雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际计算机与通信工程创新研究杂志

菜单

在线刊号(2320-9801)印刷刊号(2320-9798)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

服务发现的混合推荐系统

Atefeh Jajvand1米尔·阿里·赛耶迪2， Afshin Salajegheh3.
  1. 伊朗德黑兰，伊斯兰阿扎德大学德黑兰南分校计算机工程硕士研究生
  2. 伊朗德黑兰，伊斯兰阿扎德大学德黑兰南分校，计算机工程，软件工程和计算机科学助理教授
  3. 伊朗德黑兰，伊斯兰阿扎德大学德黑兰南分校，计算机工程，软件工程和计算机科学助理教授
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际计算机与通信工程创新研究杂志

国际计算机与通信工程创新研究杂志

摘要

本文提出了一种用于服务发现的推荐系统。它帮助面向服务环境的使用者从大量可用服务中发现并选择最合适的服务。该推荐系统采用切换混合方法，并结合了协同过滤和上下文感知两种方法。协同过滤方法利用一组用户的已知口味来产生对其他用户的推荐。上下文感知方法向用户提供有关其环境和所处情况的详细信息的建议。该方法克服了协同过滤推荐系统的灰羊、新消费者和新服务入口等问题。





关键字
协同过滤推荐系统，上下文感知推荐系统，面向服务架构中的服务发现，新消费者，新服务

介绍
互联网上网络服务数量的快速增长使得用户花费大量的时间来寻找考虑他们需求的服务。因此，在面向服务的体系结构中，服务的发现和选择绝对是一个关键问题。
在面向服务的体系结构中，服务提供者在服务存储库中发布其服务，服务请求者或使用者在服务存储库中查找并发现其所需的服务
解决服务负载问题的一种方法是推荐系统，它可以在可用服务中向用户推荐最合适的服务。
A.Literature审查
最近，使用推荐系统来发现和选择服务已经在不同的文章中被关注，其中一些在这里被提到:
Sofiane Abbar等人(2009)用面向服务的方法提出了情境感知推荐系统。在这项工作中，有人声称在推荐过程中应用用户简介和上下文(关于环境和用户情况的数据)对所有推荐系统都是有用的，因为用户的费率和偏好在不同的情况下可能会有所不同。Ohbyung Kwon等人(2009)也使用上下文感知推荐系统进行服务推荐同年，Jongyi Hong等人利用上下文感知系统进行基于上下文历史的主动服务。在2009年的另一项工作中，Zibin Zheng等人使用协同过滤进行web服务推荐。［5］
Konstantinos Tserpes等人(2011)在面向服务的环境[4]中提出了一个用于服务选择的推荐系统，其目标是为消费者找到不仅具有所需功能而且要求质量的服务。在这项工作中，使用了一种基于内存的协同过滤技术进行推荐。
Nguyen Ngoc Chan等人(2012)提出了一个协同过滤推荐系统，用于服务发现的重点是用户名和使用过的web服务的历史记录，而不是描述服务。[２]
一般来说，协同过滤推荐系统已经被大量的研究所研究。然而，这一机制除了是最强大和成功的机制之一外，也存在一些问题和局限性。即新项目、新用户、可扩展性、同义性和灰羊问题。
最近，Context-Aware也在许多作品中得到了应用。仅仅使用这种机制是一项耗时的任务，因为在任何情况下都需要发现和更新上下文。此外，需要上下文发现工具也是它的局限性
本文提出了一种用于服务选择和发现的推荐系统，该系统不仅具有较高的性能，而且克服了灰羊、新消费者、新服务入口等问题。该推荐系统采用切换混合方法，结合基于项目的协同过滤和上下文感知两种方法。在这种方法中，系统根据当前情况在可用的推荐技术之间切换。[3]换句话说，当基于项目的协同过滤无法响应时，系统将打开上下文感知。

定义
A.Recommender系统
推荐系统是一种数据过滤系统，它试图向用户推荐一组可能是他们首选的数据项。数据过滤系统是一种在显示给用户之前自动或半自动地丢弃不利或多余数据的系统。这些系统的主要目的是管理额外的数据。
A.1)协同过滤推荐系统
这种方法是迄今为止演示过的最强大的技术之一，适用于从大量用户收集数据。在这种类型的系统中，主要的假设是，过去同意某个主题的用户将来也会同意这个主题。这些用户组成一个组，称为邻居。用户收到了他们以前没有评价过的商品的推荐。然而，这些物品已经被同一社区的用户打分了。在该方法中，预测是针对特定用户进行的，但它们是根据从大量用户收集的数据进行的。[19]协同过滤技术使用用户对商品的偏好数据库。在这个场景中，有m个用户{u1, u2，…，um}和n个物品{i1, i2，…，In}的列表，每个用户都有一个他/她的评级物品列表
A.2)情境感知推荐系统
上下文是关于用户所处环境的数据和他们所处情况的细节。即时区、天气条件、位置等等。这些数据在建议中起着重要作用。在推荐过程中利用这类数据的系统被称为上下文感知推荐系统上下文数据可以通过各种方式获得:显式和直接地，通过与用户交互，隐式地，通过使用像GPRS这样的资源，通过分析用户的行为或通过数据挖掘技术。

该方法
该方法利用推荐系统在面向服务的体系结构中发现和选择服务。不同的是，在流程中增加了一个称为服务评估的阶段，即用户在使用推荐系统后，将被要求对建议的服务进行评分。这个比率显示了消费者对推荐服务的满意度。这项工作导致了不同用户费率的历史记录。然后，使用历史记录向其他使用者推荐服务。
A.推荐系统的架构
如图1所示，演示的推荐系统使用切换混合方法。
切换混合方法根据选择标准从一个可用的推荐系统开始推荐过程。当选择合适的推荐系统时，其他推荐系统将不会在推荐过程中发挥任何作用。
该推荐系统由两部分组成:协同过滤推荐系统和上下文感知推荐系统。
当消费者配置文件进入推荐系统时，首先根据以下阶段查找消费者所提到的服务的邻居。
计算相似度
服务之间的相似度是通过调整余弦相似度公式来计算的，这是最著名和最准确的方法之一:[1]
图像
RB的地方我,我，表示同时评价服务I和服务j, r的消费者集合ci，消费者对服务i, r的费率c，决定了消费者的平均费率。
选择相似邻居
图像
Sk和Si分别是服务k和服务i, L (i)是计算服务与服务i相似率的服务集合。也就是说，将与服务i相似率为正的服务视为邻居服务。
如果服务的邻域大小在可用服务数量的0.2 ~ 0.5之间，即合适的邻域大小为[17]，则协同过滤方法运行正常。因此，推荐系统采用协同过滤方法进行预测，并根据下式进行预测:
图像（3）
ServiceSim(i,j)由调整余弦相似度公式计算，rci为服务i的消费者率。
通过基于项目的协同滤波计算预测结果后，计算平均绝对误差(MAE)。MAE是一种用于衡量协同过滤方法质量的标准。它通过比较协同过滤方法的预测率和用户的实际率来评估系统的准确性。[9], [10]
图像（4）
Pi是协同过滤方法的预测速率，qi是速率的实际速率，N是数据集中服务的总数。MAE越低，推荐准确率越高。当MAE<0.75时，协同过滤方法[9]，[17]具有较好的精度，说明选择方法是正确的。因此，选择规则如下:
图像（5）
如果服务的邻域大小不在预期的限制范围内，或者当MAE≥0.75表明系统没有完美的准确性时，所演示的推荐系统将启用上下文感知方法。

对所提方法的评价
该算法采用c#编程语言实现，并通过数据集进行了验证。在前面的工作[6]，[7]，[8]，[20]中使用了上下文感知系统，根据推荐的服务类型选择了适当的上下文。在这个系统中，对于数据集中的服务，也考虑了消费者的这些上下文:日期、时间、位置、操作系统、设备和浏览器。同样，消费者在系统中注册时输入的诸如性别、年龄和教育等数据也会被考虑在内。
当系统打开context - aware方法时，将获得有关所请求服务的使用者上下文。然后，上下文信息用于服务存储库查询或搜索，然后将合适的服务推荐给使用者。因此，关于消费者的现状，没有必要的价格历史，消费者收到一个建议。
尽管所演示的算法是协同过滤和上下文感知两种方法的混合，但每种方法都与下表中提出的方法进行了比较。该方法总能支持新的服务和新的消费者入口，而上下文感知方法在使用上下文历史时不能支持新的服务和新的消费者入口。

结论
本文提出了一种采用切换混合方法，结合协同过滤和上下文感知两种方法进行服务发现和选择的推荐系统。该算法克服了灰羊、新消费者、新服务入口等问题，具有较高的性能。实际应用结果表明，与协同过滤方法相比，该混合推荐系统具有更好的推荐性能和推荐质量。
该方法的局限性之一是获取上下文信息不容易，需要使用上下文发现工具，且成本高、耗时长。此外，在开关混合方法中获得合适的选择规则是一项艰巨的工作。
针对目前大多数推荐系统无法实现同义问题(存在不同名称的相似服务)，建议使用Antology来开发所提出的算法。

表格一览
表的图标
表1

数字一览
图1 图2
图1 图2

参考文献




























全球科技峰会