基于张量分解的动态Web服务推荐

《基于张量分解的动态Web服务推荐》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、2016年9月第42卷第9期北京航空航天大学学报JournalofBeijingUniversityofAeronauticsandAstronauticsSeptember2016V01．42No．9http：ffbhxb．buaa．edu．cnjbuaa@buaa．edu．cnDOI：10．13700／j．bh．1001-5965．2015．0582基于张量分解的动态Web服务推荐张万才，刘旭东。，郭晓辉(北京航空航天大学计算机学院，北京100083)摘要：在服务计算领域中，为了能够在大量具有相同功能的Web服务以及API等数据资源中选择适合用户的服务和接口，提出了服务推荐

2、系统。当前常用的基于服务质量(QoS)的服务推荐系统所采用的模型假定服务的QoS值恒定不变，是一种由服务和用户的二元关系构成的二维静态模型。针对实际应用中，QoS是受到多种因素影响的变量这一问题，提出了一种可以描述多个影响QoS因素的张量模型，并利用张量分解算法来对服务推荐算法进行了改进。实验结果表明：提出的基于张量分解的服务推荐算法与6种现有算法相比较，预测服务的QoS值的绝对平均误差(MAE)不同程度地降低了20％～50％，并且所建模型能够描述更多的影响因素，从而可对服务进行动态推荐。关键词：服务计算；服务质量；推荐系统；协同过滤；张量分解中图分类号：TP399文献标识码：

3、A文章编号：1001-5965(2016)09—1892—11推荐系统作为个性化服务研究领域的重要分支，通过挖掘用户与项目之间的二元关系，帮助用户从大量数据中发现其可能感兴趣的项目，并生成个性化推荐以满足个性化需求。如今，推荐系统在电子商务、信息检索以及移动应用、电子旅游、互联网广告等众多应用领域取得较大进展。Web服务是网络化应用软件开发的基础，随着互联网、云计算、移动计算和大数据等技术的快速发展，面向海量终端用户的互联网软件服务不断涌现，由它们组合而成的网络化软件已经逐渐成为软件的重要形态和发展趋势。面向服务计算的体系结构能够无缝地把各种在线Web服务和API组合起来，形成

4、新的增值服务来满足用户需求。然而，随着互联网产业突飞猛进的发展，在线Web服务和API的数量正在飞速增长，如何从大量的网络服务中快速有效地选择出满足用户功能性和非功能性要求的服务已经成为服务计算领域面I临的一个重要问题，目前解决这一问题的主要技术途径是服务推荐。主流的服务推荐系统在为用户进行服务推荐时，主要考虑的是用户偏好、服务应用场景和服务质量(QualityofService，QoS)等因素。其中，QoS作为一系列用户可以感知和监测到的非功能属性，实际上成为了众多服务推荐系统进行服务选择和推荐的核心依据。大多数服务推荐系统使用协同过滤算法对用户观察到的QoS属性信息进行挖掘

5、，找到与当前用户服务体验相似的用户，为当前用户预测其未使用过的服务QoS属性值，并以此进行服务推荐。近年来，基于QoS的服务推荐技术受到学术界广泛关注¨。1。A1．Masri和Mahmoud¨1构建的服务检索系统通过定期对系统内所有的服务进行监测，获取相应的QoS属性的数值，并根据用户选择的QoS属性预测值，对服务进行检索。基于这些预测数据收稿日期：2015-09-08；录用日期：2015—10-10；网络出版时间：2016-03-2409：11网络出版地址：WWW．cnki．net／kems／detail／11．2625．V．20160324．0911．001．html基金项

6、目：国家自然科学基金(61370057)；国家“863”计划(2012AA011203)；国家“973”计划(2014CB340304)}通讯作者：Tel．：010—82316285E—mail：liuxd@act．buaa．edu．cn引用格式：张万才，刘旭东，郭晓辉．基于张量分解的动态Web服务推荐fJJ．北京航空航天大学学报，2016，42(9)：1892-1902．ZHANGWC．LIUXD．GUOXH．DynamicWebservicerecommendationbasedontensorfactorization【J]．JournalofBeijingUnivers

7、ityofAeronauticsandAstronautics，2016，42(9)：1892-1902(inChinese)．第9期张万才，等：基于张量分解的动态Web服务推荐1893进行服务间相似度的计算，给出检索和推荐结果。另外，该类系统中使用的QoS值通常与用户自身感受存在一定差异。香港中文大学的郑子彬等M1提出了一个基于用户反馈的协同过滤算法的Web服务推荐系统，该系统对两个可测量的QoS属性(响应时间和失败率)进行用户反馈信息的收集，使用协同过滤算法对QoS值进行预测，为提交反馈