Web服务中的推荐机制的研究.docxVIP

Web服务中的推荐机制的研究 　　摘要：借助社会的人际关系网，提出web服务中基于信任网的推荐机制用于实现信任关系的传递，给出信任网的数学表达、生成算法和聚集算法，并归纳信任网推荐链之间的各种依赖关系及相应的处理策略，最后的实验结果证明了其有效性。　　关键词：信任评估；WEB服务；信任网；推荐机制　　中图分类号：TP3文献标识码：A　　1引言　　由于WEB服务网络中存在海量的WEB服务。服务请求者与通过UDDI搜索得到的WEB服务之间往往不存在或只有少数的直接交互经验。直接经验的不足或缺乏使得服务请求者经常无法评估对对方的信任关系，特别是当服务请求者碰到一个陌生的服务或服务提供者时，如何对其进行信任度或声誉的评估成了一个关键问题。　　常见的解决方法是利用其它实体的推荐信息作为评估参考。信任和声誉可以通过”口碑”或其他实体的推荐进行，这也就为WEB服务网络中对陌生实体的评估提供了一个有效的解决途径。本文研究重点是分析如何构造实体间的信任网来实现信任关系的传播，以获取对陌生实体的间接信任，提出在WEB服务中基于信任网的推荐机制，给出相应的数学表述以及生成算法，给出推荐链之间的各种依赖关系以及相应的处理策略。　　2Web服务中基于信任网的推荐机制　　在一般的社会网络中，信任关系是通过个体间的相互关系推荐而形成。然而其中某一个体的声誉一般又取决于其他个体的推荐，同时推荐本身的声誉也决定所推荐的信息的可信度。此种相互依赖的信任度的关系也就构成了整个实体间的信任网络，如实体A向实体B进行信任评估。信任网中任何个体的声誉可以作为对陌生实体的评估参考。　　推荐机制是信任和声誉模型的重要组成部分，许多学者也将其作为研究的重点。本文提出两个问题：　　利用Jacobi迭代对信任关系矩阵进行迭代收敛来获取任意节点的全部可信度，但没有分析迭代过程中信任关系之中的相互依赖情况；　　节点之间的每一次交易都会在与这些节点有过交易的所有实体中引起迭代，因而无法适应大规模的Web服务网络。　　现有的研究大多对信任网中推荐链的依赖关系缺乏缺乏深入的分析。　　基本定义和概念　　本文提出的关于信任网中的基本定义和概念。　　定义1认识关系：如果实体a认识b，那么称a和b间存在认识关系，则记为Know。　　定义2熟人关系：如果Acq=Know∧Know，那么就称实体a和b是具有熟人关系。　　定义3熟人关系集：如果实体a的熟人关系集Acq是所有熟人组成的集合，则可记为：Acq={b∈A∧Acq}。　　定义4推荐关系：r为一有序偶，表示实体ci对cj的推荐。　　定义5推荐链：如果对i∈[1，2，…，n-1]都有Acq，同时满足Acq，那么就称e=是从a到b的推荐链。其中，定义推荐链的长度L为：L=|e|=n+2。　　定义6信任网：假设Wot为一加权有向图，其中C为有限Agent集{c1，c2，…，cn}，R={r1，r2，…，rn}是C中节点组成的有序推荐集，是由直接经验带来的信任关系，W为b的所有见证者集合，可用W，表示a为评估主体，b为评估客体。　　定义7信任强度：这里是指在推荐信任传递过程中所能直接信任的可靠程度，信任强度可以通过实体间的直接信任关系推导得出，用Ti表示。　　定义8推荐信任：这里是指包括了对目标客体的直接信任以及对直接信任的可靠程度，可以用向量来表示，称其为推荐信任Tr。　　本文是以主观逻辑的合意规则作为对于Td和Ti的聚集函数。其中，对Tr的计算本质实际上就是对Td和Ti进行合成，而信任强度Ti称为权重值。　　推荐信息可信度分析　　推荐信息是推荐实体在收到推荐请求之后，可能如实地提供推荐信息，也可能出于本身的利益考虑或其他目的而故意给出错误的推荐信息。对推荐信息的可信度评估就反映为对信任强度的计算。　　对信任强度的计算方法主要有以下三种：①历史推荐信息，即Ci根据Cj以往给出的推荐情况来衡量推荐信息的可靠度，确定对推荐信息的采纳程度。②Cj的全局声誉，即通过其他实体的综合评价来考虑推荐信息的可信度，其前提是假定声誉越高的实体所提供的推荐信息越可信。③Cj的本地声誉，即根据Ci与Cj以往的直接交互经验计算的Cj本地声誉，并以此来衡量推荐信息的可信度。　　本文结合第一种和第二种方法，也就是综合考虑Cj的历史推荐情况及Cj在Ci中的本地声誉来计算Cj所提供的推荐信息的可靠度。　　信任网生成算法　　信任策略1：若两个实体之间即存在直接的推荐信任关系的话，则也会存在通过其他实体的推荐信任连接起来的间接推荐信任关系，也就是说直接经验比间接经验的信任度更高。如果只是采纳直接推荐信任关系的话，就可忽略间接的推荐信任关系。　　信任策略2：如果推荐实体不能对获取的间接信任进行推荐的话，那么就只允许推荐直接信任。