[发明专利]基于后向学习的动态多属性服务选择方法

权利要求书

1.基于后向学习的动态多属性服务选择方法，其特征在于：

分为两个主要步骤，第一步为基于后向学习的用户偏好学习，第二步为基于权重的动态多属性服务选择；具体如下：

Ⅰ、基于后向学习的用户偏好学习

在某环绕智能环境下通过对一个候选服务集中服务的调用和评估来学习用户的偏好习惯；

Ⅰ-i、在服务注册中心注册多个候选服务作为学习集合

构建用户偏好学习测试服务集S＝{s₁，s₂，s₃，…，s_m}，每个服务都有若干非功能属性，上述服务集合S包含的所有非功能属性集合为SA＝{a₁，a₂，a₃，…，a_N}；其中每个服务的非功能属性集合A是SA的子集；服务的非功能属性由服务发布方在将服务注册到服务注册中心时给出；当服务被调用后各非功能属性的实际运行值由部署在系统中的监测设备监测得到；

同时选择若干用户构成用户集合U＝{u₁，u₂，u₃，…，u_p}；用户对服务的评价分为5个等级，记为R＝{很差，差，一般，好，很好}；

Ⅰ-ii构建用户非功能属性评价链表UQEL

每个用户拥有自己的UQEL；UQEL表为某一用户调用服务过程生成的关于服务的非功能属性a₁、a₂、a₃、……a_k的多级链表，每个非功能属性指向一个由五个级别：很差、差、一般、好或很好构成的链表，其中每个级别指向由三元组(V，f_v，t)构成的链表；V是用户调用的服务集S中某些服务的某项非功能属性的特定值，f_v是该用户调用这些服务时，该项非功能属性的此值在某个评价级别下至时间t出现的总次数，t是服务集S中各项非功能属性中该非功能属性值最后一次出现的时间；

Ⅰ-iii、用户调用服务并给出自己的评价值

用户多次随机调用服务学习集合中的服务，用户在每次使用完服务后给出一个整体的用户体验评价，即给出该服务为上述服务评价分级R中的某一级：用户集合U中的某一用户u_i∈U，每次使用服务s_i(s_i∈S)后给出一个评价值r_i(r_i∈R)，对于服务s_i而言，其包含的非功能属性集合为A，本方法假定，如果用户对服务s_i的评价为r_i，则对于该服务的任意一个非功能属性a_i(a_i∈A)，其相应的评价值也为r_i；

Ⅰ-iv、完成用户非功能属性评价链表UQEL

将用户对服务s_i的评价值映射为该服务相应非功能属性a_i的评价并添加到该用户对应的UQEL中；

Ⅰ-v、计算用户关于非功能属性a_i的偏好值

针对某个用户UQEL表中的某一项a_i，计算其评价级别为“好”“很好”这两个级别中每个具体非功能属性值的总次数该总次数为某一个特定非功能属性值出现的次数总和；选择最大的值为该用户关于非功能属性a_i的偏好值，经过学习得到该用户关于每个非功能属性的偏好值；最后得到该用户非功能属性偏好集UP，同样方法得到每个用户的非功能属性偏好集UP；

Ⅱ、基于权重的动态多属性服务选择

Ⅱ-i、某个用户向系统提出服务功能需求，系统通过服务功能属性的语义匹配计算，得到与该功能属性匹配的候选服务集CS；

Ⅱ-ii、提取候选服务的非功能属性集合CSA以及该用户身份信息，然后到该用户的UP集中查找相应的非功能属性偏好值UAP；

Ⅱ-iii、根据候选服务集合CS生成相应的候选服务非功能属性决策矩阵M，其中每个候选服务的非功能属性值组成一个属性值向量；

Ⅱ-iv、根据信息熵理论计算候选服务对应的各个非功能属性的权重信息W＝(w₁，w₂，…，w_n)；

Ⅱ-v、从服务注册中心中查找候选服务的历史记录信息，相应的生成历史记录信息决策矩阵，与候选服务非功能属性决策矩阵M，或者与M_t0组合成一个包含动态决策信息的矩阵序列M_t0、M_t1…M_tk；

Ⅱ-vi、计算UAP与决策矩阵序列中每个矩阵中属性向量的加权向量夹角余弦值

cosθit=nsit·Rqos|nsit|×|Rqos|]]>

式中t表示时间，i表示在t时间矩阵中的第i个服务，表示t时间矩阵中相应服务的非功能属性向量值，R_qos表示用户偏好向量值；

Ⅱ-vii、计算每个观测时间t相对应的权重tw_h，共有r个观测时间，其中h表示其中的某个观测时间，η表示历史信息参考价值衰减速度，λ表示观测点权重系数；

twh=λe-ηtΣh=0r-1twh=1]]>

Ⅱ-viii、聚合每个服务在各个历史观测点的加权和

由决策矩阵序列在各个观测时间的权重值以及在每个观测时间候选服务与用户需求之间的夹角余弦，计算得到各个候选服务与3个用户服务需求之间的加权余弦和：

wsi=Σt=0r-1twicosθit(i=0,2,...,r-1)]]>

Ⅱ-ix、选择加权和最大的那个服务作为最合适的服务返回给用户。