基于信譽感知與嵌入式學(xué)習(xí)的Web服務(wù)QoS預(yù)測研究

鄧 璇，呂晟凱

（1.湖北大學(xué) 計算機與信息工程學(xué)院，湖北 武漢 430062；2.應(yīng)用數(shù)學(xué)湖北省重點實驗室，湖北 武漢 430062；3.湖北省軟件工程技術(shù)研究中心，湖北 武漢 430062）

0 引 言

協(xié)同過濾（Collaborative Filtering）是目前應(yīng)用廣泛的QoS預(yù)測方法之一[3]，傳統(tǒng)計算用戶（或服務(wù)）相似性的方法是基于皮爾遜相關(guān)系數(shù)或余弦相似性計算相似度，實際上只挖掘了用戶之間的二階相似度，而忽略了用戶之間更高階的隱式關(guān)系[4]。

為解決以上問題，我們在考慮用戶信譽的同時引入網(wǎng)絡(luò)嵌入式學(xué)習(xí)（Network Embedding Learning），提出一種基于信譽感知的QoS預(yù)測方法。該方法能從歷史數(shù)據(jù)中充分挖掘用戶（或服務(wù)）間的高階隱式關(guān)系，為目標(biāo)用戶找到更多潛在的可靠相似用戶，不僅考慮了不可信用戶對預(yù)測精度的影響，也在一定程度上緩解了數(shù)據(jù)稀疏性問題[5-6]。

1 研究方法

本文方法主要包括如下4部分。

（1）用戶信譽計算：利用K-means聚類對Web服務(wù)的歷史QoS值進行聚類，聚類結(jié)果用于計算用戶的信譽度，將信譽度低于閾值的用戶標(biāo)記為不可信用戶，并過濾。

（2）網(wǎng)絡(luò)建模：將計算得到的用戶信譽度作為用戶節(jié)點屬性，構(gòu)建帶屬性的用戶-服務(wù)二分網(wǎng)絡(luò)。

（3）網(wǎng)絡(luò)嵌入式學(xué)習(xí)：對帶屬性的用戶-服務(wù)二分網(wǎng)絡(luò)進行嵌入式學(xué)習(xí)，獲得用戶的表征向量。

（4）QoS預(yù)測：給定一個目標(biāo)用戶，為其返回Top-K個相似用戶，并利用相似用戶提供的信息預(yù)測缺失的QoS值。

1.1 K-means聚類

對每一項服務(wù)，使用K-means聚類對其所有用戶標(biāo)記的QoS值進行聚類。聚類后，包含元素個數(shù)最少的集群中的用戶視為不可信用戶。聚類算法中的參數(shù)K為確定要劃分的組數(shù)，表示服務(wù)j的第k個集群，其中k是集群的索引，0≤k

長陽縣水產(chǎn)局局長田繼橋向記者解讀該項工作的艱巨難行之處時說，整個清理取締概算需要2億元以上的資金，這相當(dāng)于該縣過去30年農(nóng)業(yè)投入的總和。當(dāng)這個數(shù)字報到縣人大常委會時，大家都愣住了。

矩陣A是由m個用戶和n個服務(wù)組成的m×n矩陣，用來記錄用戶的不可信索引，初始化矩陣A，其每一項值均為0。如果用戶i被標(biāo)識為服務(wù)j上的候選不可信用戶，則aij設(shè)置為1。重復(fù)聚類過程，對每個服務(wù)更新矩陣A，直到所有服務(wù)的QoS值均已聚類。

用戶信譽度：在對所有QoS值聚類后，使用以下公式得到用戶不可信索引集：

式中，wu表示用戶u被識別為不可信用戶的次數(shù)，wu越大，表示該用戶的信譽度越低，即ru=1?wu。

1.2 用戶-服務(wù)二分網(wǎng)絡(luò)學(xué)習(xí)

1.2.1 帶屬性的用戶-服務(wù)二分網(wǎng)絡(luò)建模

結(jié)合用戶信譽和用戶與服務(wù)的交互信息，可以構(gòu)建一個帶屬性的用戶-服務(wù)二分網(wǎng)絡(luò)G={U,S,R,E}，其中，U={u1,u2,...,um}是用戶集合，S={s1,s2,...,sn}是服務(wù)集合，R是用戶信譽，E={eij|i=1, 2,...,m；j=1, 2,...,n}是邊集合，在邊集合中eij=QoSij，表示用戶ui對服務(wù)sj的個性化QoS值。用戶u1，u2，u3的信譽值分別為r(u1)，r(u2)，r(u3)，其用戶-服務(wù)二分網(wǎng)絡(luò)如圖1所示。

圖1 用戶-服務(wù)二分網(wǎng)絡(luò)

1.2.2 網(wǎng)絡(luò)嵌入學(xué)習(xí)

二分網(wǎng)絡(luò)嵌入（Bipartite Network Embedding）用于學(xué)習(xí)二分網(wǎng)絡(luò)中的節(jié)點表示[7]。它通過執(zhí)行有偏和自適應(yīng)的隨機游走，很好地保持了原始二分網(wǎng)絡(luò)中節(jié)點的長尾分布。它在學(xué)習(xí)節(jié)點表示時，同時對顯式關(guān)系（即觀察到的連接）和高階隱式關(guān)系（即未觀察到但可傳遞的連接）進行建模。通過二分網(wǎng)絡(luò)嵌入式學(xué)習(xí)，可以為目標(biāo)用戶發(fā)掘更多可信的間接相似用戶，有效減少不可信用戶和數(shù)據(jù)稀疏性對預(yù)測精度的影響。

1.3 協(xié)同過濾

對目標(biāo)用戶i，選擇與其相似度最高的前K個用戶作為其相似用戶集合。

依據(jù)相似用戶提供的信息，缺失的QoS值可以用以下公式計算：

2 實驗與結(jié)果分析

本文在公開數(shù)據(jù)集[8]WS-Dream上進行實證分析，與3種已有方法進行對比。采用常用的平均絕對誤差（Mean Absolute Error, MAE）作為測量預(yù)測方法準(zhǔn)確性的評價指標(biāo)，MAE定義為：

式中：N為所有預(yù)測值的個數(shù)；Ru,i表示實際QoS值；u,i表示預(yù)測的QoS值。

將QoS矩陣密度以1%的步長從5%增加到10%。在K-means聚類中K取值為5，選擇反饋20個相似用戶進行預(yù)測。嵌入式學(xué)習(xí)中的負采樣數(shù)為4，窗口為5，游走停止概率p為 0.15，損失權(quán)衡參數(shù)α=0.01，β=0.01，γ=4，學(xué)習(xí)率λ=0.15。表1顯示了在不同密度條件下不同方法的MAE結(jié)果，實驗結(jié)果表明：隨著矩陣密度的增加，所有方法的MAE值都呈下降趨勢。說明矩陣的密度越大，可獲得的用戶和服務(wù)交互信息越多，預(yù)測精度也就越高。在各密度條件下，本文方法與已有方法相比，MAE值更小，即預(yù)測精度更高。說明采用信譽感知的網(wǎng)絡(luò)嵌入式方法，能夠緩解數(shù)據(jù)稀疏性對預(yù)測精度的影響。具體而言，與TAP方法相比，本文方法的預(yù)測精度最大可提高20.93%。

表1 各方法在不同矩陣密度條件下取得的MAE結(jié)果

3 結(jié) 語

本文將網(wǎng)絡(luò)嵌入式方法引入QoS預(yù)測過程中，考慮用戶的實際信譽度，提出了一種基于信譽感知網(wǎng)絡(luò)嵌入的QoS預(yù)測方法。該方法能夠充分利用用戶-服務(wù)二分網(wǎng)絡(luò)信息與用戶信譽度信息，能從歷史數(shù)據(jù)中充分挖掘用戶-服務(wù)間的高階隱式關(guān)系，為目標(biāo)用戶找到更多潛在的可靠相似用戶。實驗表明，本文方法不僅考慮了用戶信譽對預(yù)測精度的影響，也在一定程度上緩解了數(shù)據(jù)稀疏性問題，相比已有三種其他方法準(zhǔn)確度更高[9-10]。