基于機器學習方法的可信Web服務發(fā)現(xiàn)關鍵技術研究.pdf

1、隨著互聯(lián)網(wǎng)和云計算的不斷發(fā)展，Web服務技術逐漸成為當前的一大研究熱點。在Web服務技術眾多研究主題中，可信Web服務發(fā)現(xiàn)已成為國際上亟待解決的重要課題。對于部署在分布、開放、多變、難控網(wǎng)絡環(huán)境下的海量Web服務，如何保證其能夠正確、安全和快速地為用戶提供滿足其需求的可信服務顯得尤為重要。因此，進行高可信的Web服務發(fā)現(xiàn)研究具有一定的戰(zhàn)略性、基礎性和前瞻性，對我國軟件業(yè)發(fā)展具有重大意義。本文通過引入機器學習領域中的核基學習、度量學習和稀

2、疏學習理論，結合自組織映射(Self-Organizing Map，SOM)神經(jīng)網(wǎng)絡和分類器正則化技術，以基于WSDL(Web ServiceDescription Language)語言描述的Web服務為研究對象，對可信Web服務發(fā)現(xiàn)領域中的若干關鍵問題進行了研究，并取得了一些成果。
　　本研究主要內容包括：⑴提出了一個基于WordNet和概念語義降維的輕量級語義Web服務發(fā)現(xiàn)模型。該模型通過引入WordNet和隱含語義索引技術

3、對Web服務進行輕量級語義特征提取，使得低維緊致的服務表示向量具有更符合其真實語義的特征描述;同時，為了更好地評價真實Web服務的相似性，該模型還引入了一種基于核基相似性度量的Web服務匹配機制，克服了傳統(tǒng)服務匹配機制忽略樣本分布統(tǒng)計特性的局限性。⑵提出了一種核Batch SOM神經(jīng)網(wǎng)絡學習算法，并由此構建了一類核Batch SOM神經(jīng)網(wǎng)絡聚類優(yōu)化的Web服務發(fā)現(xiàn)模型。該模型通過對Web服務進行自適應聚類管理，將功能相同或相近的Web服

4、務聚合在一起，從中抽取類標識服務來輔助Web服務的注冊、查找等，可以大大縮小服務搜索的匹配空間，從而提高服務發(fā)現(xiàn)的效率。⑶提出了一種Web服務有監(jiān)督特征提取和自適應相似性評價機制。首先通過引入逆類別頻率改進傳統(tǒng)的無監(jiān)督術語加權機制，提出了一種融合類先驗信息的有監(jiān)督Web服務特征提取方法;其次通過引入大間隔度量學習理論，提出了一種基于類先驗信息的服務相似性度量學習方法。這兩種方法都能有效區(qū)分樣本特征的相關性和無關性，合理揭示數(shù)據(jù)的內在分布

5、結構。由此構建的基于有監(jiān)督服務表示和自適應相似性評價的聚類優(yōu)化Web服務發(fā)現(xiàn)模型驗證了這兩種方法的有效性。⑷提出了一種基于結構化噪聲矩陣補全的可信Web服務QoS預測機制。首先通過引入L2,1范數(shù)正則化技術將Web服務QoS預測問題建模為一類結構化噪聲矩陣補全問題。其次，為了有效地求解該結構化噪聲矩陣補全問題，提出了一種基于算子分裂技術的結構化噪聲矩陣補全算法(OSMCSN)。真實數(shù)據(jù)集上的實驗結果表明，OSMCSN算法不僅可以顯著提高

6、Web服務QoS預測精度，還能準確探測出采樣矩陣中的噪聲行位置信息，從而實現(xiàn)對操縱和篡改QoS信息的不誠實用戶進行預警。⑸提出了一類多值多對多高斯聯(lián)想記憶神經(jīng)網(wǎng)絡模型，并且對該模型的漸近穩(wěn)定性，存儲容量和糾錯能力進行了分析?；诼?lián)想的圖像檢索應用證實了該模型的魯棒性能。特別地，由于概念語義網(wǎng)絡是體現(xiàn)Web服務語義和智能的重要載體，其聯(lián)想和推理能力直接關系到Web服務的查詢精度及組合效率，因此，將該模型應用于Web服務概念語義網(wǎng)絡的智能管