基于用户信誉度感知的Web服务在线个性化QoS预测方法研究

In Web services environment, due to the malicious users and the frequent update of Web services, it may lead to lower accuracy and efficiency to the QoS prediction results. Previous research of project had found that the prediction accuracy could be improved dramatically by building the QoS prediction model which fuses user reputation with matrix factorization. But user reputation awareness mechanism and Web services QoS prediction model performance still need further explore. Base on this, this project aims to build a QoS prediction model with high accuracy and strong adaptability for Web services. This project proposes an online personalized quality of service prediction for Web services based on user reputation awareness. In this project, multiple steps of this approach are carried out by combining theoretical and empirical research. The contents of this project include: Web services online personalized QoS prediction framework, users online reputation awareness model and reputation computing algorithm, Web services online personalized QoS prediction model based on online reputation awareness and matrix factorization. The innovation will include user reputation awareness based on multitasking online learning in combination with context, the application of user reputation awareness fused matrix factorization based on online learning for web service QoS prediction. This project can enrich the Web service recommendation theory and provide theoretical reference for constructing high quality Web service system.

Web服务环境中由于存在恶意用户以及Web服务的更新变化，导致服务质量预测(QoS)准确性及效率难以提高，项目前期研究发现通过构建融合用户信誉度的QoS预测模型可显著提高预测准确性，但用户信誉度感知机制及Web服务QoS预测模型性能仍有待进一步探索。基于此，本项目以构建一种准确性高、自适应性强的Web服务QoS预测模型为目标，提出基于用户信誉度感知的Web服务在线个性化QoS预测方法，采用理论研究和实证研究相结合开展多方面研究，通过Web服务在线个性化QoS预测框架构建，用户信誉度在线感知建模及信誉度计算，基于用户信誉度及矩阵分解的Web服务在线个性化QoS预测建模等研究，将在结合上下文情境的用户信誉度多任务在线学习感知、基于在线学习的用户信誉度感知及矩阵分解在Web服务QoS预测中的应用形成创新。项目研究成果将可丰富Web服务推荐理论研究，并为构建高质量的Web服务系统提供理论参考。

随着现代互联网的发展，通过Web服务的服务质量 (Quality of service，QoS)来选择最优Web服务以构建高质量面向服务系统已成为学术界和工业界的关注重点，然而，Web服务环境中由于存在恶意用户以及Web服务的更新变化，导致服务质量预测(QoS)准确性及效率难以提高，因此有必要对影响QoS预测的用户信誉度进行评估并进行更加有效的预测。基于此，本项目围绕Web服务个性化QoS预测中存在的恶意用户及动态环境下如何提高预测模型自适应性的问题，构建一种准确性高、自适应性强的Web服务个性化QoS预测模型研究内容包括基于用户信誉度感知的Web服务在线个性化QoS预测框架构建、用户信誉度在线感知建模及信誉度计算算法、基于在线用户信誉度及矩阵分解的Web服务QoS预测建模、基于信誉度感知的Web服务在线个性化QoS预测原型系统研究及预测结果评估。经过项目开展研究，得出的重要结果为：（1）项目提出的在线用户信誉度值计算方法OPRE具有较高的有效性，其计算精度超越于传统的方法L1-MAX, L2-MAX, L1-MIN, L2-MIN, L1-AVG, L2-AVG。（2）项目提出的神经协同过滤QoS预测方法,在数据稀疏的场景下，该方法能有效降低了因为地理信息缺失带来的较大预测误差，以及提供偏置修正项，能结合用户和服务的实际情况，给予个性化的预测修正，从而有效降低预测的方均根误差，提升算法的鲁棒性。（3）项目提出的融合用户信誉度和矩阵分解的个性化Web服务QoS预测方法，通过引进区块链技术，预测效果优于传统方法。本项目研究的基于用户信誉度感知的Web服务在线个性化QoS预测方法有利于在个性化服务质量预测中获得可靠的预测值，能够更加合理地为面向服务系统提供更加个性化的Web服务，为构建高质量的面向服务系统提供新的理论方法和技术手段，对丰富Web服务推荐理论研究以及软件可靠性理论的发展具有重要意义。依托本项目，已发表论文19篇，其中SCI/EI期刊论文15篇,国际会议论文4篇，申请国家发明专利2项。