英语原文共 12 页,剩余内容已隐藏,支付完成后下载完整资料
基于信任的个性化服务推荐:一种网络视角
邓水光,黄龙涛,吴健,吴朝晖
浙江大学计算机科学技术学院,杭州310027
摘要:近年来,Web服务数量在互联网上的增长趋势异常迅猛。因此迫切需要高效的服务推荐机制。目前现有的推荐方法主要关注Web服务的自身属性(功能性和非公能性),但是往往都忽略了用户对服务的直接感受,这样就限制了服务推荐的个性化能力。在本文中,我们基于网络建模和分析技术研究了用户和服务之间的信任关系。基于服务网络模型,我们提出了基于信任的协同过滤服务推荐算法(TSR)提供个性化的服务推荐。本文提出的系统方法以及算法和评估策略,均可以应用在其他服务推荐研究。
关键词: 个性化服务推荐,信任,网络建模和分析,协同过滤
1 介绍
迅速成长的互联网Web服务需要有效的服务推荐机制,为用户推荐高质量的Web服务。许多Web服务实现了类似的功能,但是在性能质量上有所不同,例如响应速度、吞吐量及可用性。这些性能可以反映出Web服务的根本质量,在Web服务领域也被称为服务质量。目前的服务推荐机制专注于个别服务的自身质量,通常提供相同的服务给不同的用户。然而,不同的用户可能对他们需要的服务质量有不同的要求和看法。因此,对于推荐基于不同的用户信任的Web服务,一项个性化的服务推荐机制非常有必要。
本论文中,我们通过一种网络视角研究不同用户和服务之间的信任关系。基于我们的发现和建立的网络模型,我们提出了基于信任的协同过滤服务推荐算法,基于用户对于服务质量的信任等级来给Web服务进行排名。为了评估该算法的性能,我们进行了一系列的大规模仿真实验,实验基于2000个服务和100位用户的真实数据集。实验数据表明该算法胜过其他传统的技术。总之,该算法为个体用户提供了基于服务与个人信任的个性化推荐。
我们提出了三个主要内容,如下所示:
- 首先,我们为了提供个性化的服务推荐,调查了用户与Web服务之间的信任关系带来的影响,这在大多数已实现的服务推荐方法中都被忽视了。
- 第二,我们介绍来了基于网络的模型、分析方法及系统性的实验评估,这些在其他Web服务领域中也起一定作用。
- 最后,我们研发了基于网络的算法,该算法可以高效的为用户提供基于他们想要的服务质量的信任和看法的个性化的服务推荐。
2 研究背景及相关工作
2.1 Web服务推荐
近年来,各种各样的推荐方法被研发采用,来改善Web服务的发现和选择。早期在服务推荐方面的研究大多专注于Web服务的个别性能,尤其是服务质量。在参考文献4中,设计了协同过滤方法来基于Web服务过去的表现来预报服务质量参数。在参考文献15中,开发了一种新奇的里程碑式的基于集群技术的服务质量预测框架。但是,这些推荐方法提供给类似需求的所有用户相同的服务,大多数忽略了用户对于服务质量的不同的观点。
因此,为了挑选出最适合用户的服务质量需求的最好的服务,个性化的服务推荐技术非常有必要。在文献12中,创建了一个描绘Web服务环境的模型,强调了Web服务占用的资源对服务个性化有一定的影响。我们的目标是通过研究个体用户对于服务质量的偏好以及用户偏好对于用户与服务之间的信任关系的影响力,来提供个性化的服务推荐。
2.2 对Web服务的信任
尽管少数研究也设计个性化的服务推荐,它们主要针对用户特点而不是用户对于服务质量的观点,这决定了用户的对推荐服务的满意度。因此,我们研究用户与服务之间的信任关系,旨在为个性化服务推荐开发出更好的机制。
信任是用户和服务之间的一种关系,这种关系可以体现出用户对服务的主观认知和偏好。很多的信任和声誉机制提出了Web服务选择,这主要是受信任管理等传统分布式环境的影响,比如P2P网络。用户的信任值评价在很大程度上是受他/她与服务的交互经验的影响。用户给服务的评分对于用户分享他们与Web服务的直接交互经验起着很大作用。大多数Web服务的信任模型把用户反馈评级作为信任数据的主要来源。在参考文献[22]中,Malik和Bouguettaya通过集成反馈机制为目标服务提供声誉评价。在参考文献[23]中,提出了一种基于贝叶斯网络的信任模型,就直接经验看来,建议把其他消费者的推荐和服务质量监控信息作为信任数据的主要来源。大多数现有的信任模型没有考虑用户对于同一服务的信任和观点的多样性。他们主要反映了所有用户对于目标服务集体的或聚合的观点,但是不能对于个体用户对服务的信任进行建模和预测。由于不同用户的偏好不同,我们的信任模型减少了不同品味的用户影响,体现出相同品味的用户的评分影响。
2.3协同过滤算法
协同过滤算法由Rich[27]首次提出,在利用关系型信息方面(例如个性化推荐的信任)被证明是一种非常成功的解决方法。在本次研究中,我们采用这种方法来开发基于信任的服务推荐算法来提供个性化的服务推荐。在Web服务推荐领域,有几个研究也采用了协同过滤方法。Shao[28] 提出了基于用户的协同过滤算法来预测服务质量的值。 Zheng[29]提出了混合协同过滤算法进行Web服务推荐。Rong[30]运用协同过滤算法和MovieLens[31]数据进行实验性分析。但是,这些研究都只针对了服务的个别属性(例如服务质量),这无法考虑到不同用户对于服务的质量要求和主观感受的个性化偏好,而这恰恰是个性化服务推荐中最重要的因素。因此,我们的研究利用协同过滤算法根据分享类似的服务质量信任给他人的用户的评级来提供个性化的服务推荐。我们采用了两种协同过滤算法,基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤算法尝试发现与目标用户有类似品味的一组用户。为计算用户组的相似性,几个类似的评测模型已经被开发 [34 - 35]。更大的相似分数暗示着两个用户在对于想要被推荐的产品和服务上的观点更加相似。这个分数可以用来预测用户对于被推荐项目的满意度的可能性。另一方面,基于项目的算法不同于基于用户的算法,它不计算用户的相似性,只计算项目的相似度。他们也可以对目标用户群预测新项目的评级值。
除此以外,协同过滤方法根据用户的产品项目和个性化推荐的关系提供了有效的解决方案。因此,我们的研究旨在解决现有的服务推荐的有限性,具体如下:
- 网络建模和分析用户与服务之间的信任关系;
- 运用协同过滤方法建立网络模型,研究用户对于服务质量的信任偏好;
- 基于用户偏好信息提供个性化的服务推荐
3 为信任关系网络建模
本章节,我们使用网络建模方法,对用户与服务之间的信任关系建模。使用的两种网络建模方法(用户信任网络和服务信任网络建模)分析发现用户基于服务质量的信任偏好。
3.1协同过滤算法
用户和服务之间的服务,可以合理地表示为一个网络,用户和服务作为顶点和用户服务之间的信任关系作为对边。我们把信任关系网络称为信任网络T型网,这是一个由两个不相交的顶点集合组成的二分网络。在同一集合中没有边可以连通顶点。在社交网络中,这种网络也被称为从属关系网络,其中边代表隶属关系[ 36 ]。信任网络的定义形式如下。
定义1(信任网络)信任网络是基于用户对服务的评分的一种用户服务之间的信任关系网络,它可以被建模为一个三元组T型网(U,S,R),满足以下条件:
1)U = {u 1 ,u 2 ,...,u m }是一个用户集,ui(1le;ile;m)代表一个用户,m是用户的总和,ui是需要Web服务推荐的目标用户。
2)S = {s 1 ,s 2 ,...,s n }是一个相似功能的服务集合,si(1le;ile;n)代表一项服务,n是服务的总和。
3)R = {rel(u,s)|u isin; U, s isin; S}是用户及服务之间的信任关系。许多现有系统已经把用户对服务的反馈评级作为评测用户信任服务的程度。因此,R也可以作为用户对服务的评级集合,rel(u,s)是指用户的评测分数。
图1显示了一个信任网络的例子,其中方形点代表用户,圆点代表服务,有向边代表用户与服务之间的评级关系。边的权重等于用户的评分值。
图1 一个信任网络的例子
3.2信任网络映射
以前的网络相关研究主要集中在单顶点网络。因此,以往的EM -二分网络研究经常把这样的网络分为两个单顶点网络,每个只带有一种顶点[ 37 ]。在我们的研究中,我们采用了类似的方法。将上述二分网络分为一个用户网络和一个服务网络,定义为如下。
定义2(用户网络)用户网络中两个用户顶点之间的边表示两个用户过去至少评测过一个公共服务(联合评级关系),它可以以U型网lt;U,CRgt;建模,U是用户集合,CR是用户间联合评级的集合。
图2(a)显示了用户网络的一个例子,U作为网络中的定点,CR为边。边的权重是用户的相似度,具体计算在4.2章节中介绍。
定义3(服务网络)服务网络中两个服务顶点之间的边代表了这两个服务曾经被至少一个共同用户评分过(联合评级关系),它也可以以S型网lt;S,CRrsquo;gt;建模,S是用户集合,CRrsquo;是服务的联合评级关系集合。
图2(b)显示了用户网络的一个例子,S作为网络中的定点,CRrsquo;作为边。
图2根据图1的信任网络映射出的单节点网络 (a) 用户网络 (b) 服务网络
图2(a)和(b)介绍了两个从图1中映射出的单节点,一个为用户网络,一个为服务网络。从图中可得,我们可以看出映射网络的聚类趋势,这是因为映射对它自身进行了很大程度的处理过程。如果每个用户评测多个服务,将得到一个完全连接子图的服务映射网络;因此,服务网络实际上由这种完全子图组成。一般来说,一个从二分网络图映射出的单节点网络图保证有较大的聚类系数,这可能有助于提高推荐精度的研究。
4 基于信任的服务推荐
此章节,我们提出了基于信任的服务推荐(TSR)的协同过滤算法。首先,我们正式定义了个性化服务推荐中的问题。然后我们给出计算U型图和S型图的连接节点之间相似度的计算方法。最后,我们给出了TSR算法的具体细节。
TSR算法通过用户对公共服务的评分计算了用户之间的相似度。两个用户间更高的相似度意味着他们对基本Web服务质量的偏好更加相似。然后,用户对服务的信任评分可以根据其他具有高相似度的用户的评级信息来计算。算法的输出是基于他们的新人评分得出的服务排名表。信任评分高的服务会被推荐给目标用户。
4.1问题定义
TSR旨在将高评测分数的Web服务推荐给目标用户。信任值是一个反映了用户对基本服务质量的看法的量化指标。用户对服务的信任值的定义如下。
定义4(信任值)给定一个服务s、一个用户u及用户u对服务s的信任值,表示T(u,s),这是用来衡量用户u对于多个服务质量属性的的主观认知和个性化偏好,服务质量属性包括响应时间、吞吐量、价格和可用性。如果用户u之前使用过服务s,T(u,s)的值等于用户给出的最新的服务评级。在这项研究中,我们使用评级表示信任值,所以信任值的范围取决于评级的范围。本实验中,信任值的范围为1到5。
TSR是基于信任的协同过滤服务推荐算法。对于目标用户ut,TSR首先计算T(u t ,s)的值,其中s属于用户ut从未使用过的服务集合。TSR将T(u t ,s)较高值的服务推荐给用户ut。算法分为两个阶段:相似度计算和基于信任的推荐。
4.2相似度计算
相似度计算是基于内存的协同过滤算法的核心[34]。主要根据用户对于服务质量偏好的历史数据计算出用户的相似度。在TSR算法中,相似度计算包括两个部分:用户相似度和服务相似度。
根据相似性分数,我们可以了解到不同用户对于多个服务质量的主观看法和个性偏好的相似性。然后根据高相似度的用户评分对目标用户的推荐起到更大的作用。从图3中的例子可知,用户a和b都对服务s评分较高,但是 c给出了较低的评分。这可能是由于他们对服务质量偏好的差异性引起的。也许用户a和b更喜欢快速响应的服务,而用户c 不喜欢吞吐量过低的服务。这也可能是由主观看法的差异性引起的。用户a和b或许认为如果服务在1分钟内响应就很好,但是用户c有更高的需求,他/她希望服务在1秒内响应。总之,用户a和b对于这种类型的服务有着相似的观点,因此,用户a喜欢的服务可以推荐给用户b,反之亦然。
图3 用户联合评级的
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[29010],资料为PDF文档或Word文档,PDF文档可免费转换为Word
课题毕业论文、外文翻译、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。