Please wait a minute...
Advanced Search
现代图书情报技术  2016, Vol. 32 Issue (6): 80-87    DOI: 10.11925/infotech.1003-3513.2016.06.10
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于相似性群体的混合型Web服务推荐*
谢琪1,2(),崔梦天1
1西南民族大学计算机科学与技术学院 成都 610225
2香港中文大学计算机科学与工程学系 香港 999077
Group Similarity Based Hybrid Web Service Recommendation Algorithm
Xie Qi1,2(),Cui Mengtian1
1School of Computer Science and Technology, Southwest University for Nationalities, Chengdu 610225, China
2Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong 999077, China
全文: PDF(555 KB)   HTML ( 45
输出: BibTeX | EndNote (RIS)      
摘要 

目的】改进服务计算环境下Web服务推荐数据稀疏性导致的相似服务或相似用户缺失的问题。【方法】根据相似性距离分别为目标用户和服务构造个性化的相似性用户群体和服务群体, 同时使用用户和服务群体中心之间的群体相似性设计新的混合型推荐算法(GHQR)。【结果】使用197万条真实Web服务质量数据集的实验结果表明, 与UPCC和IPCC两种推荐算法相比, GHQR的标准平均绝对误差(NMAE)平均下降31%、69%, 覆盖率平均提高105%、163%。【局限】实验仅对服务质量属性响应时间进行分析, 还需对其他Web服务质量属性如吞吐率等进行验证。【结论】与WSRec和CFBUGI推荐算法相比, GHQR的NMAE平均下降26%、7.7%, 覆盖率平均提高188%、4%。GHQR不仅能提高预测的准确性, 而且覆盖率也获得显著提高。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
谢琪
崔梦天
关键词 个性化推荐服务计算Web服务服务质量    
Abstract

[Objective] This paper tries to solve the issues of lacking similar services or users in Web service computing due to the data sparsity of Quality of Service (QoS) recommendation. [Methods] First, we created personalized similar user and service groups according to similarity distance of the target users and services. Second, we used the group center similarities of the user and service groups to design a new hybrid recommendation algorithm(GHQR), which was tested with real-world data of 1.97 million QoS records. [Results] Compared with two traditional recommendation algorithms, the GHQR reduced the Normalized Mean Absolute Error (NMAE) by 31% and 69%. It also increased the Coverage by 105% and 163%, respectively. [Limitations] Our study only examined the response time of QoS, and more research was needed to investigate other QoS properties. [Conclusions] Comprared with WSRec and CFBUGI, the GHQR can reduce the NMAE by 26% and 7.7%. It also increased the Coverage by 188% and 4%, respectively. GHQR not only enhances the prediction accuracy but also increases the coverage significantly.

Key wordsPersonalized recommendation    Service computing    Web services    Quality of Service
收稿日期: 2016-03-07     
基金资助:*本文系国家自然科学基金项目“基于非对称群体兴趣相关性并融合情境与群体信任的Web 服务推荐研究”(项目编号:61502401)和国家自然科学基金项目“基于切片技术的可信软件开发过程的B方法的研究”(项目编号:61379019)的研究成果之一
引用本文:   
谢琪,崔梦天. 基于相似性群体的混合型Web服务推荐*[J]. 现代图书情报技术, 2016, 32(6): 80-87.
Xie Qi,Cui Mengtian. Group Similarity Based Hybrid Web Service Recommendation Algorithm. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2016.06.10.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2016.06.10
[1] 邵凌霜, 周立, 赵俊峰, 等. 一种Web Service的服务质量预测方法[J]. 软件学报, 2009, 20(8): 2062-2073.
[1] (Shao Lingshuang, Zhou Li, Zhao Junfeng, et al.Web Service QoS Prediction Approach[J]. Journal of Software, 2009, 20(8): 2062-2073.)
[2] Zheng Z, Ma H, Lyu M R, et al.QoS-aware Web Service Recommendation by Collaborative Filtering[J]. IEEE Transactions on Service Computing, 2011, 4(2): 140-152.
[3] Chen X, Zheng Z, Liu X, et al.Personalized QoS-aware Web Service Recommendation and Visualization[J]. IEEE Transactions on Services Computing, 2013, 6(1): 35-47.
[4] He P, Zhu J, Zheng Z, et al.Location-based Hierarchical Matrix Factorization for Web Service Recommendation [C]. In: Proceedings of 2014 IEEE International Conference on Web Services (ICWS2014). Washington, DC: IEEE Computer Society, 2014: 297-304.
[5] 张璇, 刘聪, 王黎霞, 等. 基于协同过滤的可信Web服务推荐方法[J]. 计算机应用, 2014, 34(1): 213-217.
[5] (Zhang Xuan, Liu Cong, Wang Lixia, et al.Trustworthy Web Service Recommendation Based on Collaborative Filtering[J]. Journal of Computer Applications, 2014, 34(1): 213-217.)
[6] 王海艳, 杨文彬, 王随昌, 等. 基于可信联盟的服务推荐方法[J]. 计算机学报, 2014, 37(2): 301-311.
[6] (Wang Haiyan, Yang Wenbin, Wang Suichang, et al.A Service Recommendation Method Based on Trustworthy Community[J]. Chinese Journal of Computers, 2014, 37(2): 301-311.)
[7] 姜波, 张晓筱, 潘伟丰. 基于二部图的服务推荐算法研究[J]. 华中科技大学学报: 自然科学版, 2013, 41(S2): 93-99.
[7] (Jiang Bo, Zhang Xiaoxiao, Pan Weifeng.Bipartite Graph-based Service Recommendation Method Study[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2013, 41(S2): 93-99.)
[8] 林祥云, 刘小青, 唐明董, 等. Web服务QoS与用户位置的相关性实证研究[J]. 计算机工程与科学, 2013, 35(9): 83-88.
[8] (Lin Xiangyun, Liu Xiaoqing, Tang Mingdong, et al.An Empirical Study of Correlation Between Web Service QoS and User Location[J]. Computer Engineering and Science, 2013, 35(9): 83-88.)
[9] Xie Q, Zheng Z, Liu L, et al.Correlation-based Top-k Recommendation for Web Services [C]. In: Proceedings of the 13th IEEE International Conference on Dependable, Autonomic and Secure Computing (DASC-2015), Liverpool, UK. 2015: 1903-1909.
[10] 高虎明, 赵凤跃. 一种融合协同过滤和内容过滤的混合推荐方法[J]. 现代图书情报技术, 2015(6): 20-26.
[10] (Gao Huming, Zhao Fengyue.A Hybrid Recommendation Method Combining Collaborative Filtering and Content Filtering[J]. New Technology of Library and Information Service, 2015(6): 20-26.)
[11] 祝婷, 秦春秀, 李祖海. 基于用户分类的协同过滤个性化推荐方法研究[J]. 现代图书情报技术, 2015(6): 13-19.
[11] (Zhu Ting, Qin Chunxiu, Li Zuhai.Research on Collaborative Filtering Personalized Recommendation Method Based on User Classification[J]. New Technology of Library and Information Service, 2015(6): 13-19.)
[12] 林耀进, 胡学钢, 李慧宗. 基于用户群体影响的协同过滤推荐算法[J]. 情报学报, 2013, 32(3): 299-305.
[12] (Lin Yaojin, Hu Xuegang, Li Huizong.Collaborative Filtering Recommendation Algorithm Based on User Group Influence[J]. Journal of the China Society for Scientific and Technical Information, 2013, 32(3): 299-305.)
[13] 盈艳, 曹妍, 牟向伟. 基于项目评分预测的混合式协同过滤推荐[J]. 现代图书情报技术, 2015(6): 27-32.
[13] (Ying Yan, Cao Yan, Mu Xiangwei.A Hybrid Collaborative Filtering Recommender Based on Item Rating Prediction[J]. New Technology of Library and Information Service, 2015(6): 27-32.)
[1] 张怡文,张臣坤,杨安桔,计成睿,岳丽华. 基于条件型游走的四部图推荐方法*[J]. 数据分析与知识发现, 2019, 3(4): 117-125.
[2] 叶佳鑫,熊回香. 基于标签的跨领域资源个性化推荐研究*[J]. 数据分析与知识发现, 2019, 3(2): 21-32.
[3] 李杰,杨芳,徐晨曦. 考虑时间动态性和序列模式的个性化推荐算法*[J]. 数据分析与知识发现, 2018, 2(7): 72-80.
[4] 侯银秀,李伟卿,王伟军,张婷婷. 基于用户偏好与商品属性情感匹配的图书个性化推荐研究*[J]. 数据分析与知识发现, 2017, 1(8): 9-17.
[5] 陈梅梅,薛康杰. 基于标签簇多构面信任关系的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(5): 94-101.
[6] 陈梅梅, 薛康杰. 基于改进张量分解模型的个性化推荐算法研究*[J]. 数据分析与知识发现, 2017, 1(3): 38-45.
[7] 谭学清,张磊,黄翠翠,罗琳. 融合领域专家信任与相似度的协同过滤推荐算法研究*[J]. 现代图书情报技术, 2016, 32(7-8): 101-109.
[8] 李慧,胡云凤. 基于主题模型的Web服务聚类与发现机制*[J]. 现代图书情报技术, 2016, 32(5): 30-37.
[9] 许德山, 李辉, 张运良. 文献关键词链接标引方法研究[J]. 现代图书情报技术, 2015, 31(9): 31-37.
[10] 祝婷, 秦春秀, 李祖海. 基于用户分类的协同过滤个性化推荐方法研究[J]. 现代图书情报技术, 2015, 31(6): 13-19.
[11] 高虎明, 赵凤跃. 一种融合协同过滤和内容过滤的混合推荐方法[J]. 现代图书情报技术, 2015, 31(6): 20-26.
[12] 宋梅青. 面向协同过滤推荐的多粒度用户偏好挖掘研究[J]. 现代图书情报技术, 2015, 31(12): 28-33.
[13] 王伟军, 宋梅青. 一种面向用户偏好定向挖掘的协同过滤个性化推荐算法[J]. 现代图书情报技术, 2014, 30(6): 25-32.
[14] 赵艳, 王亚民. P2P环境下基于社会化标签的个性化推荐模型研究[J]. 现代图书情报技术, 2014, 30(5): 50-57.
[15] 谭学清, 黄翠翠, 罗琳. 社会化网络中信任推荐研究综述[J]. 现代图书情报技术, 2014, 30(11): 10-16.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn