隨著現實業(yè)務和IT服務業(yè)的不斷融合,各種跨平臺、跨行業(yè)的信息創(chuàng)新模式催生了更多泛化的Web服務,以滿足用戶日常應用中的個性化需求。但伴隨著服務數量的劇增,用戶逐漸面臨服務選擇帶來的巨大挑戰(zhàn)。針對用戶的各種需求,從服務海洋中選擇具有不同屬性和功能的候選服務,并進一步實現服務組合,完成用戶的更復雜的業(yè)務流程需求,一直都是服務計算領域的熱點問題。個性化推薦技術通過分析用戶的歷史偏好數據,建立用戶畫像,主動為用戶推薦滿足其需求的服務,能夠有效解決服務過載的問題。隨著新生服務在互聯網中的不斷發(fā)展,用戶對于Web服務在滿足其功能性需求的基礎上又對其非功能性屬性（Quality-of-Servicce）如調用時間、可達性和成功性等提出了更高的要求。用戶對于服務的直觀感受通常是根據服務的非功能質量屬性來判斷的,導致以Web服務為基本單元的網絡應用的性能將高度依賴這些服務的質量。此外用戶在不同的情境下對Web服務的非功能性需求也不盡相同,如何為用戶推薦滿足其非功能性需求的Web服務成為當前研究重點之一。因此本文針對不同情境感知服務推薦場景,結合服務上下文、地理位置、動態(tài)時序和信任關系四個不同的情境信息,... 

【文章來源】：重慶大學重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：132 頁

【學位級別】：博士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現狀
        1.2.1 推薦系統(tǒng)研究現狀
        1.2.2 Web服務QoS預測研究現狀
    1.3 主要研究內容
    1.4 論文結構
2 相關理論與技術
    2.1 Web服務關鍵技術研究
        2.1.1 Web服務技術架構
        2.1.2 Web服務的QoS屬性
        2.1.3 QoS預測關鍵技術研究
    2.2 推薦系統(tǒng)相關理論研究
        2.2.1 協(xié)同過濾推薦系統(tǒng)
        2.2.2 基于內容的推薦系統(tǒng)
        2.2.3 其他推薦方法
    2.3 本章小結
3 服務上下文感知QoS預測
    3.1 提出問題
    3.2 基于服務端上下文特征聚類的矩陣分解模型
        3.2.1 服務推薦框架
        3.2.2 服務端上下文抽取與特征距離度量
        3.2.3 服務特征聚類和近鄰用戶選擇
        3.2.4 基于服務上下文特征感知的QoS預測模型
    3.3 實驗結果與分析
        3.3.1 實驗準備
        3.3.2 實驗評價指標
        3.3.3 算法預測準確度比較
        3.3.4 數據稀疏性的影響
        3.3.5 參數α的影響
        3.3.6 參數β的影響
        3.3.7 潛在因子特征維度的影響
        3.3.8 Top-K的影響
    3.4 本章小結
4 位置近鄰可靠性感知QoS預測
    4.1 提出問題
    4.2 用戶可靠性評價對QoS影響分析
    4.3 融合近鄰用戶可信度的的矩陣分解模型
        4.3.1 服務推薦框架
        4.3.2 地理位置近鄰用戶聚類
        4.3.3 用戶QoS可信度評分計算
        4.3.4 融合地理位置近鄰用戶可靠性的QoS預測建模
    4.4 實驗結果與分析
        4.4.1 實驗準備
        4.4.2 算法預測準確度比較
        4.4.3 數據稀疏性的影響
        4.4.4 地理位置區(qū)域范圍參數ε的影響
        4.4.5 用戶QoS可信度的影響
        4.4.6 參數γ的影響
        4.4.7 隱式因子特征維度的影響
    4.5 本章小結
5 動態(tài)時間序列感知QoS預測
    5.1 提出問題
    5.2 動態(tài)時間序列下的QoS分析
    5.3 動態(tài)時間感知的矩陣分解模型
        5.3.1 服務推薦框架
        5.3.2 TMF協(xié)同過濾預測
        5.3.3 短時域QoS預測值平滑
    5.4 實驗結果與分析
        5.4.1 實驗準備
        5.4.2 算法預測準確度比較
        5.4.3 數據稀疏性的影響
        5.4.4 潛在因子特征維度的影響
        5.4.5 近鄰用戶數量Top-K的影響
    5.5 本章小結
6 潛在偏好信任感知QoS預測
    6.1 問題描述
    6.2 基于用戶間潛在QoS偏好的協(xié)同預測模型
        6.2.1 服務推薦框架
        6.2.2 用戶間潛在QoS偏好關系提取和度量
        6.2.3 融合QoS偏好近鄰的矩陣分解預測
    6.3 實驗結果與分析
        6.3.1 實驗準備
        6.3.2 算法預測準確度比較
        6.3.3 數據稀疏性的影響
        6.3.4 關系閾值θ的影響
        6.3.5 特征維數的影響
    6.4 本章小結
7 結論與展望
    7.1 結論
    7.2 研究展望
參考文獻
附錄
    A 作者在攻讀學位期間發(fā)表的論文目錄
    B 作者在攻讀學位期間取得的科研成果目錄
    C 學位論文數據集
致謝


【參考文獻】：
期刊論文
[1]基于矩陣填充和物品可預測性的協(xié)同過濾算法[J]. 潘濤濤,文鋒,劉勤讓.  自動化學報. 2017(09)
[2]基于貝葉斯分類的Web服務質量預測方法研究[J]. 任迪,萬健,殷昱煜,周麗,高敏.  浙江大學學報(工學版). 2017(06)
[3]融合主題模型和協(xié)同過濾的多樣化移動應用推薦[J]. 黃璐,林川杰,何軍,劉紅巖,杜小勇.  軟件學報. 2017(03)
[4]一種面向獲取空間信息的潛在好友推薦算法[J]. 俞菲,李治軍,車楠,姜守旭.  軟件學報. 2017(08)
[5]云計算環(huán)境下云服務用戶并發(fā)量的區(qū)間預測模型[J]. 孟煜,張斌,郭軍,閆永明.  計算機學報. 2017(02)
[6]移動新聞推薦技術及其應用研究綜述[J]. 孟祥武,陳誠,張玉潔.  計算機學報. 2016(04)
[7]社會化推薦系統(tǒng)研究[J]. 孟祥武,劉樹棟,張玉潔,胡勛.  軟件學報. 2015(06)
[8]一種基于邏輯Petri網的Web服務簇組合方法[J]. 吳洪越,杜玉越.  計算機學報. 2015(01)
[9]基于概率主題模型的物聯網服務發(fā)現[J]. 魏強,金芝,許焱.  軟件學報. 2014(08)
[10]基于云模型的不確定性QoS感知的Skyline服務選擇[J]. 王尚廣,孫其博,張光衛(wèi),楊放春.  軟件學報. 2012(06)



本文編號：3189005