基于評價分類的可信QoS服務(wù)選擇方法

夏薪棋，劉茜萍

(南京郵電大學(xué) 計算機學(xué)院，江蘇 南京 210003)

0 引 言

隨著科技的發(fā)展與網(wǎng)絡(luò)的興起，計算機軟件的相關(guān)服務(wù)逐漸增多[1]。然而，滿足相同功能需求的服務(wù)也越來越多。為了使得用戶有更好的體驗，一些服務(wù)商家不僅需要考慮服務(wù)本身的功能需求，還需要考慮服務(wù)的非功能需求。可信問題是當前服務(wù)選擇面臨的一個重要問題，不能解決可信問題，就無法從相似的服務(wù)集中選擇出更好的服務(wù)。一個服務(wù)的好壞可以使用QoS(quality of service)[2-4]來衡量。歷史用戶給出的反饋信息可以用來計算服務(wù)的QoS，現(xiàn)實中這些用戶反饋的可信性是難以保證的。某些用戶給出的虛假好評或者惡意差評影響了QoS計算的準確性[5-7]。除此之外，用戶的個人主觀評價習(xí)慣對評價數(shù)據(jù)也有一定的影響。以往的研究往往認為可信的實體做出的服務(wù)評價是完全合理可用的[8-12]，但實際并非如此，考慮到用戶的評價習(xí)慣對評價數(shù)據(jù)的影響，可信用戶給出的主觀評價可能與實際情況存在一定偏離，對這些偏離評價進行甄別并修正，將可以準確有效地選擇出更適合用戶需求的服務(wù)。

文中提出一種基于評價分類的可信QoS服務(wù)選擇方法。基于歷史用戶對服務(wù)的反饋評價，充分考慮用戶評價習(xí)慣對評價的影響，將評價的服務(wù)屬性詳細分類為中立評價、寬容評價、挑剔評價、惡意評價，并進一步對可信用戶的偏離評價數(shù)據(jù)進行修正，以減少用戶評價習(xí)慣對服務(wù)評價的影響。這里偏離評價主要包括可信用戶的寬容評價和挑剔評價。

1 相關(guān)研究

近年來，服務(wù)選擇的相關(guān)研究取得了一定成果。熊潤群等[13]設(shè)計了三維QoS模型，并結(jié)合層次分析法設(shè)計出了QoS偏好感知算法與副本選擇算法，進而獲取QoS排序。唐朝剛[14]對QoS的服務(wù)選擇問題進行了研究，設(shè)計出了top-k的服務(wù)選擇查詢技術(shù)。

然而以上這些研究沒有考慮QoS描述信息的可信性。對此，姚建華等[15]使用多種服務(wù)的非功能屬性計算服務(wù)的QoS，并使用聚類方法提高服務(wù)的QoS可信性。劉昕民等[16]使用D-S證據(jù)理論計算服務(wù)的QoS可信度。楊丹榕[17]結(jié)合貝葉斯理論和粗糙集理論對QoS的屬性進行了可信度評估和權(quán)重計算，并通過QoS度量模型選擇出優(yōu)質(zhì)的服務(wù)。

這些傳統(tǒng)的服務(wù)選擇方法，多數(shù)都是基于歷史用戶的反饋評價剔除惡意用戶，然后直接使用可信用戶的評價數(shù)據(jù)進行QoS的計算，進而以QoS值的高低完成服務(wù)選擇。直接將可信用戶的反饋數(shù)據(jù)用來計算綜合QoS具有不合理性。因為現(xiàn)實生活中確實存在這種情況，某些用戶對服務(wù)的不同屬性具有不同的評判標準，這是由他們的評價習(xí)慣造成的。有些用戶或許對服務(wù)的某種屬性要求很挑剔或者很寬容。總的來說，這些用戶是可信的，因為他們并沒有惡意的評價，而是由于個人的評價習(xí)慣不同導(dǎo)致評分的不合理。如果不對這些用戶的評價進行詳細的分類，那么直接使用剔除后所得的可信用戶數(shù)據(jù)也有失公正合理性。

為了保證數(shù)據(jù)具有更好的合理性，需要充分考慮用戶的評價習(xí)慣對數(shù)據(jù)的影響。對此，文中提出了一種基于評價分類的可信QoS服務(wù)選擇方法，分析用戶的歷史評價并將其詳細分類為中立評價、寬容評價、挑剔評價和惡意評價。剔除惡意用戶并篩選出值得信賴的可信用戶評價，并對得到的用戶數(shù)據(jù)做進一步的修正處理，以削弱用戶的主觀個人評價習(xí)慣對QoS數(shù)據(jù)正確性的影響，從而選擇出更合理更優(yōu)質(zhì)的服務(wù)。

2 基于用戶評價分類的可信用戶獲取

歷史用戶的反饋評價是描述候選服務(wù)質(zhì)量的重要依據(jù)。基于歷史用戶的反饋將評價詳細分類，從中甄別出具有參考價值的可信用戶反饋評價。

2.1 歷史用戶評價信息描述

一個服務(wù)應(yīng)該具有多個非功能屬性，歷史用戶在使用服務(wù)后都會對服務(wù)的各非功能屬性給出具體評分值，即歷史用戶的反饋評價。

相關(guān)定義如下：

定義1(S,U,A,P)：U表示歷史用戶集，U={u1,…,ui,…,um}；S表示所有用戶使用過的服務(wù)集合，S={s1,…,sj,…,sn}；A表示服務(wù)的屬性集合，A={a1,…,ak,…,al}；P表示歷史用戶的具體評分值，P={Pi,j|Pi,j為用戶ui關(guān)于服務(wù)sj的評價向量，Pi,j=,i=1,2,…,m,j=1,2,…,n,k=1,2,…,l，1≤pi,j,k≤10}，pi,j,k表示ui對sj的ak的評分值，pi,j,k越大表明用戶對服務(wù)越滿意。

2.2 歷史用戶評價分類及可信用戶獲取

如果某個歷史用戶給出的反饋評價向量明顯偏離該服務(wù)的總體評價向量，那么這個反饋評價向量就有可能是虛假好評或者惡意差評。考慮到用戶的評價習(xí)慣對數(shù)據(jù)的影響，有的用戶對某種屬性是偏寬容的，那么他給的評分可能較總體評分高，相反地，用戶對某種屬性是偏挑剔的，那么他給的評分可能較總體評分低。這里將用戶的評價分為四類:中立評價、挑剔評價、寬容評價、惡意評價，其具體計算過程如下：

首先計算每個服務(wù)的每種屬性的一個具體平均評分值，即所有用戶對某個服務(wù)的某種屬性的評分值總和除以用戶的個數(shù)之和。相關(guān)定義如下：

(1)

(2)

(3)

定義5(α,β):α表示較小閾值，β表示較大閾值，且α≥0，β≥0。

評價分類定義如表1所示。

表1 評價分類定義表

對所有屬性都進行類似的處理，進而得到用戶對各屬性的評價類型。如果存在某個屬性上的惡意評價，那么此用戶的評價參考價值較小，此用戶將被認定是不可信用戶，因而將這些用戶從歷史用戶集中剔除，剩余的用戶便是可信用戶。

然而，考慮到用戶的主觀評價習(xí)慣對評分值的影響，即便是可信用戶，其評分也可能出現(xiàn)偏離的情況，需要對用戶的偏離評價數(shù)據(jù)進行修正，具體方法見下節(jié)。

3 基于可信用戶評價數(shù)據(jù)修正的服務(wù)選擇

由于可信用戶主觀的評價習(xí)慣使得他們的評分值與實際客觀值可能有所偏離，在使用用戶評價進行服務(wù)選擇之前需要修正可信用戶的偏離評價數(shù)據(jù)。

3.1 修正可信用戶的偏離評價

如果某個用戶對服務(wù)的某種屬性是偏寬容的，那么這個用戶給出的評分值相對正常評分值將會偏高，這樣就和服務(wù)的真實評價有所偏離，同樣地，某個用戶對服務(wù)的某種屬性是偏挑剔的，評分值就會偏低。上一節(jié)基于惡意評價篩除了惡意用戶，從而得到了可信用戶集，對每一個可信用戶而言，需要遍歷所有評價數(shù)據(jù)并對其偏離評價數(shù)據(jù)進行修正。這里給出一個偏離度的概念，偏離度就是寬容評價或挑剔評價偏離中立評價的幅度。修正數(shù)據(jù)的目的是縮小偏離度，使得偏離評價與合理評價相接近，從而使可信用戶的數(shù)據(jù)參考價值更高。偏離度定義如下：

(4)

利用式1～3計算用戶的評價類型，從而完成可信用戶的篩選，利用式4計算出偏離評價的偏離度，這些偏離評價數(shù)據(jù)影響了服務(wù)選擇質(zhì)量。因此，需要修正這些偏離評價，可信用戶的原始偏離評價數(shù)據(jù)在不同的情況下減去或者加上偏離度，就得到了相對合理的可信評價數(shù)據(jù)。

修正結(jié)果定義如下：

下面給出修正偏離評價的計算公式：

(5)

3.2 基于修正后評價數(shù)據(jù)的服務(wù)選擇方法

基于上一節(jié)修正后的評價數(shù)據(jù)計算各服務(wù)的QoS具體值。計算歷史用戶對各服務(wù)的評價向量與相對應(yīng)的服務(wù)基準向量之間的相似度，歷史用戶的評價向量與服務(wù)基準向量的相似度越小說明該用戶對該服務(wù)反饋評價的參考價值越小，然后將得到的相似度以權(quán)重的形式進行量化，最后基于歷史用戶的反饋評價與量化后的權(quán)重計算得到各服務(wù)的QoS具體值，從而完成服務(wù)選擇的目標。

相關(guān)定義如下所示：

向量間相似度的計算方法有很多種。其中，歐幾里得相似方法能更好地表達用戶歷史評價向量與基準向量的相似程度。文中采用歐幾里得相似方法來計算向量間的相似度。計算歷史用戶ui的評價向量Pi,j與Cj的相似度，計算公式如下：

(6)

計算出用戶評價向量Pi,j與基準向量Cj的相似度后，將相似度轉(zhuǎn)換成參考權(quán)重，然后再計算候選服務(wù)最終QoS評分值。計算候選服務(wù)的QoS評分值qosi的公式如下：

(7)

最后，計算出每個服務(wù)的QoS值，最大QoS值對應(yīng)的服務(wù)則是最適合目標用戶的服務(wù)。具體算法如下所示：

算法：基于用戶評價分類的可信QoS服務(wù)選擇方法。

輸入：sj,ak,pi,j,k,α

輸出：QoS(服務(wù)綜合質(zhì)量)值最高的服務(wù)s

1.for eachsj

2.for eachak

4.for eachak

6.Cj=getAllAttr(Ek)

7.for eachuj

8.for eachak

12.for eachak

15.similarity(Ri,j,Cj)//相似度計算并做權(quán)重量化

16.for eachsj

17.calculateQos(sj)//服務(wù)選擇

18.s=sort(sj)

4 實例分析

以餐廳服務(wù)類為例，這里有10個候選服務(wù)以及10個消費過這些服務(wù)的用戶，選取服務(wù)態(tài)度、價格、上餐速度三個指標作為服務(wù)的屬性，反饋評價向量表如表2所示。

表2 反饋評價信息表

4.1 歷史用戶評價分類及惡意用戶剔除

Step1:利用式1計算各服務(wù)屬性的平均值，得到屬性的均值向量，這里以屬性1為例：

4.2 修正偏離評價數(shù)據(jù)

只需要修正寬容評價以及挑剔評價的數(shù)據(jù)。按上節(jié)分類結(jié)果，需要修正用戶1的屬性3，用戶3的屬性1，用戶4的屬性2，用戶7的屬性1。利用式3求出偏離度d(保留一位有效數(shù)字)。

用戶1屬性3：

用戶3屬性1：

4.3 基于修正數(shù)據(jù)的服務(wù)選擇方法

5 結(jié)束語

文中提出了基于評價分類的可信QoS服務(wù)選擇的方法，充分考慮了用戶個人評價習(xí)慣對服務(wù)評價的影響。首先基于歷史用戶對服務(wù)的反饋評價，將用戶的評價詳細分類。然后在評價分類的基礎(chǔ)上剔除惡意用戶，并進一步修正可信用戶的非中立評價數(shù)據(jù)。最后在這些修正后數(shù)據(jù)的基礎(chǔ)上，完成服務(wù)選擇。通過實例驗證表明，基于用戶評價分類的可信QoS服務(wù)選擇方法可以選擇出優(yōu)質(zhì)的服務(wù)。

目前沒有考慮用戶對服務(wù)屬性的喜好權(quán)重，今后的研究方向?qū)⑦M一步探討如何結(jié)合機器學(xué)習(xí)來確定用戶對服務(wù)屬性的個性化權(quán)重。