分享到:

WEB服务

利用中间件、应用程序接口和定制代码实现EAI(企业应用集成),是一项艰巨的工作。虽然这种传统的EAI在某种  (本文共1页) 阅读全文>>

权威出处: 网络世界2002-12-16
燕山大学
燕山大学

QoS数据驱动的情境感知Web服务协同推荐技术研究

在“互联网+”的大趋势下,Web服务作为软件开发、业务协作和商业模式创新不可或缺的“数字胶水”,已成为Web上支持应用程序间互操作、构建分布式应用系统以及程序间“交流”和数据交换的主要技术。随着网络中Web服务不断增长,QoS数据驱动的Web服务推荐已经成为服务计算领域研究的热点。一方面服务推荐技术能够帮助服务使用者发现他们感兴趣的Web服务,改善用户体验;另一方面,促使服务提供商将质量有保证的Web服务通过推荐平台呈现给对它们感兴趣的用户,从而实现服务使用者和服务提供商的双赢。本文依托机器学习理论和协同推荐技术,通过分析Web服务的QoS数据,时序信息以及地理位置信息,设计和提出了新的预测模型和推荐算法,以此改善和提高Web服务的推荐效果和用户体验。首先,为了缓解用户之间、服务之间QoS取值范围不同带来的预测误差,对QoS数据引入高斯归一化处理机制,提出一种考虑QoS数据变化范围的Web服务协同预测方法。通过引入QoS评价矩阵...  (本文共141页) 本文目录 | 阅读全文>>

上海交通大学
上海交通大学

基于QoS的Web服务推荐技术研究

在基于Qo S的Web服务推荐系统中,准确的预测出Web服务的Qo S属性值对Web服务选择及发现显得特别重要。协同过滤技术是进行Web服务Qo S属性值预测的一种有效手段。协同过滤技术(Collaborative filtering(CF)algorithm)主要包括两大类:基于内存的协同过滤技术(memory-based CF algorithms)和基于模型的协同过滤技术(model-based CF algorithms)。基于内存的协同过滤技术通过寻找活动用户的类似用户,或者通过寻找目标Web服务的类似Web服务来进行预测。该类方法预测准确度较高,但是,该类方法的主要缺点是可扩展性差、无法克服数据稀疏性问题。基于模型的协同过滤技术利用数据挖掘或机器学习等技术来获得一个模型,然后利用该模型进行预测。基于模型的协同过滤技术的优点是算法的可扩展性高,能有效的克服数据稀疏性问题,但是该类方法的预测准确度较低、算法难于实现、模型...  (本文共121页) 本文目录 | 阅读全文>>

北京邮电大学
北京邮电大学

基于多维信息挖掘的服务选择关键技术研究

随着Web服务技术的发展,许多服务提供者能够将其生产的组件和应用系统封装为Web服务发布至网络,使用者(用户)能够在网络中选择Web服务进行直接调用,或通过服务组合的方式来构建新的应用系统(增值服务)以满足自身业务的需求。然而,由于Web服务数量的不断增长,加上Web服务的分布特性(信息发布分散和位置分布分散)、组合服务流程模型设计粗粒度及个性化的用户偏好等多种复杂因素的存在,严重影响了高质量服务组合方案的选择。为此,本文基于网络中与Web服务相关的多维信息,以快速、有效的Web服务选择为目标,对改善选择性能的关键技术展开研究。具体成果如下:第一,提高查找候选服务集合的效率。基于Web服务的描述文件信息和少量分类信息,本文提出了一个基于半监督学习的Web服务功能类别挖掘方法(Semi-supervised Learning Method for Web Service Functional Category Mining, SL...  (本文共113页) 本文目录 | 阅读全文>>

东北大学
东北大学

面向领域QoS约束的Web服务选取方法

在大量相同功能的Web服务广泛存在、候选服务众多的情况下,如何在这些服务中选择最大程度满足用户需要的Web服务,一直是研究界广泛关注的问题之一。研究者普遍认为,当服务消费者进行服务选取时,不仅需要考虑是否满足功能性需求,还需考虑非功能性需求,即服务质量(QoS)需求。学术界和工业界从不同侧面展开了针对QoS驱动的服务选取的研究工作,并取得了大量成果,但还存在以下不足:一是对服务QoS的评价只关注于指标选择和评价算法,忽略了Web服务不同生命周期的质量信息对服务综合质量的影响;二是对QoS信息及其评价方法可信性方面的研究较少;三是目前的服务选取技术把用户提出质量要求和用户不提出质量要求两种场景分开研究,不考虑了他们之间的联系,忽略了参与选取的用户行为信息的作用;四是在Web服务QoS评价过程中,只考虑通用QoS属性的评价,对面向领域的服务质量评价考虑不足;五是在用户提出质量要求场景下的Web服务选取过程中,对基于约束条件的服务选取...  (本文共132页) 本文目录 | 阅读全文>>

重庆大学
重庆大学

基于协同过滤与QoS的个性化Web服务推荐研究

随着互联网技术的不断发展,Web服务推荐与选择已经逐渐成为学术界和工业界共同关注的重要研究内容。随着Web服务数量的不断增加,为用户推荐和选择最优的Web服务已经成为服务计算领域内最重要的挑战之一。在一组具有多个相同或者相似功能性属性的Web候选服务中,为了帮助用户选择满足他们需求的最优的Web服务需要同时考虑服务质量的功能性和非功能性属性。此外,Web服务的QoS值在运行时刻可能会因为服务器超载,网络条件等多种因素的影响而发生变化。因此以往使用静态的QoS评估方法已不再适用于Web服务的动态环境,这需要一种机制能够感知动态环境下Web服务质量的变化情况。本论文使用基于协同过滤与QoS的个性化Web服务推荐算法以解决上述问题。针对当前Web服务推荐算法不足的现状,提出将服务相异性和情境因素引入到Web服务推荐领域之中以提高推荐的性能;此外还提出了两种新的混合Web服务推荐算法以解决目前不同推荐算法之间的权重确定问题。现将论文的主...  (本文共147页) 本文目录 | 阅读全文>>