面向Web服务推荐的QoS协同过滤预测方法研究

High Quality web service recommendation based on Quality of Service (QoS) prediction by Collaborative Filtering approaches is a hot topic in Service-Oriented Computing domain.The existing approaches fail to accurately evaluate the similarity among users or services and the prediction results of existing model-based approaches are commonly uninterpretable. Besides, the existing approaches are vulnerable to unfair feedback attack. In this project, we will firstly study the social network based transitive similarity computing approach and employ Top-k nearest neighbor algorithm to mine the neighbor information of the QoS data. Secondly, we will study the physical interpretable non-negative factorization QoS prediction model and learn the user feature matrix and service feature matrix to mine the latent feature information of the QoS data.Thirdly, we will study the unsupervised clustering based user feedback information classification approach and employ Beta reputation system to evaluate the user reputation to mine the unfair feedback information of the QoS data.Finally, the above information will be fully utilized to accurately predict the value of subjective and objective QoS attributes. A large-scale experiment will be conducted using the real-world QoS data to study the performance of our approaches. This research will promisingly improve the quality and reliability of web service recommender systems.

采用协同过滤方法预测Web服务的服务质量（QoS）以实现高质量的服务推荐，是当前服务计算领域中的热点问题。现有方法存在相似度度量不准确、模型预测结果可解释性差和易受虚假反馈数据攻击等问题。鉴于此，本项目拟首先研究基于社会网络的传递相似度度量方法，并结合传统的皮尔森相关系数实现对相似度的准确度量，进而采用Top-k最近邻算法挖掘出QoS数据中的近邻信息；其次，研究具有物理可解释性的非负矩阵因子QoS预测模型的构建，并利用历史QoS数据实现对用户特征矩阵和服务特征矩阵的学习，挖掘出QoS数据中的隐含特征信息；进而，研究基于无监督聚类的用户反馈信息分类方法，并结合Beta信誉系统对用户信誉度进行评估，以挖掘出QoS数据中的虚假反馈信息；最后，拟充分利用上述信息实现主观型和客观型QoS的准确预测，并开展大规模真实QoS数据下的实验研究。项目成果对于提升服务推荐系统的质量和可靠性具有重要意义。

Web服务作为一种平台独立、松耦合的分布式软件组件模型，近年来被广泛应用于基于互联网的面向服务应用系统的构建。由于网络上功能相似但QoS水平各异的Web服务众多，如何准确高效地预测Web服务的QoS，进而向用户推荐质量较优的Web服务，成为影响面向服务的应用系统能否成功运行的关键因素之一。.本项目针对当前基于协同过滤的QoS预测方法在稀疏QoS数据条件下相似度度量准确度低，预测模型可解释性差，在虚假反馈数据的攻击下鲁棒性较差等问题，重点开展了如下几个问题的研究：.（1）验证了服务推荐系统中的用户间和服务间的相似性具有传递性的假设，提出了基于社会网络相似度传递的间接相似度度量方法，通过QoS历史数据构建用户相似度图和服务相似度图，然后设计了基于Flyod的相似度传播路径搜索图算法，最后将传播路径上的相似性进行聚合得到间接相似度。采用真实数据实验验证表明，该方法可以显著提升稀疏QoS数据条件下的相似度度量准确性。.（2）构建了具有物理意义、可解释性强的非负矩阵分解QoS预测模型，并设计了期望最大化方法实现对模型参数的学习，通过实验验证了模型预测的准确性和有效性。.（3）提出了一种信任感知的Web服务QoS预测方法。该方法通过挖掘一组可信邻居和相似服务来为当前用户预测目标Web服务的未知QoS。实验表明，该方法在面临大量不可信用户反馈数据攻击下，可以保持较好的鲁棒性和预测准确度。.本项目从以上三个方面，提升了在数据稀疏的现实环境下Web服务推荐系统的准确性、鲁棒性、可靠性。