[发明专利]一种用于Web服务推荐的协同过滤方法

说明书

本发明涉及一种用于Web服务推荐的协同过滤方法，首先从原QoS数据中提取出用户偏好数据，将其作为相似邻居近似度计算的源数据；其次从原QoS数据中提取出服务可信度数据，将其作为服务的个性化比重融入用户邻居相似度计算的过程中；然后使用top‑k算法确定目标用户的相似邻居集合；最后联合用户邻居的偏好相似度比重使用调和的皮尔逊相关系数算法(pcc)预测目标用户各未知服务的QoS值。通过WSDREAM库上197万条真实Web服务QoS数据集进行的实验，证明了所提算法相比于目前基于协同过滤的Web服务推荐算法，能有效提高QoS预测准确率从而提高Web服务推荐质量。

技术领域

本发明涉及一种用于Web服务推荐的协同过滤方法，属于Web服务推荐的QoS预测技术领域。

背景技术

Web服务是一种面向服务架构的网络交互技术，也称为WWW(World Wide Web)，由众多相互链接的超文本文档(HTML)构成。随着Web的发展，用户很难在网络中快速获取到自己想要的信息，通常需要在大量重复无用的网页之间艰难选择，这就是信息过载问题。

推荐系统可以有效处理信息过载的问题，从上世纪90年代开始，采用评分模式的推荐系统成为研究热点。近十几年来，推荐系统研究及开发一直吸引着众多的学者与公司进行投入，并已取得较大的发展及应用。

推荐系统的目的是为用户推荐合适的服务，所以用户、推荐算法和服务构成了推荐系统的工作模型。这里，推荐算法是核心要素。推荐算法一般来说分成三类：基于内容的推荐算法、使用协同过滤的推荐算法、联合以上两种方法的推荐算法。协同过滤推荐算法分为基于历史数据的、基于模型的、联合两者的协同过滤。

传统的基于用户的协同过滤方法有皮尔逊相关系数(PCC)和向量夹角余弦算法，协同过滤(CF)是一种广泛使用的服务推荐技术，该类方法假设，如果用户1和用户2访问一部分服务的质量相似，那么对于用户2已经访问过的新服务而言，用户1在使用该服务时会有相似的服务质量。已有的基于用户的CF算法使用web服务的服务质量(QoS)计算用户之间的相似度，但是用户的个性化偏好并不能直接体现在QoS数据中。直接使用QoS数据进行相似性计算，会得到不真实的相似度结果。同时，在真实世界中QoS很好的服务可以为网络环境不同的用户提供相似的高质量服务，而QoS很差的服务对于所有用户而言都不能正常的访问，即如果某一个服务对于不同的用户而言QoS值差异不大，那么该服务在计算用户之间相似度时作用不大。

发明内容

本发明所要解决的技术问题是提供一种用于Web服务推荐的协同过滤方法，基于用户偏好和服务可信度，能够有效提高QoS预测准确率，从而提高Web服务推荐质量。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种用于Web服务推荐的协同过滤方法，基于用户偏好和服务可信度，针对Web服务进行过滤，并向用户进行推荐，包括如下步骤：

步骤A.利用QoS训练样本集Q构造用户偏好数据集SAT；

步骤B.利用QoS训练样本集Q构造服务可信度数据集C；

步骤C.将服务可信度数据集C作为比重,联合用户偏好数据集SAT,计算各用户之间的偏好相似度；

步骤D.分别针对各个用户，根据各用户之间相似度，采用top-k算法，获得各个用户分别所对应的优先相似邻居集合N(u_m)；其中，1≤m≤M，M表示所有用户的总数，u_m表示所有用户中的第m位用户；