基于协同过滤和QoS感知的服务选择框架
专利汇可以提供基于协同过滤和QoS感知的服务选择框架专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于协同过滤和QoS 感知 的服务选择 框架 ，用户通过服务设计模 块 自行组合服务，用户选择一种或多种服务的组合来实现等价功能，每种服务可能由一个或多个等价功能具体服务实现，基于QoS服务选择的从每组等价功能的具体服务中，选择候选服务来满足端到端功能需求，优化组合QoS；本发明中所采用的QoS预测方法，采用了基于用户和基于服务两种预测的混合，可以提供更准确的QoS预测效果，并且可以通过调整系统参数，针对不同特点的数据类型调整最优混合比例。提出的修正余弦 算法 来计算相似度，相比于现有佩尔森相关系数执行效率和相似度计算效果上有所提高。，下面是基于协同过滤和QoS感知的服务选择框架专利的具体信息内容。
1.一种基于协同过滤和QoS感知的服务选择框架，其特征在于：步骤如下，
1）目标用户通过服务设计模块自行组合服务，选择一种或多种服务的组合来实现等价功能，每种服务可能由一个或多个等价功能具体服务实现，基于QoS服务选择的从每组等功能的具体服务中，选择候选服务来满足端到端功能需求，优化组合QoS；
2）目标用户初次调用候选服务，QoS选择系统为目标用户和目标服务提取特征向量，通过相似度计算函数，得到目标用户和目标服务与数据库中训练数据的相似度，通过筛选函数，得到相似用户和相似服务，利用它们的历史QoS表征，预测目标用户对候选服务的QoS；
3）预测目标用户对候选服务的QoS，选择最佳服务组合推荐给用户，由剪枝模块进行对候选具体服务的筛选。
2.如权利要求1所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：步骤
2）目标用户和目标服务提取的特征向量计算相似度，从用户和服务两方面分别进行预测，然后根据系统权重进行组合。
3.如权利要求2所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：系统权重由系统参数和预测置信度两部分组成。
4.如权利要求1所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：步骤
3）中的剪枝模块利用skyline算法根据多维QoS为候选服务数据集选择支配服务，将支配服务输入服务选择模块，剪枝模块通过效用函数计算选择最佳服务。
5.如权利要求1所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：所述的相似度计算函数利用的是修正余弦算法（Adjusted Cosine）。
6.如权利要求1所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：所述的筛选函数使用混合Top-K（Hybrid Top-K）算法，所述的算法为：
Input: u: 目标用户 ; T(u):其他用户的集合 ;
P: 相似度阈值 ; K: 输出候选用户的最大数据量
Output: S(u): 相似用户的集合
1）: 遍历除目标用户外的所有其他用户集合，将所有于目标用户的相似度大于既设阈值P的用户加入到预选队列中；
2）: 记录预选队列中用户的数量 ，并按照相似度由高到低的顺序，对预选队列进行排序；
3）: if
此种情况下，说明相似度大于既设阈值的用户数量足够多，不少于K个，故将预选队列中的相似度由高到低排序，前K个用户插入相似用户集合 ，加入到S(u)中；
4）: if 0 < < K
此种情况下，说明相似度大于既设阈值的用户数量没有达到设定的K个，为了避免相似度过低的用户信息对最后预测结果的干扰，只选取预选队列中的 个用户作为输出，加入到S(u)中；
5）: if =0
此种情况下，目标用户所有的相似用户相似度都过低，这些数据对于预测结果的干扰过大，所以输出空集，即目标用户无相似用户；
6）:return S(u)。
7.如权利要求1或2所述的基于协同过滤和QoS感知的服务选择框架，其特征在于：
所述的特征向量，包括基于用户的QoS特征向量和基于服务的QoS特征向量，所述的用户的QoS特征向量描述了对不同服务的QoS特征值，用户是固定的；所述的基于服务的QoS特征向量，描述了服务对不同用户的特征值，服务是固定的。
基于协同过滤和QoS感知的服务选择框架
技术领域
背景技术
发明内容
2）目标用户初次调用候选服务，QoS选择系统为目标用户和目标服务提取特征向量，通过相似度计算函数，得到目标用户和目标服务与数据库中训练数据的相似度，通过筛选函数，得到相似用户和相似服务，利用它们的历史QoS表征，预测目标用户对候选服务的QoS；
3）预测目标用户对候选服务的QoS，选择最佳服务组合推荐给用户，由剪枝模块进行对候选具体服务的筛选。
P: 相似度阈值 ; K: 输出候选用户的最大数据量
Output: S(u): 相似用户的集合
1）: 遍历除目标用户外的所有其他用户集合，将所有于目标用户的相似度大于既设阈值P的用户加入到预选队列中；
2）: 记录预选队列中用户的数量 ，并按照相似度由高到低的顺序，对预选队列进行排序；
3）: if
此种情况下，说明相似度大于既设阈值的用户数量足够多，不少于K个，故将预选队列中的相似度由高到低排序，前K个用户插入相似用户集合 ，加入到S(u)中；
4）: if 0 < < K
此种情况下，说明相似度大于既设阈值的用户数量没有达到设定的K个，为了避免相似度过低的用户信息对最后预测结果的干扰，只选取预选队列中的 个用户作为输出，加入到S(u)中；
5）: if =0
此种情况下，目标用户所有的相似用户相似度都过低，这些数据对于预测结果的干扰过大，所以输出空集，即目标用户无相似用户；
6）:return S(u)。
具体实施方式
2）目标用户初次调用候选服务，QoS选择系统为目标用户和目标服务提取特征向量，通过相似度计算函数，得到目标用户和目标服务与数据库中训练数据的相似度，通过筛选函数，得到相似用户和相似服务，利用它们的历史QoS表征，预测目标用户对候选服务的QoS；
3）预测目标用户对候选服务的QoS，选择最佳服务组合推荐给用户，由剪枝模块进行对候选具体服务的筛选。
P: 相似度阈值 ; K: 输出候选用户的最大数据量
Output: S(u): 相似用户的集合
1）: 遍历除目标用户外的所有其他用户集合，将所有于目标用户的相似度大于既设阈值P的用户加入到预选队列中；
2）: 记录预选队列中用户的数量 ，并按照相似度由高到低的顺序，对预选队列进行排序；
3）: if
此种情况下，说明相似度大于既设阈值的用户数量足够多，不少于K个，故将预选队列中的相似度由高到低排序，前K个用户插入相似用户集合 ，加入到S(u)中；
4）: if 0 < < K
此种情况下，说明相似度大于既设阈值的用户数量没有达到设定的K个。为了避免相似度过低的用户信息对最后预测结果的干扰，只选取预选队列中的 个用户作为输出，加入到S(u)中；
5）: if =0
此种情况下，目标用户所有的相似用户相似度都过低，这些数据对于预测结果的干扰过大，所以输出空集，即目标用户无相似用户；
6）:return S(u)。
b) 为每一个服务，根据所有用户对它的QoS生成服务特征向量，如果QoS缺失，则向量中相应元素置为0；
c) 根据用户特征向量，利用修正余弦算法（Adjusted Cosine），计算待预测用户和其他用户之间的相似度。
d) 根据服务特征向量，利用修正余弦算法（Adjusted Cosine），计算待预测服务和其他服务之间的相似度。
e) 使用混合Top-K算法，分别选取k个相似用户和相似服务。
g) 根据基于用户的预测结果(user-based prediction)，基于服务的预测结果(service-based prediction)，以及各自的可信度计算最终的QoS预测结果。如果不存在相似用户，则使用 作为预测结果；如果不存在相似服务，则使用 作为预测结果；否则，使用混合计算结果作为预测值。
混合QoS预测值
其中 ， ， ，是可调整的系统参数。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 上下文感知推荐 | 2020-05-13 | 901 |
| 感知失去检测 | 2020-05-13 | 869 |
| 感知阅读装置 | 2020-05-13 | 8 |
| 感知装置 | 2020-05-11 | 332 |
| 感知导盲鞋 | 2020-05-12 | 71 |
| 体感网感知终端系统、感知节点及感知方法 | 2020-05-13 | 100 |
| 仿人眼感知技术 | 2020-05-13 | 956 |
| 一种物联网感知层节点的管理方法及系统 | 2020-05-11 | 878 |
| 机架感知 | 2020-05-11 | 429 |
| 一种感知卡 | 2020-05-11 | 401 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
-
10 感知型高尔夫球杆
