yàn)結(jié)果

本文比較了不同模型在不同參數(shù)配置下的性能，調(diào)整了不同模型的參數(shù)，并基于多個參數(shù)設(shè)置的最優(yōu)組合報告了最佳的實(shí)驗(yàn)結(jié)果。本文以MAE（mean absolute error）為評價指標(biāo)。

MAE 是平均絕對誤差，是所有單個觀測值與算術(shù)平均值的偏差的絕對值的平均。平均絕對誤差可以避免誤差相互抵消的問題，因此可以準(zhǔn)確反映實(shí)際預(yù)測誤差的大小。其計(jì)算式為

其中，TE表示測試集，|TE|表示測試集中評分的數(shù)量，分別表示用戶u對產(chǎn)品i的真實(shí)評分和預(yù)估評分。MAE 值越小，評分預(yù)測準(zhǔn)確度越高。

所有對比模型在不同參數(shù)配置下的MAE 性能如表1 所示。分別以圖書、電影、音樂為目標(biāo)域，MAE 的性能如圖6 所示。從實(shí)驗(yàn)結(jié)果可以看出，在所有推薦模型中，最優(yōu)的是本文所提TADCDR模型。與EMCDR 模型相比，CDLFM 模型具有更好的性能，這表明考慮用戶相似性的方法可以獲得有意義的知識。TADCDR 模型優(yōu)于CDLFM 模型，這意味著從中學(xué)習(xí)的潛在特征可以提高性能，從類似用戶中學(xué)習(xí)的映射函數(shù)更加合理。與現(xiàn)有模型相比，本文的TADCDR 模型對高級跨域潛在特征映射更有效。

表1 不同參數(shù)配置下模型的MAE 值

4.2 服務(wù)管理和區(qū)塊鏈測試

服務(wù)管理中心會在頁面上顯示所有已發(fā)布的服務(wù)以及針對冷啟動服務(wù)請求者的個性化推薦結(jié)果。同時，服務(wù)請求者可以查詢現(xiàn)有服務(wù)的服務(wù)調(diào)用。請求者可以通過服務(wù)被調(diào)用的次數(shù)和提供的服務(wù)的質(zhì)量來大致了解服務(wù)提供者的可靠性，以便提出新的服務(wù)請求或直接選擇現(xiàn)有服務(wù)。

此外，區(qū)塊鏈功能測試如下：圖7 顯示了存儲在單個塊中的內(nèi)容，包括區(qū)塊提示信息、區(qū)塊哈希塊號、數(shù)據(jù)和其他詳細(xì)信息。

4.3 系統(tǒng)性能測試

本文針對所提系統(tǒng)進(jìn)行了壓力測試，主要針對系統(tǒng)服務(wù)發(fā)布能力的高并發(fā)性和吞吐量進(jìn)行測試，并采用JMeter 線程組來模擬高并發(fā)情況下的服務(wù)吞吐量性能，實(shí)驗(yàn)結(jié)果如表2 所示。

圖6 不同參數(shù)配置下的MAE 性能

圖7 單個區(qū)塊信息

根據(jù)實(shí)驗(yàn)結(jié)果分析，系統(tǒng)的并發(fā)線程數(shù)可以達(dá)到1 100。當(dāng)并發(fā)線程數(shù)達(dá)到1 150 和1 200 時，系統(tǒng)的異常率顯著增加，吞吐量顯著下降。

5 結(jié)束語

本文在傳統(tǒng)服務(wù)發(fā)布架構(gòu)的基礎(chǔ)上，結(jié)合微服務(wù)架構(gòu)，提出了一種具有松耦合、強(qiáng)大的容錯能力和服務(wù)子域部署的服務(wù)發(fā)布架構(gòu)，引入了區(qū)塊鏈結(jié)構(gòu)，可以更好地保證服務(wù)請求者和服務(wù)提供者的信息和財(cái)產(chǎn)安全。在向服務(wù)請求者提供服務(wù)建議方面，本文提出了一種TADCDR 模型，以便為冷啟動用戶提供更有效和個性化的跨域推薦。實(shí)驗(yàn)結(jié)果表明，本文所提的針對冷啟動用戶的個性化跨域推薦模型優(yōu)于其他推薦方法。此外，本文對服務(wù)發(fā)布系統(tǒng)進(jìn)行了壓力測試，結(jié)果表明該系統(tǒng)可以為用戶提供穩(wěn)定、可靠、高效和開放的服務(wù)能力。

表2 系統(tǒng)性能