基于网络位置的web服务推荐方法研究

《基于网络位置的web服务推荐方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文题目:基于网络位置的Web服务推荐方法研究研究生宋智波专业计算机应用技术指导教师周丽副教授完成日期2014年3月杭州电子科技大学硕士学位论文基于网络位置的Web服务推荐方法研究研究生：宋智波指导教师：周丽副教授2014年3月DissertationSubmittedtoHangzhouDianziUniversityfortheDegreeofMasterWebServiceRecommendationMethodBasedonTheNetworkLocationCandidate:SongZhiboSupervisor:ViceProf.ZhouliMarch

2、,2014杭州电子科技大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。申请学位论文与资料若有不实之处，本人承担一切相关责任。论文作者签名：日期：年月日学位论文使用授权说明本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。本人保证毕业离校后，发表论文或使用论文工作成果时署名

3、单位仍然为杭州电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。（保密论文在解密后遵守此规定）论文作者签名：日期：年月日指导教师签名：日期：年月日杭州电子科技大学硕士学位论文摘要随着Web2.0时代的到来，Web服务相关技术的快速发展，不同的服务供应商在Internet上为用户提供越来越多功能相同或相似的Web服务，使得用户不得不需要花费大量的时间和精力来寻找满足自己需求的Web服务，即使用户找到了满足自己功能需求的Web服务，也不能保证其具有较好的服务质量(QualityofSe

4、rvice,QoS)。因此，从大量具有相同或相似功能的候选服务中选择满足用户需求并且QoS较好的服务推荐给用户变得越来越重要。QoS用来描述和评价Web服务的非功能属性，在基于QoS的Web服务推荐中，预测服务QoS的缺失值是必要的。目前已经有一些经典的方法通过使用协同过滤技术来进行Web服务推荐，然而他们很少考虑用户和Web服务的位置信息。在实际情况中，用户或Web服务的位置信息对QoS的属性值，例如响应时间，吞吐量，失败率等，有着显著的影响。此外，随着Internet上用户和Web服务的急剧增多，当前的Web服务推荐算法在这种大规模数据稀疏的情况下存在预测精度和性能不高

5、等问题。本文针对当前在大规模数据稀疏的情况下，Web服务QoS预测精度不高，算法可扩展性差的难题，提出了两个新颖的基于位置感知的协同过滤算法。本文的创新点主要概括如下：(1)提出了一种基于网络位置正则化的Web服务推荐方法(CollaborativeWebServiceQoSPredictionWithNetworkLocatrion-BasedRegularization,NLBR)。该算法引入了用户的网络位置信息，通过加入用户的网络位置正则项来改进矩阵分解模型为当前活跃用户预测QoS缺失值，然后将满足用户功能需求的候选服务根据QoS值排序，最后将QoS较优的Web服务推

6、荐给活跃用户。实验结果表明，通过加入用户位置信息改进矩阵分解模型进行QoS的缺失值预测，不仅在预测精度上优于目前主流的推荐算法，同时，该算法的时间复杂度与数据规模的大小呈线性相关，可以部分解决大规模数据下稀疏性与可扩展性差的问题。(2)提出了一种基于网络位置的近邻模型和矩阵分解模型相结合的Web服务推荐方法(CollaborativeWebServiceQoSPredictionViaNetworkLocation-BasedNeighborhoodIntegratedMatrixFactorization,NIMF)，该方法引入了用户和Web服务的网络位置。该算法通过将基

7、于网络位置的用户近邻模型和基于网络位置的Web服务近邻模型进行矩阵分解训练学习，然后和矩阵分解模型结合，得到两个模型。最后通过可调节的参数将这两个模型的结果联合起来进行QoS值预测，然后将候选服务根据QoS值排序，将满足用户需求并且性能较好的Web服务推I杭州电子科技大学硕士学位论文荐给活跃用户。实验结果表明，本章提出的模型不仅预测的精度优于其它方法，而且时间和空间复杂度与输入数据的规模呈线性关系，很好的解决了大规模数据下的稀疏性问题，同时解决了传统协同过滤算法可扩展性差的问题。(3)通过使用公开发布真实环境下大规