基于SVM的Web服務質量評價方法

汪海濤,余松森,冼廣銘

(1.廣東科貿職業學院信息工程系,廣東 廣州 510640;2.華南師范大學南海校區,廣東 廣州 510640)

現實生活中很多問題是模糊的和近似的,因此模糊決策在解決實際工程問題方面有重要的作用[1].采用多層模糊綜合評價方法對Web服務質量進行評價,其實質是按照結果向量B的排序.在B=W×R中,W稱為權重向量,它體現了各個因素的重要性,Wi越大則第i個因素越重要,向量W對評價結果具有重要的影響[2].多層模糊綜合評價方法中對加權向量和評價矩陣的確定包含了很大的主觀因素,為了減少主觀因素的作用,可采用SVM分類方法,提高評價結果的客觀性.SVM是一種新型的統計學習方法,能夠對分類和模式識別問題進行較大的改進.SVM能夠減少歸一化參數集,與其他統計決策方法相比,有更好的性能,即使在樣本個數很小的時候,也能獲得較高的準確率[3].本文中采用SVM綜合評價Web服務質量：根據構建Web服務質量的各項評價指標,通過訓練構建分類超平面,對其進行二值分類.

1 模糊綜合評價方法

1.1模糊評價方法模糊評價是通過構造等級模糊子集把反映被評事物的模糊指標進行量化(即確定隸屬度),然后利用模糊變換原理對各指標進行綜合.

評價步驟如下：

(1)確定評價對象的因素論域：設有P個評價指標,定義u={u1,u2,…,up}.

(2)確定評語等級論域：v={v1,v2,…,vp},即等級集合,每一個等級可對應一個模糊子集.

(3)建立模糊關系矩陣R.在構造了等級模糊子集后,要逐個對被評事物從每個因素ui(i=1,2,…,p)上進行量化,即確定從單因素來看被評事物對等級模糊子集的隸屬度R|ui,進行得到模糊關系矩陣：矩陣R中第i行第j列元素rij,表示某個被評事物從因素ui來看對vj等級模糊子集的隸屬度.一個被評事物在某個因素ui方面的表現,是通過模糊向量(R|ui)=(ri1,ri2,…,rim)來刻畫的.

(5)合成模糊綜合評價結果向量.利用合適的算子將權向量A與各被評事物的模糊矩陣R進行合成,得到各被評事物的模糊綜合評價結果向量B,即A°R=B,它表示被評事物從整體上看對等級模糊子集的隸屬程度.

(6)對模糊綜合評價結果向量進行分析,最常用的方法是最大隸屬度原則.

1.2模糊變換給定一個模糊矩陣R和一個模糊向量A：R=(rij)n×m(0≤rij≤1),A=(w1,w2,…,wn),0≤wi≤1(i=1,2,…,n),則稱A°R=B=(b1,b2,…,bn)為模糊變換.

該模型中的ai起加權作用,但主因素的作用仍然突出.

該模型中的wi起過濾作用,削弱了主因素的作用.

在加權平均算法中按照普通矩陣乘法計算權向量與評價矩陣的乘積.該模型在評價向量中包括了所有因素的共同作用,是一種真正意義上的綜合.

2 SVM綜合評價方法

SVM綜合評價方法涉及到幾個方面：從訓練樣本中選擇支持向量；構造基于SVM綜合評價模型[4](圖1所示)；對未知類別的樣本進行評價.實驗總共采用50個樣本,從中選擇30個樣本作為學習樣本,20個用于評價.采用RBF核函數,將訓練樣本各級因素指標的隸屬度代入公式

圖1 SVM綜合評價模型

對該式進行求解可得的支持向量集和各支持向量對應的Lagrange系數,并把它們代入公式

即可獲得最優分類超平面.

有如下評價結果：

y=W·X+b≥0,X的Web服務質量好;y=W·X+b<0,X的Web服務質量差.

為了進一步提高評價模型的精度,可以做出如下的改進：

W·X+b≥M1,X的Web服務質量好;M2≤W·X+b≤M1,重新對X進行測試評價;W·X+b

其中-1

3 實驗結果與分析

研究問題：對6個Web服務質量好的樣本和10個Web服務質量差的樣本的綜合評價值B(TestVAR)進行測量,狀態變量(StateVAR)為1的表示Web服務質量好,為0的表示Web服務質量差.利用ROC曲線分析,多層模糊綜合評價值B和支持向量機方法對Web服務質量評價的有效性，下面為實驗結果對比：圖2為多層模糊綜合評價方法的ROC曲線,圖3為SVM方法的ROC曲線.表1是多層模糊綜合評價和SVM方法下ROC曲線下面積圖.

圖2 多層模糊綜合評價方法的ROC曲線

圖3 SVM方法的ROC曲線

表1多層模糊綜合評價和SVM方法的ROC曲線下面積

實驗結果變量：測試變量

面積標準誤差漸近信號95%漸近置信區間上界下界多層模糊評價方法0.6750.1360.2550.4080.942SVM方法0.8120.0350.0000.7440.881

測試結果：測試變量在正實際狀態組和負實際狀態組間至少有一個約束,統計值也許有些偏差.a.非參數假設下;b.零假設:實際面積=0.5.

多層模糊綜合評價方法的ROC曲線和曲線下的面積分析結果如下：圖2為多層模糊綜合評價方法的ROC曲線,ROC曲線下的面積AZ=0.675(0.5

采用SVM方法按照“Web服務質量好(1)”,“需要重新評價(2)”和“Web服務質量差(3)”,對45份Web服務質量好組的樣本和對102份對照組的樣本進行評價,圖3為SVM方法的ROC曲線,ROC曲線下的面積AZ=0.812,標準差(Std. Error)=0.035,95%的置信區間的相伴概率(Asymptotic Sig.)=0.000,P<0.01,95%的置信區間(Asymptotic 95% Confidence Inerval)為(0.744, 0.881),不包含0.5,表明用SVM方法評價Web服務質量好壞的準確性是較高的.

[1] Syau YuRu, Lee E Stanley. Preincavity and fuzzy decision making[J].Fuzzy Sets and Systems,2005,15(3):408-424.

[2] 李鴻吉.模糊數學基礎及實用算法[M].北京：科學出版社,2005.

[3] Millet-Roig J, Ventura-Galiano R, Chorro-Gasco F J, et al. Support vector machine for arrhythmia discrimination with wavelet-transform-based feature selection[J].Computers in Cardiology,2000(4):407-410.

[4] 肖健華,吳今培,楊叔子.基于SVM的綜合評價方法研究[J].計算機工程,2002,28(8):28-30.

[5] 陳麗,陳靜.基于支持向量機和k-近鄰分類器的多特征融合方法[J].計算機應用,2009,29(3):833-835.

[6] 崔建,李強,劉勇.基于模糊分類關聯規則的支持向量機分類器生成方法[J].計算機應用,2011,31(5):1348-1350.

[7] 彭光金,司海濤,俞集輝.改進的支持向量機算法及其應用[J].計算機工程與應用,2011,47(18):218-221.

[8] 徐立祥,羅斌,謝進.一種改進的再生核支持向量機回歸模型[J].計算機工程與設計,2011,47(24):100-102.