[发明专利]基于后向学习的动态多属性服务选择方法

说明书

(一)技术领域

本发明属于环绕智能与服务计算领域，涉及服务选择决策技术，具体是一种适合于环绕智能环境下，基于后向学习得到用户偏好信息、通过加权动态多属性决策实现满足用户需求的自适应服务选择方法，即基于后向学习的动态多属性服务选择方法。

(二)背景技术

环绕智能环境下用户可以在任何时间、任何地点得到一致的服务接入、获得服务。这里的服务是指web服务，也就是自描述、自包含的应用程序模块，通过标准协议来远程访问和调用。一个web服务由功能属性和非功能属性组成。功能属性表示该服务能够做什么，是操作的集合；非功能属性表示该服务的性能如何，即服务在执行这些操作的时候能够达到的性能指标，如一个视频播放服务，衡量其性能的非功能属性可以有延时、带宽、抖动等，也可以称为服务质量(QoS)，即表示服务性能的信息。

面向服务计算是通过标准协议来发现、调用互联网上远程的软件单元来实现用户的服务需求，其中的服务选择是服务发现中的一个关键操作。它的功能是根据用户的非功能需求从众多的候选服务中选择“合适的”服务给特定的用户，以达到最佳的运行效果。当前关于服务选择的研究主要集中于客观、静态的服务选择，或是需要用户主动提供个人偏好信息。例如Meiyun Zuo、Yanggang Yu提出的基于AHP的服务选择方法(请见MeiyunZuo的文章“Research on Web Services Selection Model Based on AHP”，2008年发表于IEEE International Conference on Service Operations and Logistics，and Informatics；Yanggang Yu的文章“Evaluation of E-commerce Service Quality Using the Analytic Hierarchy Process”发表于2010 International Conference on Innovative Computing and Communication and 2010 Asia-Pacific Conference on Information Technology and Ocean Engineering.)；Cheng Zhang，Yanbo Han提出的自适应于用户偏好的服务推荐系统(请见Cheng Zhang，Yanbo Han的文章“Service Recommendation with Adaptive User Interests Modeling”LNCS4882，2007：265-270)。

这些方法要么过多依赖于候选服务的客观非功能属性信息；要么需要用户在提出需求时给出详细的用户需求，增加用户使用难度并使用户过多的参与系统的交互。并且现有的服务选择方法没有考虑服务运行的历史信息，无法体现历史运行信息对服务选择的预测指导作用。因此现有的服务选择方法很难适应环绕智能环境下对系统功能“自适应、预判断”的需求。

(三)发明内容

本发明的目的在于提供一种基于后向学习的动态服务选择方法，用于在环绕智能环境下根据学习到的用户偏好信息以及服务在特定环境下的运行信息自适应地为用户选择“合适的”服务。

本发明基于后向学习的动态多属性服务选择方法对用户偏好的学习基于基本认知事实：如果一个用户评价一个服务为好的，那么该服务的大部分非功能属性也是好的，能够满足用户的性能需求。在此认知基础上给出扩展假定：如果评价一个服务是好的，那么假定该服务的所有非功能属性都是能够满足用户需求的。在此扩展假定基础上利用偏好最大概率来学习用户对每项非功能属性信息的偏好值，最终生成用户偏好信息列表；其次进行服务选择，根据候选服务注册信息利用熵信息理论计算每个非功能属性的权重值，之后利用基于权重的动态多属性决策方法选择适合用户特定需求的服务。

本发明基于后向学习的动态多属性服务选择方法分为两个主要步骤，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

在特定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