雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

服务发现的混合推荐系统

Atefeh Jajvand1,米尔阿里Seyyedi2,Afshin Salajegheh3
  1. 女士的学生,计算机工程,伊斯兰自由大学Tehran-south分支,德黑兰,伊朗
  2. 助理教授软件工程和计算机科学、计算机工程、伊斯兰自由大学Tehran-south分支,德黑兰,伊朗
  3. 助理教授软件工程和计算机科学、计算机工程、伊斯兰自由大学Tehran-south分支,德黑兰,伊朗
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

在本文中,提出了服务发现的推荐系统。它帮助面向服务环境的消费者发现和选择最合适的服务从大量的可用的。推荐系统使用切换混合方法,结合了两种协同过滤方法和环境敏感。的协同过滤方法使用已知的味道一组用户产生推荐给其他用户。上下文感知的方法为用户提供建议对他们的环境和情况的细节。提出的方法取得了战胜灰羊的问题,新的消费者,新服务协同过滤推荐系统的入口。





关键字
协同过滤推荐系统中,上下文感知推荐系统,服务发现在面向服务的体系结构中,新的消费者,新服务

介绍
web服务的数量的快速增长让用户在互联网上花大量的时间寻找一个服务考虑他们的需求。因此,发现和选择服务serviceoriented架构是一个至关重要的问题。
在面向服务的体系结构中,服务提供者发布他们的服务在服务存储库,和服务requesres或消费者在服务存储库找到和发现他们所需的服务。[4]
一个想法解决大量问题的服务是一个推荐系统,可以推荐最合适的服务中可用的服务用户。
一个。文献综述
最近,使用推荐系统发现和选择之后的服务在不同的文章,有些是这里提到:
Sofiane Abbar和et al。(2009)提出了上下文感知推荐系统与面向服务的方法。[6]在这个工作,这是声称用户配置文件和背景的应用环境和用户的情况(数据)在推荐的过程中所有的推荐系统是有用的,因为用户的利率和偏好在不同情况下可能有所不同。还Ohbyung Kwon和et al。(2009)使用上下文感知推荐系统服务的建议。[7]同年,Jongyi香港和等人基于上下文环境敏感系统用于主动服务的历史。[8]在另一个工作在2009年,Zibin郑等人使用web服务的协同过滤推荐。[5]
Konstantinos Tserpes和et al。(2011)提出了一个推荐系统进行服务选择在面向服务的环境中[4]的目标是寻找服务不仅需要能力,还要求质量对消费者。在这项工作中,基于内存的协同过滤技术已被用于推荐。
阮Ngoc Chan和et al。(2012)提出了一个协同过滤推荐系统,服务发现的历史关注用户名和使用web服务而不是描述服务。[2]
一般来说,协同过滤推荐系统已经在大量的调查研究。然而,这种机制,除了其中一个最强大的和成功的,也一些问题和局限性。即新项目、新用户,可伸缩性、同义,羊和灰色问题可以提出来。
最近,环境敏感也被应用在许多作品。仅仅使用此机制是一个非常耗时的任务,因为上下文需要在任何情况下发现和更新。此外,上下文的需要发现工具也是它的局限性
本文的推荐系统提出了服务选择和发现,不仅有很高的性能,而且克服了灰色羊的问题,新的消费者,新服务入口。提出了推荐系统使用切换混合法和结合了两种基于项目的协同过滤方法和环境敏感。在这种方法中,推荐的系统交换机之间的可用技术的现状。[3]换句话说,当基于项目协同过滤不能回应,上下文感知系统的开关。

定义
一个。推荐系统
推荐系统是一种数据过滤系统试图表明一组数据项的用户可能是他们喜欢的人。数据过滤系统是一个系统,自动或半自动生成,丢弃之前不宜或额外的数据显示给用户。这些系统的主要目的是管理的额外数据。
. 1)协同过滤推荐系统
这个方法是最强大的技术之一,曾经被证实,并与收集大量用户的数据。在这种类型的系统中,用户同意的主要假设是一个主题在过去也将同意在未来。这些用户形成一组称为一个邻居。用户收到建议项目之前,他们没有速度。然而,这些物品已经被用户在同一个小区。在预测方法,为一个特定的用户,但他们是按照从大量用户收集的数据。[19]协同过滤技术使用数据库的用户首选项物品。在这个场景中,有一个m用户列表{u1, u2,…,嗯}和n项}{i1、i2…,,,每个用户都有他/她的评价项的列表。[9]
a)上下文感知推荐系统
上下文数据用户的环境和情况的细节。即时区、天气条件、位置,等等。这些数据中发挥基础性作用的建议。利用这些数据的系统,在推荐的过程称为上下文感知推荐系统。[19]上下文数据可以通过多种方式获得:明确和直接,通过与用户交互,和隐式,利用资源,例如GPRS还通过分析用户对他们的行为或通过数据挖掘技术。

该方法
在拟议的方法,推荐系统是利用serviceoriented发现和选择服务的架构。有区别,phase_称为服务评价_被添加到流程,也就是说,用户将被要求对该服务后的推荐系统使用它。这个速度显示了消费者满意的推荐服务。这项工作导致不同用户的利率的历史。然后,历史是用来推荐其他消费者的服务。
答:推荐系统的体系结构
展示了推荐系统,显示在图1中,使用混合切换方法。
切换混合法开始推荐过程选择一个可用的关于选择标准的推荐系统。当选择适当的推荐系统,另一个推荐系统推荐过程中不会发挥任何作用。
提出了推荐系统由两部分组成:协同过滤推荐系统和上下文——意识到推荐系统。
当消费者资料进入推荐系统,首先,消费者提到服务的邻居发现根据以下阶段。
计算相似度
之间的相似性计算的服务调整余弦相似度公式,这是一个最著名的和准确的方法:[1]
图像
RB的地方我,我,代表消费者的评价服务我和j, rci服务的消费者的我,rc,决定了消费者的平均利率。
选择相似的邻居
图像
Sk和Si服务k和服务我。(我)是一个服务集合,计算他们的相似率与服务我。换句话说,他们的相似率与服务的服务我是正被认为是邻居。
如果社区服务是在0.2和0.5之间的大小可用服务的数量,这是合适的邻域大小[17],协同过滤方法正常驱动。因此,通过协同过滤推荐系统使其预测方法,根据以下公式:
图像(3)
ServiceSim (i, j)是通过调整余弦相似度计算公式和rci是服务我的消费者。
基于项目的协同过滤后计算预测的平均绝对误差(MAE)计算。美是一种用于测量标准质量的协同过滤方法。它评估系统精度进行比较预测的协同过滤方法和消费者的实际利率的利率。[9],[10]
图像(4)
π是协同过滤方法的预测率、气、实际利率的利率,和N,总数在数据集的服务。美越低,推荐精度越高。如果美< 0.75,协同过滤方法有一个完美的精确度[9],[17],这方法是正确选择。因此,选择规则如下:
图像(5)
如果服务的社区大小不是目的的限制,或当美≥0.75,显示了系统没有一个完美的精度,证明了推荐系统开关对环境敏感的方法。

该方法的评价
提到的算法,实现编程语言c#,和测试数据集。在前面的工作[6],[7],[8],[20]使用上下文感知系统,适当的contextshave选择取决于类型的推荐服务。也在此系统中,对于服务在我们的数据集这些上下文考虑消费者:日期、时间、地点,操作系统,设备,和浏览器。同样,数据,如性别、年龄、和教育消费者输入注册时系统也考虑。
当系统接通了上下文感知方法,消费者的上下文有关请求的服务。然后,上下文信息用于服务存储库查询或搜索,然后将向消费者推荐合适的服务。因此,关于消费者的现状,没有速度的必要性历史消费者接受建议。
尽管证明算法是一种混合两种协同过滤方法和环境敏感,这些方法相比,该方法在以下表中。Theproposed方法总是可以支持新服务和新消费入口但环境敏感方法不支持新服务和新消费者入口时使用的历史背景。

结论
本文推荐系统演示了使用切换的混合方法,并结合两种方法的协同过滤和上下文感知服务的发现和选择。这个算法有很高的性能以及它克服了灰色羊的问题,新的消费者,新服务入口。实践结果表明,该混合推荐系统有更多的性能和质量更好的recommendationin与协同过滤方法比较。
一个该方法的局限性在于,它不是一件容易的工作获取上下文信息和上下文发现工具需要昂贵和耗时。此外,获得适当的选择定则切换混合法是一个艰苦的工作。
而大多数的推荐系统无法实现同义problem-existance类似服务的不同对其建议使用Antology开发算法。

表乍一看
表的图标
表1

数据乍一看
图1 图2
图1 图2

引用




























全球技术峰会