一种基于用户情境的QoS预测方法

李蓉 杨莉萍 杨艳

摘  要： 完整的QoS信息有利于更准确的服务推荐，但是现实中往往很难得到。文章提出了一种基于用户情境的QoS预测方法，对于老用户，根据他们原来的QoS选择，考虑QoS类型区别和时间衰减情况，预测新的QoS取值;对于新用户，按照用户分类信息，根据同类用户的服务选择情况，预测他们的QoS取值。实验证明，该方法有助于提高服务推荐的性能。

关键词： QoS; Web服务; 服务推荐; 用户情境

中图分类号：TP311          文献标识码：A     文章编号：1006-8228（2020）05-54-05

Abstract： Complete QoS information is conducive to more accurate service recommendation， but it is often difficult to get in reality. In this paper， a QoS prediction method based on user context is proposed. For the old user， new QoS value is predicted according to their original QoS selection， taking the difference of QoS types and time attenuation into the consideration; for new users， the QoS is predicted according to the user classification information and the service selection of similar users. Experiments show that this method can improve the performance of service recommendation.

Key words： QoS; Web service; service recommendation; user context

0 引言

Web服务的发展非常迅速，随着Web服务数量的急剧增加，用户如何从大量服务中快速、准确地选择服务成为一个难题。当提供的一些服务相似时，用户可能不知道如何选择，这时可以考虑服务的QoS属性。服务的QoS属性从多方面描述服务的质量，比如服务的价格、吞度量、可靠性、声誉等，对用户的使用感受起到决定性作用[1]。

现在基于QoS的服务推荐多数是针对QoS属性信息比较完全的情况，但是用户可能没有耐心去选择所有的QoS属性，或者用户不清楚该如何选择。遇到这些情况，我们不能简单地得到用户的QoS取值，就需要先做QoS预测[2]。

主要的服务QoS预测方法有基于协同过滤的预测方法和基于数学模型的预测方法。协同过滤的思想比较简单，算法时间复杂度小，但是在数据稀疏的情况下推荐效果不太理想。其著名方法有文献[3]提出的基于混合协同过滤的WSRec方法和文献[4]提出的基于用户协同过的UPCC算法。基于数学模型的方法对于数据稀疏的情况推荐效果较好，例如文献[5]提出的ASmooth方法。但是因为需要多次迭代完成数据集的训练，需要花费很长的时间，并存在取值不容易解释的问题。两种方法都会遇到冷启动的问题，即不能很好地预测新用户的QoS取值。

针对以上问题，本文提出了基于用户情境的QoS预测方法。对新、老用户使用不同的预测方法并结合在一起，这样预测的QoS能扩大用户的选择范围，提高服务推荐的准确度。

1 基于用户情境的QoS预测框架

本框架以期在QoS信息不完整的情况下根据用户的使用情境预测服务的QoS，具体步骤如图1所示。

⑴ 根据用户偏好得到经验QoS

用户偏好记录用户选择服务的习惯，如经常选择的价格区间、经常使用的时间等等。用户的使用习惯往往是固定的，可以据此得到用户的经验QoS信息。用户偏好来自于用户原来的服务选择，根据原来选择过的服务的平均QoS，考虑服务选择的时间衰减，根据公式計算得到现在用户可能会选择的QoS取值。

⑵ 使用协同过滤的方法预测QoS

当用户原来没用过服务时，无法得到经验QoS，本文考虑用户注册时填写的用户的职业、年龄、受教育情况、兴趣爱好等基本信息，再考虑用户的使用平台、使用位置等情境信息，在用户库中找到类似的用户，获得同类用户的最常用的QoS选择，综合得到所有类别中出现得最多的QoS值，以此预测该用户的QoS信息。

⑶ 综合QoS信息

当用户输入了QoS信息时优先使用输入信息，当用户的QoS不完整或者没有选择QoS信息时，首先考虑用户原来的QoS选择。当经验QoS仍然不足时，采用协同过滤的方法预测用户可能的QoS选择，综合得到尽可能完整的QoS信息。

2 基于情境的QoS补充

2.1 根据用户QoS偏好计算QoS

在服务注册库中建立用户库，专门用于记录用户的使用习惯。在用户选择的QoS信息不完整地情况下，我们可以计算用户过去选择过的服务的QoS取值范围，以计算现在用户可能的QoS选择。

⑴ 基本定义

因为QoS属性的种类很多，不同QoS属性的物理意义不同，因此取值范围不同，单位也不同，使得在计算中不容易对QoS的值统一处理。我们需要先对QoS属性进行规范化处理，使所有属性值在相同取值范围内。

QoS属性可以分类为增量型和减量型。增量型的QoS属性，属性值越大服务的质量越高，如吞度量和可靠性等。减量型的QoS属性属性值越小服务的质量越高，如响应时间、价格等。

表示取所有服务的某一种QoS属性qj的最大值。

表示取所有服务的某一种QoS属性qj的最小值。

后面所有对QoS属性的计算，都是计算经过规范化处理之后的QoS值。

假设用户对于服务的QoS属性的选择倾向于一致，即从用户原来所选择的QoS属性可以预测出用户后来的QoS选择，我们可以计算出用户经验QoS的值。

因为用户的QoS属性选择习惯会随时间变化，在计算服务QoS取值比率时要综合考虑时间对UQVR的影响。因为时间越接近，用户选择相同的QoS值的概率越高，UQVR的影响随着时间前推递减，我们需要选择指数类型的时间衰减函数，让过去的UQVR的影响逐渐衰减。

2.2 根据用户分类的QoS预测

⑴ 基本方法

根据用户的QoS偏好预测QoS的方法可以得到比较准确的QoS取值，但是对于新用户，因为没有原来的QoS偏好数据，无法判断他们的QoS选择，因此无法推荐服务，这是常见的冷启动问题[6]。

对于新用户的QoS预测比较困难，简单的方法是选择QoS取值高的服务或者使用度最高的服务，但这不一定符合用户的需求。有实验表明使用职业、年龄、性别等等人口统计学的信息推荐能取得更好的推荐效果[7]。

我们在用户注册时需要用户输入比较详细的用户基本信息，包括职业、生日、性别、受教育程度、注册地址和兴趣爱好。在用户使用系统时，我们也动态搜集了用户的平台信息和环境信息，包括用户使用的软件和硬件平台、用户当前的地址、现在的时间、天气情况和网络状况。这些信息可以用于个性化的服务推荐。

本文先按用户基本信息对用户分类，在每个类别中取最常用的10个服务，然后合并所有类别取出的服务集，把服务按照出现次数排序，出现的次数最高的服务被推荐，该服务的QoS最有可能满足用户的QoS取值要求。

综合运用算法1和算法2，当用户输入的QoS信息不完整时，如果系统中有用户原来使用过的服务的信息，则通过算法1求得用户的经验QoS;否则用算法2求得预测QoS值。

3 结束语

本文提出了一种基于用户情境的QoS预测方法，在用户的QoS信息不完整的情況下，能根据用户的使用习惯和选择服务的偏好预测QoS值，也能使用同类用户的QoS缓解冷启动问题。我们在通过模拟实验与常用的QoS预测算法WSRec和UPCC比较，本文的方法的QoS预测性能明显比UPCC好，和WSRec比较接近，但是在训练集增大的情况下，性能比WSRec略好。这证明了该方法有利于提高服务推荐的性能。

参考文献（References）：

[1] Yu C， Huang L. Time-Aware Collaborative Filtering for QoS-Based Service Recommendation[A]. 2016 IEEE International Conference on Web Services （ICWS）[C].San Francisco， CA： IEEE，2016：265-272

[2] Zhu J， He P， Zheng Z， et al. A Privacy-Preserving QoSPrediction Framework for Web Service Recommendation[A]. 2015 IEEE International Conference onWeb Services （ICWS）[C].New York， NY，：IEEE，2015：241-248

[3] Zheng Z， Ma H， Lyu M R， et al. WSRec： A CollaborativeFiltering Based Web Service Recommender System[A]. 2009 IEEE International Conference on Web Services （ICWS）[C]. Los Angeles， CA： IEEE，2009：437-444

[4] Shao L， Zhang J， Wei Y， et al. Personalized QoSPrediction for Web Services via Collaborative Filtering[A]. 2007 IEEE International Conference on Web Services （ICWS）[C]. Salt Lake City， UT： IEEE，2007：439-446

[5] Chen L， Feng Y， Wu J， et al. An Enhanced QoS PredictionApproach for Service Selection[A]. 2011 IEEE International Conference on Services Computing（SCC）[C]， Washington， DC： IEEE，2011：727-728

[6] Leila Bahri， Barbara Carminati， Elena Ferrari. Privacy inWeb Service Transactions： A Tale of More than a Decade of Work[J]. IEEE Transactions on Services Computing，2018.11（2）：448-465

[7] Krulwich B. Lifestyle finder： Intelligent user profiling usinglarge-scale demographic data[J]. Ai Magazine，1997.18（2）：37-45

[8] 国家职业分类大典和职业资格工作委员会.中华人民共和国职业分类大典[M].中国劳动社会保障出版社，1999.