劉珍珍 楊懷洲

摘要：隨著Web服務(wù)技術(shù)的發(fā)展，網(wǎng)絡(luò)中涌現(xiàn)出很多功能性屬性相同或相似但非功能性屬性如QoS具有明顯差異的Web服務(wù)。如何選擇最佳的Web服務(wù)構(gòu)建滿足用戶QoS需求的Web應(yīng)用成為一個(gè)極具價(jià)值的研究課題[1]。時(shí)間和空間因素是影響Web 服務(wù)的QoS屬性的主要因素，在實(shí)際應(yīng)用中，時(shí)空信息不同Web服務(wù)的性能有很大差異。該文針對(duì)綜合時(shí)空信息的Web服務(wù)QoS預(yù)測(cè)方法進(jìn)行了綜合對(duì)比分析，總結(jié)了當(dāng)下QoS預(yù)測(cè)方法的研究趨勢(shì)和發(fā)展前景。

關(guān)鍵詞：Web服務(wù);QoS預(yù)測(cè);協(xié)同過(guò)濾;矩陣分解;個(gè)性化推薦

中圖分類號(hào)：TP301? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）18-0233-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 背景

Web服務(wù)的QoS屬性是選取最佳候選服務(wù)時(shí)需要考慮的關(guān)鍵性因素，是動(dòng)態(tài)服務(wù)發(fā)現(xiàn)、查詢、選擇和主動(dòng)推薦的基礎(chǔ)，通常用來(lái)體現(xiàn)Web服務(wù)的非功能特性。由于在實(shí)際應(yīng)用中，Web服務(wù)數(shù)量非常多，用戶對(duì)大多數(shù)服務(wù)并不了解，因此Web服務(wù)的QoS屬性值不完整。而且，不同用戶的網(wǎng)絡(luò)環(huán)境及服務(wù)運(yùn)行環(huán)境均存在差異，QoS屬性表現(xiàn)得很不穩(wěn)定。因此預(yù)測(cè)活動(dòng)用戶缺少的QoS值非常必要，不僅能更好地進(jìn)行服務(wù)推薦，還便于用戶進(jìn)行服務(wù)的選擇。Web服務(wù)的QoS性能與用戶地理位置高度相關(guān)，QoS性能受網(wǎng)絡(luò)距離及各自的網(wǎng)絡(luò)環(huán)境的影響。同時(shí)，Web服務(wù)的QoS性能與調(diào)用時(shí)間高度相關(guān)，網(wǎng)絡(luò)環(huán)境以及服務(wù)狀態(tài)會(huì)隨時(shí)間而變化?；ヂ?lián)網(wǎng)上不同用戶調(diào)用同一Web服務(wù)時(shí)，感受到的服務(wù)性能也不同。通過(guò)綜合時(shí)空信息進(jìn)行QoS預(yù)測(cè)不僅可以對(duì)Web服務(wù)的多個(gè)QoS屬性進(jìn)行合理的綜合評(píng)價(jià)，還可以準(zhǔn)確地預(yù)測(cè) QoS值，幫助用戶選擇在海量的Web服務(wù)中選擇最合適的服務(wù)，完成服務(wù)的個(gè)性化推薦。

2 Web服務(wù)QoS主要預(yù)測(cè)方法說(shuō)明

2.1 基于內(nèi)容（content-based）的預(yù)測(cè)方法

基于內(nèi)存的預(yù)測(cè)算法使用用戶服務(wù)數(shù)據(jù)庫(kù)的整個(gè)或一個(gè)樣本來(lái)生成預(yù)測(cè)。這種算法易于實(shí)現(xiàn)且效率很高，直觀易懂、更容易解決冷啟動(dòng)問(wèn)題、容易落地到真實(shí)的業(yè)務(wù)場(chǎng)景中，但推薦精準(zhǔn)度不太高，且無(wú)法擴(kuò)展。基于內(nèi)容的推薦算法有很多的應(yīng)用實(shí)例，比如今日頭條中有很大比例是基于內(nèi)容的推薦算法。

2.2 基于協(xié)同過(guò)濾（collaboration filtering）的預(yù)測(cè)方法

1）基于歷史記錄（memory-based）的CF算法

基于用戶的協(xié)同過(guò)濾算法是通過(guò)對(duì)鄰居用戶的QoS信息進(jìn)行分析生成待推薦服務(wù)，然后為目標(biāo)用戶推薦其相似用戶喜歡的服務(wù)。此算法首先計(jì)算用戶間相似度，然后選擇目標(biāo)用戶近鄰，最后基于用戶近鄰預(yù)測(cè)QoS值。近鄰篩選通常用Top-K 近鄰選擇算法。

基于服務(wù)項(xiàng)的協(xié)同過(guò)濾算法是通過(guò)用戶對(duì)相似服務(wù)的QoS信息進(jìn)行分析，然后預(yù)測(cè)目標(biāo)服務(wù)項(xiàng)的QoS值，最后為用戶推薦喜歡及相似的服務(wù)。其過(guò)程與基于用戶的CF算法類似。

基于混合的協(xié)同過(guò)濾算法是將基于用戶和基于Web服務(wù)的CF算法結(jié)合，提出了混合的推薦系統(tǒng)來(lái)預(yù)測(cè)缺失的QoS值。后來(lái)有許多學(xué)者通過(guò)調(diào)整參數(shù)改變基于用戶的CF算法和基于Web服務(wù)項(xiàng)的CF算法對(duì)不同數(shù)據(jù)集的依賴程度，不僅提升了信息的利用價(jià)值，還提高預(yù)測(cè)的準(zhǔn)確度。

基于歷史記錄的CF算法是使用現(xiàn)有的數(shù)據(jù)進(jìn)行預(yù)測(cè)，是一種啟發(fā)式算法。這種算法雖然計(jì)算簡(jiǎn)單，但由于QoS值的不完整性和不穩(wěn)定性，存在QoS矩陣稀疏性和在處理大量數(shù)據(jù)時(shí)的時(shí)效性等問(wèn)題。同時(shí)，該算法對(duì)歷史數(shù)據(jù)集的依賴性比較大，存在一定的局限性，例如冷啟動(dòng)問(wèn)題，忽略了網(wǎng)絡(luò)環(huán)境等外部因素的影響。

2）基于模型（model-based）的協(xié)同過(guò)濾算法

近年來(lái)，隨著機(jī)器學(xué)習(xí)的興起，已有學(xué)者提出多種基于模型的協(xié)同過(guò)濾方法，除了可以克服QoS矩陣極度稀疏和在處理大量數(shù)據(jù)時(shí)的時(shí)效性等問(wèn)題，在推薦效果以及算法可行性方面均有突破?；谀Ｐ偷膮f(xié)同過(guò)濾是通過(guò)各種機(jī)器學(xué)習(xí)算法對(duì)歷史QoS數(shù)據(jù)進(jìn)行訓(xùn)練得到一個(gè)學(xué)習(xí)模型，再使用此學(xué)習(xí)模型進(jìn)行QoS預(yù)測(cè)。目前，基于模型的CF算法有矩陣因子模型、聚類模型、潛在語(yǔ)義模型、貝葉斯模型等。下面我主要介紹基于矩陣分解（MF）的各個(gè)模型（如表1所示）。

矩陣分解是協(xié)同過(guò)濾是目前使用很廣泛的一種方法，它的核心思想是將矩陣分解成兩個(gè)低維度矩陣，分解后的兩個(gè)特征矩陣突出了重要特征，減少了一些無(wú)關(guān)因素的干擾，可以更好地挖掘用戶與服務(wù)間的關(guān)系，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。常用兩種矩陣分解的技術(shù)如表2所示。

3 綜合時(shí)空信息預(yù)測(cè)關(guān)鍵技術(shù)

由于時(shí)空因素對(duì)Web服務(wù)的QoS性能有一定影響，為此眾多學(xué)者對(duì)加入空間信息和時(shí)間信息的預(yù)測(cè)方法都做了不少的研究，并取得了一定的成果。

3.1 空間信息的研究

部分研究工作注意到用戶的地理位置對(duì)于QoS屬性值的影響，即網(wǎng)絡(luò)環(huán)境與地理位置存在差異的用戶調(diào)用相同的 Web 服務(wù)時(shí)，QoS記錄可能不同。例如Zheng[2]等人認(rèn)為 QoS 受到地理位置以及網(wǎng)絡(luò)環(huán)境的影響比較大，提出了一種基于鄰域綜合矩陣分解（NIMF）的個(gè)性化Web服務(wù)QoS值預(yù)測(cè)方法。通過(guò)融合基于鄰域和基于模型的協(xié)同過(guò)濾方法，探索用戶過(guò)去的Web服務(wù)使用情況，以獲得更高的預(yù)測(cè)精度。P.He[3]等人針對(duì)QoS預(yù)測(cè)方法預(yù)測(cè)精度上不足的問(wèn)題，提出了一種基于位置的層次矩陣分解（HMF）方法。根據(jù)用戶的位置將用戶和服務(wù)分為多個(gè)組，使用全局QoS矩陣和基于位置的局部QoS矩陣對(duì)HMF模型進(jìn)行分層訓(xùn)練，將兩者緊密結(jié)合來(lái)預(yù)測(cè)丟失的QoS值。實(shí)驗(yàn)表明，此方法較之前的算法預(yù)測(cè)精度更高。有研究者針對(duì)數(shù)據(jù)稀疏，Web服務(wù)QoS預(yù)測(cè)精度不高，算法可擴(kuò)展性的問(wèn)題，增加網(wǎng)絡(luò)位置正則項(xiàng)來(lái)預(yù)測(cè)用戶的QoS值，根據(jù)用戶功能需求對(duì)待推薦服務(wù)進(jìn)行排序，然后選擇最合適的服務(wù)進(jìn)行推薦。實(shí)驗(yàn)表明，該方法不僅在預(yù)測(cè)精度上優(yōu)于目前主流的推薦算法，可以在一定程度上解決數(shù)據(jù)稀疏和可擴(kuò)展性差的問(wèn)題。還有學(xué)者針對(duì)冷啟動(dòng)，QoS數(shù)據(jù)中存在異常值的問(wèn)題，提出了以矩陣分解為基礎(chǔ)的服務(wù)推薦模型：LA-LFM和LA-PMF。這種模型加入Web服務(wù)隱式反饋因子，根據(jù)用戶網(wǎng)絡(luò)位置特征進(jìn)行聚類分析，在數(shù)據(jù)稀疏的情形下，預(yù)測(cè)精確度要比一些經(jīng)典方法更好。X等人從概率的角度出發(fā)，提出了改進(jìn)的矩陣分解模型，即基于位置的概率矩陣分解模型（PMF），并在真實(shí)QoS數(shù)據(jù)集進(jìn)行了驗(yàn)證。在Netflix競(jìng)賽中，PMF模型取得了較好的成績(jī)。

3.2 時(shí)間信息的研究

T.Chen[4]等人為了有效地解決基于特征的矩陣分解問(wèn)題，設(shè)計(jì)了SVD特征，構(gòu)建包含時(shí)間動(dòng)態(tài)、層次信息和鄰域關(guān)系等邊信息的因子分解模型。通過(guò)對(duì)模型的改進(jìn)，提出了SVD Feature模型，并且用于Twitter的好友推薦系統(tǒng)。C.Zhou[5]等人針對(duì)數(shù)據(jù)稀疏以及Web服務(wù)的QoS值可能會(huì)隨著時(shí)間推移而改變的問(wèn)題，提出了一個(gè)考慮時(shí)態(tài)信息的Web服務(wù)推薦框架。針對(duì)包含用戶、服務(wù)和時(shí)間等多維信息的模型，提出了一種Tucker分解方法，將QoS值數(shù)據(jù)視為張量，將其轉(zhuǎn)化為張量分解問(wèn)題。同時(shí)為了處理具有服務(wù)質(zhì)量?jī)r(jià)值的動(dòng)態(tài)數(shù)據(jù)流，引入了一種可擴(kuò)展的、節(jié)省空間的增量張量因子分解（ITF）方法。實(shí)驗(yàn)結(jié)果表明，該方法在效率和準(zhǔn)確度上優(yōu)于其他方法。除此之外，有些學(xué)者針對(duì)缺乏時(shí)間信息導(dǎo)致的靜態(tài)性模型問(wèn)題，提出一個(gè)能夠處理用戶服務(wù)時(shí)間模型三元關(guān)系的非負(fù)張量分解（NTF）算法，將二維用戶服務(wù)矩陣擴(kuò)展為一個(gè)由三維張量表示的更復(fù)雜的用戶服務(wù)時(shí)間三元關(guān)系，核心思想是考慮不同時(shí)刻QoS值的差異，用用戶服務(wù)時(shí)間交互關(guān)系代替MF中的用戶服務(wù)矩陣，利用張量將MF模型擴(kuò)展到三維空間，采用非負(fù)張量分解方法來(lái)提高考慮時(shí)態(tài)信息的QoS感知Web服務(wù)推薦性能，進(jìn)一步的提高的預(yù)測(cè)的精度。

通過(guò)大量研究，基于矩陣分解的協(xié)同過(guò)濾算法在大規(guī)模數(shù)據(jù)稀疏的情況下預(yù)測(cè)效果更好，加入時(shí)空信息能更好地提高預(yù)測(cè)的準(zhǔn)確性，提升服務(wù)推薦的性能，但其算法復(fù)雜度較高，更適合離線計(jì)算。

4 結(jié)束語(yǔ)

由此可見(jiàn)，基于矩陣分解的協(xié)同過(guò)濾算法在研究綜合時(shí)空

信息的Web服務(wù)QoS預(yù)測(cè)值得進(jìn)一步研究?；谀Ｐ偷腃F算法能更加全面的考慮QoS信息，豐富時(shí)空信息，提高了QoS值完整性及預(yù)測(cè)精確度，不僅能提升推薦質(zhì)量，還可以實(shí)現(xiàn)準(zhǔn)實(shí)時(shí)預(yù)測(cè)。然而，隨著Web服務(wù)數(shù)量激增以及用戶要求的不斷提高，綜合時(shí)空信息的Web服務(wù)QoS預(yù)測(cè)方法還要有很多改進(jìn)的空間。冷啟動(dòng)問(wèn)題、相似度的計(jì)算方法以及預(yù)測(cè)模型的效果及時(shí)間復(fù)雜度等都需要進(jìn)一步的深入研究和改善。

參考文獻(xiàn)：

[1] 唐妮.基于位置聚類和張量分解的Web服務(wù)推薦研究與應(yīng)用[D].重慶：重慶大學(xué)，2016.

[2] Zheng Z B，Ma H，Lyu M R，et al.Collaborative web service QoS prediction via neighborhood integrated matrix factorization[J].IEEE Transactions on Services Computing，2013，6（3）：289-299.

[3] He P J，Zhu J M，Zheng Z B，et al.Location-based hierarchical matrix factorization for web service recommendation[C]//2014 IEEE International Conference on Web Services.June 27 - July 2，2014，Anchorage，AK，USA.IEEE，2014：297-304.

[4] Chen T，Zhang W，Lu Q，et al.SVDFeature：a toolkit for feature-based collaborative filtering[J].Journal of Machine Learning Research，2012，13（1）：3619-3622.

[5] Zhou C，Zhang W C，Li B.Web service recommendation via exploiting temporal QoS information[C]//Algorithms and Architectures for Parallel Processing，2014：15-27.

【通聯(lián)編輯：謝媛媛】