李蓉 楊莉萍 楊艷

摘? 要： 完整的QoS信息有利于更準確的服務推薦，但是現(xiàn)實中往往很難得到。文章提出了一種基于用戶情境的QoS預測方法，對于老用戶，根據(jù)他們原來的QoS選擇，考慮QoS類型區(qū)別和時間衰減情況，預測新的QoS取值;對于新用戶，按照用戶分類信息，根據(jù)同類用戶的服務選擇情況，預測他們的QoS取值。實驗證明，該方法有助于提高服務推薦的性能。

關(guān)鍵詞： QoS; Web服務; 服務推薦; 用戶情境

中圖分類號：TP311? ? ? ? ? 文獻標識碼：A? ? ?文章編號：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服務的發(fā)展非常迅速，隨著Web服務數(shù)量的急劇增加，用戶如何從大量服務中快速、準確地選擇服務成為一個難題。當提供的一些服務相似時，用戶可能不知道如何選擇，這時可以考慮服務的QoS屬性。服務的QoS屬性從多方面描述服務的質(zhì)量，比如服務的價格、吞度量、可靠性、聲譽等，對用戶的使用感受起到?jīng)Q定性作用[1]。

現(xiàn)在基于QoS的服務推薦多數(shù)是針對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，我們不能簡單地得到用戶的QoS取值，就需要先做QoS預測[2]。

主要的服務QoS預測方法有基于協(xié)同過濾的預測方法和基于數(shù)學模型的預測方法。協(xié)同過濾的思想比較簡單，算法時間復雜度小，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[3]提出的基于混合協(xié)同過濾的WSRec方法和文獻[4]提出的基于用戶協(xié)同過的UPCC算法?；跀?shù)學模型的方法對于數(shù)據(jù)稀疏的情況推薦效果較好，例如文獻[5]提出的ASmooth方法。但是因為需要多次迭代完成數(shù)據(jù)集的訓練，需要花費很長的時間，并存在取值不容易解釋的問題。兩種方法都會遇到冷啟動的問題，即不能很好地預測新用戶的QoS取值。

針對以上問題，本文提出了基于用戶情境的QoS預測方法。對新、老用戶使用不同的預測方法并結(jié)合在一起，這樣預測的QoS能擴大用戶的選擇范圍，提高服務推薦的準確度。

1 基于用戶情境的QoS預測框架

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

⑴ 根據(jù)用戶偏好得到經(jīng)驗QoS

用戶偏好記錄用戶選擇服務的習慣，如經(jīng)常選擇的價格區(qū)間、經(jīng)常使用的時間等等。用戶的使用習慣往往是固定的，可以據(jù)此得到用戶的經(jīng)驗QoS信息。用戶偏好來自于用戶原來的服務選擇，根據(jù)原來選擇過的服務的平均QoS，考慮服務選擇的時間衰減，根據(jù)公式計算得到現(xiàn)在用戶可能會選擇的QoS取值。

⑵ 使用協(xié)同過濾的方法預測QoS

當用戶原來沒用過服務時，無法得到經(jīng)驗QoS，本文考慮用戶注冊時填寫的用戶的職業(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、使用位置等情境信息，在用戶庫中找到類似的用戶，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，以此預測該用戶的QoS信息。

⑶ 綜合QoS信息

當用戶輸入了QoS信息時優(yōu)先使用輸入信息，當用戶的QoS不完整或者沒有選擇QoS信息時，首先考慮用戶原來的QoS選擇。當經(jīng)驗QoS仍然不足時，采用協(xié)同過濾的方法預測用戶可能的QoS選擇，綜合得到盡可能完整的QoS信息。

2 基于情境的QoS補充

2.1 根據(jù)用戶QoS偏好計算QoS

在服務注冊庫中建立用戶庫，專門用于記錄用戶的使用習慣。在用戶選擇的QoS信息不完整地情況下，我們可以計算用戶過去選擇過的服務的QoS取值范圍，以計算現(xiàn)在用戶可能的QoS選擇。

⑴ 基本定義

因為QoS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，使得在計算中不容易對QoS的值統(tǒng)一處理。我們需要先對QoS屬性進行規(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的質(zhì)量越高，如響應時間、價格等。

表示取所有服務的某一種QoS屬性qj的最大值。

表示取所有服務的某一種QoS屬性qj的最小值。

后面所有對QoS屬性的計算，都是計算經(jīng)過規(guī)范化處理之后的QoS值。

假設(shè)用戶對于服務的QoS屬性的選擇傾向于一致，即從用戶原來所選擇的QoS屬性可以預測出用戶后來的QoS選擇，我們可以計算出用戶經(jīng)驗QoS的值。

因為用戶的QoS屬性選擇習慣會隨時間變化，在計算服務QoS取值比率時要綜合考慮時間對UQVR的影響。因為時間越接近，用戶選擇相同的QoS值的概率越高，UQVR的影響隨著時間前推遞減，我們需要選擇指數(shù)類型的時間衰減函數(shù)，讓過去的UQVR的影響逐漸衰減。

2.2 根據(jù)用戶分類的QoS預測

⑴ 基本方法

根據(jù)用戶的QoS偏好預測QoS的方法可以得到比較準確的QoS取值，但是對于新用戶，因為沒有原來的QoS偏好數(shù)據(jù)，無法判斷他們的QoS選擇，因此無法推薦服務，這是常見的冷啟動問題[6]。

對于新用戶的QoS預測比較困難，簡單的方法是選擇QoS取值高的服務或者使用度最高的服務，但這不一定符合用戶的需求。有實驗表明使用職業(yè)、年齡、性別等等人口統(tǒng)計學的信息推薦能取得更好的推薦效果[7]。

我們在用戶注冊時需要用戶輸入比較詳細的用戶基本信息，包括職業(yè)、生日、性別、受教育程度、注冊地址和興趣愛好。在用戶使用系統(tǒng)時，我們也動態(tài)搜集了用戶的平臺信息和環(huán)境信息，包括用戶使用的軟件和硬件平臺、用戶當前的地址、現(xiàn)在的時間、天氣情況和網(wǎng)絡狀況。這些信息可以用于個性化的服務推薦。

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

綜合運用算法1和算法2，當用戶輸入的QoS信息不完整時，如果系統(tǒng)中有用戶原來使用過的服務的信息，則通過算法1求得用戶的經(jīng)驗QoS;否則用算法2求得預測QoS值。

3 結(jié)束語

本文提出了一種基于用戶情境的QoS預測方法，在用戶的QoS信息不完整的情況下，能根據(jù)用戶的使用習慣和選擇服務的偏好預測QoS值，也能使用同類用戶的QoS緩解冷啟動問題。我們在通過模擬實驗與常用的QoS預測算法WSRec和UPCC比較，本文的方法的QoS預測性能明顯比UPCC好，和WSRec比較接近，但是在訓練集增大的情況下，性能比WSRec略好。這證明了該方法有利于提高服務推薦的性能。

參考文獻（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] 國家職業(yè)分類大典和職業(yè)資格工作委員會.中華人民共和國職業(yè)分類大典[M].中國勞動社會保障出版社，1999.