基于用户特征聚类与服务质量预测的推荐方法_刘佳慧.pdf

第 59 卷 第 1 期2023 年 1 月南京大学学报（自然科学）（NATURAL SCIENCE）Vol.59,No.1Jan.,2023JOURNAL OF NANJING UNIVERSITY基于用户特征聚类与服务质量预测的推荐方法刘佳慧,袁卫华,曹家伟,张涛,张志军*（山东建筑大学计算机科学与技术学院，济南，250101）摘要：随着服务系统中 Web服务的不断增加，为用户进行个性化 Web服务推荐成为服务计算领域最热门的研究课题之一，然而，服务推荐面临不可靠用户和服务导致推荐的不准确性问题.为了解决上述问题，提出一种基于位置和信誉感知的 Web 服务推荐方法.首先采用粒子群优化（Particle Swarm Optimization，PSO）对用户进行聚类，得到相似用户；其次，计算用户和服务的信誉来识别可信的用户和服务；最后，将相似用户和可信服务的信息整合到矩阵分解（Matrix Factorization，MF）中，为用户预测缺失的服务质量（Quality of Service，QoS）.在真实数据集 WSDream 上的实验验证了提出方法的可行性与有效性.与其他先进的预测方法相比，该方法的 MAE（Mean Absolute Error）和 RMSE（Root Mean Squared Error）较低，证明该方法有较高的预测准确性.关键词：服务推荐，用户聚类，粒子群优化，位置感知，信誉感知，矩阵分解中图分类号：TP391 文献标志码：ARecommendation method based on user feature clustering and quality of service predictionLiu Jiahui,Yuan Weihua,Cao Jiawei,Zhang Tao,Zhang Zhijun*(School of Computer Science and Technology，Shandong Jianzhu University，Jinan，250101，China)Abstract:With the continuous increase of Web services in service systems，personalized Web service recommendation for users has become one of the most popular research topics in the field of service computing.However，service recommendation faces the problem of inaccuracy caused by unreliable users and services.To solve these problems，this paper proposes a location and reputationaware Web service recommendation method.Firstly，Particle Swarm Optimization(PSO)is used to cluster users to obtain similar users.Secondly，the reputation of users and services is calculated to identify trusted users and services.Finally，the information of similar users and trusted services are combined into Matrix Factorization(MF)，so as to predict the missing Quality of Service(QoS)for users.The feasibility and effectiveness of the proposed method are verified by experiments on the real dataset WSDream.Compared with other advanced prediction methods，the MAE(Mean Absolute Error)and RMSE(Root Mean Squared Error)of the proposed method are lower，proving higher prediction accuracy.Key words:service recommendation,user clustering,Particle Swarm Optimization(PSO),location aware,reputation aware,Matrix Factorization(MF)互联网信息技术和大数据的不断发展推动了Web 服务向数据化的变革，然而，由于缺乏专业知识以及面对的是海量数据，用户难以自己选择合适的 Web服务1.服务质量（Quality of Service，DOI：10.13232/ki.jnju.2023.01.012基金项目：国家自然科学基金（61902221，62177031），山东省自然科学基金（ZR2021MF099，ZR2022MF334），山东省教学改革研究项目（M2021130，M2022245，Z2022202），山东省优质专业学位教学案例库建设项目（SDYAL2022155），山东省重点研发计划（软科学项目）（2021RKY03056）收稿日期：2022-10-25*通讯联系人，Email：第 1期刘佳慧等：基于用户特征聚类与服务质量预测的推荐方法QoS）是评估服务推荐性能的重要非功能性指标2，包括响应时间、吞吐量及其他参数.由于QoS 与上下文信息有密切的关系，所以基于用户偏好、QoS 和上下文信息的个性化服务目前是热门的研究课题，QoS 预测也是目前服务推荐系统面临的挑战之一3.推荐系统作为一种信息过滤系统，通过对大数据进行学习，能有效地从海量数据中推荐用户喜欢的内容，目前最新的推荐方法有基于流会话的推荐4、组推荐5以及跨域推荐6等.服务推荐具有传统推荐系统中存在的数据稀疏性、冷启动和上下文信息利用不充分等问题，现在聚类是推荐系统中缓解数据稀疏性的一种重要方法7.常用的聚类算法有 kmeans8，kmeans+1及 DBSCAN（DensityBased Spatial Clustering of Application with Noise）9等.现有的 QoS 预测研究大多忽略了属于同一类别组的用户/服务往往具有类似的 QoS 这一事实，而聚类方法是获得用户/服务组关系的有效方法10.服务推荐主要使用的方法有基于协同过滤的方法11、基于深度学习的方法12和混合推荐方法13.其中，协同过滤方法（Collaborative Filtering，CF）是目前应用最广泛的 QoS 预测方法，基本分两类：基于内存的方法和基于模型的方法.基于内存的 CF 方法计算用户或服务的相似性，进而使用类似的用户或服务来预测 QoS14-16.计算用户的相似性主要基于用户和服务之间的历史调用记录，所以基于内存的CF方法很容易受数据稀疏性和冷启动的影响，造成预测性能的下降.基于模型的 CF 方法根据可用的 QoS 信息建立一个全局模型来进行 QoS 预测.矩阵分解（Matrix Factorization，MF）能缓解数据稀疏性和冷启动问题，近年来已成功应用于基于模型的 QoS 预测，但以往的多数研究工作缺少对 Web 服务的 QoS 特性的充分认识以及对上下文的有效利用.为了进一步提高 QoS 预测性能，目前的研究方法试图结合位置17、时间18等上下文信息来提高预测精度.基于 MF的 QoS预测方法根据用户调用服务时产生的 QoS 矩阵中的可用 QoS 训练模型来预测矩阵中缺失的 QoS，因此 QoS 的可靠性会极大地影响 MF 的预测准确性.然而，在现实中一些用户可能会提交随机或恒定不变的 QoS19.由于动态云计算环境的波动性和不稳定性以及特定于网络层的 QoS 损害因素（如可变初始延迟、数据包丢失、抖动、带宽和缓冲延迟等）会使服务变得不可靠20-21，预测过程中，这些不可靠的用户和服务都可能提供不可靠的 QoS，使预测精度降低.现有的研究方法通过结合用户信誉22-25降低不可靠用户造成的负面影响，但这些方法仅关注用户端分析（强调实时用户观察到的 QoS 数据），忽略了服务器端分析（强调服务器的传统测试和可靠性数据），即缺少对不可靠服务的处理.为了解决上述问题，本文提出基于粒子群聚类与位置和信誉感知的矩阵分解方法 PLRMF（PSOBased Clustering and Location and ReputationAware Matrix Factorization）用于服务推荐.具体地，采用一种基于粒子群优化的聚类算法，无需要预先指定聚类数和聚类中心来得到相似用户，然后将用户和服务的位置和信誉整合到 MF模型中进行 QoS预测.本文的主要贡献：（1）提出一种基于粒子群优化的聚类方法来得到相似用户的聚类.（2）将用户的位置和信誉融合到矩阵分解方法来预测未知的 QoS.（3）提出一种计算服务信誉的方法来进行基于服务位置和信誉感知的预测.1 相关工作 1.1推荐系统中的聚类方法为了缓解数据稀疏性，聚类方法被广泛应用于提高推荐系统的准确性1，8-10.Fayala and Mezni8使用 kmeans 聚类方法排除不太相似的用户来进行时间感知的 Web服务推荐.Ding et al1提出一种 QoS 感知 Web 服务推荐模型，使用基于服务功能特征的 kmeans+方法对服务进行聚类.Indira and Kavitha9提出一种基于 DBSCAN 聚类的推荐方法，在云环境下执行电影聚类以提高推荐的有效性.Hao et al10提出一种用于实时 Web 服务 QoS 预测的扩展矩阵分解模型，首先利用主成分分析法对数据进行预处理，然后利用 kmeans方法计算用户/服务组信息，并利用组信息建立一个新的正则化项来提高预测精度.然而，上述聚类方法需要预先定义聚 121南京大学学报（自然科学）第 59 卷类数，这会导致推荐的不确定性.粒 子 群 优 化（Particle Swarm Optimization，PSO）是一种基于种群的智能优化算法，由 Kennedy and Eberhart26于 1995 年首次提出.目前已有研究将 PSO 应用到聚类问题，并根据聚类结果进行推荐，有效提升了推荐的准确性.Jain and Dixit27提出一种基于 PSO 的上下文感知推荐模型，使用 kprototype 聚类对上下文相似的用户进行分组，并将 PSO 应用于聚类结果来确定不同上下文的贡献.Mezni et al28采用 PSO 的多种群变体进行聚类来排除在上下文中与活跃用户不太相似的用户，以进行上下文感知的 Web 服务推荐.PSO 训练参数较少且基于 PSO 的聚类方法提高了推荐性能，因此本文选取基于 PSO 的聚类方法来得到相似用户的聚类.1.2基于位置感知的推荐位置信息作为推荐系统中重要的上下文信息，将其与推荐模型结合可以提高推荐的准确性，目前研究人员已提出大量基于位置感知的推荐方法2-3，13，17.Zhang et al3提出一种基于位置感知的深度协同过滤服务推荐模型，将用户和服务之间的位置相似性集成到神经网络的前向传播过程来提高预测精度.Zou et al13通过融合用户地理位置信息和 QoS，提出一种综合的用户相关性度量方法，可以更好地进行用户邻域选择，提高服务质量预测的准确性.现有的方法不仅仅利用用户的位置信息，还考虑了项目的位置信息.Botangen et al17利用用户和服务地理位