基于迭代训练的Web Service混合协同过滤推荐模型  

Web Service Recommendation Based on Iterative Collaborative Filtering

作　　者：王斌斌[1,2] 周作建[1,2] 过洁 潘金贵[1,2] 

机构地区：[1]计算机软件新技术国家重点实验室(南京大学),南京210046 [2]南京大学计算机科学与技术系,南京210046

出　　处：《计算机研究与发展》2013年第S2期153-162,共10页Journal of Computer Research and Development

基　　金：江苏省自然科学基金项目(BK2010373);江苏省普通高校研究生科研创新计划资助项目(CXZZ11_0045);计算机软件新技术国家重点实验室自主课题项目(ZZKT2013B11)

摘　　要：伴随着互联网技术的日益发展,海量数据的集成融合促进了大数据技术的广泛应用,尤其以面向服务为核心的Web Service技术被普遍用来提供新型互联网服务,这使得针对服务提供商及个人用户设计一种基于Web Service的个性化服务推荐系统变得十分必要.因此,提出一种基于混合协同过滤技术进行服务质量(QoS)预测的服务推荐模型.该模型利用迭代训练的思想,不断提升服务质量预测值的准确率,并通过基于预测树(PTree)的性能优化策略,有效地降低了迭代过程的运行时间.基于一个包含150万条Web Service调用信息的数据集,开展了一系列的对比分析实验.实验结果表明,相比于其他一些推荐模型,所提出的基于迭代训练的混合协同过滤推荐模型在消耗同等资源的情况下,能够有效地降低预测值的误差,提升模型整体的预测准确率.With the explosive growth of Web services on the World Wide Web,service recommendation is becoming extremely important to both the service providers and the active users.In this paper,we propose a Web service recommendation model which utilizes the prediction of Quality-of-Services(QoS)based on collaborative filtering with optimized iteration.The benefit of employing iteration in collaborative filtering is that the prediction accuracy of QoS values can be raised significantly via recursive refinement.Since such iteration scheme will hinder training performance,a novel optimization strategy is introduced based on the predicting tree.Finally,the optimized model is implemented and deployed to conduct the experiments on a real-world data set,which contains 1.5 million Web services invocation information.The experimental results show that our model has achieved better prediction accuracy than other models with similar performance.

关 键 词：Web服务推荐 QOS 协同过滤 迭代 预测树 

分 类 号：TP391.3[自动化与计算机技术—计算机应用技术] TP393.09[自动化与计算机技术—计算机科学与技术]