基于语义的Web服务发现算法

传统的Web服务发现只是简单的基于关键字的语法匹配,查询得到的服务往往不是用户想要的.在基于接口的Web服务发现的基础上,改进了Web服务描述模型,增加了服务质量(QoS),提出了分步过滤匹配算法.先通过服务类别过滤器进行语义过滤筛选,去除不相关的Web服务,然后通过服务相似度度量候选服务和请求服务之间的相似程度.候选服务和请求服务之间的相似度是通过服务功能相似度和服务质量相似度两个方面进行综合评估的.最后,通过实验证明了该匹配算法的可行性和有效性.     

一种支持QoS预测的语义Web服务发现模型

针对不同用户对语义Web服务需要的偏好及发现的准确性和高效性的问题,提出了一种支持QoS预测的语义Web服务发现方法。首先,对历史用户按照用户情境进行聚类预处理,然后在每个簇中采用BP神经网络算法为当前用户预测其所需的QoS,匹配了服务的功能性需求后,在候选服务中,按照预测的QoS,为用户推荐相应服务。最后通过实验验证了该方法的可行性和有效性。     

Web服务QoS与用户位置的相关性实证研究

如何为用户准确预测Web服务的QoS是最近的一个热点研究问题.考虑到Web服务的QoS可能受用户具体位置的影响,一些工作提出了位置感知的Web服务QoS预测方法.然而,很少有工作在实践中针对Web服务QoS与用户位置的相关性进行具体验证.提出了一套对Web服务QoS与用户位置的关系进行验证的方法,并使用真实的Web服务QoS数据集进行了实验.实验与分析发现:用户位置越邻近,他们在相同Web服务上观察到的QoS越相似;反过来也是如此.这些结果表明Web服务QoS与用户位置之间具有较强的相关性,可以为位置感知的Web服务QoS预测方法提供很好的依据.     

基于用户反馈QoS的动态Web服务发现方法

由于传统的基于关键字和简单分类的Web服务发现机制缺少服务质量(QoS)考虑,因此不能很好满足用户的需求。针对该问题,提出一种基于QoS的Web服务发现模型,通过引入QoS代理机制,对终端用户使用Web服务后反馈的QoS信息进行量化和度量处理,以支持基于QoS的Web服务发现;在此基础上,根据Web服务的动态性特点和不同用户的QoS需求,给出了基于用户反馈的QoS数据度量方法,并提出一种基于QoS的Web服务发现算法。实验结果表明,提出的Web服务发现方法能够较好地满足用户的需求。     

基于QoS的Web服务发现方法

由于传统的基于关键字和简单分类的Web服务发现机制较少考虑服务质量(QoS),因此不能很好地满足用户的需求。针对该问题,提出一种基于QoS的Web服务发现模型,通过引入QoS代理机制以支持基于QoS的Web服务发布与发现。在此基础上,根据不同用户的QoS需求,提出一种基于QoS的Web服务发现算法。实验结果表明,该算法具有较高的准确率。     

基于位置聚类和张量分解的Web服务推荐算法

基于服务质量（QoS）的Web服务推荐能在众多功能相似的Web服务中发现最能满足用户非功能需求的Web服务,但QoS属性值预测算法仍存在预测准确度不高和数据稀疏性的问题。针对以上问题,提出了一种基于位置聚类和分层张量分解的QoS预测算法ClustTD,该算法基于用户和服务的位置属性将用户和服务聚类成多个局部组,分别对局部组和全局的用户、服务和时间上下文进行张量建模和分解,将局部和全局张量分解的QoS预测值进行加权组合,同时考虑了局部和全局因素,获得最终QoS预测值。实验结果表明,该算法具有较高的QoS预测准确率和Web服务推荐质量,并能在一定程度上解决数据稀疏性问题。     

一种QoS感知的Web服务群体评价方法

传统QoS感知的Web服务选择方法需要用户给出精确权重以表达其对QoS属性的偏好。为解决用户无明确偏好情况下的服务选择问题,提出了一种QoS感知的Web服务群体评价方法。对Web服务群体评价的需求进行了详细的分析,以有明确QoS偏好的用户对服务的历史选择结果为基础,利用群决策的Condorcet和Borda函数集结这些结果得到服务的群体评价,从而使得无明确QoS偏好用户可以参考该评价结果进行服务选择。理论分析和仿真实验验证了该服务群体评价方法的合理性和有效性。     

基于聚类的QoS语义Web服务发现研究

如何动态地选择出适合用户需求的Web服务正在引起相关研究者的关注.为了提高Web服务查找的效率,提出了一种支持QoS的语义Web服务发现框架.首先根据Web服务本体分别计算服务描述、输入、输出、前提条件和结果这五个层面的语义相似性,然后利用聚类技术,将相似度高的服务聚为一类,过滤掉与服务请求完全不同类别的服务,形成候选服务集,最后进行QoS比较,得到一个服务排序,为请求者选择QoS综合值最高的服务.仿真实验验证了该方法的可行性和有效性.     

用户位置感知的Web服务QoS预测方法

随着互联网上Web服务数量的增多,服务的QoS开始成为用户在选择服务时关注的焦点.为了有效获取服务的QoS信息以便向用户推荐高质量的服务,提出一种用户位置感知的Web服务QoS预测方法--UL-WSRec.利用一些QoS属性受用户位置影响的事实和同一个自治系统中的用户在位置上邻近的特点,根据自治系统来计算用户位置和划分相似用户.在传统的协同过滤算法基础上,利用用户位置信息提出了改进的算法,以提高服务QoS预测的效率和精度.基于真实Web服务数据的实验表明了该方法的有效性.     

QoS本体驱动的Web服务发现

当前Web服务发现过程中,为满足不同用户的个性化选择需求,一种具有可靠服务质量保证的Web服务匹配方法是迫切需要的.基于WordNet本体,文中提出一种考虑QoS语义和数值综合匹配的QoS匹配模型.该匹配模型包含了语义匹配、数值匹配、多属性决策矩阵、领域专家意见、以及获得Top-k候选服务等过程,文中讨论了这些匹配过程,并进行了仿真实验.结果表明,与传统方法相比,采用文中提出的QoS匹配模型在一定程度上提高了Web服务发现的查准率.     

基于用户情境聚类的Web服务发现方法研究

针对快速发现用户适合度较高的Web服务问题,提出了一种基于用户情境聚类的Web服务发现方法.将聚类与倒排索引技术融入Web服务发现算法,利用BIRCH聚类思想进行用户情境聚类,有效地缩小了Web服务的查找范围,而倒排索引技术则能够快速定位服务,进一步优化了Web服务发现的时间.结合实例和实验,并与其他Web服务发现方法进行比较,结果表明了该方法的服务发现结果和时间效率均优于其他方法.     

基于语境和动作推理的语义Web服务发现

在语义Web服务发现中,服务本身及用户所处的语境是不可忽视的因素.针对现有服务发现方法的不足,给出一种基于语境和动作推理的语义Web服务发现方法.该方法通过建立基于动作的语境模型来刻画静态和动态的语境信息,利用动态描述逻辑中的动作推理实现语境推理,并在此基础上实现语境敏感的语义Web服务发现算法.案例研究及相关工作对比表明,与现有方法相比,文中方法在语境刻画和推理能力方面均有较优表现.同时实验结果也表明,在增加合理逻辑推理的时空开销的前提下,文中方法能为用户提供更符合需求的服务发现结果.     

Integrating implicit feedbacks for time-aware web service recommendations

An increasing number of Web services have been published on the Internet over the past decade due to the rapid development and adoption of the SOA (Services Oriented Architecture) standard. However, in the current state of the Web, recommending suitable Web services to users becomes a challenge due to the huge divergence in published content. Existing Web services recommendation approaches based on collaborative filtering are mainly aiming to QoS (Quality of Service) prediction. Recommending services based on users’ ratings on services are seldomly reported due to the difficulty of collecting such explicit feedback. In this paper, we report a data set of implicit feedback on real-world Web services, which consist of more than 280,000 user-service interaction records, 65,000 service users and 15,000 Web services or mashups. Temporal information is becoming an increasingly important factor in service recommendation since time effects may influence users’ preferences on services to a large extent. Based on the collected data set, we propose a time-aware service recommendation approach. Temporal information is sufficiently considered in our approach, where three time effects are analyzed and modeled including user bias shifting, Web service bias shifting, and user preference shifting. Experimental results show that the proposed approach outperforms seven existing collaborative filtering approaches on the prediction accuracy.     

基于用户与服务协同聚类的Web服务发现研究*

如何从大规模服务集合中快速而准确地发现目标服务是应用Web服务技术的关键。针对现有研究方法主要集中在基于语义的Web服务发现上,其实施难度大且适用性不强,提出一种基于服务日志挖掘的服务发现方法。该方法通过对用户与服务进行协同聚类,缩小查询空间,从而提高发现效率。仿真实验表明,其在召回率与准确率上比基于关键字的匹配算法都有不同程度的改善,且该方法能极大地满足服务执行时动态绑定的特性。     

一种语义网服务发现过程排序算法

针对语义网服务发现过程的排序问题,提出一种新的语义网服务排序算法。采用重写思想的方法对候选语义网服务进行排序。实验结果证明,该算法运行效率较高、耗时较少,可有效辅助用户的选择和静态语义网服务平台的自动化计算。     

一种基于用户播放行为序列的个性化视频推荐策略

本文针对在线视频服务网站的个性化推荐问题,提出了一种基于用户播放行为序列的个性化推荐策略.该策略通过深度神经网络词向量模型分析用户播放视频行为数据,将视频映射成等维度的特征向量,提取视频的语义特征.聚类用户播放历史视频的特征向量,建模用户兴趣分布矩阵.结合用户兴趣偏好和用户观看历史序列生成推荐列表.在大规模的视频服务系统中进行了离线实验,相比随机算法、基于物品的协同过滤和基于用户的协同过滤传统推荐策略,本方法在用户观看视频的Top-N推荐精确率方面平均分别获得22.3%、30.7%和934%的相对提升,在召回率指标上分别获得52.8%、41%和1065%的相对提升.进一步地与矩阵分解算法SVD++、基于双向LSTM模型和注意力机制的Bi-LSTM+Attention算法和基于用户行为序列的深度兴趣网络DIN比较,Top-N推荐精确率和召回率也得到了明显提升.该推荐策略不仅获得了较高的精确率和召回率,还尝试解决传统推荐面临大规模工业数据集时的数据要求严苛、数据稀疏和数据噪声等问题.     

基于量化角色的Web服务访问控制研究

引入权限量值和量化角色的概念,建立一个细粒度的Web服务访问控制模型。通过定义Web服务和服务属性资源以及访问模式集,扩展权限集的定义;研究Web服务权限量值的定义和分配,以及量化角色的验证和表示形式;提出Web服务主体的行为量值的概念,建立与主体的角色量值的关联,实现根据Web服务主体的行为和上下文环境动态计算行为量值并调整主体权限的方法。     

一种上下文移动用户偏好自适应学习方法

针对移动网络对个性化移动网络服务系统的性能提出了更高的要求,但现有研究难以自适应地修改上下文移动用户偏好以为移动用户提供实时、准确的个性化移动网络服务的问题,提出了一种上下文移动用户偏好自适应学习方法,在保证精确度的基础上缩短了学习的响应时间.首先,通过分析移动用户行为日志来判断移动用户行为是否受上下文影响,并在此基础上判断移动用户行为是否发生变化.然后,根据判断结果对上下文移动用户偏好进行修正.在对发生变化的上下文移动用户偏好进行学习时,将上下文引入到最小二乘支持向量机中,进一步提出了基于上下文最小二乘支持向量机(C-LSSVM)的上下文移动用户偏好学习方法.最后,实验结果表明,当综合考虑精确度和响应时间两方面因素时,所提出的方法优于其他学习方法,并且可应用于个性化移动网络服务系统中.     

基于序列模式的用户浏览行为提取与分析

当今互联网所提供的功能和服务越来越多,Web内容也越来越丰富,移动应用越来越流行。然而,复杂的Web服务应用对用户提出了更高的要求,给用户浏览带来了很多问题,很多时候用户会感到无所适从。文中提出基于用户浏览序列模式的用户行为提取与分析方法。该方法可以分为浏览模式分析和用户聚类两部分。在浏览模式分析时,首先根据用户行为数据得到浏览序列,然后运用序列模式挖掘PrefixSpan算法获取用户习惯的浏览模式,最后把分析获取的用户浏览模式应用到Web浏览中,为不同的用户需求提供个性化的服务。在用户聚类时,运用层次聚类方法按照浏览模式的相似性对用户进行聚类,以分析用户的不同属性（如年龄、职业、学历等）对用户浏览模式的影响。实验结果表明,文中采用的PrefixSpan算法和层次聚类方法在用户浏览模式分析和研究方面具有很好的可行性和有效性。     

A User Requirement Oriented Web Service Discovery Approach Based on Logic and Threshold Petri Net

In recent years, the number of Web services has increased significantly. Web service discovery has drawn much attention with the development of Web service applications and big data analysis. Under this circumstance, traditional Web service discovery strategies cannot adequately meet high user requirements due to the efficiency and precision of service discovery is low. In order to improve the accuracy and efficiency of service discovery, a user requirement oriented Web service discovery approach based on Petri nets is proposed in this study. A data preprocessing strategy of Web service is first designed. Then, a service clustering method is proposed based on Petri nets, which can conduct service cluster head generation, service cluster composition, and service discovery. The proposed method utilizes a superior data preprocessing method. Using simulation experiments, the efficiency and precision of Web service discovery are illustrated. Finally, the application value of the approach on real Web service is discussed.