模糊Petri网及其在Web服务信任评估中的应用*

为了提高 Web服务的信任评估准确度和交互成功率,提出了一种新的基于模糊Petri网的Web服务信任评估模型(WS-TEM)。该模型给出了评估的模糊信任规则,在此基础上,提出了一种基于模糊Petri网的推理算法,并使用模糊Petri网中知识表示和运行的基本算法,并行处理一个服务实体的多个推荐信任来综合评估Web服务实体间的信任关系。经过模拟实验和分析表明,该模型在Web服务信任评估上更加准确可靠,从而降低了交互的风险,保证了交互的成功率。     

社会网络环境下基于信任传递的推荐模型研究

现有基于信任的推荐算法中没有充分挖掘用户间的信任关系,且缺乏合理的信任关系传递规则,极大地影响了推荐算法的可靠性和准确性。针对上述问题,通过用户评分数据与用户的社会关系建立信任传递模型,提出一种基于信任传递的推荐算法。该算法首先利用评分数据计算信任传递模型中用户的隐式直接信任关系,其次通过求解有序加权平均算子融合多条信任传递链的间接信任关系,最后将计算出的用户信任度与相似度融合为综合相似度进行预测推荐。实验结果证实了所提算法可有效提升系统的推荐质量。     

一种基于矩阵分解和随机森林算法的推荐模型

针对传统环境下运行的推荐算法预测精度不高的问题,提出一种基于矩阵分解和随机森林算法的推荐模型.提出的基于数据分割策略和新的学习过程的分布式推荐模型是在Apache Spark上设计的.通过数据分区、模型训练和偏好预测三个步骤处理大规模数据,提高预测质量,解决数据稀疏问题.为了提高模型在大数据环境下的性能,采用基于矩阵分解(Matrix Factorization,MF)和随机森林(Random Forests,RF)混合的新颖学习过程,从而显著加快分布式训练的速度.实验结果表明,相对于其他算法,该算法在性能指标上具有明显的优势.     

基于混合协同过滤的个性化Web服务推荐

随着网络上Web服务的不断增加,Web服务的个性化选择和推荐成为服务计算领域最重要的挑战之一。对个性化Web服务推荐方法进行了研究,提出了基于模型和基于内存混合的Web服务推荐方法。该方法基于客观连续的服务质量（quality of service,QoS）数据和主观离散的评价数据,采用聚类、映射、聚合等算法预测服务的质量,并对用户的期望、评分和服务的QoS信息进行了量化描述。此外,设计了Web服务推荐框架,实现了信息的采集与处理、Web服务的个性化推荐。实验结果表明,与主流的推荐算法相比,所提方法在多种评分误差的评价指标上都取得了更好的结果。     

基于用户空间位置评分云模型的Web服务协同过滤推荐算法

Web服务作为无形的产品,不具备真实环境下的空间地理位置坐标,针对服务推荐中无法衡量用户群体与Web服务之间的距离位置关系,造成用户相似度计算失衡,导致推荐不准确等问题,提出了基于用户空间位置评分云模型的Web服务协同过滤推荐算法.首先基于用户群体的行为数据量化Web服务的热度区域,通过空间位置量化评分描述用户对于Web服务的兴趣偏好;其次利用云模型来描述每个用户空间行为评分的整体特征,设计了云模型间相似贴近度的计算方法,基于该方法提出了一种用户差异程度系数评估算法,并作为调控系数优化了皮尔森相似度量;最后通过协同过滤找出用户感兴趣的Web服务.实验结果表明该算法使得用户行为偏好的区域划分更加精确,在推荐准确率上明显提高,为基于位置的Web服务推荐提供新颖的方案.     

基于项目和信任的协同过滤推荐算法

为解决冷启动用户的推荐问题,对TrustWalker算法在相似度计算、可能性项目选择和预测评分等方面进行改进,提出一种基于项目和信任的协同过滤推荐算法CoTrustWalker。采用云模型相似度方法计算项目间的相似度,通过选择最相似的若干个项目的聚合结果作为随机游走的返回结果,从而提高推荐结果的稳定性。实验结果表明,CoTrustWalker算法在小规模数据集上与TrustWalker算法相比,其推荐质量和推荐速度均有较大提高。     

基于均衡接近度灰关联的增强二部图推荐算法

协同过滤推荐算法的数据稀疏性与冷启动问题影响和制约了推荐的质量,传统用户—项目二部图信任和相似度计算受局部个别点关联因素的消极影响。首先提出一种基于均衡接近度灰关联方法计算项目流行度的二部图信任推荐,在此基础上提出用户偏好的增强二部图直接信任度机制,然后通过JMSD相关系数作为全局信任推荐。在MovieLens数据集下的对比实验表明,与基准算法对比改进的算法模型具有更低的平均绝对误差（MAE）,提高了推荐质量,改善了冷启动问题。     

基于Spark的混合推荐算法研究

随着电子商务的发展,基于协同过滤的推荐算法越来越受欢迎,与此同时,该算法的缺陷也越来越明显,如数据稀疏性、系统可扩展性等。另外传统的单机计算模型也难以满足海量数据的实时推荐需求。为此,提出一种利用Spark计算模型实现分布式推荐的方法。该推荐方法采用基于谱聚类和朴素贝叶斯的混合推荐算法,同时使用增量式更新,在不全部重新训练模型的基础上,对模型进行局部修改。实验结果表明,较传统的单机模式推荐算法,基于Spark计算模型的分布式推荐算法,在一定程度上克服了数据稀疏性,提高了系统的可扩展性,降低了系统的响应时间。     

基于图嵌入的用户加权Slope One算法

针对传统Slope One推荐算法在稀疏数据集上预测准确率较低的问题,提出一种基于图嵌入的加权Slope One算法。本文算法首先以融合时间信息的用户相似度为边权建立用户关联图,对该图进行图嵌入得到用户特征向量,然后基于Canopy聚类对用户进行类内加权Slope One推荐。另外,为优化算法性能,本文算法基于Spark计算框架实现。实验结果表明,对比传统的加权Slope One,本文算法在稀疏数据集和显式、隐式评分数据集上的推荐效果和评分预测准确率都更优。     

一种基于信任的服务组合方法

为解决动态网络下进行可信的Web服务组合问题,该文提出一种基于信任的服务组合方法。该方法首先引入了信任评估机制,构建了基于QoS的服务组合的信任模型;基于该模型设计多约束条件下的基于信任的服务组合方案,采用粒子群算法进行优化求解。应用实例与分析表明了该方法能够提高组合服务的可靠性与成功率。