基于异构服务网络分析的Web服务推荐研究

Web service recommendation is an effective method with which the users can find the required individual services from a large number of services. Most traditional services recommendation methods only consider the attributes of the services in predicting the service preferences of the users, but ignore the potential areas categories and relationships between web services and other related web services, which will lead to the missing of the potential class, multi-classes ranking confusion and other problems in the results of service recommendation. Our project intends to mine web services based on the heterogeneous network of between services and involved objects, studying the description, extraction and update mechanism in the heterogeneous service network, mining the potential category associated between the web services and the other related web services, and then implementing the web service clustering algorithm based on heterogeneous network ranking. According to the users' feedback information in the process of service recommendation, we will design the semi-supervised service clustering algorithm for guiding the optimization of the algorithm. We consider heterogeneous service network ranking and clustering analysis, and then construct the service recommendation and evaluation model based on the potential class-driven. In this project, we propose a web service recommendation method based on heterogeneous network analysis, which breaks out the traditional recommendation ideas that most of web service recommendation results were acquired according to the calculation of service attributes. The new method was established from the view of service relation, which expects to make a breakthrough in the research of web service recommendation and semi-supervised service clustering algorithm.

Web服务推荐是帮助用户从大量服务中找到符合个性化需求的服务的有效方法，传统的Web服务推荐大多从服务本身的属性出发来预测用户的服务偏好，而对于Web服务各参与方之间的关联关系和潜在领域类别相关性考虑甚少，导致服务推荐结果潜在类别缺失、多类别排序混乱等问题。本项目拟采用异构服务网络分析的方法描述Web服务各参与方之间的关联关系，研究异构服务网络描述、提取和更新机制，挖掘服务各参与方之间的潜在类别关联，实现基于异构网络排序的Web服务聚类算法；针对服务推荐过程中的用户反馈信息，设计半监督服务聚类算法指导服务聚类的优化；综合考虑异构服务网络排序和聚类分析，实现潜在类别驱动的服务推荐及评估模型。本项目基于异构服务网络分析的Web服务推荐方法，突破了传统的Web服务推荐大都局限于以服务属性为计算依据的推荐思路，从服务的关系维度出发，有望在Web服务推荐方法和半监督服务聚类算法研究方面取得突破。

本项目采用异构服务网络分析的方法描述服务各参与方之间的关联关系，研究异构服务网络描述、提取和更新机制，挖掘服务各参与方之间的潜在类别关联；针对服务推荐过程中的用户反馈信息，设计半监督聚类算法指导服务聚类的优化；综合考虑异构服务网络排序和聚类分析，实现潜在类别驱动的服务推荐及评估模型。本项目取得以下四个方面的重要积极结果。.①基于异构信息网络描述模型，提出了基于异构信息网络分析的排序方法。根据不同网络连接形式和排序规则，该排序方法定义了4种不同类型的排序函数。不同排序函数的实例分析对比研究表明，该排序方法可为网络分析提供基础数据排序方法支撑。.②针对协同过滤推荐方法存在计算相似度方式单一等问题，提出了基于距离度量与高斯混合模型的半监督聚类的推荐方法。传统的协同过滤方法时间复杂度和用户数的增长近似于平方关系，当用户数很大时，计算非常耗时。本文提出利用聚类分析的方法替代用户兴趣的相似度计算，且综合考虑了用户行为偏好和物品内容信息。具体在聚类分析中，算法不仅考虑了数据的几何特征，也兼顾了数据的正态分布信息。.③提出了基于支持向量机先分类再回归的推荐方法。该方法根据“用户-项目”关联关系信息，构造特征向量并训练一个分类模型，预测项目的类别，形成一个初始推荐列表；然后，在该推荐列表上建立一个回归模型，预测项目的具体评分；并且在建立分类模型和回归模型时，采用提出的带进化速度和聚集度的自适应粒子群优化算法，来优化预测模型。.④针对推荐系统普遍存在的托攻击问题。提出一种基于目标项目分析的托攻击检测框架，框架的思想是首先寻找有攻击嫌疑的用户概貌列表，根据这些非正常的用户概貌组成的评分矩阵，通过目标项目分析模型，最后根据目标项目评分模型分析出攻击意图和目标项目，最后检索托攻击用户。