利用用户实时反馈信息更新Web服务可靠性预测值的方法

1.利用用户实时反馈信息更新Web服务可靠性预测值的方法，其特征在于：
首先在用户向服务注册中心发出服务请求后预测服务可靠性；
接着计算用户使用服务后的实际反馈值与服务可靠性预测值的差距，所述实际反馈值包括：基于用户的评分、基于服务的评分，所述差距包括：基于用户的评分与服务可靠性预测值的差距、基于服务的评分与服务可靠性预测值的差距；
再由所述差距统计用户满意度和服务满意度进而得出用户与用户之间的信誉度以及服务与服务之间的信誉度，基于信誉度确定相似用户集合以及相似服务集合；
最后重新预测服务可靠性；所述预测服务可靠性的方法为：使用时间序列对各服务提供者的有效反馈赋予权重，由表达式： 计算服务可靠性预测值，其中，Pt为服务可靠性预测值，wi为时刻i的权重，Qi为量化后时刻i的反馈数值，N为时间序列上的时刻数。
2.根据权利要求1所述的利用用户实时反馈信息更新Web服务可靠性预测值的方法，其特征在于，所述用户与用户之间的信誉度的计算方法为：
由基于用户的评分与服务可靠性预测值的差距统计用户满意度：
在实际反馈值非空且基于用户的评分与服务可靠性预测值的差距小于或等于满意度阈值时，用户Ui对基于用户Uj的服务可靠性预测值反馈满意的次数C(Ui,Uj)加1，在实际反馈值非空且基于用户的评分与服务可靠性预测值的差距大于满意度阈值时，用户Ui对基于用户Uj的服务可靠性预测值反馈不满意的次数N(Ui,Uj)加1，在实际反馈值为空时，用户Ui没有反馈基于用户Uj的可靠性预测值的次数M(Ui,Uj)加1，S(Ui,Uj)＝C(Ui,Uj)+N(Ui,Uj)+M(Ui,Uj)，S(Ui,Uj)为用户Ui基于用户Uj进行服务可靠性预测的次数；
使用贝叶斯平均投票算法计算所述用户与用户之间的信誉度T(Ui,Uj)：
其中，
参数μ的取值为用户数量的五倍。
3.根据权利要求2所述的利用用户实时反馈信息更新Web服务可靠性预测值的方法，其特征在于，所述服务与服务之间的信誉度的计算方法为：
由服务的评分与服务可靠性预测值的差距统计服务满意度：
在实际反馈值为空时，用户没有反馈基于服务Sj对服务Si的可靠性预测值的次数M(Si,Sj)加1，
在实际反馈值非空且基于服务的评分与服务可靠性预测值的差距小于或等于服务满意度阈值时，用户基于服务Sj对服务Si的可靠性预测值反馈满意的次数C(Si,Sj)加1，在实际反馈值非空且基于服务的评分与服务可靠性预测值的差距大于满意度阈值时，用户基于服务Sj对服务Si的可靠性预测值反馈不满意的次数N(Si,Sj)加1，S(Si,Sj)＝C(Si,Sj)+N(Si,Sj)+M(Si,Sj)，S(Si,Sj)为用户基于服务Sj对服务Si进行可靠性预的次数；
使用贝叶斯投票算法计算所述服务与服务之间的信誉度T(Si,Sj)：
其中，
参数β的取值为服务数量的五倍。
4.根据权利要求3所述的利用用户实时反馈信息更新Web服务可靠性预测值的方法，其特征在于，所述基于信誉度确定相似用户集合以及相似服务集合的方法为：在用户与用户之间的信誉度或服务与服务之间的信誉度超过信誉度阈值时，将用户信誉度或服务信誉度作为参数输出并结合皮尔逊系数计算相似用户集合或服务相似集合。
5.根据权利要求1至4中任意一项所述的利用用户实时反馈信息更新Web服务可靠性预测值的方法，其特征在于，所述差距为实际反馈值与服务可靠性预测值之差的绝对值。

利用用户实时反馈信息更新Web服务可靠性预测值的方法\n技术领域\n[0001] 本发明公开了利用用户实时反馈信息更新Web服务可靠性预测值的方法，属于Web服务可靠性预测的技术领域。\n背景技术\n[0002] 信息服务是指根据用户要求，以充分获取信息为基础，并运用电子信息等相关技术对知识与内容进行收集、加工等一系列操作以满足用户要求的服务。在信息服务不断发展的过程中，各种各样新兴的思想、理念层出不穷，具有代表性的有P2P服务、Web服务、网格服务和云计算服务等。\n[0003] 服务可靠性是指从用户的角度反映服务系统持续提供可靠服务的能力。可靠性作为评价服务质量的重要内在属性，Web服务的不可靠一方面可能会给服务消费者带来损失，另一方面会让服务提供者丧失良好的信誉进而失去原有的客户，对服务进行可靠性预测可以有效避免这些问题。传统的预测方法通常是一次性的，即无论进行多少次预测，结果是恒定的。用户在使用过可靠值较高的服务后，通过对服务进行评分是否满意，可以得到此次预测的精确度。如果用户对该服务评分满意，说明预测的可靠性真实度较高，如果用户对该服务评分较低，说明该预测值对用户意义并不大，用户并没有获得期待的服务。\n发明内容\n[0004] 本发明所要解决的技术问题是针对上述背景技术的不足，提供了利用用户实时反馈信息更新Web服务可靠性预测值的方法，考虑了信誉属性对可靠性预测值的影响，通过比较用户的实时反馈值与服务可靠性预测值的差距计算用户与用户之间的信誉、服务与服务之间的信誉度，再由信誉度形成相似用户集合以及相似服务集，实现了服务可靠性预测值的二次处理，解决了在服务可靠性预测中预测结果与用户实际需求出现偏差且反馈数据不具有时效性的技术问题。\n[0005] 本发明为实现上述发明目的采用如下技术方案：\n[0006] 利用用户实时反馈信息更新Web服务可靠性预测值的方法，\n[0007] 首先在用户向服务注册中心发出服务请求后预测服务可靠性；\n[0008] 接着计算用户使用服务后的实际反馈值与服务可靠性预测值的差距，所述实际反馈值包括：基于用户的评分、基于服务的评分，所述差距包括：基于用户的评分与服务可靠性预测值的差距、基于服务的评分与服务可靠性预测值的差距；\n[0009] 再由所述差距统计用户满意度和服务满意度进而得出用户与用户之间的信誉度以及服务与服务之间的信誉度，基于信誉度确定相似用户集合以及相似服务集合；\n[0010] 最后重新预测服务可靠性。\n[0011] 进一步的，作为所述利用用户实时反馈信息更新Web服务可靠性预测值的方法的优化方案，所述用户与用户之间的信誉度的计算方法为：\n[0012] 由基于用户的评分与服务可靠性预测值的差距统计用户满意度：\n[0013] 在实际反馈值非空且基于用户的评分与服务可靠性预测值的差距小于或等于满意度阈值时，用户Ui对基于用户Uj的服务可靠性预测值反馈满意的次数C(Ui,Uj)加1，[0014] 在实际反馈值非空且基于用户的评分与服务可靠性预测值的差距大于满意度阈值时，用户Ui对基于用户Uj的服务可靠性预测值反馈不满意的次数N(Ui,Uj)加1，[0015] 在实际反馈值为空时，用户Ui没有反馈基于用户Uj的可靠性预测值的次数M(Ui,Uj)加1，\n[0016] S(Ui,Uj)＝C(Ui,Uj)+N(Ui,Uj)+M(Ui,Uj)，S(Ui,Uj)为用户Ui基于用户Uj进行服务可靠性预测的次数；\n[0017] 使用贝叶斯平均投票算法计算所述用户与用户之间的信誉度T(Ui,Uj)：\n[0018] 其中，\n[0019] 参数μ的取值为用户数量的五倍。\n[0020] 进一步的，作为所述利用用户实时反馈信息更新Web服务可靠性预测值的方法的优化方案，所述服务与服务之间的信誉度的计算方法为：\n[0021] 由服务的评分与服务可靠性预测值的差距统计服务满意度：\n[0022] 在实际反馈值为空时，用户没有反馈基于服务Sj对服务Si的可靠性预测值的次数M(Si,Sj)加1，\n[0023] 在实际反馈值非空且基于服务的评分与服务可靠性预测值的差距小于或等于服务满意度阈值时，用户基于服务Sj对服务Si的可靠性预测值反馈满意的次数C(Si,Sj)加1，[0024] 在实际反馈值非空且基于服务的评分与服务可靠性预测值的差距大于满意度阈值时，用户基于服务Sj对服务Si的可靠性预测值反馈不满意的次数N(Si,Sj)加1，[0025] S(Si,Sj)＝C(Si,Sj)+N(Si,Sj)+M(Si,Sj)，S(Si,Sj)为用户基于服务Sj对服务Si进行可靠性预的次数；\n[0026] 使用贝叶斯投票算法计算所述服务与服务之间的信誉度T(Si,Sj)：\n[0027] 其中，\n[0028] 参数β的取值为服务数量的五倍。\n[0029] 更进一步的，所述利用用户实时反馈信息更新Web服务可靠性预测值的方法中，所述基于信誉度确定相似用户集合以及相似服务集合的方法为：在用户与用户之间的信誉度或服务与服务之间的信誉度超过信誉度阈值时，将用户信誉度或服务信誉度作为参数输出并结合皮尔逊系数计算相似用户集合或服务相似集合。\n[0030] 再进一步的，所述利用用户实时反馈信息更新Web服务可靠性预测值的方法中，差距为实际反馈值与服务可靠性预测值之差的绝对值。\n[0031] 再进一步的，所述利用用户实时反馈信息更新Web服务可靠性预测值的方法中，所述预测服务可靠性的方法为：使用时间序列对各服务提供者的有效反馈赋予权重，由表达式： 计算服务可靠性预测值，其中，Pt为服务可靠性预测值，wi为时刻i的权重，Qi为量化后时刻i的反馈数值，N为时间序列上的时刻数。\n[0032] 本发明采用上述技术方案，具有以下有益效果：\n[0033] 1、传统的可靠性预测过程是一次性的，无论进行多少次预测，结果是恒定的，本方法将信誉属性引入可靠性预测更新方法中，可以更加精准的对服务进行可靠性预测，提高可靠性预测精度；\n[0034] 2、采用用户实时反馈数据进行可靠性预测的更新处理，为用户提供一个评价机制，从而保障用户能够选择良好的网络服务，同时避免用户受到各类恶意行为的攻击。\n附图说明\n[0035] 图1为利用用户实时反馈信息更新Web服务可靠性预测值的方法的框架图。\n具体实施方式\n[0036] 下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。\n[0037] 本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。\n[0038] 本发明是一个在开放异构的复杂网络环境下，实现基于用户实时反馈的Web服务可靠性预测更新方法，包括用户之间及服务之间的信誉度的计算和基于信誉感知的服务可靠性预测更新方法两部分。考虑到信誉属性对可靠性预测值的影响，本发明提出的基于信誉感知的Web服务可靠性预测更新方法，将信誉度属性融于服务可靠性预测方法中，实现预测更新，使得预测结果更加准确且符合用户的期望。\n[0039] Web服务的体系结构式基于服务提供者、服务请求者、服务注册中心三个角色和发布、发现、绑定三个动作构建的。服务提供商是服务的拥有者，是提供服务的实体，它们为用户提供服务，服务的所有权归服务提供商所有。服务请求者一般称为用户，用户对服务有明确的需求，是服务的最终使用者。服务注册中心提供服务注册功能，网上任何服务都可以在服务中心进行注册，服务提供商根据UDDI规范在服务注册中心注册服务，以便于服务请求者可以在服务注册中心搜索到自己需要的服务。用户的功能属性需求表示用户所需要的服务的功能。用户的非功能属性需求表示用户对所需要的服务某项或某几项非功能属性的需求。服务可靠性属性是服务非功能属性之一，指的是当服务使用者对元件、产品或系统在其规定的条件下及时间内，完成其规定任务能力满意程度的一种度量。服务期望值表示用户还未使用服务，通过相似用户集合和相似服务集合得出的对该服务的预测评分。用户实时反馈值为用户在使用完预测服务后对服务进行的实际评分。服务满意度为用户使用服务后结合自身情况对服务的满意程度，定义为服务期望值即预测值和用户实时反馈值之间的差距。满意度阈值：如果差距小于满意度阈值，表示服务的可靠性预测结果与用户使用感受差别不大；反之如果差距大于满意度阈值，表示服务的可靠性预测结果与用户使用感受差别较大。信誉度表示服务的可信赖等级，信誉越高表明服务满足用户期望功能的能力越强，能提供更好的服务质量，是服务反馈的综合统计结果，并随着用户的使用和反馈动态更新。\n[0040] 本发明涉及的可靠性预测方法的架构为：\n[0041] 1、可靠性预测过程：通过得到的相似用户集合和相似服务集合抽取有效反馈，使用时间序列对反馈数值赋予不同的权重，计算可靠性预测值；\n[0042] 2、预测更新过程：用户通过可靠性预测值结合自身不同的需求选择相应的服务，并对服务进行基于用户的评分反馈、基于服务的评分反馈，通过计算预测值与实际反馈值之间的差距统计得出用户及服务的满意度，进而得出用户和服务的信誉值，若用户信誉值超过所设定的信誉度阈值，则将得到的信誉值作为参数输出并结合皮尔逊相关系数计算相似用户集合和相似服务集合，返回可靠性预测过程。\n[0043] 图1为本发明利用用户实时反馈信息更新Web服务可靠性预测值的方法的框架图，假设用户向网络请求某音乐服务，包括如下步骤：\n[0044] 第一步：用户向服务注册中心发出服务请求，在服务搜索框中输入“音乐”；\n[0045] 第二步：使用时间序列对有效反馈赋予不同的权重，计算服务可靠性的预测值：\n[0046]\n[0047] Pt为服务可靠性预测值(即为预测评分)，wi为时刻i的权重，Qi为经过量化后时刻i的反馈数值，N为时间序列上的时刻数，wt、wt-1、wt-N+1分别为时刻t、时刻t-1、时刻t-N+1的权重，Qt、Qt-1、Qt-N+1分别为时刻t、时刻t-1、时刻t-N+1的反馈值。\n[0048] 得出预测结果如下：酷我音乐预测值0.9、音悦台预测值0.91、虾米音乐预测值\n0.88、百度音乐预测值0.82、多米音乐预测值0.87；\n[0049] 第三步：用户根据自己的实际需求选择服务并使用，转至服务评价反馈页面，使用三元组F＝来表示反馈值对音乐品质、音乐流畅度、响应时间、网站满意度分别进行评价反馈；\n[0050] 第四步：根据实际反馈值与预测结果的差距D，D＝|F-Pt|，设置满意度阈值λ后统计用户满意度及服务满意度\n[0051] 用户满意度的统计为：用户Ui没有反馈基于用户Uj的可靠性预测值的次数M(Ui,Uj)在F空时加1，用户Ui对基于用户Uj的服务可靠性预测值反馈满意的次数C(Ui,Uj)在F非空且所述差距小于或等于满意度阈值时加1，用户Ui对基于用户Uj的服务可靠性预测值反馈不满意的次数N(Ui,Uj)在F非空且所述差距大于满意度阈值时加1，\n[0052] 服务满意度的统计为：用户没有反馈基于服务Sj对服务Si的可靠性预测值的次数M(Si,Sj)在F为空时加1，用户基于服务Sj对服务Si的可靠性预测值反馈满意的次数在F非空且所述差距小于或等于服务满意度阈值时C(Si,Sj)加1，用户基于服务Sj对服务Si的可靠性预测值反馈不满意的次数N(Si,Sj)在F非空且所述差距大于满意度阈值时加1；\n[0053] 第五步：根据用户满意度计算用户之间的信誉度，将超出阈值的用户信誉度作为参数输出并结合皮尔逊参数得到相似用户集，\n[0054] 用户之间的信誉度表达式是： S(Ui,\nUj)为用户Ui基于用户Uj进行服务可靠性预测的次数，S(Ui,Uj)＝C(Ui,Uj)+N(Ui,Uj)+M(Ui,Uj)，参数μ的取值为用户数量的五倍；\n[0055] 第六步：根据服务满意度计算服务之间的信誉度，将超出阈值的服务信誉度作为参数输出并结合皮尔逊参数得到相似服务集，\n[0056] 服务之间的信誉度表达式是：\n[0057] S(Si,Sj)为用户基于服务Sj对服务Si进行可靠性预的次数，S(Si,Sj)＝C(Si,Sj)+N(Si,Sj)+M(Si,Sj)，参数β的取值为服务数量的五倍；\n[0058] 第七步：跳转至第四步，完成可靠性预测更新过程。\n[0059] 本发明采用上述技术方案，具有以下有益效果：传统的可靠性预测过程是一次性的，无论进行多少次预测，结果是恒定的，本方法将信誉属性引入可靠性预测更新方法中，可以更加精准的对服务进行可靠性预测，提高可靠性预测精度；采用用户实时反馈数据进行可靠性预测的更新处理，为用户提供一个评价机制，从而保障用户能够选择良好的网络服务，同时避免用户受到各类恶意行为的攻击。\n[0060] 本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。\n[0061] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器，或者网络设备等)执行本发明的实施例或实施例的某些部分所述的方法。