一种基于用户上下文数据的Web服务信誉度度量方法，先采集用户访问Web服务时该用户的上下文数据，并利用归一化方式对该用户以向量表示的上下文数据进行预处理，再利用k-means方法对该用户的预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据；然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反馈等级的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户上下文数据类别对应的服务信誉度。
【技术实现步骤摘要】
本专利技术涉及一种基于用户上下文的Web服务信誉度度量方法，属于计算机应用的
技术介绍
面向服务的体系结构SOA(Service-OrientedArchitecture)是一个组件模型，它 将应用程序的不同功能单元（又称为服务）通过这些服务之间定义良好的接口和契约联系 起来。S0A技术的存在已超过20年，但是，一直未得到广泛应用。随着Web服务的出现，已 逐渐被人们接纳，S0A终于迎来了自己的"春天"。 在开放的S0A环境中，由于受很多因素的影响，用户不能同时保证服务提供者发 布的服务QoS信息是客观的、可靠的和真实的。因此，有效地衡量服务提供者发布服务的 QoS的真实性、可信性，对于服务选择是非常重要的。信誉度正是对QoS真实性、可信性进行 衡量的一个重要因素。信誉度一般是根据大量用户在使用某项服务后所给出的反馈等级， 计算评估出一个与服务信誉相关的值。它代表了一个Web服务的真实、可信程度。因此，月艮 务提供者提供某种功能服务时，不仅要满足传统QoS要求，也要同时满足消费者对于信誉 度的需求。Web服务信誉度对于服务选择等有着重要意义。准确的服务信誉度度量方法， 一方面有利于服务请求者（服务消费者/用户）能够选择信誉好的服务提供者，从而获得 安全、可靠的服务；另一方面，也有利于服务提供者通过度量得到的信誉度来提升自身的服 务，从而吸引更多的服务请求者，形成Web服务健康而又稳定的发展和服务的局面。因此， Web服务信誉度度量已经成为研宄热点。 国外现有技术情况是：文献《Atrustmanagementframeworkfor service-orientedenvironments〉〉（干丨_|于In:Proc.ofthe18thInt, 1Conf.onWorld WideWeb"WWW2009"2009. 289-302. )提出了一个面向 开放分布式服务环境的基于信誉度的服务可信管理框架，其核心是可信服务管理，不仅支 持多种不同实体的信任关系，同时还支持每个实体采用不同的信誉度评分函数对同样的反 馈数据进行评估。该框架的一个显著优点是支持多种信誉度评估方法，具有较高的实用价 值。 文献《Aclassofhierarchicalfuzzysystemswithconstraintsonthe fuzzyrules.》（刊于"FuzzySystems，IEEETransactions"on，2005,13 (2)，194-203) 综合考虑了服务QoS和用户相似度两种角度，对Web服务信誉度进行度量。该文在传统Web 服务模型的基础上进行了扩展，添加服务检测中心。提出了基于用户主观和客观评价相结 合的角度。将从服务检测中心得到的QoS数据与发布的值进行对比来更新QoS。然后通过 用户的相似度，基于相似用户对服务推荐等。 国内现有技术情况是：北京大学的梅宏等人提出了一种有效地考虑用户反馈等级 的真实性和准确性的信誉度度量方法。该方法通过统计的方法，用统计量足够的用户反馈 数据作为标准值，根据标准值来修正其他反馈数据，以有效地修正恶意反馈，从而获得更为 可信的信誉度评估环境。 华中科技大学的徐兰芳等人针对传统分析方法中存在恶意客户的虚假推荐，提出 了以灰色系统理论为基础、以灰色聚类评估算法为主要内容的信誉报告机制方案。该方案 克服了传统分析中每个用户的评级权视为相等的做法，能够使数据更为客观，具有评估可 靠、可操作性强等优点。 北京邮电大学的王尚广等人提出了一种用于QoS感知Web服务选择中信誉度的评 估方法。该方法的主要思想是，通过反馈核查、校正和检测这三个信誉度评估模块应对来自 用户的混乱、偏好和恶意三种反馈对信誉度评估客观性和准确性的影响。所提出的方法有 效提高了信誉度评估的客观性，还显著减小了服务选择的偏离度。 综上所述，尽管已有的Web服务信誉度度量方法能够有效地提高服务信誉度度量 的准确性，但其大都存在以下缺点：（1)上述方法将所有用户都视为同一权重，即认为所有 有效的反馈用户影响因子相同，而这点很显然是不准确的。（2)上述方法忽略了用户使用服 务时所处环境，以及所用设备造成的影响，即忽略了用户上下文这个影响因素，没有对不同 环境下的反馈数据区分对待。这些问题都导致了方法存在一定程度上的不准确性。 因此，如何有效地考虑用户上下文对用户反馈等级造成的影响并对影响加以弱 化，以更准确的度量服务信誉度，成为业内科技人员关注的新课题，并对其进行了大量的探 索与研宄。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于用户上下文数据的Web服务信誉度度量 方法，本专利技术方法能够在移动环境中，用户上下文数据对服务QoS影响较大的情况下进行 Web服务信誉度的准确度量，该方法是先对用户使用服务时所在的用户上下文数据信息进 行预处理，以便对用户上下文数据进行分类，根据大量的用户反馈等级数据以及对应的用 户上下文数据分类，推理出不同用户上下文数据类别对反馈等级造成的影响，进而弱化用 户上下文数据对反馈等级造成的影响，根据弱化用户上下文影响后的反馈等级，准确度量 服务信誉度。 为了达到上述专利技术目的，本专利技术提供了一种基于用户上下文数据的Web服务信誉 度度量方法，其特征在于：首先采集用户访问Web服务时的该用户的上下文数据，并利用归 一化方式对该用户以向量表示的上下文数据进行预处理，再利用k-means方法对该用户的 这些预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据； 然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反 馈等级造成的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以 弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户 相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户 上下文数据类别对应的服务信誉度；所述方法包括下列操作步骤： 步骤1，对采集到的用户访问Web服务时的上下文数据执行预处理：因为对用户上 下文数据产生影响的因素有多个，至少包括CPU、内存、屏幕尺寸和网络带宽四个因素，且不 同因素的物理涵义、取值范围和计量单位又各不相同，故先选取其中影响大的因素，并对该 影响大的各个因素进行归一化处理，再将归一化后的各个因素统一采用向量表示，作为归 一化后的用户上下文数据；然后用k-means方法对归一化后的用户上下文数据进行聚类， 以便能够根据用户上下文数据将用户反馈等级归分为不同类别； 步骤2,计算不同类别的用户上下文数据对反馈等级的影响：根据聚类后的用户 上下文数据及其相应的反馈等级，为每个用户分别计算不同类别用户上下文数据对其反馈 等级造成的影响，也就是求解每个用户在访问同一服务时，在不同类别用户上下文数据环 境下，将不同类别的用户上下文数据反馈等级转换为统一的参考级别，使得该用户提交的 反馈等级之间的差别实现弱化处理；步骤3,根据转换后的统一的当前第1页1 2 3 本文档来自技高网...
【技术保护点】
一种基于用户上下文数据的Web服务信誉度度量方法，其特征在于：首先采集用户访问Web服务时的该用户的上下文数据，并利用归一化方式对该用户以向量表示的上下文数据进行预处理，再利用k‑means方法对该用户的这些预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据；然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反馈等级造成的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户上下文数据类别对应的服务信誉度；所述方法包括下列操作步骤：步骤1，对采集到的用户访问Web服务时的上下文数据执行预处理：因为对用户上下文数据产生影响的因素有多个，至少包括CPU、内存、屏幕尺寸和网络带宽四个因素，且不同因素的物理涵义、取值范围和计量单位又各不相同，故先选取其中影响大的因素，并对该影响大的各个因素进行归一化处理，再将归一化后的各个因素统一采用向量表示，作为归一化后的用户上下文数据；然后用k‑means方法对归一化后的用户上下文数据进行聚类，以便能够根据用户上下文数据将用户反馈等级归分为不同类别；步骤2，计算不同类别的用户上下文数据对反馈等级的影响：根据聚类后的用户上下文数据及其相应的反馈等级，为每个用户分别计算不同类别用户上下文数据对其反馈等级造成的影响，也就是求解每个用户在访问同一服务时，在不同类别用户上下文数据环境下，将不同类别的用户上下文数据反馈等级转换为统一的参考级别，使得该用户提交的反馈等级之间的差别实现弱化处理；步骤3，根据转换后的统一的用户上下文数据参考级别计算用户相似度及其反馈相似度：根据步骤2得到的参考用户上下文数据类别的反馈等级，采用基于用户的协同过滤方法计算两个用户在其访问过的Web服务上的皮尔逊相关系数PCC(Pearson Correlation Coefficient)，作为该两个用户间的用户相似度；然后选取相似度较高的用户组成集合，再求解各个用户之间的反馈等级相似度；步骤4，根据步骤2和3分别得到的参考类别用户上下文数据的反馈等级和用户的反馈等级相似度，为用户度量参考类别用户上下文数据对应的服务信誉度，最后根据不同类别用户上下文数据与参考类别用户上下文数据之间的反馈等级差值，将信誉度转化到不同类别用户上下文数据对应的情景。...
【技术特征摘要】
【专利技术属性】
技术研发人员：孙其博，李威，王尚广，李静林，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。