王著鑫，耿秀麗，王龍羽，王婉婷

（上海理工大學(xué)管理學(xué)院，上海 200093）

0 引言

云計(jì)算是并行處理、網(wǎng)絡(luò)計(jì)算和分布式計(jì)算等技術(shù)發(fā)展融合的產(chǎn)物。云服務(wù)以云計(jì)算為基礎(chǔ)，向用戶(hù)提供按需、可計(jì)量的服務(wù)。由于云服務(wù)成本低、效率高，受到了越來(lái)越多企業(yè)和個(gè)人的青睞。云服務(wù)市場(chǎng)的迅速發(fā)展使得云服務(wù)種類(lèi)呈現(xiàn)多元化趨勢(shì)。雖然用戶(hù)有了更多的選擇，但也增加了用戶(hù)選擇符合自身需求的難度，這影響的不僅僅是用戶(hù)，對(duì)云服務(wù)提供商的切身利益也造成很大影響。云服務(wù)市場(chǎng)規(guī)模的不斷擴(kuò)大必然導(dǎo)致競(jìng)爭(zhēng)者變得愈來(lái)愈多，云服務(wù)提供商為了提高自身競(jìng)爭(zhēng)力，除了要改善云服務(wù)質(zhì)量，還要將云服務(wù)高效而精準(zhǔn)地推薦給用戶(hù)。因此，快速推薦用戶(hù)所需的云服務(wù)具有重要研究意義。

云服務(wù)推薦研究不斷深入，模糊TOPSIS時(shí)變權(quán)重二次量化云服務(wù)推薦、CSRA云服務(wù)推薦算法、基于偏好信息和信任的云服務(wù)推薦模型等方法不斷提出，在一定程度上滿(mǎn)足了用戶(hù)和云服務(wù)提供商需求。但是現(xiàn)有的云服務(wù)推薦方法依然在推薦效率、數(shù)據(jù)稀疏性、用戶(hù)評(píng)分主觀性等方面存在問(wèn)題。如文獻(xiàn)［6］通過(guò)綜合考慮云服務(wù)的信譽(yù)度和穩(wěn)定性方法來(lái)提高推薦精度，但是忽略了算法的執(zhí)行時(shí)間。當(dāng)用戶(hù)數(shù)量較大時(shí)，該算法效率低的劣勢(shì)就會(huì)突顯；文獻(xiàn)［7］采用結(jié)合信任的混雜社會(huì)網(wǎng)絡(luò)來(lái)緩解矩陣稀疏性問(wèn)題。可是該方法計(jì)算過(guò)程復(fù)雜，不適合用來(lái)處理大數(shù)據(jù)；文獻(xiàn)［8］側(cè)重于處理數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題，卻沒(méi)有考慮到用戶(hù)評(píng)分的主觀性會(huì)降低推薦精度。

針對(duì)推薦效率問(wèn)題，文獻(xiàn)［9］通過(guò)并行化Spark上CAQGS的分區(qū)操作來(lái)縮短算法的執(zhí)行時(shí)間。該方法不是在算法本身上進(jìn)行優(yōu)化，而是通過(guò)調(diào)用平臺(tái)的方式提高推薦效率，所以不具有普適性；文獻(xiàn)［10］采用加權(quán)的SK-means聚類(lèi)方法有效降低了算法的時(shí)間復(fù)雜度，但是SK-means聚類(lèi)中心的數(shù)量和初始聚類(lèi)中心的位置選取對(duì)聚類(lèi)效果影響很大。而基于密度的聚類(lèi)算法Mean Shift不需要人為地確定聚類(lèi)中心的數(shù)量和初始聚類(lèi)中心位置，它可根據(jù)數(shù)據(jù)的密度分布自動(dòng)選擇聚類(lèi)的數(shù)量。同時(shí)Mean Shift聚類(lèi)算法計(jì)算量小、執(zhí)行速度快且較穩(wěn)定，因此本文使用Mean Shift聚類(lèi)算法來(lái)提高推薦效率。面對(duì)龐大的項(xiàng)目數(shù)量，不可能每個(gè)用戶(hù)對(duì)每個(gè)項(xiàng)目都進(jìn)行評(píng)價(jià)，由此產(chǎn)生的稀疏數(shù)據(jù)會(huì)降低推薦精度。針對(duì)數(shù)據(jù)稀疏性問(wèn)題，文獻(xiàn)［12］使用HOSVD對(duì)數(shù)據(jù)進(jìn)行降維，以緩解稀疏性，但是降維的方法會(huì)導(dǎo)致數(shù)據(jù)不可解釋?zhuān)晃墨I(xiàn)［13］認(rèn)為MF-LOD可以有效解決數(shù)據(jù)稀疏問(wèn)題，但該方法過(guò)程較為繁瑣，增加了一定的時(shí)間復(fù)雜度?；疑P(guān)聯(lián)預(yù)測(cè)不會(huì)改變數(shù)據(jù)的原有屬性，而且計(jì)算量小，不受數(shù)據(jù)量的約束，因此本文采用灰色關(guān)聯(lián)預(yù)測(cè)計(jì)算用戶(hù)間的灰色關(guān)聯(lián)度以預(yù)測(cè)空缺數(shù)據(jù)；由于用戶(hù)對(duì)項(xiàng)目打分存在一定的主觀性，文獻(xiàn)［14］提出一種基于云模型的主觀信任量化評(píng)價(jià)方法，使用主觀信任云的期望和超熵對(duì)信任客體信用度進(jìn)行定量評(píng)價(jià)；文獻(xiàn)［15］提出一種基于信任鏈的信任評(píng)價(jià)模型，通過(guò)評(píng)價(jià)模型識(shí)別惡意節(jié)點(diǎn)，減少不必要的損失。但文獻(xiàn)［14］和文獻(xiàn)［15］都只解決了用戶(hù)主觀信任的模糊性問(wèn)題，忽略了用戶(hù)興趣差異問(wèn)題。而信任云混合算法是一種信任云和興趣特征相結(jié)合的方法，它既處理了用戶(hù)主觀信任的模糊性問(wèn)題，又解決了用戶(hù)偏好不一的問(wèn)題，因此本文采用信任云混合算法來(lái)處理用戶(hù)評(píng)分的主觀性。

上述方法中，灰色關(guān)聯(lián)預(yù)測(cè)和信任云混合算法都只考慮了如何提高推薦精度，卻忽略了推薦效率的重要性，在處理大規(guī)模數(shù)據(jù)時(shí)這些方法就會(huì)顯得捉襟見(jiàn)肘。因此，本文提出基于Mean Shift聚類(lèi)算法的云服務(wù)推薦。該方法在灰色關(guān)聯(lián)預(yù)測(cè)和信任云混合算法基礎(chǔ)上融入聚類(lèi)算法MeanShift。通過(guò)采用MeanShift算法將灰色關(guān)聯(lián)預(yù)測(cè)處理后的數(shù)據(jù)進(jìn)行聚類(lèi)，然后計(jì)算類(lèi)簇內(nèi)目標(biāo)用戶(hù)與其他用戶(hù)間興趣特征相似度與信任相似度加權(quán)得到的綜合相似度，并采用top-N算法將近鄰用戶(hù)的云服務(wù)方案推薦給目標(biāo)用戶(hù)。由于聚類(lèi)后只需要考慮與目標(biāo)用戶(hù)同類(lèi)簇的用戶(hù)數(shù)據(jù)即可，因此很大程度上縮短了算法的執(zhí)行時(shí)間，提高了云服務(wù)的推薦效率。本文算法主要有3點(diǎn)貢獻(xiàn)，具體如下：

（1）在數(shù)據(jù)預(yù)處理階段通過(guò)灰色關(guān)聯(lián)預(yù)測(cè)彌補(bǔ)數(shù)據(jù)稀疏性。

（2）為目標(biāo)用戶(hù)推薦云服務(wù)前采用Mean Shift算法將用戶(hù)進(jìn)行聚類(lèi)，只保留與目標(biāo)用戶(hù)同類(lèi)簇的數(shù)據(jù)，以提高算法推薦效率。

（3）采用信任云混合算法消除用戶(hù)評(píng)分的主觀性影響，更精確地為目標(biāo)用戶(hù)推薦適合的云服務(wù)。

1 研究框架

由于云服務(wù)市場(chǎng)的迅猛發(fā)展，云服務(wù)提供商和用戶(hù)數(shù)量眾多，各種各樣的云服務(wù)質(zhì)量也參差不齊。面對(duì)海量的數(shù)據(jù)，現(xiàn)有的云服務(wù)推薦算法不能及時(shí)有效地為用戶(hù)匹配適合的云服務(wù)。而本文提出的基于Mean Shift的云服務(wù)推薦可在保證一定推薦精度的基礎(chǔ)上大大提高推薦效率，并且數(shù)據(jù)量越大效果越明顯。首先采用灰色關(guān)聯(lián)預(yù)測(cè)彌補(bǔ)數(shù)據(jù)空缺值，然后利用Mean Shift算法將用戶(hù)進(jìn)行聚類(lèi)。流程是先根據(jù)數(shù)據(jù)密度分布對(duì)所有用戶(hù)進(jìn)行訪問(wèn)，而后計(jì)算用戶(hù)在各個(gè)類(lèi)簇中出現(xiàn)的累計(jì)頻數(shù)，并將其劃分到累計(jì)頻數(shù)最大的類(lèi)簇中。因?yàn)樵诮酉聛?lái)尋找近鄰用戶(hù)時(shí)只需考慮目標(biāo)用戶(hù)所在類(lèi)簇的數(shù)據(jù)即可，所以大大縮短了算法的執(zhí)行時(shí)間。最后計(jì)算類(lèi)簇內(nèi)目標(biāo)用戶(hù)與其他用戶(hù)的綜合相似度，并采用top-N算法將最佳云服務(wù)方案推薦給目標(biāo)用戶(hù)。本文思路架構(gòu)如圖1所示。

2 采用灰色關(guān)聯(lián)預(yù)測(cè)填充稀疏數(shù)據(jù)

一般收集到的數(shù)據(jù)都是不完整的，存在一定量的空值，但這樣的數(shù)據(jù)并不是無(wú)效數(shù)據(jù)，只是信息不夠完整，可以采用灰色關(guān)聯(lián)預(yù)測(cè)進(jìn)行填充，以彌補(bǔ)數(shù)據(jù)稀疏性?；疑P(guān)聯(lián)分析是灰色關(guān)聯(lián)預(yù)測(cè)的核心，其基本原理是依據(jù)數(shù)列曲線(xiàn)幾何形狀的相似程度判斷其聯(lián)系是否緊密。曲線(xiàn)越相似，對(duì)應(yīng)數(shù)列間的關(guān)聯(lián)度就越大。不論數(shù)據(jù)量多還是少，數(shù)據(jù)有規(guī)律還是無(wú)規(guī)律，灰色關(guān)聯(lián)分析都同樣有效，其流程如下：先將原始數(shù)據(jù)區(qū)分為待估數(shù)列和比較數(shù)列并無(wú)綱量化處理，之后計(jì)算待估數(shù)列和比較數(shù)列的關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度，最后依據(jù)關(guān)聯(lián)度大小將比較序列排序并進(jìn)行分析。而灰色關(guān)聯(lián)預(yù)測(cè)則是利用灰色關(guān)聯(lián)分析得到的灰色關(guān)聯(lián)度預(yù)測(cè)用戶(hù)對(duì)云服務(wù)的評(píng)分，其計(jì)算過(guò)程如下：

將每個(gè)使用過(guò)云服務(wù)的用戶(hù)

U

對(duì)云服務(wù)方案

F

={

F

，

F

，

F

，...，

F

}的評(píng)分

r

表示為一個(gè)數(shù)列，其中

i

=1，2，3，…，

m

，

j

=1，2，3，…，

n

，則待估數(shù)列和比較數(shù)列分別表示如下：

Fig.1 block diagram of this paper圖1 本文框架

由于存在量綱的影響，需要在計(jì)算灰色關(guān)聯(lián)系數(shù)之前對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，其計(jì)算公式如下：

其中，

Y

是由評(píng)分

r

標(biāo)準(zhǔn)化后得到的標(biāo)準(zhǔn)值，

X

(

i

)表示第

i

個(gè)云服務(wù)用戶(hù)對(duì)云服務(wù)方案的評(píng)分均值。將標(biāo)準(zhǔn)值

Y

表示為一個(gè)數(shù)列，則待估數(shù)列和比較數(shù)列分別如式（5）和式（6）所示：

Y

(

k

)和

Y

(

k

)都是所對(duì)應(yīng)數(shù)列的第

k

個(gè)元素的值，則待估數(shù)列和比較數(shù)列的灰色關(guān)聯(lián)系數(shù)表示為：

在灰色關(guān)聯(lián)預(yù)測(cè)中，評(píng)分矩陣為

R

=(

r

)，則云服務(wù)用戶(hù)間所對(duì)應(yīng)的灰色關(guān)聯(lián)度為：

根據(jù)目標(biāo)用戶(hù)

U

的近鄰集，預(yù)測(cè)用戶(hù)

U

對(duì)云服務(wù)

F

的評(píng)分，計(jì)算公式如下：

3 基于聚類(lèi)的用戶(hù)信任云和用戶(hù)興趣的綜合方案匹配

通過(guò)灰色關(guān)聯(lián)度預(yù)測(cè)法對(duì)空缺數(shù)據(jù)進(jìn)行彌補(bǔ)后得到完整的云服務(wù)評(píng)分?jǐn)?shù)據(jù)。為提高算法執(zhí)行速度，采用均值漂移算法MeanShift將云服務(wù)用戶(hù)進(jìn)行聚類(lèi)，之后在計(jì)算目標(biāo)用戶(hù)的相關(guān)數(shù)據(jù)時(shí)只考慮目標(biāo)用戶(hù)所在類(lèi)簇中云服務(wù)用戶(hù)的數(shù)據(jù)即可。在推薦云服務(wù)過(guò)程中，一方面存在用戶(hù)主觀信任的模糊性，另一方面用戶(hù)的偏好不一可能導(dǎo)致打分過(guò)高或者過(guò)低。本文綜合考慮基于信任云的用戶(hù)相似度和用戶(hù)興趣特征相似度來(lái)保證推薦結(jié)果的準(zhǔn)確性。

3.1 均值漂移算法Mean Shift

聚類(lèi)算法和傳統(tǒng)云服務(wù)推薦算法的結(jié)合有助于提高云服務(wù)推薦效率，而且數(shù)據(jù)量越大效果越明顯。本文采用的聚類(lèi)算法Mean Shift可以自動(dòng)選擇聚類(lèi)數(shù)量，并且計(jì)算量小、運(yùn)算速度快、比較穩(wěn)定。其基本原理是先計(jì)算出當(dāng)前質(zhì)心的漂移向量，根據(jù)漂移向量將質(zhì)心移動(dòng)到新的位置，然后以此為新的起始點(diǎn)繼續(xù)計(jì)算漂移向量并移動(dòng)直到收斂。從每個(gè)數(shù)據(jù)點(diǎn)出發(fā)都可以進(jìn)行該操作，在這個(gè)過(guò)程中統(tǒng)計(jì)出現(xiàn)在領(lǐng)域內(nèi)的數(shù)據(jù)次數(shù)，最后將該參數(shù)作為分類(lèi)依據(jù)。均值漂移向量

M

(

X

)計(jì)算公式如下：

其中，

X

表示空間中的數(shù)據(jù)點(diǎn)，

S

表示半徑為

h

的球狀領(lǐng)域，在這

m

個(gè)數(shù)據(jù)點(diǎn)

X

中有

K

個(gè)點(diǎn)落入

S

區(qū)域中，數(shù)據(jù)點(diǎn)

X

位于

S

領(lǐng)域的中心位置。

Fig.2 Mean Shift algorithm clustering process圖2 Mean Shift算法聚類(lèi)過(guò)程

均值漂移算法Mean Shift聚類(lèi)過(guò)程及迭代過(guò)程如圖2所示。

Mean Shift聚類(lèi)算法如下：

輸入：數(shù)據(jù)集N，球狀領(lǐng)域半徑h。

輸出：K個(gè)聚類(lèi)中心，樣本點(diǎn)所屬類(lèi)簇。

（1）隨機(jī)選擇一個(gè)沒(méi)有被分類(lèi)的點(diǎn)作為初始質(zhì)心點(diǎn)

X

。（2）標(biāo)定以

X

為中心半徑為

h

的球狀領(lǐng)域中的點(diǎn)

X

屬于類(lèi)簇C，并且更新這些點(diǎn)在該類(lèi)簇中出現(xiàn)的累計(jì)頻數(shù)加1。（3）根據(jù)式（11）求漂移向量

M

(

X

)。

（6）重復(fù)步驟（1）、（2）、（3）、（4）（5）直到所有的點(diǎn)都被分類(lèi)。

（7）獲取每個(gè)點(diǎn)在各個(gè)類(lèi)簇中出現(xiàn)的累計(jì)頻數(shù)，將累計(jì)頻數(shù)最大的點(diǎn)劃分到對(duì)應(yīng)類(lèi)簇中。如果迭代收斂時(shí)有兩個(gè)類(lèi)簇的質(zhì)心距離小于h，就將它們合并成一個(gè)類(lèi)簇，并且類(lèi)簇內(nèi)點(diǎn)的累計(jì)頻數(shù)也進(jìn)行合并。否則，把他們看作不同的類(lèi)簇。

聚類(lèi)算法Mean Shift可以自動(dòng)遍歷每個(gè)用戶(hù)，并記錄每個(gè)用戶(hù)在各個(gè)類(lèi)簇中出現(xiàn)的累計(jì)頻數(shù)，依據(jù)累計(jì)頻數(shù)最大原則將用戶(hù)分類(lèi)。據(jù)此，可以找到目標(biāo)用戶(hù)所屬類(lèi)簇，以及獲取類(lèi)簇中所有用戶(hù)的數(shù)據(jù)。后續(xù)在尋找近鄰集并為目標(biāo)用戶(hù)推薦云服務(wù)時(shí)可以摒棄冗余信息，只考慮目標(biāo)用戶(hù)所屬類(lèi)簇的數(shù)據(jù)即可，從而有效提高推薦效率。

3.2 信任云構(gòu)建

推薦信任和直接信任是信任關(guān)系的重要組成部分，不論哪一種都存在著主觀性和不確定性，但可以依據(jù)經(jīng)驗(yàn)將其拆成多個(gè)信任等級(jí)。因?yàn)檎蛟剖且环N將定性概念轉(zhuǎn)化為定量描述的模型，所以本文考慮通過(guò)正向云將用戶(hù)對(duì)云服務(wù)的評(píng)分轉(zhuǎn)換成云滴，進(jìn)而生成信任云。正向云、信任云、信任等級(jí)劃分以及信任云匹配的定義如下：

定義2

信任云是通過(guò)正向云將定性概念轉(zhuǎn)化成云滴，將信任度空間

T

=[0，1]表示為云的定量論域，

x

∈

T

是定性概念上的定量信任評(píng)價(jià)，也是對(duì)應(yīng)隸屬度

μ

(

x

)約束的隨機(jī)數(shù)。信任云的定性概念可以用

C

(

E

，

E

，

He

)表示，其中

E

是信任云的期望，

E

是信任云的熵，反映了云滴的離散程度，

He

是超熵，描述了信任云的厚度。

定義3

信任度空間是由信任等級(jí)組合而成，根據(jù)專(zhuān)家經(jīng)驗(yàn)和問(wèn)卷調(diào)查可以將信任度空間設(shè)置成如下模型：

獲取信任云定性表示的方法有很多，本文采用綜合評(píng)價(jià)法，即專(zhuān)家經(jīng)驗(yàn)和問(wèn)卷結(jié)合的方法。該方法可以有效獲取信任空間中定性概念的信任云、信任等級(jí)的劃分以及信任依賴(lài)度

θ

，其中信任依賴(lài)度

θ

用信任等級(jí)區(qū)間的平均值表示。

Fig.3 Trust cloud matching圖3 信任云匹配

計(jì)算某云服務(wù)用戶(hù)的信任云相似度時(shí)，首先計(jì)算它與其它用戶(hù)的信任云相似度，然后求取均值并將其作為該云服務(wù)用戶(hù)的最終相似度，記為

φ

。而

φ

所在

f

(

x

)中區(qū)間的均值即為該區(qū)間信任度的權(quán)重即信任依賴(lài)度

θ

。

3.3 匹配模型

如果只考慮信任云，推薦結(jié)果會(huì)受主觀因素的干擾而與實(shí)際不符。為了提高算法質(zhì)量，還要將用戶(hù)興趣納入模型中。根據(jù)專(zhuān)家意見(jiàn)，確定云服務(wù)用戶(hù)興趣程度以及相應(yīng)權(quán)重，其結(jié)果如表1所示。

Table1 Interest similarity weight表1 興趣相似度權(quán)重

本文將云服務(wù)用戶(hù)興趣特征用

T

={

T

，

T

，

T

，...，

T

}表示，其中

T

，

k

=1，2，3，...，

q

表示第

k

個(gè)興趣特征；云服務(wù)用戶(hù)用

U

={

U

，

U

，

U

，...，

U

}表示，其中

U

，

t

=1，2，3，...，

p

表示第

t

個(gè)用戶(hù)，

U

，

s

=1，2，3，...，

p

表示第

s

個(gè)用戶(hù)；

U

和

U

對(duì)興趣特征的評(píng)分分別用

r

和

r

表示。由于不同用戶(hù)的評(píng)分標(biāo)準(zhǔn)不同，因此本文采用修正的余弦相似度公式來(lái)計(jì)算用戶(hù)的興趣特征相似度：

為提高推薦效率，考慮先采用Mean Shift將用戶(hù)進(jìn)行聚類(lèi)，然后在類(lèi)簇中將基于信任云的相似度

φ

與云服務(wù)用戶(hù)興趣相似度

sim

(

U

，

U

)加權(quán)求和，得到綜合相似度，并采用top-N算法將近鄰用戶(hù)相應(yīng)的云服務(wù)方案進(jìn)行推薦。

綜合相似度計(jì)算公式如下：

其中，

w

是興趣相似度權(quán)重，

θ

是信任依賴(lài)度。

4 案例分析

近年云服務(wù)行業(yè)發(fā)展迅猛，云服務(wù)的功能愈加完善，種類(lèi)也逐漸增多，呈現(xiàn)出多元化趨勢(shì)，為用戶(hù)提供了更多選擇，但還存在一些問(wèn)題，這些問(wèn)題不僅損壞用戶(hù)利益，還對(duì)云服務(wù)提供商的利益產(chǎn)生一定影響。

某云服務(wù)提供商為提高其競(jìng)爭(zhēng)力，希望迅速地為用戶(hù)推薦滿(mǎn)足其自身需求的云服務(wù)方案。通過(guò)收集以往企業(yè)用戶(hù)購(gòu)買(mǎi)的云服務(wù)信息，本文隨機(jī)選取20個(gè)企業(yè)用戶(hù)

U

=｛

U

，

U

，…，

U

｝以及相應(yīng)的云服務(wù)：

F

、

F

、

F

、

F

、

F

、

F

、

F

；用戶(hù)對(duì)云服務(wù)的興趣特征包括以下5種：可靠性（

T

）、靈活性（

T

）、性能（

T

）、價(jià)格（

T

）、安全性（

T

）。表2是這20個(gè)用戶(hù)對(duì)云服務(wù)的評(píng)價(jià)，其中分值1～6代表用戶(hù)對(duì)方案的滿(mǎn)意程度，分別為非常不滿(mǎn)意、不滿(mǎn)意、一般、還行、滿(mǎn)意、非常滿(mǎn)意。使用本文算法將適合的云服務(wù)推薦給用戶(hù)還需要將用戶(hù)與興趣特征建立聯(lián)系。將云服務(wù)特征進(jìn)行量化，如表3所示。表4是云服務(wù)用戶(hù)對(duì)興趣特征的需求數(shù)據(jù)，其中

U

是新用戶(hù)。采用灰色關(guān)聯(lián)預(yù)測(cè)，填充表2和表4。首先采用式（3）、式（4）將數(shù)據(jù)標(biāo)準(zhǔn)化處理，然后采用式（7）、式（8）分別計(jì)算參考用戶(hù)與比較用戶(hù)的關(guān)聯(lián)度，最后結(jié)合預(yù)測(cè)公式將表2和表4的空缺數(shù)據(jù)填充。如表2中用戶(hù)

U

對(duì)

F

的評(píng)分采用式（7）計(jì)算相關(guān)系數(shù)，其中

ρ

取值為0.5，得出

U

與

U

的灰色關(guān)聯(lián)系數(shù)

ζ

=0.491，0.977，0.663，0.723，0.796，0.810，根據(jù)式（8）得到關(guān)聯(lián)度

γ

≈0.743。同理，

U

與

U

、

U

、U

、

…

、U

的灰色關(guān)聯(lián)度依次為0.773、0.544、0.741、0.660、0.750、0.645、0.790、0.703、0.660、0.568、0.614、0.598、0.628、0.557、0.582、0.447、0.606、0.483。因此，選擇

U

與

U

灰色關(guān)聯(lián)度，然后由預(yù)測(cè)公式得出預(yù)測(cè)的分值，

pred

(

U

，

F

)≈5.371；同理，

U

對(duì)

F

的預(yù)測(cè)評(píng)分通過(guò)式（7）和式（8）得出

U

和

U

的關(guān)聯(lián)度最大，為0.786，預(yù)測(cè)值

pred

(

U

，

F

)≈1.642。表2填充后的結(jié)果如表5所示。

Table 2 Users'ratings of cloud services表2 用戶(hù)對(duì)云服務(wù)的評(píng)分

Table3 Cloud service characteristics and quantified scores表3 云服務(wù)特征及量化分值

Table4 User's requirements for interest characteristics表4 用戶(hù)對(duì)興趣特征的需求

Table5 User'srating of cloud services（filled）表5 用戶(hù)對(duì)云服務(wù)的評(píng)分（已填充）

表4的填充方式也是采用式（7）、式（8）和式（10）進(jìn)行計(jì)算，得到

U

與

U

的灰色關(guān)聯(lián)度最大，為0.789，預(yù)測(cè)值

pred

(

U

，

T

)≈2.947；同理，

U

與

U

的灰色關(guān)聯(lián)度最大，為0.8，預(yù)測(cè)值

pred

(

U

，

T

)≈1.250。表4填充后的結(jié)果如表6所示。接著，使用MeanShift算法將表6中的用戶(hù)進(jìn)行聚類(lèi)，得到圖4，可知新用戶(hù)

U

和用戶(hù)

U

、

U

、

U

、

U

、U

、U

、U

屬于同一類(lèi)簇。因此，在為新用戶(hù)

U

推薦云服務(wù)時(shí)，只需關(guān)注與其同類(lèi)簇的用戶(hù)數(shù)據(jù)。根據(jù)專(zhuān)家經(jīng)驗(yàn)和問(wèn)卷方式建立信任云，本文將用戶(hù)

U

、

U

、

U

、

U

、U

、U

、U

的信任云進(jìn)行相互匹配，得出各用戶(hù)的最終相似度

φ

，

φ

值決定了信任依賴(lài)度

θ

的大小和所在區(qū)間。將表5中的數(shù)據(jù)縮小10倍，通過(guò)正向云發(fā)生器和信任云匹配，求出用戶(hù)信任云的相似度，其結(jié)果如表7所示。方案信任云和用戶(hù)的評(píng)分存在一定的主觀性，為了解決這一問(wèn)題以及冷啟動(dòng)問(wèn)題，本文引入了用戶(hù)興趣特征需求，將舊用戶(hù)

U

、

U

、

U

、

U

、U

、U

、U

與新用戶(hù)

U

的興趣特征進(jìn)行匹配，可以得到興趣特征相似度

sim

，然后將其與表7中的信任云相似度加權(quán)求和，得出綜合相似度

sim’

并依此進(jìn)行云服務(wù)方案推薦。其中權(quán)重

w

的值參考表1，新用戶(hù)

U

與同類(lèi)簇中其他用戶(hù)的綜合相似度如表8所示。

Table6 User'sre quire ments for interest characteristics（filled）表6 用戶(hù)對(duì)興趣特征的需求（已填充）

Fig.4 Clustering results圖4 聚類(lèi)結(jié)果

Table 7 Trust cloud eigenvalues表7 信任云特征值

由表8可知，新用戶(hù)

U

與同類(lèi)簇中其他用戶(hù)的綜合相似度，將其由大到小排列后得到與

U

近鄰的用戶(hù)依次是

U

、

U

、

U

、

U

、

U

、

U

、

U

，其中新用戶(hù)

U

明顯與

U

、

U

、

U

、

U

的相似度高，因此采用top-N算法，將用戶(hù)

U

、

U

、

U

、

U

對(duì)應(yīng)的云服務(wù)方案給予推薦。

Table8 Comprehen sive similarity表8 綜合相似度

5 驗(yàn)證結(jié)果比較分析

為了驗(yàn)證本文算法的合理性，以數(shù)據(jù)庫(kù)中50～500個(gè)等量樣本數(shù)據(jù)作為訓(xùn)練集，既考慮算法的執(zhí)行時(shí)間又考慮算法的推薦精度，將本文算法與信任云推薦算法、信任云混合推薦算法、基于灰色關(guān)聯(lián)與信任云混合算法的推薦方法進(jìn)行比較分析，結(jié)果如圖5-圖7所示。

5.1 推薦精度

采用平均絕對(duì)誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Square Error，RMSE）作為精確度評(píng)測(cè)指標(biāo)來(lái)分析本文算法的推薦效果，MAE和RMSE越小表示推薦算法的精確度越高。

Fig.5 MAE value changing carve圖5 MAE值變化曲線(xiàn)

如圖5和圖6所示，從整體上看，信任云混合推薦算法、基于灰色關(guān)聯(lián)與信任云混合算法的推薦方法與本文算法的精確度較為接近，但本文算法的MAE和RMSE值最低，精確度最高?；诨疑P(guān)聯(lián)與信任云混合算法的推薦方法僅次于本文算法，而數(shù)據(jù)的缺失會(huì)對(duì)推薦精度造成一定的影響，所以信任云混合推薦算法精確度較低。信任云推薦算法的精確度最低是因?yàn)閿?shù)據(jù)的稀疏性和用戶(hù)興趣不一所致。

Fig.6 Variation carve of RMSE value圖6 RMSE值變化曲線(xiàn)

5.2 推薦效率

從圖7可以看出，隨著數(shù)據(jù)量的增多，算法的執(zhí)行時(shí)間也在逐漸增加，但本文算法的執(zhí)行時(shí)間呈平穩(wěn)、緩慢上升趨勢(shì)。而信任云推薦算法、信任云混合推薦算法、基于灰色關(guān)聯(lián)與信任云混合算法的推薦方法執(zhí)行時(shí)間增長(zhǎng)較快，呈急劇增長(zhǎng)趨勢(shì)。當(dāng)訓(xùn)練集數(shù)據(jù)量超過(guò)200時(shí)，本文算法的高效率優(yōu)勢(shì)逐漸突顯出來(lái)，并且隨著數(shù)據(jù)量的增多，本文算法的優(yōu)勢(shì)愈加明顯，執(zhí)行效率越來(lái)越高。

Fig.7 Efficiency comparison diagram圖7 效率比較

綜上所述，本文算法在保證一定精確度的基礎(chǔ)上大大提高了推薦效率，并且隨著數(shù)據(jù)量的增加，本文算法的高效率優(yōu)勢(shì)更加突出。因此，本文算法適用于大數(shù)據(jù)推薦系統(tǒng)。

6 結(jié)語(yǔ)

云服務(wù)擁有諸多優(yōu)點(diǎn)，如降低企業(yè)經(jīng)營(yíng)成本、提高工作效率和保障數(shù)據(jù)安全等，受到越來(lái)越多的企業(yè)和個(gè)人青睞。在云服務(wù)提供商為目標(biāo)用戶(hù)科學(xué)高效地推薦云服務(wù)過(guò)程中，推薦方法尤為重要。現(xiàn)有云服務(wù)推薦方法注重如何提高推薦精度而忽略了推薦效率低下的問(wèn)題。本文提出基于MeanShift的云服務(wù)推薦，在灰色關(guān)聯(lián)預(yù)測(cè)和信任云混合算法基礎(chǔ)上融入了聚類(lèi)算法Mean Shift。首先采用Mean Shift算法將灰色關(guān)聯(lián)預(yù)測(cè)填充后的數(shù)據(jù)進(jìn)行聚類(lèi)，然后計(jì)算類(lèi)簇內(nèi)目標(biāo)用戶(hù)與其他用戶(hù)間興趣特征相似度與信任相似度，加權(quán)得到綜合相似度，并采用top-N算法將近鄰用戶(hù)的云服務(wù)方案予以推薦。最后在不同數(shù)據(jù)量下將本文算法和其他算法比較執(zhí)行時(shí)間。實(shí)驗(yàn)結(jié)果表明，本文算法不僅保證了一定的推薦精度，還有效提高了推薦效率，并且數(shù)據(jù)量越大優(yōu)勢(shì)越明顯。但是，本文信任云匹配過(guò)程較為繁瑣，因此后續(xù)將對(duì)信任云匹配進(jìn)行優(yōu)化研究。