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(dāng)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(zhǔn)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(rèn)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(zhǔn)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(xì)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(biāo)準(zhǔn)，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?？偟膩碚f，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(xì)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(xì)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)?；跉v史用戶的反饋將評價詳細(xì)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?？紤]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(rèn)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(zhǔn)向量之間的相似度，歷史用戶的評價向量與服務(wù)基準(zhǔn)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(biāo)。

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(dá)用戶歷史評價向量與基準(zhǔn)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(zhǔn)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(biāo)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(biāo)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(xì)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。