论文部分内容阅读
近年来，Web服务作为一种新兴的Web应用模式和一种崭新的分布式计算模型，发展非常迅速。但是，伴随着Web服务交易规模的进一步扩大，交易平台为用户提供越来越多选择的同时，结构也变得更加复杂。一方面，对于用户而言，Web服务的种类和个数快速增长，用户陷入了信息过载的困境，通常需要花费大量的时间才能找到自己需要的服务；另一方面，对于服务提供者而言，浏览大量无关的信息和产品的过程无疑会使淹没在信息过载问题中的消费者不断流失。Web服务推荐系统模拟销售人员向用户提供Web服务推荐，帮助用户找到所需的Web服务，从而顺利完成交易过程。在日趋激烈的竞争环境下，Web服务推荐系统能够节省用户时间、有效保留用户、防止用户流失，提高系统的销售能力。服务质量(QoS)是成功进行Web服务推荐的关键性因素。目前，基于QoS的Web服务推荐技术方面的研究有限，现有的研究仍然存在着个性化推荐程度不高以及推荐效率低等问题，推荐效率仍需进一步提高。本文针对Web服务推荐系统中面临的主要问题，对Web服务推荐系统中个性化推荐算法进行了探索和研究。本文的研究成果和创新点主要表现在如下两个方面：(1)提出了一种有效的个性化协同过滤算法来进行Web服务推荐。与传统的皮尔逊系数计算相似度不同，本文提出的方法在计算用户之间的相似度时，考虑了服务的个性化特征。计算服务之间的相似度时，考虑了用户的个性化特征。基于用户相似度模型和服务相似度模型，通过联合个性化的基于用户的方法和基于服务的方法，本文提出了一种有效的基于协同过滤的个性化Web服务推荐方法。实验结果表明，该算法在推荐效率上优于其他传统的以及改进的方法。(2)结合Web服务的QoS的地理位置敏感性特征，本文在个性化推荐算法的基础上提出了一种QoS位置感知的个性化推荐算法。根据Web服务QoS数据集，本文验证了QoS属性与用户以及服务的地理位置高度关联。因此，本文提出了一种地域模型聚集用户和服务，并且在地域模型中使用个性化推荐算法。实验结果表明，相对与传统的协同过滤算法和目前最先进的算法，这种方法不仅能够更加准确的活动用户进行Web服务推荐，而且能够极大程度的降低算法的执行时间，并且解决了协同过滤算法冷启动和难扩展的问题，具有理论价值和现实意义。