基于圖挖掘的服務(wù)推薦方法.pdf

1、隨著Web服務(wù)的爆炸式增長,如何處理信息過載、定位合適的Web服務(wù)變得越來越關(guān)鍵。目前已有很多相關(guān)的服務(wù)推薦方法,但很少有研究通過挖掘服務(wù)使用數(shù)據(jù)中的潛在知識進行服務(wù)推薦。本文對服務(wù)推薦和圖挖掘進行相關(guān)研究后,提出了一種基于圖挖掘的服務(wù)推薦方法。該方法根據(jù)圖挖掘的結(jié)果集擴展用戶組合了一半的Web服務(wù)并將擴展的結(jié)果推薦給用戶,來達(dá)到幫助用戶更快更好地進行服務(wù)組合的目的。
　　 本文提出的方法可以分為數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)處理和服務(wù)推薦三個

2、階段。數(shù)據(jù)準(zhǔn)備階段和數(shù)據(jù)處理階段是服務(wù)推薦階段的基礎(chǔ)。數(shù)據(jù)準(zhǔn)備階段的目的是得到數(shù)據(jù)處理階段所需的組合服務(wù)圖數(shù)據(jù)集。該階段主要可以分成兩步:1)對Web服務(wù)進行聚類;2)將執(zhí)行過的組合Web服務(wù)轉(zhuǎn)化為組合服務(wù)圖。數(shù)據(jù)處理階段的目標(biāo)是挖掘出組合服務(wù)圖數(shù)據(jù)集中的頻繁子圖。為此,我們對gSpan算法進行了擴展和修改,使之可以用于組合服務(wù)圖的挖掘。服務(wù)推薦階段是整個方法中最主要的階段。該階段根據(jù)用戶組合了一半的Web服務(wù)和圖挖掘結(jié)果集進行推薦,主

3、要可以分成兩步:1)確定推薦的頻繁子圖;2)選擇最優(yōu)的組合Web服務(wù)。在確定推薦的頻繁子圖時,為了估計每個頻繁子圖滿足用戶需求的概率,我們設(shè)計了Score值的計算公式。在進行最優(yōu)組合Web服務(wù)的選擇時,需要計算出組合Web服務(wù)各個維度上的QoS值,為此我們分別針對分支關(guān)系和并行關(guān)系設(shè)計了相應(yīng)的QoS計算公式。由于最優(yōu)組合Web服務(wù)的選擇比較耗時,我們利用skyline來加速該過程。
　　 本文基于1530個真實的Web服務(wù)準(zhǔn)備了