古凌嵐

（廣東輕工職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)工程系，廣東 廣州510300）

0 引 言

Web服務(wù)組合現(xiàn)已成為面向服務(wù)的計(jì)算模式下應(yīng)用構(gòu)造的主要方式，隨著面向服務(wù)技術(shù)的廣泛應(yīng)用，功能相似性能相異的Web服務(wù)也越來(lái)越多，使得用戶需要花費(fèi)大量時(shí)間搜索自己滿意的服務(wù)，因此，在匹配功能需求的前提下，如何快速有效地發(fā)現(xiàn)服務(wù)質(zhì)量（quality of service，QoS）良好、適合用戶個(gè)性化需求的Web服務(wù)，已成為Web服務(wù)組合技術(shù)成功應(yīng)用的關(guān)鍵和研究熱點(diǎn)。目前，許多研究成果對(duì)此進(jìn)行了闡述，如文獻(xiàn)［1，2］在功能匹配的基礎(chǔ)上，結(jié)合用戶QoS約束和QoS屬性偏好，更好地滿足了用戶對(duì)服務(wù)質(zhì)量的要求。文獻(xiàn)［3，4］基于聚類思想，對(duì)于功能相似而QoS不同的語(yǔ)義Web 服務(wù)先分類后排序，縮小了搜索范圍，在滿足功能和質(zhì)量要求的同時(shí)，提高了服務(wù)發(fā)現(xiàn)的效率。文獻(xiàn)［5］以語(yǔ)義Web服務(wù)發(fā)現(xiàn)的結(jié)果為基礎(chǔ)，利用用戶和服務(wù)的情境信息、預(yù)定義的情境規(guī)則和規(guī)則等級(jí)，進(jìn)一步篩選和排序得到適應(yīng)用戶情境的Web服務(wù)，提高了用戶滿意度。通過(guò)分析發(fā)現(xiàn)已有研究存在以下不足：

（1）對(duì)用戶信息的利用不充分。Web服務(wù)資源的迅速膨脹，使得用戶的個(gè)性化需求逐漸成為服務(wù)發(fā)現(xiàn)的重要依據(jù)，但目前主要從當(dāng)前用戶背景和QoS屬性偏好來(lái)考慮，較少關(guān)注歷史數(shù)據(jù)（如歷史用戶評(píng)價(jià)、歷史用戶信息等）的利用，而歷史數(shù)據(jù)反映了用戶的行為習(xí)慣和服務(wù)體驗(yàn)的滿意度，對(duì)于發(fā)現(xiàn)用戶個(gè)人偏好具有重要的價(jià)值。

（2）忽視了服務(wù)動(dòng)態(tài)性和網(wǎng)絡(luò)特性對(duì)于QoS 的影響。已有研究中多采用服務(wù)提供者提供的原始QoS值，由于服務(wù)的動(dòng)態(tài)性和網(wǎng)絡(luò)的不確定性，QoS的許多指標(biāo)是動(dòng)態(tài)變化的，直接影響了服務(wù)發(fā)現(xiàn)的有效性。

針對(duì)Web服務(wù)組合過(guò)程中服務(wù)發(fā)現(xiàn)的問(wèn)題，本文提出一種基于情景的Web服務(wù)推薦方法，構(gòu)建情境模型刻畫(huà)用戶和服務(wù)的信息，利用服務(wù)歷史執(zhí)行信息建立和更新服務(wù)緩存，采用K－MEANS算法實(shí)現(xiàn)服務(wù)情境聚類，并進(jìn)行服務(wù)查找和初步QoS約束篩選；綜合用戶特征和用戶評(píng)價(jià)相似性，結(jié)合服務(wù)聚類集，進(jìn)行用戶情境聚類，利用情境相似用戶的預(yù)測(cè)和使用頻率優(yōu)化初步推薦結(jié)果，從而最大限度地滿足了用戶個(gè)性化需求，同時(shí)也提高了服務(wù)發(fā)現(xiàn)的效率。

1 情境模型

情境是用來(lái)描述任何一個(gè)實(shí)體情況的所有信息，本文總結(jié)文獻(xiàn)［6，7］情境的定義及分類工作，把情境分為用戶特征情境、服務(wù)情境和用戶評(píng)價(jià)情境3個(gè)部分。用戶特征情境包括用戶背景和平臺(tái)環(huán)境，其中用戶背景是指用戶的基本特征，包括姓名、性別、年齡、職業(yè)和民族。平臺(tái)環(huán)境是指用戶所在位置、硬件設(shè)備和網(wǎng)絡(luò)狀態(tài)，硬件設(shè)備是指用戶所使用的設(shè)備，如PDA 或PC，網(wǎng)絡(luò)狀態(tài)包括網(wǎng)絡(luò)帶寬、延遲和安全性。服務(wù)情境包括服務(wù)描述和QoS 情境。其中服務(wù)描述包括服務(wù)名、輸入／輸出屬性、前提和結(jié)果。QoS情境是指經(jīng)過(guò)一段時(shí)間統(tǒng)計(jì)到的服務(wù)質(zhì)量有關(guān)屬性，包括響應(yīng)時(shí)間、服務(wù)費(fèi)用、可用性和可靠性。用戶評(píng)價(jià)情境是指用戶對(duì)于服務(wù)的滿意程度，包括服務(wù)標(biāo)識(shí)、用戶標(biāo)識(shí)和用戶評(píng)分。

為了充分利用情境信息，需要建立統(tǒng)一的描述和表示模型，以刻畫(huà)服務(wù)、用戶特征和用戶評(píng)價(jià)信息，給出以下定義：

定義1 服務(wù)情境模型定義為SC＝（SInfo，QoS，TStat），其中SInfo＝｛Name，Inpu，Outp，Cond，Effe｝表示服務(wù)描述，包括服務(wù)名、輸入屬性、輸出屬性、前提和結(jié)果集，QoS＝｛Time，Cost，Avai，Reli｝表示服務(wù)質(zhì)量，包括響應(yīng)時(shí)間、費(fèi)用、可用性和可靠性，TStat為更新時(shí)間。

定義2 用戶特征情境模型定義為UC＝（Feat，Plat）。其中Feat＝｛Name，Gend，Age，Prof，Nati｝表示用戶背景，包括姓名、性別、年齡、職業(yè)和民族，Plat＝｛Loca，Devi，NStatu｝表示平臺(tái)環(huán)境，包括用戶所在位置、硬件設(shè)備（PDA／PC）和網(wǎng)絡(luò)狀態(tài)，NStatu＝｛NBand，NDela，NSecu｝表示網(wǎng)絡(luò)狀態(tài)，包括網(wǎng)絡(luò)帶寬、網(wǎng)絡(luò)延遲和網(wǎng)絡(luò)安全性。

定義3 用戶評(píng)價(jià)情境模型定義為UR ＝（Uid，Sid，Score），其中Uid、Sid 和Score 分別表示用戶標(biāo)識(shí)、服務(wù)標(biāo)識(shí)和用戶評(píng)分。

2 基于情境的Web服務(wù)推薦方法

本文方法的基本思路是：①構(gòu)建情境模型描述用戶特征、服務(wù)和用戶評(píng)價(jià)信息；②收集服務(wù)運(yùn)行時(shí)信息，建立和更新服務(wù)緩存；③對(duì)于相似情境的服務(wù)和用戶進(jìn)行聚類；④基于服務(wù)情境發(fā)現(xiàn)符合功能和QoS 要求的初步結(jié)果；⑤基于用戶情境進(jìn)一步推薦符合用戶偏好的候選服務(wù)，從而得到最適合用戶的推薦結(jié)果。服務(wù)推薦框架如圖1所示。

圖1 Web服務(wù)推薦框架

圖1中各部分的主要功能：

服務(wù)代理：負(fù)責(zé)解析用戶提出的服務(wù)請(qǐng)求，向服務(wù)推薦引擎提交其可識(shí)別的功能需求和QoS約束描述，返回服務(wù)推薦結(jié)果給用戶，并負(fù)責(zé)捕獲服務(wù)執(zhí)行信息，收集用戶的使用評(píng)價(jià)，提交給推薦引擎。

服務(wù)推薦引擎：由服務(wù)情境推薦、用戶情境推薦、服務(wù)緩存管理、服務(wù)聚類和用戶聚類模塊組成。事先服務(wù)聚類和用戶聚類模塊分別利用服務(wù)信息、用戶評(píng)價(jià)和用戶信息庫(kù)，對(duì)相似情境的服務(wù)和用戶進(jìn)行聚類。用戶提出請(qǐng)求時(shí)，服務(wù)情境推薦模塊負(fù)責(zé)查找功能匹配服務(wù)所在類，若查找失敗，則通過(guò)UDDI注冊(cè)中心搜尋并返回功能和QoS匹配的具體服務(wù)，服務(wù)推薦結(jié)束；若查找成功，則計(jì)算其總的QoS值，按QoS降序排序，并剔除小于QoS約束最低容忍度的服務(wù)，得到初步推薦結(jié)果集。用戶情境推薦模塊負(fù)責(zé)查找用戶所在類，結(jié)合預(yù)測(cè)評(píng)價(jià)和使用頻率降序排序，得到最終推薦結(jié)果集，提交給服務(wù)代理。服務(wù)緩存管理模塊負(fù)責(zé)建立和更新服務(wù)緩存，包括QoS參數(shù)的更新。

UDDI注冊(cè)中心：負(fù)責(zé)Web服務(wù)的發(fā)布，并提供服務(wù)查詢功能。

2.1 服務(wù)緩存的建立和更新

為了提高服務(wù)查詢效率，本文引入了服務(wù)緩存機(jī)制。每當(dāng)服務(wù)被調(diào)用時(shí)，服務(wù)代理主動(dòng)進(jìn)行監(jiān)測(cè)，收集該服務(wù)執(zhí)行時(shí)信息，包括服務(wù)標(biāo)識(shí)、服務(wù)描述、響應(yīng)時(shí)間、費(fèi)用、可用性和可靠性，保存在服務(wù)信息庫(kù)作為服務(wù)緩存。當(dāng)用戶請(qǐng)求服務(wù)時(shí)，服務(wù)推薦引擎先查詢服務(wù)緩存，查找成功則進(jìn)入推薦的下一步工作，只有查詢不成功時(shí)，才需要通過(guò)UDDI注冊(cè)中心發(fā)現(xiàn)服務(wù)，隨著服務(wù)緩存中數(shù)據(jù)的不斷積累，服務(wù)查詢效率將會(huì)不斷提高。

由于Web服務(wù)的動(dòng)態(tài)性，服務(wù)緩存中的數(shù)據(jù)需及時(shí)更新，一方面，對(duì)于長(zhǎng)時(shí)間無(wú)人訪問(wèn)的服務(wù)或是服務(wù)質(zhì)量低下的服務(wù)定期進(jìn)行刪除；另一方面，根據(jù)每次服務(wù)執(zhí)行情況，需重新評(píng)估QoS各參數(shù)，以保證QoS的時(shí)效性。QoS數(shù)據(jù)是本文初步推薦服務(wù)的主要依據(jù)，下面重點(diǎn)對(duì)于QoS參數(shù)評(píng)估的方法進(jìn)行說(shuō)明。

由于Web服務(wù)的動(dòng)態(tài)性，使得QoS 值也隨之不斷變化，越近時(shí)間得到的QoS數(shù)據(jù)對(duì)于服務(wù)質(zhì)量評(píng)估的貢獻(xiàn)越大，為此，引入時(shí)間衰減因子λ，每當(dāng)服務(wù)被調(diào)用時(shí)，利用每次服務(wù)執(zhí)行時(shí)收集的QoS數(shù)據(jù)，結(jié)合λ對(duì)QoS的各參數(shù)進(jìn)行重新評(píng)估

式中：qijold、qij′——緩存中服務(wù)QoS參數(shù)、最新評(píng)估的服務(wù)QoS參數(shù)，qij——服務(wù)執(zhí)行時(shí)QoS 參數(shù)，λ——時(shí)間衰減因子，值域?yàn)椋?，1］，為了盡量準(zhǔn)確地反映服務(wù)當(dāng)前的狀態(tài)，忽略時(shí)間跨度很近的衰減影響，取λ＝0.5，而時(shí)間跨度過(guò)大的QoS 已無(wú)太大價(jià)值，取λ＝1，因此，λ計(jì)算公式如下

式中：tcur、told——當(dāng)前、QoS統(tǒng)計(jì)時(shí)間，T——有效時(shí)間跨度，T0——可忽略衰減的時(shí)間跨度，λ越大，則qijold的重要性越低。

由于QoS參數(shù)包括成本型和效益型兩種，成本型包括服務(wù)費(fèi)用和響應(yīng)時(shí)間，取值越大，質(zhì)量越低；效益型包括可用性和可靠性，取值越大，質(zhì)量越高。為了便于計(jì)算和比較，在計(jì)算服務(wù)總的QoS之前還需要對(duì)QoS 各參數(shù)進(jìn)行歸一化處理，將其規(guī)格化到相同量綱上。本文采用的歸一化公式如下

式中：qij′、qij″——某QoS參數(shù)處理前、后的值，、——該項(xiàng)參數(shù)最大、最小值，式（a）用于成本型參數(shù)，式（b）則應(yīng)用于效益型參數(shù)。

2.2 服務(wù)情境聚類

聚類算法通過(guò)對(duì)n 個(gè)對(duì)象不斷地分類，形成若干個(gè)聚類集合，同一類中對(duì)象的相似度較高，而不同類中對(duì)象的差別較大。本文采用K－MEANS聚類算法，通過(guò)計(jì)算服務(wù)情境相似性，對(duì)于服務(wù)進(jìn)行聚類。

服務(wù)相似性通過(guò)服務(wù)情境信息中服務(wù)描述屬性的語(yǔ)義相似度來(lái)體現(xiàn)，計(jì)算公式如下。

式中：w1～w5——服務(wù)名稱、輸入／輸出、前提和結(jié)果屬性的權(quán)重，式中的本體間距離和屬性間語(yǔ)義相似度的計(jì)算參考文獻(xiàn)［6］中方法。

服務(wù)情境聚類的算法描述：

算法1：服務(wù)情境聚類

輸入：服務(wù)情境集合SC＝｛sc1，sc2，…，scn｝。

輸出：服務(wù)類的集合C＝｛C1，C2，…，Ck｝。

（1）任意選K 個(gè)相互間相似度小于閾值δ的服務(wù)，將其服務(wù)情境向量作為初始的聚類中心，記為c＝｛c1，c2，…，ck｝；

（2）初始化服務(wù)類的集合C；

（3）REPEAT

2.3 用戶情境聚類

協(xié)同過(guò)濾推薦算法是基于用戶評(píng)價(jià)項(xiàng)目相似性計(jì)算用戶相似性，來(lái)發(fā)現(xiàn)目標(biāo)用戶的最近鄰，從而成功地預(yù)測(cè)用戶感興趣的項(xiàng)目。本文將其用戶相似度計(jì)算方法引入用戶情境聚類中，綜合用戶評(píng)價(jià)相似性和用戶特征相似性度量用戶情境相似度，考慮到實(shí)際上用戶評(píng)價(jià)服務(wù)的數(shù)量偏少所引起的數(shù)據(jù)稀疏性對(duì)于計(jì)算準(zhǔn)確性的影響，在服務(wù)聚類基礎(chǔ)上，先計(jì)算各服務(wù)類內(nèi)的用戶情境相似度，以減少相似用戶搜尋空間，而后據(jù)此進(jìn)行類之間聚合，最終得到用戶聚類的集合。

（1）用戶評(píng)價(jià)相似性采用常用的Person 相關(guān)系數(shù)度量，該方法是基于用戶共同評(píng)分過(guò)的服務(wù)集合來(lái)計(jì)算的，為了避免共同評(píng)分服務(wù)較少時(shí)出現(xiàn)相似性度量的偶然性，總結(jié)文獻(xiàn)［8］工作，引入評(píng)分服務(wù)交集最小閾值η對(duì)于相似度計(jì)算進(jìn)行修正

（2）對(duì)于用戶特征相似性，本文假設(shè)用戶特征的各屬性均可量化，包括數(shù)值型和區(qū)間型兩類，而數(shù)值型屬性分為成本型和效益型，為了便于計(jì)算采用式（3）進(jìn)行了規(guī)范化處理。用戶特征相似度包括數(shù)值型和區(qū)間型屬性相似度計(jì)算。

數(shù)據(jù)型屬性相似度

區(qū)間型屬性相似度。

采用相對(duì)長(zhǎng)度法計(jì)算區(qū)間型屬性的相似度，計(jì)算公式為

式中：L（ui）、L（vi）和L（ui∩vi）——u 和v 的第i 個(gè)屬性區(qū)間長(zhǎng)度，以及兩個(gè)屬性間重疊長(zhǎng)度。

（3）根據(jù)用戶評(píng)價(jià)相似性和用戶特征相似性的度量方法，可得到用戶情境相似性計(jì)算公式為

式中：w1，w2——權(quán)重系數(shù)，w1＋w2＝1，且w1＞w2，k是聚類數(shù)。

2.4 Web服務(wù)推薦算法

服務(wù)情境和用戶情境聚類無(wú)實(shí)時(shí)性要求，可采用離線方式，在服務(wù)推薦處理之前完成。算法描述如下：

算法2：基于情境的Web服務(wù)推薦算法

輸入：服務(wù)類的集合C、用戶類的集合U、用戶標(biāo)識(shí)v、服務(wù)功能需求Sreq、服務(wù)QoS約束Qreq和用戶QoS偏好權(quán)重w。

教學(xué)手段和方法的創(chuàng)新 基于前述搭建的虛擬共享實(shí)訓(xùn)平臺(tái)，本改革對(duì)變速箱拆裝實(shí)訓(xùn)課程的教學(xué)手段和方法進(jìn)行創(chuàng)新，將整個(gè)拆裝實(shí)訓(xùn)課程劃分為課前、課中和課后三個(gè)階段（如圖1所示）。

輸出：滿足用戶個(gè)性化需求的服務(wù)集合RSfinal。

1.For each cluster Ci∈C do i∈｛1，…，k｝ ／／在服務(wù)類的集合中查找功能匹配的服務(wù)

2.For si∈S do／／對(duì)于功能匹配的服務(wù)計(jì)算QoS

If（qi＞Qreq）／／若大于QoS約束則結(jié)合用戶QoS偏好計(jì)算服務(wù)總的QoS

S′＝S′∪scj；／／將功能匹配且大于QoS約束的服務(wù)加入S′

3.RSfirst＝sort（S′，Q）；／／按服務(wù)總的QoS 降序排序，得到初步推薦結(jié)果

4.For 1to m do

find v∈Ui；Ui∈U／／查找用戶v所在的類

5.For each user uj∈Uido／／計(jì)算RSfirst預(yù)測(cè)評(píng)價(jià)，統(tǒng)計(jì)使用頻率

6.If Frsi＝0filter（rsi，RSfirst）；／／剔除頻率為0的服務(wù)

7.For each service rsi∈RSfirstdo

EFrsi＝αQi＋βPrsi，v＋γFrsi；／／計(jì)算每個(gè)服務(wù)得到的總體評(píng)價(jià)，權(quán)重α＋β＋γ＝1

8.RSfinal＝sort（RSfirst，EFrsj）；／／按總評(píng)價(jià)降序排序，得到最終推薦結(jié)果

3 實(shí)例分析

下面以一實(shí)例說(shuō)明本文Web服務(wù)推薦的方法。假設(shè)有50個(gè)Web服務(wù)，包括5個(gè)酒店訂房服務(wù)、10個(gè)訂票服務(wù)、10個(gè)天氣預(yù)報(bào)服務(wù)和25個(gè)景點(diǎn)查詢服務(wù)，這些服務(wù)均已被使用過(guò)，其中酒店訂房服務(wù)有6人使用過(guò)，包括一名學(xué)生u6。他現(xiàn)準(zhǔn)備在酒店訂房，并希望酒店提供訂票服務(wù)。表1描述了酒店訂房服務(wù)使用情況，各服務(wù)的QoS和業(yè)務(wù)特點(diǎn)，假設(shè)已通過(guò)情境聚類得到了服務(wù)類的集合C 和用戶類的集合U（表2），為了減少計(jì)算復(fù)雜度，QoS僅列出響應(yīng)時(shí)間和服務(wù)費(fèi)用屬性量化后的值，U 僅包含使用過(guò)酒店訂房服務(wù)的用戶類，用戶情境也僅列出用戶背景的職業(yè)屬性。

表1 用戶使用酒店訂房服務(wù)的評(píng)價(jià)（平均評(píng)分／使用次數(shù)）

表2 用戶類的集合和服務(wù)類的集合列表

采用本文方法推薦Web服務(wù)的過(guò)程：

（1）在服務(wù)類的集合C 中發(fā)現(xiàn)酒店訂房服務(wù)所在類C1，得到候選服務(wù)sc1，sc2，sc3，sc4，sc5；

（2）計(jì)算各服務(wù)總的QoS值，假設(shè)sc5總的QoS值小于用戶QoS約束被剔除，則得到sc1，sc2，sc3，sc4各自總的QoS值排名（3，1，1，2）；

（3）按QoS 降序排序，得到初步推薦結(jié)果sc2，sc3，sc4，sc1；

（4）在用戶類的集合U 中發(fā)現(xiàn)用戶所在類U2；

（5）計(jì)算u6對(duì)服務(wù)sc2，sc3，sc4，sc1的預(yù)測(cè)評(píng)分（4.1，4.3，0，3.2）；

（6）統(tǒng)計(jì)U2使用服務(wù)sc2，sc3，sc4，sc1的頻率（11，6，0，9）；

（7）剔除頻率為0 的服務(wù)sc4，設(shè)α＝0.5，β＝0.3，γ＝0.2，計(jì)算U2對(duì)sc2，sc1，sc3的總評(píng)價(jià)為（3.52，2.92，2.57）；

（8）按總評(píng)價(jià)降序排序；

（9）得到最終推薦結(jié)果sc2，sc1，sc3返回給用戶u6。

用戶u6可優(yōu)先選sc2，其次sc1，通過(guò)本文的服務(wù)推薦算法，為用戶提供了功能匹配、達(dá)到QoS約束要求，且滿足用戶個(gè)性化需求的服務(wù)。

4 實(shí)驗(yàn)及結(jié)果分析

為了進(jìn)一步驗(yàn)證本文方法的可行性和有效性，本文設(shè)計(jì)了3組實(shí)驗(yàn)。

實(shí)驗(yàn)環(huán)境：2臺(tái)服務(wù)器CPU Intel Core 2Duo 2.1GHz，內(nèi)存4G，操作系統(tǒng)Window Server 2003，數(shù)據(jù)庫(kù)SQL Server 2008。1臺(tái)PC 機(jī)CPU Intel Core 2 1.86GHz，內(nèi)存2G，操作系統(tǒng)Window XP。服務(wù)器1、2 分別用于配置Web服務(wù)和運(yùn)行本文的Web服務(wù)推薦算法，Web服務(wù)代理也配置在服務(wù)器2上。PC用于用戶提出請(qǐng)求。

實(shí)驗(yàn)數(shù)據(jù)：鑒于現(xiàn)在沒(méi)有標(biāo)準(zhǔn)的測(cè)試數(shù)據(jù)集，實(shí)驗(yàn)數(shù)據(jù)均以模擬方式產(chǎn)生，共生成200個(gè)Web服務(wù)。服務(wù)的QoS屬性包括響應(yīng)時(shí)間、費(fèi)用、可用性和可靠性，在一定范圍內(nèi)隨機(jī)生成。500個(gè)用戶已使用過(guò)，用戶評(píng)價(jià)在［0，5］整數(shù)范圍內(nèi)隨機(jī)生成。實(shí)驗(yàn)以響應(yīng)時(shí)間為例進(jìn)行測(cè)試，事先以隨機(jī)次數(shù)調(diào)用每個(gè)Web服務(wù)，以獲得真實(shí)響應(yīng)時(shí)間參數(shù)。

實(shí)驗(yàn)1：QoS動(dòng)態(tài)變化對(duì)服務(wù)推薦的影響

設(shè)T0＝60s，T＝250s，響應(yīng)時(shí)間約束Time＝40s，選取9個(gè)功能相同的Web服務(wù)（sc1～sc9），且sc4～sc9均滿足QoS約束。利用程序模擬延遲1s，對(duì)于服務(wù)sc1～sc3減少響應(yīng)時(shí)間，對(duì)于sc4～sc6增加響應(yīng)時(shí)間，對(duì)于sc7～sc9不做改變，對(duì)9個(gè)服務(wù)的QoS值進(jìn)行計(jì)算排序，得到最初推薦結(jié)果，共進(jìn)行5次實(shí)驗(yàn)。

分析表3數(shù)據(jù)，當(dāng)某次服務(wù)被調(diào)用時(shí)QoS 發(fā)現(xiàn)變化，該服務(wù)情境的QoS響應(yīng)時(shí)間屬性也被重新評(píng)估，間隔越久的原有QoS數(shù)據(jù)重要性越低，當(dāng)再次請(qǐng)求時(shí)，若重新評(píng)估后的響應(yīng)時(shí)間不能滿足QoS約束最低容忍度，將被剔除，如服務(wù)sc4在第一次延遲后其響應(yīng)時(shí)間大于40s，第二次請(qǐng)求時(shí)被剔除，實(shí)驗(yàn)結(jié)果表明，利用每次服務(wù)運(yùn)行時(shí)QoS數(shù)據(jù)動(dòng)態(tài)更新服務(wù)QoS參數(shù)，保證了提供給用戶的QoS數(shù)據(jù)的真實(shí)性、可信性。

表3 QoS變化時(shí)對(duì)服務(wù)推薦的影響

實(shí)驗(yàn)2：本文方法與其它方法在準(zhǔn)確性上的比較

初選20個(gè)服務(wù)，之后每次增加20 個(gè)服務(wù)，對(duì)于本文方法與通過(guò)功能和QoS匹配方法 （FQM）進(jìn)行比較，圖2表明，由于本文方法中服務(wù)QoS參數(shù)得到了及時(shí)更新，在服務(wù)推薦過(guò)程中從歷史數(shù)據(jù)挖掘用戶偏好，發(fā)現(xiàn)的候選服務(wù)數(shù)相對(duì)較少，為用戶提供了滿意度較高的服務(wù)，并且隨著服務(wù)數(shù)量的增加，其效果更加明顯。

圖2 服務(wù)推薦的準(zhǔn)確性比較

實(shí)驗(yàn)3：本文方法與其它方法在時(shí)間開(kāi)銷上的比較

初選20個(gè)服務(wù)，之后每次增加20 個(gè)服務(wù)，比較本文方法與FQM 發(fā)現(xiàn)候選服務(wù)所用的時(shí)間，圖3 表明，由于FQM 需通過(guò)服務(wù)器1查找候選服務(wù)，隨著服務(wù)數(shù)量增多服務(wù)發(fā)現(xiàn)所用的時(shí)間大幅度增加，而本文方法由于引入了緩存機(jī)制，僅在緩存查找失敗時(shí)，才需要訪問(wèn)服務(wù)器1，并且事先對(duì)服務(wù)信息庫(kù)中的服務(wù)進(jìn)行了聚類處理，使得服務(wù)推薦的實(shí)時(shí)性得到了明顯改善。

圖3 服務(wù)推薦的時(shí)間開(kāi)銷比較

5 結(jié)束語(yǔ)

服務(wù)發(fā)現(xiàn)是Web服務(wù)組合成功應(yīng)用的關(guān)鍵，為了解決服務(wù)發(fā)現(xiàn)的效率和用戶滿意度問(wèn)題，本文提出了基于情境的服務(wù)推薦方法。該方法建立情境模型描述服務(wù)執(zhí)行信息和用戶相關(guān)信息，利用服務(wù)歷史執(zhí)行信息建立和更新服務(wù)緩存，采用K－MEANS算法進(jìn)行相似情境服務(wù)的聚類，基于功能和QoS匹配實(shí)現(xiàn)初步服務(wù)推薦，通過(guò)綜合用戶特征和用戶評(píng)價(jià)相似性度量用戶情境相似度，先計(jì)算各服務(wù)類內(nèi)的用戶相似度，而后據(jù)此進(jìn)行類之間聚合，實(shí)現(xiàn)用戶情境聚類，利用用戶所在類對(duì)初步結(jié)果的預(yù)測(cè)評(píng)價(jià)和統(tǒng)計(jì)使用頻率，使得推薦結(jié)果得到了進(jìn)一步精化和優(yōu)化，實(shí)例分析和實(shí)驗(yàn)結(jié)果表明，本文方法能夠快速有效地發(fā)現(xiàn)質(zhì)量良好、滿足用戶個(gè)性需求的服務(wù)。下一步工作重點(diǎn)是服務(wù)組合過(guò)程中服務(wù)發(fā)現(xiàn)的安全性問(wèn)題。

［1］WANG P.QoS－aware Web services selection with intuitionistic fuzzy set under consumer’s vague perception ［J］.Expert System with Applications，2009，36 （3）：4460－4466.

［2］FENG Jianzhou，KONG Lingfu.Research on web service composition based on fuzzy QoS and preference weight［J］.Journal of Chinese Computer Systems，2012，33 （7）：1517－1521 （in Chinese）. ［馮建周，孔令富.基于模糊QoS 和偏好權(quán)重的Web服務(wù)組合方法研究 ［J］.小型微型計(jì)算機(jī)系統(tǒng)，2012，33（7）：1517－1521.］

［3］BAI Wen，LI Shuyu，DU Xuezhi.Fuzzy C－means clustering semantic web service discovery ［J］.Computer Engineering and Design，2012，33 （11）：4183－4186 （in Chinese）.［白雯，李蜀瑜，杜學(xué)智.模糊C－均值聚類語(yǔ)義Web服務(wù)發(fā)現(xiàn) ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33 （11）：4183－4186.］

［4］MA Hua，LI Jianhua，CHEN Songqiao，et al.Business useroriented service discovery model based on ontology clustering［J］.Computer Engineering，2007，33 （4）：215－217 （in Chinese）.［馬華，李建華，陳松喬，等.基于本體聚類的面向業(yè)務(wù)用戶服務(wù)發(fā)現(xiàn)模型 ［J］.計(jì)算機(jī)工程，2007，33 （4）：215－217.］

［5］FENG Zaiwen，HE Keqing，LI Bing，et al.A method for semantic web service discovery based on context inference ［J］.Chinese Journal of Computers，2008，31 （8）：1354－1363 （in Chinese）.［馮在文，何克清，李兵，等.一種基于情境推理的語(yǔ)義Web服務(wù)發(fā)現(xiàn)方法 ［J］.計(jì)算機(jī)學(xué)報(bào)，2008，31 （8）：1354－1363.］

［6］ZOU Jin’an.Exploration of semantic web service discovery based on QoS ［J］.Journal of Computer Applications，2009，29 （10）：2844－2846 （in Chinese）.［鄒金安.基于聚類的QoS語(yǔ)義Web服務(wù)發(fā)現(xiàn)研究 ［J］.計(jì)算機(jī)應(yīng)用，2009，29 （10）：2844－2846.］

［7］YANG Yueming，CHEN Lichao，XIE Binhong，et al.Study on approach of web services discovery based on clustering of users’context information ［J］.Computer Engineering and Design，2012，33 （4）：1442－1446 （in Chinese）.［楊岳明，陳立潮，謝斌紅，等.基于用戶情境聚類的Web服務(wù)發(fā)現(xiàn)方法研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33 （4）：1442－1446.］

［8］HUANG Chuangguang，YIN Jian，WANG Jing，et al.Uncertain neighbors collaborative filtering recommendation algorithm ［J］.Chinese Journal of Computers，2010，33 （8）：1369－1377 （in Chinese）.［黃創(chuàng)光，印鑒，汪靜，等.不確定近鄰的協(xié)同過(guò)濾推薦算法［J］.計(jì)算機(jī)學(xué)報(bào)，2010，33（8）： 1369－1377.］

［9］ZHU Hongkang，YU Xueli.Research on recommendation of web services based on QoS execution information ［J］.Computer Engineering and Applications，2010，46 （18）：237－239（in Chinese）. ［朱紅康，余雪麗.基于服務(wù)QoS執(zhí)行信息的Web服務(wù)推薦研究 ［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46 （18）：237－239.］

［10］WANG Guoxia，LIU Heping.Survey of personalized recommendation system ［J］.Computer Engineering and Applications，2012，48 （7）：66－76 （in Chinese）. ［王國(guó)霞，劉賀平.個(gè)性化推薦系統(tǒng)綜述 ［J］.計(jì)算機(jī)工程與應(yīng)用，2012，48 （7）：66－76.］

［11］WEN Junhao，QIN Jia，LIU Ling.Approach to web services selection under uncertain user preferences ［J］.Application Research of Computers，2010，27 （6）：2147－2149 （in Chinese）.［文俊浩，秦佳，柳玲.一種在用戶偏好不確定情況下的Web服務(wù)選擇方法 ［J］.計(jì)算機(jī)應(yīng)用研究，2010，27 （6）：2147－2149.］

［12］Blake M B，Nowlan M F.A web service recommender system using enhanced syntactical matching ［C］／／Salt Lake City，Utah，USA：Proceedings of International Conference on Web Services，2007：575－582.

［13］Aciar S，Zhang D，Simoff S，et al.Informed recommender：Basing recommendations on consumer product reviews ［J］.IEEE Intelligent Systems，2007，22 （3）：39－47.

［14］Sufyan Beg MM，Nesar Ahmad.Web search enhancement by mining user actions ［J］.Information Science，2007，177（23）：5203－5218.

［15］ZHU Zhengzhou，WU Zhongfu，WU Kaigui，et al.E－learning services discovery algorithm based on user satisfaction ［J］.Computer Engineering，2009，35 （3）：71－73（in Chinese）.［朱鄭州，吳中福，吳開(kāi)貴，等.基于用戶滿意度的學(xué)習(xí)服務(wù)發(fā)現(xiàn)算法［J］.計(jì)算機(jī)工程，2009，35 （3）：71－73.］

［16］Laddawan Kulnarattana，Songsak Rongviriyapanish.A client perceived QoS model for web services selection ［C］／／6th International Conference on Electrical Engineering／Electronics，Computer，Telecommunications and Information Technology，2009：731－734.