技术领域：
[0001] 本
发明涉及一种考虑时效性的Web服务可信混合推荐方法；背景技术：
[0002] 互联网的高速发展使得满足用户需求的候选服务数量飞速增长，如何从这样大规模的Web服务集合中，高效的找到满足开发者用户 Mashup需求的Web服务，已经成为一个主要研究问题，利用服务推荐可以来帮助选择Web服务；现有的把协同过滤技术应用到推荐系统中可以产生很好的效果，但还存在数据稀疏性和恶意推荐的问题；发明内容：
[0003] 本发明的目的是为了缓解推荐数据稀疏和恶意推荐的问题，提供了一种考虑时效性的Web服务可信混合推荐方法；
[0004] 考虑时效性的Web服务可信混合推荐方法；
[0005] 上述的目的通过以下的技术方案实现：
[0006] 一种考虑时效性的Web服务可信混合推荐方法，其特征在于：首先，在计算用户间的相似度时，包括考虑时效性的用户相似度的计算和基于时效标签的用户相似度的计算；其次，考虑在社会化网络中用户间的信任关系，计算用户间的信任度，用于解决恶意推荐；
最后把相似度和信任度结合，用基于标签的扩展邻居用户来扩充可信邻居用户，根据可信邻居用户集实现用户对服务评分值的预测和对服务的推荐；
[0007] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的考虑时效性的用户相似度的计算包括如下步骤：
[0008] (1)设用户的集合为U,U＝{u1,u2，…，um}，所有服务的集合为S,S＝{s1,s2，…，sn}，用ri，k来表示用户ui对服务sk的评分，为了消除用户的个人打分习惯，需要计算用户ui对服务sk的客观评分wi，k，
[0009] (2)考虑用户评分的时效性问题，评价的时间与当前时间越接近越能反映用户的偏好，评价时间距离当前时间越远，则评分的参考价值越小；得到用户ui对服务sk的时效性评分wtime(i，k)，其中，wtime(i，k)表示用户ui对服务sk评分的时效性，time(i，k)是一个非负整数，设L为评分时间的一个鲜活周期，当用户ui评价服务sk的时间距离最近一次评价时间在0-L之间时，time(i，k)取值为0，当用户ui评价服务sk的时间距离最近一次评价时间在L-2L时，取值为1，依次类推，在具体实验中L的值具体设置；当进行评价的时间与最近的评价日期越接近时，time(i，k)的值也就越小；max是一个
阀值，与用户ui评价行为的生命周期有关，用户评价行为的生命周期越长，max的值越大，用户兴趣下降速度越缓慢，反之类似；当 time(i，k)≥max时，wtime(i，k)的值将保持在1/2；
[0010] (3)综合(1)和(2)中的客观评分和时效性评分得到用户ui对服务sk的偏好总得分Mi，k，Mi，k＝λwi，k+(1-λ)wtime(i，k)，λ是 wi，k所占的权重，其值介于0和1之间的；
[0011] (4)定义一个用户-服务评分矩阵，用来表示用户ui对服务sk的偏好总得分，矩阵表示为：
[0012] (5)根据得到的用户-服务评分矩阵计算用户间的相似度
[0013] (6)如果用户之间共同评价的服务较少时，将不能很好的反映用户之间的相似性，求两个用户之间的加权相似值sim_w(ui，uj)，表示用户ui和用户uj之间求相似度时的加权值，num表示用户ui和用户uj的共同评分项的数目；ε是阀值；
[0014] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的基于时效标签的用户相似度的计算包括如下步骤：
[0015] (1)首先根据标签信息建立标签集合T＝{t1,t2，…，tl}，用户ui使用标签ta标注的所有服务的集合为Si,a＝{si1,si2，…，sib}；然后根据用户-项目评分矩阵的值计算每个用户ui对每个标签ta的评分值，当用户使用同一标签标注不同的服务时，则用户对标签的评分是所有服务评分的平均值；
[0016] (2)在计算用户对标签的评分时，同时也要考虑影响标签信息的两个因素，即标签标注的时效性和用户对标签的偏爱程度，所以用户ui对标签ta的评分Vi，a的计算公式为ri，k是用户ui对服务sk的评分，并且用户使用标签ta对服务sk进行了标注，b是用户使用标签ta标注的服务的总数；wtime(ui，ta)是标签评分的 时 效 性 函 数 ；p re (u i ，t a) 是 用 户u i 对 标 签 ta 的 偏 爱 程 度 ，其中， 用户ui使用标签ta的次
数， 表示用户ui使用所用标签的次数，U代表所有用户的个数， 表示使用ta的用户个数， 表示用户ui使用标签 ta的
频率， 表示用户ui在标签ta的重要程度；
[0017] (3)定义一个用户-标签评分矩阵，用来表示用户ui对标签ta的评分，矩阵表示为：
[0018]
[0019] (4)根据建立的用户-标签评分矩阵，计算用户之间的基于标签评分的相似度sim_t(ui，uj)，
[0020] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的基于社会化网络的用户信任度的计算包括如下步骤：
[0021] (1)计算社交关系熟悉度Fam(ui，uj)， Ii，j表示用户ui和用户uj的交互次数，Iimin表示用户ui与其他用户交互的最小次数，Iimax表示用户ui与其他用户交互的最大次数；
[0022] (2)计算社交关系核心度Core(uj)，其中，Core(uj)表示用户uj的社交关系核心度，dj表示用户uj的好友个数，dmax表示社交关系中用户最多好友个数；
[0023] (3)计算社交关系直接信任度DT(ui，uj)，DT(ui，uj)＝αFam(ui，uj)+βCore(uj)，α，β分别表示社交关系中熟悉度和核心度的权重因子，α+β＝1；
[0024] (4)计算社交关系间接信任度IDT(ui，uj)，其中， 是一个衰减函数，其值在0和1间连续变动，是对所有路径中的第k个关系路径的权重系数的表示，λ表示关系路径长度的衰减系数，pk表示第k条关系路径的长度；
[0025] (5)综合(3)和(4)计算得到的直接信任度和间接信任度得到用户社交关系信任度Tru(ui，uj)，Tru(ui，uj)＝μDT(i，j) ωIDT(i，j)，其中，μ表示直接信任度的权重因子，ω表示间接信任度的权重因子；
[0026] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：包括如下步骤：
[0027] 步骤一:计算考虑时效性的用户相似度sim_w(ui，uj)；
[0028] 步骤二：计算基于时效标签的用户相似度sim_t(ui，uj)；
[0029] 步骤三：计算社交网络中用户之间信任度Tru(ui，uj)；
[0030] 步骤四：结合计算所得考虑时效性的用户相似度sim_w(ui，uj) 及社交关系信任度Tru(ui，uj)，计算推荐用户uj对目标用户ui的综合影响affect_w(ui，uj)，选择影响
力最高的N个用户作为目标用户
的基于服务评分和信任度的直接邻居用户，记为G1；
[0031] 步骤五：结合计算所得基于时效标签的用户相似度sim_t(ui，uj) 及社交关系信任度Tru(ui，uj)，计算推荐用户uj对目标用户ui的综合影响affect_t(ui，uj)，选择影响力最高的N个用户作为目标用户的基于服务评分和信任度的拓展邻居用户，记为G2；
[0032] 步骤六：取目标用户的直接邻居用户集和拓展邻居用户集的并集作为最终的可信邻居用户，解决数据稀疏的问题，记为G， G＝G1∪G2.
[0033] 步骤七：根据筛选出来的可信邻居用户集G，实现用户对服务评分值的预测和服务的推荐行为；根据协同过滤理论，用户对服务评分的预测值pi，k，rj，k是用户uj对服务sk的评价， 和 分别是用户ui和uj对邻居用户中所有使用过的服务评分的均值；
[0034] 步骤八：根据计算目标用户ui对服务sk的预测评分值pi，k；将服务按预测评分值大小进行排序，其中最前的k个服务作为用户ui的服务推荐集，服务推荐结束；
[0035] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：考虑了用户个人评分习惯和评分是时效性，解决了用户偏好转移问题；
[0036] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：在考虑服务评分时效性的用户相似度的
基础上，加入基于社交关系信任度，解决了恶意推荐的问题；
[0037] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：用基于标签评分扩展邻居用户来扩充可信邻居用户，缓解数据稀疏性问题；
[0038] 有益效果：
[0039] 1.本发明考虑了评分的时效性：传统的相似度只计算了评分的相似性，本发明在传统的计算相似度的基础上加入的个人评分习惯和评分时效性两方面的考虑，提高了推荐的准确性，解决了用户偏好转移的问题；
[0040] 2.本发明考虑了社交关系中的信任度：大多数的推荐方法都是基于信息真实可靠的条件下进行的，但是在现实情况下，可能出现恶意推荐的情况，所以来自朋友的推荐往往具有较高的可信度；本发明把考虑时效性的用户相似度和社交关系中的信任度相结合，可以很好的抵抗恶意推荐的问题；
[0041] 3.本发明加入扩展邻居用户：考虑邻居用户可能没有对目标项目进行评分，所以邻居用户中的有效推荐用户相对较少，存在数据稀疏的问题，本发明用基于标签信息的拓展邻居用户来扩充目标用户最终的可信邻居用户，较好的解决了数据稀疏的问题；
附图说明：
[0042] 附图1是本发明的模型图；
[0043] 附图2是用户-服务-标签-评分关系图；
[0044] 附图3是用户社交网络关系图；
[0045] 附图4是几种推荐方法推荐有效性的MAE对比图；
[0046] 附图5是几种推荐方法推荐有效性的RMSE对比图；
[0047] 附图6是几种推荐方法的推荐抗欺诈性的MAE对比图；
[0048] 附图7是几种推荐方法的推荐抗欺诈性的RMSE对比图；
[0049] 附图8是几种推荐方法的缓解推荐数据稀疏性的MAE对比图；
[0050] 附图9是几种推荐方法的缓解推荐数据稀疏性的RMSE对比图；具体实施方式：
[0052] 根据
权利要求1所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的考虑时效性的用户相似度的计算包括如下步骤：
[0053] (1)设用户的集合为U,U＝{u1,u2，…，um}，所有服务的集合为S,S＝{s1,s2，…，sn}，用ri，k来表示用户ui对服务sk的评分，为了消除用户的个人打分习惯，需要计算用户ui对服务sk的客观评分wi，k，
[0054] (2)考虑用户评分的时效性问题，评价的时间与当前时间越接近越能反映用户的偏好，评价时间距离当前时间越远，则评分的参考价值越小；得到用户ui对服务sk的时效性评分wtime(i，k)，
[0055]
[0056] 其中，wtime(i，k)表示用户ui对服务sk评分的时效性，time(i，k)是一个非负整数，设L为评分时间的一个鲜活周期，当用户ui评价服务sk的时间距离最近一次评价时间在0-L之间时，time(i，k)取值为0，当用户ui评价服务sk的时间距离最近一次评价时间在L-2L时，取值为1，依次类推，在具体实验中L的值具体设置；当进行评价的时间与最近的评价日期越接近时，time(i，k)的值也就越小；max是一个阀值，与用户ui评价行为的生命周期有关，用户评价行为的生命周期越长，max的值越大，用户兴趣下降速度越缓慢，反之类似；当 time(i，k)≥max时，wtime(i，k)的值将保持在1/2；
[0057] (3)综合(1)和(2)中的客观评分和时效性评分得到用户ui对服务sk的偏好总得分Mi，k，Mi，k＝λwi，k+(1-λ)wtime(i，k)，λ是 wi，k所占的权重，其值介于0和1之间的；
[0058] (4)定义一个用户-服务评分矩阵，用来表示用户ui对服务sk的偏好总得分，矩阵表示为：
[0059] (5)根据得到的用户-服务评分矩阵计算用户间的相似度 sim(ui，uj)，[0060] (6)如果用户之间共同评价的服务较少时，将不能很好的反映用户之间的相似性，求两个用户之间的加权相似值sim_w(ui，uj)，表示用户ui和用户uj之间求
相似度时的加权值，num表示用户ui和用户uj的共同评分项的数目；ε是阀值；
[0061] 实施例2：
[0062] 根据权利要求1所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的基于时效标签的用户相似度的计算包括如下步骤：
[0063] (1)首先根据标签信息建立标签集合T＝{t1,t2，…，tl}，用户ui使用标签ta标注的所有服务的集合为Si,a＝{si1,si2，…，sib}；然后根据用户-项目评分矩阵的值计算每个用户ui对每个标签ta的评分值，当用户使用同一标签标注不同的服务时，则用户对标签的评分是所有服务评分的平均值；
[0064] (2)在计算用户对标签的评分时，同时也要考虑影响标签信息的两个因素，即标签标注的时效性和用户对标签的偏爱程度，所以用户ui对标签ta的评分Vi，a的计算公式为ri，k是用户ui对服务sk的评分，并且用户使用标签ta对服务sk进行了标注，b是用户使用标签ta标注的服务的总数；wtime(ui，ta)是标签评分的时效性函数；pre(ui，ta)是用户ui对标签ta的偏爱程度，
其中， 用户ui使用标签ta的
次数， 表示用户ui使用所用标签的次数，U代表所有用户的个数， 表示使用ta的用户个数， 表示用户ui使用标签 ta的频率， 表示用户ui在标签ta的重要程度；
[0065] (3)定义一个用户-标签评分矩阵，用来表示用户ui对标签ta的评分，矩阵表示为：
[0066]
[0067] (4)根据建立的用户-标签评分矩阵，计算用户之间的基于标签评分的相似度sim_t(ui，uj)，
[0068] 实施例3：
[0069] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：所述的基于社会化网络的用户信任度的计算包括如下步骤：
[0070] (1)计算社交关系熟悉度Fam(ui，uj)， Ii，j表示用户ui和用户uj的交互次数，Iimin表示用户ui与其他用户交互的最小次数，Iimax表示用户ui与其他用户交互的最大次数；
[0071] (2)计算社交关系核心度Cor(uj)，其中，Core(uj)表示用户uj的社交关系
核心度，dj表示用户uj的好友个数，dmax表示社交关系中用户最多好友个数；
[0072] (3)计算社交关系直接信任度DT(ui，uj)，DT(ui，uj)＝αFam((ui，uj)+βCore(uj)，α，β分别表示社交关系中熟悉度和核心度的权重因子，α+β＝1；
[0073] (4)计算社交关系间接信任度IDT(ui，uj)，其中， 是一个衰减函数，其值在0和1间连续变动，是对所有路径中的第k个关系路径的权重系数的表示，λ表示关系路径长度的衰减系数，pk表示第k条关系路径的长度；
[0074] (5)综合(3)和(4)计算得到的直接信任度和间接信任度得到用户社交关系信任度Tru(ui，uj)，Tru(ui，uj)＝μDT(i，j)+ ωIDT(i，j)，其中，μ表示直接信任度的权重因子，ω表示间接信任度的权重因子；
[0075] 实施例4：
[0076] 所述的考虑时效性的Web服务可信混合推荐方法，其特征是：包括如下步骤：
[0077] 步骤一:计算考虑时效性的用户相似度sim_w(ui，uj)；
[0078] 步骤二：计算基于时效标签的用户相似度sim_t(ui，uj)；
[0079] 步骤三：计算社交网络中用户之间信任度Tru(ui，uj)；
[0080] 步骤四：结合计算所得考虑时效性的用户相似度sim_w(ui，uj) 及社交关系信任度Tru(ui，uj)，计算推荐用户uj对目标用户ui的综合影响affect_w(ui，uj)，选择影响力最高的N个用户作为目标用户
的基于服务评分和信任度的直接邻居用户，记为G1；
[0081] 步骤五：结合计算所得基于时效标签的用户相似度sim_t(ui，uj) 及社交关系信任度Tru(ui，uj)，计算推荐用户uj对目标用户ui的综合影响affect_t(ui，uj)，选择影响力最高的N个用户作为目标用户的基于服务评分和信任度的拓展邻居用户，记为G2；
[0082] 步骤六：取目标用户的直接邻居用户集和拓展邻居用户集的并集作为最终的可信邻居用户，解决数据稀疏的问题，记为G， G＝G1∪G2.
[0083] 步骤七：根据筛选出来的可信邻居用户集G，实现用户对服务评分值的预测和服务的推荐行为；根据协同过滤理论，用户对服务评分的预测值pi，k，rj，k是用户uj对服务sk的评价， 和 分别是用户ui和uj对邻居用户中所有使用过的服务评分的均值；
[0084] 步骤八：根据计算目标用户ui对服务sk的预测评分值pi，k；将服务按预测评分值大小进行排序，其中最前的k个服务作为用户ui的服务推荐集，服务推荐结束；
[0085] 实施例5：
[0086] 选择Hetrec2011数据集下的Hetrec2011-Last.fm数据集，数据集中包括用户信息、艺术家信息、标签信息、用户对艺术家的收听次数、朋友对关系、标签标记时间戳信息等，利用数据集中的信息可以很好的验证本文提出的方法；
[0087] 数据集Hetrec2011-Last.fm中包括1892位用户，17632位艺术家，12717双向用户朋友关系，即25434对，11946个标签和标记标签的时间戳；对数据进行预处理，选择好友数量最多的前200个用户来进行实验，这200个用户收听的艺术家一共2783位；该数据集中，对于用户对艺术家的评分我们采用对艺术家的聆听次数来确定，由于一般数据集中的评分都是从5分制，所以本文也将评分量化到1至5 分，对于用户间的交互关系采用共同评论同一部作品的次数来确定；我们把数据集分为训练集和测试集两组，其中把80％的数据放到训练集中，把20％的数据放到测试集中；
[0088] 选取基于新型相似度计算方法的协同过滤服务推荐(RACF)、基于模型的社交网络推荐方法(SocialMF)作为代表，与本文提出的方法进行对比；
[0089] 实验中，采用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)两个评价指标来进行验证，计算方法如以下公式：其中，ri，k表示目标用户ui对艺术家sk的
实际评分，pi，k表示目标用户ui对艺术家sk的预测评分，n表示样本的数量；MAE和RMSE的值越小，表示推荐的精确度越高；
[0090] 实验是在传统的基于用户服务评分的相似度的计算的基础上，考虑用户打分的习惯和打分的时效性，得到相似度较高的k个用户最为邻居用户来进行推荐，通过实验来验证推荐的有效性，实验结果如附图4和附图5所示；从图中MAE和RMSE的对比情况可以看出，随着邻居用户k值的增加，推荐的MAE和RMSE的值都在减小，说明邻居用户越大，推荐相对更准确；SocialMF方法考虑了信任传递，采用矩阵分解的方式进行服务推荐，但是没有考虑用户之间的相似性，所以MAE和RMSE相对较高；RACF方法提出了一种新型的相似度计算方法，用基于比率的方法来计算相似性，所以推荐的 MAE和RMSE相对较低；本文方法在计算相似度时考虑了用户评分习惯和评分时间因素，所以MAE和RMSE的也较低，与RACF方法没有太大差别；
[0091] 实施例6：
[0092] 选择Hetrec2011数据集下的Hetrec2011-Last.fm数据集，对数据进行预处理，选择好友数量最多的前200个用户来进行实验，这 200个用户收听的艺术家一共2783位；我们把数据集分为训练集和测试集两组，其中把80％的数据放到训练集中，把20％的数据放到测试集中；
[0093] 选取基于新型相似度计算方法的协同过滤服务推荐(RACF)、基于模型的社交网络推荐方法(SocialMF)作为代表，与本文提出的方法进行对比；
[0094] 实验中，采用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)两个评价指标来进行验证，计算方法如以下公式：其中，ri，k表示目标用户ui对艺术家sk的
实际评分，pi，k表示目标用户ui对艺术家sk的预测评分，n表示样本的数量；MAE和RMSE的值越小，表示推荐的精确度越高；
[0095] 实验是在用户间服务评分相似度的基础上，加入了社交关系中的信任度，综合考虑两方面来进行推荐；为了验证该方法的抗欺诈性的能力，实验中不断增加恶意推荐用户的比例，从而来验证几种推荐方法的抗欺诈性的能力，实验结果如附图6和附图7所示；从图中可以看出，随着恶意推荐用户比例的不断增加，几种推荐方法的MAE和 RMSE的值都有一定程度的增长；其中，RACF方法主要根据用户的相似度来进行评分预测和推荐，所以当恶意推荐用户增多时，该方法的的MAE和RMSE的值增长趋势明显，即抗欺诈能力较差； SocialMF方法和本文方法受干扰较小，增长程度不大，因为两种方法都考虑了用户之间的信任关系，而SocialMF方法只采用矩阵分解的方式考虑了用户之间的信任传递，相比之下，本文方法还考虑了用户之间的相似度，同时计算信任度时加入了用户之间的交互性、推荐用户的核心度和用户之间的间接信任等问题，所以能更好的抵抗欺诈；
[0096] 实施例7：
[0097] 选择Hetrec2011数据集下的Hetrec2011-Last.fm数据集，对数据进行预处理，选择好友数量最多的前200个用户来进行实验，这 200个用户收听的艺术家一共2783位；我们把数据集分为训练集和测试集两组，其中把80％的数据放到训练集中，把20％的数据放到测试集中；
[0098] 选取基于新型相似度计算方法的协同过滤服务推荐(RACF)、基于模型的社交网络推荐方法(SocialMF)作为代表，与本文提出的方法进行对比；
[0099] 实验中，采用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)两个评价指标来进行验证，计算方法如以下公式：其中，ri，k表示目标用户ui对艺术家sk的
实际评分，pi，k表示目标用户ui对艺术家sk的预测评分，n表示样本的数量；MAE和RMSE的值越小，表示推荐的精确度越高；
[0100] 实验是在直接邻居用户的基础上，把融合标签信息的拓展邻居用户加入到邻居用户，增加邻居用户的数量，从而进行推荐；通过实验验证几种方法的缓解数据稀疏的问题；实验结果附图8和附图9所示；从图中可以看出，随着邻居用户k的增长，MAE和RMSE的值都有不同程度的减小；其中RACF方法和SocialMF方法减小的相对缓慢，而本文方法减小的更为明显，因为本文方法考虑邻居用户可能没有对目标项目进行评分，所以邻居用户中的有效推荐用户相对较少，存在数据稀疏的问题，本文方法用基于标签信息的拓展邻居用户来扩充目标用户最终的邻居用户，较好的解决了数据稀疏的问题。
