多维大数据驱动的服务优化组合理论与方法研究

Service composition is the fundational technique for building value-add services in the dynamic network environments, which holds great potential for promoting intelligent service. Given massive customers with personalized requirements in complex dynamic network environment, how to construct optimal service solutions effectively and efficiently becomes a key and urgen scientific issue for the service computing domain. This project aims at proposing a series of domain knowledge-guided composite service solutions by exploring multi-dimensional service big data using data mining, machine learning, and hypergraph theories. This study devises the framework and methods to perform the following tasks: (1) Building requirement models of domain customers by mining the domain customer requirement big data; (2) Building knowledge hypergraphs to describe the associations among different roles in services by mining the service compositions big data; (3) Identifying customer requirements and selecting optimal services to match those requirements by multidimensional vector matching and hypergraph-based service ranking, based on the domain knowledge obtained from the above two steps; (4) Improving the Artificial Bee Colony (ABC) algorithm to construct optimal composite service solutions based on the ranked services; The research results will be validated through applications in smart elderly care and maritime logistics service domains. This project is expect to strengthens the ties between Big Data and service computing research and explores new methods of multi-dimensional big data driven service optimal composition.

服务优化组合是动态网络环境下创建增值服务的关键技术，蕴藏着巨大的应用价值。在复杂动态的网络环境下，如何高效智能地为大规模个性化的用户构建出最优的组合服务成为服务计算领域亟需解决的关键科学问题。本课题拟基于数据挖掘、机器学习与超图理论，对服务应用相关的多维大数据进行挖掘，进而提出一套领域知识指导的解决方案。主要工作包括：(1) 通过对用户需求大数据的挖掘学习，建立用户领域需求模型；(2) 通过对服务组合大数据的挖掘，构建服务组合相关对象之间的关联知识超图；(3) 基于以上工作所获取的领域知识，利用多维向量匹配与超图排序快速地确定用户需求并筛选出最佳候选服务；(4) 基于领域知识对人工蜂群算法进行改进，并基于筛选出的服务实现高效的服务优化组合。通过在智慧养老、海运物流等服务领域的应用，验证并完善该课题的研究成果。本课题将加强大数据与服务计算领域的结合，探索多维大数据驱动的服优化组合新方法。

服务优化组合技术通过聚合来自于不同领域的简单服务，形成功能强大的聚合服务，是支撑现代服务业(智慧养老、智慧医疗、智慧城市等)快速发展的重要技术。多维大数据中蕴藏着丰富的领域知识，对于提升服务优化组合的效果和效率具有重要作用。为此，本课题开展了多维大数据驱动的服务优化组合理论与方法研究，提出了一套大数据环境下服务需求建模感知、服务选择与推荐、服务优化组合方法，并将研究的成果在智慧养老服务领域得到成功的应用。.为了实现大数据环境下服务需求的精确建模与感知，进而提高服务优化组合的准确度，提出了情景感知的领域需求模型建模及其演化机制；提出了一系列基于深度学习的服务需求主动感知方法。.为了提高候选服务的质量，进而提高大数据环境下服务选择、推荐与优化组合的效率，本课题提出了服务与需求关联知识图构建方法，提出了服务与需求模式偶对矩阵构建方法；在此基础上，基于图搜索的方法能够快速地进行高质量的候选服务筛选。.针对服务选择与推荐问题，本课题基于人工智能新技术与服务相关大数据，提出了一系列新型的服务选择与推荐方法，主要包括实时QoS感知的服务选择方法、基于用户特征的养老服务推荐算法、基于供需交易主体画像的养老服务推荐方法、基于深度学习与多目标优化的养老服务推荐方法等。.为了提高大数据环境下服务优化组合的可靠性，提出了资源与QoS感知的服务优化组合方法，使得服务优化组合更加贴近实际应用，提高了服务优化组合的成功率；提出了基于先验性与快速服务筛选的服务优化组合方法，该方法充分利用大数据中蕴藏的服务领域特性，提升了服务优化组合的效率与可靠性。.研发了智慧养老服务应用系统，验证了上述研究中关键技术的有效性和正确性。该项目已发表学术论文38篇（其中，SCI期刊论文18篇，EI收录12篇），获批国家发明专利5项、获中国人工智能学会科技进步奖一等奖1项、获软件著作权6项；培养了博士生2名（毕业1人），培养硕士研究生20名；举办国际学术会议5次。