[发明专利]一种基于相关性的服务选择系统及选择方法

摘要

本发明涉及一种基于相关性的服务选择系统，包括发布模块、检索模块、评价模块、数据库模块以及选择模块，所述服务信息利用UDDI进行注册发布。数据库根据评价模块提供的评价数据对原子服务资源进行排序，选择模块优先选择评价高的原子服务资源向用户展示。本发明同时涉及该选择系统的选择方法。本发明改变了传统的服务选择模式，突破现有技术在寻找相似邻居用户时可信性不高的局限，通过综合服务之间的相关性考虑服务的选择过程，避免了可能发生的联合欺骗情况，可使选择的结果更为精确；支持开放网络环境的动态特性，适应开放网络环境的需求；有效地提高服务选择的效率，也可以避免服务提供商所提供数据不可信情况的发生。

主权项

一种基于相关性的服务选择系统，其特征在于：包括发布模块、检索模块、评价模块、数据库模块以及选择模块，检索模块提供检索端口供用户访问，数据库中包含所有相关的原子服务资源及对这些原子服务资源的评价数据，评价模块提供评价机制以便用户对已接受或已使用的服务进行评价，评价数据送入数据库进行保存，选择模块根据用户检索的关键字提供与之相近的服务资源供用户参考，发布模块提供接口供服务提供商发布服务信息，当信息接受完毕，发布模块将服务信息存储在数据库中；所述选择模块，选择模块的工作即是参考可信联盟中用户的服务交互历史，包括各个服务的发现、选择及聚合过程，分析考虑不同服务之间所存在的相关性，根据这种潜在的相关性为服务使用者提供最能满足其需求的候选服务，最终完成服务选择；所述可信联盟通过以下方式构建：引入用户间的信任关系，通过计算用户信任度来考虑信息的真实可信度，最后综合相似度和信任度二者进行用户分配，确定目标用户的相似邻居用户；通常一个服务推荐系统是由M个用户{U1,U2,…UM}以及N个候选服务{S1,S2,…SN}组成，通过用户的用户日志可以提取出其服务评价信息，即用户与各个服务之间的关系可以用一个M×N的矩阵来表示，其中第i行s列的元素Ri,s表示的是用户i对服务s某项QoS属性值的评价值，通常评分越高代表用户对此服务的质量越满意，若用户i从没有调用过服务s，那么Ri,s则为0；用户i和j共同评分过的服务集合为si,j，用户i与j的相似度Sim(i,j)可按公式1进行计算：Sim(i,j)=Σs∈si,jμ1reputations2+ω1frequencys2(Ri,s-Ri‾)×(Rj,s-Rj‾)Σs∈si,j(Ri,s-Ri‾)2Σs∈si,j(Rj,s-Rj‾)2---(1)]]>其中和分别表示用户i和j对si,j中所有服务的评分的均值；参数μ与ω是服务的两个属性特征的影响因子，取值范围是[0,1]；由于服务所处的应用环境不同会导致两个属性特征对计算结果产生影响的比重也发生相应的变化，因此，可变的参数μ与ω使得该相似度计算方法能更好地适用于不同的应用环境；接下来考虑用户行为的可信性：一种有效获取推荐行为的直接信任度的渠道是通过用户间信息交互后彼此互相评价对方的信誉来建立的；使用Beta信任模型来计算两个用户之间推荐行为的直接信任度RDT(i,j)；若用户j和i都与服务s交互过，Ri,s表示用户i对服务s的评分，Rj,s表示用户j对服务s的评分，将j作为i的一个单独的邻居对i进行推荐，并将j对服务的评分值与i对服务的真实评分值相比较，若它们之间的误差绝对值小于某一固定值ε，则认为j对i的推荐是正确的，反之则认为推荐是错误的；在两者共同评分过的服务集合si,j中，用户j为用户i正确推荐的总次数记为pi,j，错误推荐的总次数记为ni,j；Beta概率密度函数适用于描述包含二进制事件的后验概率，这里x事件指的是用户j为i做出正确的服务推荐，计算推荐行为的直接信任度的公式如下所示：RDT(i,j)=Γ(pi,j+ni,j+2)Γ(pi,j+1)Γ(ni,j+1)xpi,j(1-x)ni,j---(2)]]>其中Γ为gamma函数，0<x<1；计算推荐行为的间接信任时，设集合D为目标用户i的信任用户群，由集合D内的信任用户对推荐用户j进行信任评估，并结合各自的信任权重作为评估依据；RIDT(i,j)表示用户i对j的推荐行为的间接信任度，计算公式如下所示：RIDT(i,j)=ΣDwiRDT(j,Di)ΣDwi---(3)]]>式中，wi为目标用户信任集合D内的用户Di向用户i推荐用户j的信任权重，其值为两个用户推荐行为的直接信任度，由公式2计算所得；RDT(j,Di)为用户Di与用户j之间的直接信任度；得到推荐行为的直接信任度和间接信任度之后，用户推荐行为的信任度可由公式4计算得出：RT(i,j)＝αRDT(i,j)+βRIDT(i,j)   (4)式中，RDT(i,j)表示推荐行为的直接信任度，RIDT(i,j)表示推荐行为的间接信任度，α、β分别表示其权重，取值范围为[0,1]，且α+β＝1；RT(i,j)值越大，说明用户j对目标用户i的推荐越值得信赖；综合目标用户与候选邻居的相似度及信任度时，综合权重计算公式如下：weight(i,j)=2sim(i,j)·RT(i,j)sim(i,j)+RT(i,j)---(5)]]>进行用户分配时，由于实际的网络环境中用户比较多，之间的联系也相对较紧密，我们采取传统的top‑k方法，根据综合权重值选取前k个用户形成可信联盟；选择模块的工作即是参考可信联盟中用户的服务交互历史，包括各个服务的发现、选择及聚合过程，分析考虑不同服务之间所存在的相关性，根据这种潜在的相关性为服务使用者提供最能满足其需求的候选服务，最终完成服务选择，具体选择方法表述如下：将用户‑服务调用率作为形成sc的参考因子；当可信联盟中某一用户k选择服务j时，我们记录下本次调用，服务j被调用的总次数记为number(sj,uk)，一段时间后我们按公式6计算出服务的调用率，将其记为freq(sj,uk)，然后对可信联盟中用户‑服务调用率进行排序，选出数值最高的m个子服务作为常用服务集中的元素；freq(sj,uk)=number(sj,uk)Σj=1mnumber(sj,uk)ifnumber(sj,uk)≠00ifnumber(sj,uk)=0---(6)]]>常用服务集sc表示的是在一定时间段内，根据可信联盟中所有用户的服务聚合历史，选出的用户最常用来进行服务聚合的子服务集合，将其表示为sc＝{sc1,sc2,...scm}，其中每个服务相比其他服务都能更好的满足用户的需求；用户进行服务选择时，服务资源池中满足用户需求的候选服务集，表示为c＝{c1,c2,...cm}；c中某一服务ci与sc之间的相关性可以通过评估两者间存在的联盟原则来进行计算；存在的联盟原则越多，ci与sc的相关性则越强；另外我们将ci与资源池中的所有服务集合的相关性也作为另外一个重要的参考因素，ci与所有服务集合间存在的联盟原则越多，ci与sc的相关性则越弱；本文用R1和R2分别来表示这两种相关性，将服务间相关性定义为R＝R1*R2，联系资源池中所有服务的聚合历史计算出候选服务集c中每一个服务与常用服务集sc中服务的support和confidence值；排除不满足门限confidence(sc→c)＞δ，support(sc→c)＞γ的候选服务，其中δ和γ的值根据具体的模型和环境而改变；在所有满足门限值的候选服务中根据公式7计算出ci与sc中服务的相关性R1R1=Σj=1,scj∈Scmconfidence(scj→ci)---(7)]]>再根据公式8计算ci与所有服务的相关性R2，其中t是服务资源池中存在的所有联盟原则AR的个数，num(ci,AR)表示的是包含ci参与的联盟原则AR的个数；R2=logt+1num(ci,AR)+0.5---(8)]]>接着计算服务间的相关性R，返回值最高的候选服务，用户选择其作为最优服务；至此便成功地使用联盟原则在候选服务集c中选出了最能满足用户需求的服务。