專利名稱：服務(wù)信譽度獲取方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及網(wǎng)絡(luò)服務(wù)技術(shù)，尤其涉及一種服務(wù)信譽度獲取方法及裝置。
背景技術(shù)：
隨著互聯(lián)網(wǎng)(Internet)技術(shù)的快速發(fā)展，面向服務(wù)的體系結(jié)構(gòu)(Service Oriented Architecture，簡稱S0A)作為一種新型的網(wǎng)絡(luò)化軟件應(yīng)用范式，已經(jīng)被工業(yè)界和學(xué)術(shù)界廣泛接受，特別是網(wǎng)絡(luò)(Web)服務(wù)技術(shù)作為SOA的最佳實踐，極大地推動了 SOA在電子商務(wù)、金融、電信等領(lǐng)域的應(yīng)用。其中，基于web服務(wù)組合的網(wǎng)絡(luò)化軟件系統(tǒng)處于一個開放、動態(tài)的環(huán)境中，web服務(wù)資源缺乏可信、專業(yè)的第三方認證機構(gòu)對其質(zhì)量屬性進行評估， 并且web服務(wù)實體通常屬于不同的自治域，web服務(wù)的執(zhí)行過程對于web服務(wù)請求者既不可見又不可控，這些因素都使得服務(wù)軟件的可信性有很大的不確定性?？尚判允怯嬎銠C領(lǐng)域中，用戶對軟件本身的信任，是用戶在使用軟件過程中形成的一種主觀感受，若一個軟件系統(tǒng)的行為總是與用戶預(yù)期相一致，則說明該軟件系統(tǒng)，也即 web服務(wù)是可信的(Trustworthy)。目前，國內(nèi)外研究人員對于Web服務(wù)的可信性評估展開了廣泛研究，主要包括基于測試的可信性評估和基于信譽度的可信性評估?；跍y試的可信性評估，是將傳統(tǒng)軟件的測試與驗證技術(shù)應(yīng)用到Web服務(wù)領(lǐng)域中，通過設(shè)計測試框架、運行測試用例、分析測試結(jié)果來度量Web服務(wù)的可信性。但該方法存在以下局限性一是很多領(lǐng)域相關(guān)的服務(wù)質(zhì)量屬性不能由自動測試工具獲取，如語言翻譯服務(wù)的易用性、翻譯準(zhǔn)確性等；二是通過服務(wù)調(diào)用來測試服務(wù)比較耗費網(wǎng)絡(luò)資源和計算資源?；谛抛u度的可信性評估，是通過收集用戶針對服務(wù)的評價數(shù)據(jù)，計算出服務(wù)的信譽度，以來表征Web服務(wù)的可信性。用戶評價是服務(wù)使用者對于服務(wù)行為是否符合其預(yù)期的一種評分，評價反映了用戶的主觀感受，而這正符合軟件可信性的定義。因此，通過收集、聚合用戶評價，計算得出的信譽度可以用來表征Web服務(wù)的可信性。該方法克服了基于測試的可信性評估方法的缺點，而如何評估Web服務(wù)的信譽度，則是評價web服務(wù)的可信性的關(guān)鍵。目前，基于信譽度的可信性評估中，通常是根據(jù)用戶提交的一維的評價數(shù)據(jù)來獲得web服務(wù)的信譽度。具體地，在進行web服務(wù)可信性評估時，web服務(wù)信譽度是基于web 服務(wù)的所有評價，通過加權(quán)平均計算的方式得到，web服務(wù)使用者需要使用web服務(wù)時，就可以根據(jù)計算得到的web服務(wù)信譽度，確定該web服務(wù)的可信性，以確定是否使用該web服務(wù)?，F(xiàn)有web服務(wù)信譽度獲取方法，是將各用戶針對web服務(wù)的所有評價通過加權(quán)平均計算得到，針對不同的用戶，web服務(wù)的信譽度是相同的，由于不同用戶的關(guān)注點并不相同，對于不同使用環(huán)境下的用戶而言，基于現(xiàn)有方法獲取的web服務(wù)信譽度并不準(zhǔn)確，無法滿足web使用者的真實需要。

發(fā)明內(nèi)容
本發(fā)明提供一種服務(wù)信譽度獲取方法及裝置，可有效克服現(xiàn)有技術(shù)存在的問題， 提高web服務(wù)信譽度的準(zhǔn)確性，滿足用戶的真實需要。本發(fā)明提供一種服務(wù)信譽度獲取方法，包括獲取查詢用戶的查詢請求，所述查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，所述上下文信息為查詢用戶使用所述服務(wù)時的上下文環(huán)境信息；將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，從而對所述服務(wù)的評價數(shù)據(jù)進行過濾；獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度；其中，上下文信息不相似是指具有相同上下文類型的兩個上下文信息所對應(yīng)的服務(wù)的質(zhì)量屬性的評價之間的差值大于預(yù)設(shè)差異閾值時，則確定所述兩個上下文信息不相似。上述的服務(wù)信譽度獲取方法中，所述將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾包括獲取所述服務(wù)的上下文信息關(guān)系表，其中，所述上下文信息關(guān)系表包括不相似的上下文信息的對應(yīng)關(guān)系；根據(jù)所述上下文信息關(guān)系表中，與所述查詢用戶的上下文信息不相似的上下文信息；將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾。上述的服務(wù)信任度獲取方法中，所述服務(wù)具有多個質(zhì)量屬性，所述服務(wù)的評價數(shù)據(jù)包括評價用戶的上下文信息，以及評價用戶對服務(wù)的各質(zhì)量屬性的評價；所述將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾包括將所述服務(wù)的各質(zhì)量屬性的評價中，與所述查詢用戶的上下文信息不相似的各質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾；所述獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度包括獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中，各質(zhì)量屬性的評價；針對各質(zhì)量屬性的評價，分別進行加權(quán)平均得到各質(zhì)量屬性的評價的加權(quán)平均值；將各質(zhì)量屬性的評價的加權(quán)平均值組成加權(quán)平均值集合，將所述加權(quán)平均值集合作為所述服務(wù)的信譽度。上述的服務(wù)信譽度獲取方法還可包括獲取所述服務(wù)的評價數(shù)據(jù)中各評價用戶的可靠度，其中，獲取評價用戶的可靠度包括獲取所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第一加權(quán)平均值；獲取評價用戶對所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第二加權(quán)平均值；根據(jù)所述第一加權(quán)平均值和第二加權(quán)平均值之間的差，為所述評價用戶分配一權(quán)重值，并作為所述評價用戶的可靠度；所述獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度包括從過濾后的所述服務(wù)的評價數(shù)據(jù)中，獲取各評價用戶對所述服務(wù)的質(zhì)量屬性的評價；將各評價用戶對所述服務(wù)的質(zhì)量屬性的評價分別與評價用戶的可靠度相乘，作為各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價；對各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價進行加權(quán)平均，得到所述服務(wù)的
信譽度。本發(fā)明提供一種服務(wù)信譽度獲取裝置，包括查詢請求獲取模塊，用于獲取查詢用戶的查詢請求，所述查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，所述上下文信息為查詢用戶使用所述服務(wù)時的上下文環(huán)境 fn息；評價數(shù)據(jù)過濾模塊，用于將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾；信譽度計算模塊，用于獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度；其中，上下文信息不相似是指具有相同上下文類型的兩個上下文信息所對應(yīng)的服務(wù)的質(zhì)量屬性的評價之間的差值大于預(yù)設(shè)差異閾值時，則確定所述兩個上下文信息不相似。上述的服務(wù)信譽度獲取裝置中，所述評價數(shù)據(jù)過濾模塊包括上下文信息關(guān)系表獲取單元，用于獲取所述服務(wù)的上下文信息關(guān)系表，其中，所述上下文信息關(guān)系表包括不相似的上下文信息的對應(yīng)關(guān)系；不相似上下文信息獲取單元，用于根據(jù)所述上下文信息關(guān)系表中，與所述查詢用戶的上下文信息不相似的上下文信息；評價數(shù)據(jù)過濾單元，用于將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾。上述的服務(wù)信譽度獲取裝置中，所述服務(wù)具有多個質(zhì)量屬性，所述服務(wù)的評價數(shù)據(jù)包括評價用戶的上下文信息，以及評價用戶對服務(wù)的各質(zhì)量屬性的評價；所述評價數(shù)據(jù)過濾模塊，具體用于將所述服務(wù)的各質(zhì)量屬性的評價中，與所述查詢用戶的上下文信息不相似的各質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾；所述信譽度計算模塊包括第一評價獲取單元，用于獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中，各質(zhì)量屬性的評價；加權(quán)計算單元，用于針對各質(zhì)量屬性的評價，分別進行加權(quán)平均得到各質(zhì)量屬性的評價的加權(quán)平均值；信譽度獲取單元，用于將各質(zhì)量屬性的評價的加權(quán)平均值組成加權(quán)平均值集合， 將所述加權(quán)平均值集合作為所述服務(wù)的信譽度。上述的服務(wù)信譽度獲取裝置還可包括用戶可靠度獲取模塊，用于獲取所述服務(wù)的評價數(shù)據(jù)中各評價用戶的可靠度；所述用戶可靠度獲取模塊包括第一計算單元，用于獲取所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第一加權(quán)平均值；第二計算單元，用于獲取評價用戶對所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第二加權(quán)平均值；可靠度獲取單元，用于根據(jù)所述第一加權(quán)平均值和第二加權(quán)平均值之間的差，為所述評價用戶分配一權(quán)重值，并作為所述評價用戶的可靠度；所述信譽度計算模塊包括第二評價獲取單元，用于從過濾后的所述服務(wù)的評價數(shù)據(jù)中，獲取各評價用戶對所述服務(wù)的質(zhì)量屬性的評價；評價處理單元，用于將各評價用戶對所述服務(wù)的質(zhì)量屬性的評價分別與評價用戶的可靠度相乘，作為各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價；信譽度計算單元，用于對各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價進行加權(quán)平均，得到所述服務(wù)的信譽度。本發(fā)明提供的服務(wù)信譽度獲取方法及裝置，在進行服務(wù)信譽度查詢時，通過將服務(wù)的評價數(shù)據(jù)中，與查詢用戶的上下文信息不相似的服務(wù)的質(zhì)量屬性刪除，對服務(wù)的評價數(shù)據(jù)進行過濾，使得基于過濾后的服務(wù)的評價數(shù)據(jù)計算得到的服務(wù)的信譽度更加符合查詢用戶的實際需要，獲得的服務(wù)信譽度更加準(zhǔn)確，基于該服務(wù)信譽度獲得的服務(wù)更能滿足用戶的實際需要，獲得的服務(wù)具有更高的可信性和可靠性。


圖1為本發(fā)明實施例一提供的服務(wù)信譽度獲取方法的流程示意圖；圖2為本發(fā)明實施例二提供的服務(wù)信譽度獲取方法的流程示意圖；圖3為本發(fā)明實施例中提供的語言翻譯領(lǐng)域的web服務(wù)中質(zhì)量屬性對上下文的敏感關(guān)系示意圖；圖4為本發(fā)明實施例三提供的服務(wù)信譽度獲取方法中獲取評價用戶的可靠度的的流程示意圖；圖5為本發(fā)明實施例三提供的服務(wù)信譽度獲取方法中獲取服務(wù)信譽度的流程示意圖；圖6為本發(fā)明實施例四提供的服務(wù)信譽度獲取裝置的結(jié)構(gòu)示意圖；圖7為本發(fā)明實施例中評價數(shù)據(jù)過濾模塊的結(jié)構(gòu)示意圖；圖8為本發(fā)明實施例四提供的服務(wù)信譽度獲取裝置的結(jié)構(gòu)示意圖；圖9為本發(fā)明實施例五提供的服務(wù)信譽度獲取裝置的結(jié)構(gòu)示意圖。
具體實施例方式圖1為本發(fā)明實施例一提供的服務(wù)信譽度獲取方法的流程示意圖。如圖1所示， 本實施例服務(wù)信譽度獲取方法可應(yīng)用于服務(wù)信譽度獲取裝置中，獲取服務(wù)的信譽度，具體可包括步驟101、服務(wù)信譽度獲取裝置獲取查詢用戶的查詢請求，該查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，上下文信息為查詢用戶使用服務(wù)時的上下文環(huán)境信息；步驟102、服務(wù)信譽度獲取裝置將服務(wù)的評價數(shù)據(jù)中，與查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對服務(wù)的評價數(shù)據(jù)進行過濾；步驟103、服務(wù)信譽度獲取裝置獲取過濾后的服務(wù)的評價數(shù)據(jù)中服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到服務(wù)的質(zhì)量屬性的加權(quán)平均值，將服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度。其中，上下文信息不相似是指具有相同上下文類型的兩個上下文信息所對應(yīng)的服務(wù)的質(zhì)量屬性的評價之間的差值大于預(yù)設(shè)差異閾值時，則確定所述兩個上下文信息不相似。本實施例服務(wù)信譽度獲取方法可應(yīng)用于web服務(wù)的應(yīng)用中，以便用戶在使用web 服務(wù)時，可通過服務(wù)信譽度獲取裝置，并基于上述步驟獲得web服務(wù)的信譽度，以確定web 服務(wù)的可信性，提高獲取的web服務(wù)的可靠性。本實施例中，在基于服務(wù)的評價數(shù)據(jù)進行服務(wù)信譽度計算時，可將服務(wù)的質(zhì)量屬性的評價中，與查詢用戶的上下文信息不相似的評價刪除，對服務(wù)的評價數(shù)據(jù)進行過濾， 這樣，基于過濾后的服務(wù)的評價數(shù)據(jù)計算得到的服務(wù)的信譽度更加接近查詢用戶的實際需要，有效提高服務(wù)信譽度的準(zhǔn)確性，使得用戶基于該獲取的服務(wù)的信譽度獲取的服務(wù)更加接近用戶的實際需要，可有效滿足用戶的實際需要。本領(lǐng)域技術(shù)人員可以理解，所述的上下文信息可以是用來描述用戶、服務(wù)和環(huán)境之間的交互情況的信息，例如服務(wù)調(diào)用時間、用戶所在地的地理位置等。由于服務(wù)在不同的上下文環(huán)境下，可能表現(xiàn)出不同的質(zhì)量，因此用戶的評價與該上下文信息有關(guān)，在相同上下文類型，而不同上下文信息下對同一質(zhì)量屬性的評價差異較大時，則可認為該不同的上下文信息在該質(zhì)量屬性的評價上不相似，例如，對于同一地理位置的美國和中國用戶，對服務(wù)響應(yīng)時間的評價存在較大差異，則認為美國和中國這兩個上下文信息在對響應(yīng)時間這一質(zhì)量屬性評價時不相似，因此，對于查詢用戶來說，那些與自己的上下文信息不相似的評價也就沒有參考價值，可將這些評價刪除，從而可更加準(zhǔn)確的反映查詢用戶的真實需要。綜上，本發(fā)明實施例提供的服務(wù)信譽度獲取方法，在進行服務(wù)信譽度查詢時，通過將服務(wù)的評價數(shù)據(jù)中，與查詢用戶的上下文信息不相似的服務(wù)的質(zhì)量屬性刪除，對服務(wù)的評價數(shù)據(jù)進行過濾，使得基于過濾后的服務(wù)的評價數(shù)據(jù)計算得到的服務(wù)的信譽度更加符合查詢用戶的實際需要，獲得的服務(wù)信譽度更加準(zhǔn)確，基于該服務(wù)信譽度獲得的服務(wù)更能滿足用戶的實際需要，獲得的服務(wù)具有更高的可信性和可靠性。圖2為本發(fā)明實施例二提供的服務(wù)信譽度獲取方法的流程示意圖。本實施例中， 查詢用戶查詢的服務(wù)可具有多個質(zhì)量屬性，該服務(wù)的評價數(shù)據(jù)可包括評價用戶的上下文信息，以及評價用戶對服務(wù)的各質(zhì)量屬性的評價，在獲取服務(wù)信譽度時，可針對服務(wù)的各質(zhì)量屬性的評價，獲得服務(wù)的各服務(wù)屬性的評價的加權(quán)平均值，并將該服務(wù)的各質(zhì)量屬性的評價的加權(quán)平均值的集合，作為該服務(wù)的信譽度，具體地，如圖2所示，本實施例服務(wù)信譽度獲取方法可包括以下步驟步驟201、服務(wù)信譽度獲取裝置獲取查詢用戶的查詢請求，該查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，上下文信息為查詢用戶使用服務(wù)時的上下文環(huán)境信息；步驟202、服務(wù)信譽度獲取裝置將所述服務(wù)的各質(zhì)量屬性的評價中，與所述查詢用戶的上下文信息不相似的各質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾；步驟203、服務(wù)信譽度獲取裝置獲取過濾后的服務(wù)的評價數(shù)據(jù)中各質(zhì)量屬性的評價；步驟204、服務(wù)信譽度獲取裝置針對各質(zhì)量屬性的評價，分別進行加權(quán)平均得到各質(zhì)量屬性的評價的加權(quán)平均值；步驟205、服務(wù)信譽度獲取裝置將各質(zhì)量屬性的評價的加權(quán)平均值組成加權(quán)平均值集合，將該加權(quán)平均值集合作為服務(wù)的信譽度。本實施例中，可基于服務(wù)的各質(zhì)量屬性，分別對各質(zhì)量屬性的評價進行過濾，并基于各質(zhì)量屬性的評價，得到各質(zhì)量屬性的評價的加權(quán)平均值，并將各質(zhì)量屬性的加權(quán)平均值的集合，作為服務(wù)的信譽度，使得服務(wù)的信譽度是多維度的，例如，服務(wù)的質(zhì)量屬性具有可用性、響應(yīng)時間、準(zhǔn)確性時，得到的服務(wù)的信譽度中，分別包括可用性、響應(yīng)時間、準(zhǔn)確性的評價的加權(quán)平均值，這樣，查詢用戶就可基于各質(zhì)量屬性的加權(quán)平均值，確定該服務(wù)是否可行，以決定是否使用該服務(wù)。上述本發(fā)明各實施例中，將所述服務(wù)的評價數(shù)據(jù)中，與查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對服務(wù)的評價數(shù)據(jù)進行過濾具體包括獲取服務(wù)的上下文信息關(guān)系表，其中，上下文信息關(guān)系表包括不相似的上下文信息的對應(yīng)關(guān)系；根據(jù)上下文信息關(guān)系表中，與查詢用戶的上下文信息不相似的上下文信息；將服務(wù)的評價數(shù)據(jù)中，與查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，實現(xiàn)對服務(wù)的評價數(shù)據(jù)的過濾?？梢钥闯觯趯Ψ?wù)的評價數(shù)據(jù)進行過濾前，可事先從該服務(wù)的評價數(shù)據(jù)中，獲得服務(wù)的上下文信息關(guān)系表，以便查詢用戶對服務(wù)的信譽度進行查詢時，可基于該上下文信息關(guān)系表確定與查詢用戶的上下文信息不相似的上下文信息，提高過濾效率。下面將以本發(fā)明實施例在Web服務(wù)中的具體應(yīng)用為例，對本發(fā)明實施例技術(shù)方案進行詳細說明。假設(shè)Web服務(wù)的用戶評價模型是RM= (Context，Quality)是一個二元數(shù)據(jù)組，其中Context是包含m個元素的集合Context = Ic1, c2，…，cm}，集合中的元素ci為用戶使用Web服務(wù)時的上下文類型。
Quality是包含η個元素的集合Quality = {qi，q2，…，qn}，集合中的元素qi為 Web服務(wù)的質(zhì)量屬性。例如，對于一個語音翻譯領(lǐng)域的web服務(wù)，其用戶評價模型可為RM = (Context, Quality)，其中，Context = {地理位置，翻譯類型，源語言，目標(biāo)語言}，Quality = {響應(yīng)時間，可用性，準(zhǔn)確性}。假設(shè)web服務(wù)的一個評價用戶的評價數(shù)據(jù)定義為RD = (T，U, S, CV, QR)，其中T是評價數(shù)據(jù)的提交時間；U是評價數(shù)據(jù)的提交者，即評價用戶，其通常用一個唯一用戶標(biāo)識(User ID)表示；S是評價數(shù)據(jù)的對象，即該Web服務(wù)，其通常用一個唯一服務(wù)標(biāo)識(Service ID)表示；CV是上下文信息的集合，包括m個元素，每個預(yù)元素對應(yīng)于一個上下文類型，可表示為CV= {cvl, cv2,…，cvm}，集合中的元素CVi是上下文類型ci的取值(Context Value)，元素cvi即為上述的上下文信息，其中，cvi e Range (ci)；質(zhì)量屬性集合QR，QR= {qrl，qr2，…，qrn}，包含η個元素集合，集合中的元素 qri是用戶對質(zhì)量屬性qi的評價(Quality Rating)，通常取值為一個整數(shù)區(qū)間。其中，上下文類型cv通常是一個枚舉型的值，例如地理位置、語言類型等，而上下文信息，也即CV中各上下文類型CV的取值則代表一個該上下文類型CV對應(yīng)的一個具體信息，例如，地理位置的上下文類型可能對應(yīng)有中國、美國等具體的地理位置信息，且上述的各元素具體可以由相應(yīng)的數(shù)值或符號來代替。集合QR中的元素qri的取值區(qū)間應(yīng)該合適，當(dāng)這個區(qū)間設(shè)定得太大時，比如為
，往往會造成對同一個服務(wù)的評價差別異常大；而這個區(qū)間太小時，例如[_1，0，1]，則不能有效地區(qū)分Web服務(wù)的質(zhì)量差別，本實施例中，對質(zhì)量屬性的評價取值為[1，5]，也即五級的評價范圍。本領(lǐng)域技術(shù)人員可以理解，每種質(zhì)量屬性對應(yīng)的評價可表征Web服務(wù)在不同質(zhì)量屬性方面信譽度。各評價用戶使用web服務(wù)后，可基于上述評價模型web服務(wù)提交評價，得到的該 web服務(wù)的評價數(shù)據(jù)中，分別包括各評價用戶針對web服務(wù)評價時的上下文信息、各質(zhì)量屬性的評價，可以看出，每個用戶的評價均包括上下文信息和評價信息，即評價數(shù)據(jù)時二維的?；谏鲜鰓eb服務(wù)評價模型，可收集包括上下文信息以及質(zhì)量屬性的評價的web 服務(wù)的評價數(shù)據(jù)，本實施例正是基于收集到的web服務(wù)的評價數(shù)據(jù)，進行敏感關(guān)系挖掘，在計算web服務(wù)信譽度的時候，將與信譽度查詢用戶的上下文信息不相似的評價過濾掉，以提高計算得到的信譽度的準(zhǔn)確度和針對性。查詢用戶對服務(wù)的信譽度進行查詢時，為便于對服務(wù)的評價進行過濾，可首先根據(jù)收集的服務(wù)的評價數(shù)據(jù)，進行上下文挖掘，找出上下文信息的對應(yīng)關(guān)系表，以便根據(jù)該上下文信息關(guān)系表，對與查詢用戶的上下文信息不相似上下文信息對應(yīng)的評價進行過濾，確保獲得的服務(wù)的信譽度可滿足用戶的需要。在獲得的服務(wù)的評價數(shù)據(jù)中，若一個上下文類型Ci e Context，一個質(zhì)量屬性 Qj e Quality，且當(dāng)Ci的值變化時Qj的值有顯著差異，則可稱對Ci敏感，也稱作％依賴Ci,記為Qj — Ci0而對于一個web服務(wù)S來說，所有的上下文敏感關(guān)系的集合，即 Iqj — CiIci e Context Λ q」e Quality}，稱為該服務(wù)的敏感關(guān)系集合。該服務(wù)的敏感關(guān)系集合體現(xiàn)了上下文類型與服務(wù)的質(zhì)量屬性之間的評價的對應(yīng)關(guān)系。圖3為本發(fā)明實施例中提供的語言翻譯領(lǐng)域的web服務(wù)中質(zhì)量屬性對上下文的敏感關(guān)系示意圖。例如，對于上述的語言翻譯領(lǐng)域的web服務(wù)，一個可能的敏感關(guān)系集合如圖 3所示，圖3中下排表示質(zhì)量屬性，分別包括可用性、響應(yīng)時間、準(zhǔn)確性；上排表示上下文類型，包括地理位置、翻譯類型、源語言、目標(biāo)語言；箭頭指向則表示質(zhì)量屬性對上下文類型敏感。實際應(yīng)用中，可通過配對T檢驗來確定上下文信息是否相似。配對T檢驗通常被用來檢驗同一受試對象在接受兩種試驗處理時的表現(xiàn)是否一致，也即均值是否相等，因此， 配對T檢驗可適用于衡量web服務(wù)在上下文類型的值，也即上下文信息變化時，對服務(wù)的質(zhì)量屬性的評價是否有顯著差異，確定具有相同上下文類型的不同上下文信息在考慮服務(wù)的質(zhì)量屬性時是否相似。具體地，收集到的服務(wù)的評價數(shù)據(jù)中，若上下文類型Ci取值為cvl時，質(zhì)量屬性Clj 的取值為 = {Φ·Η|Ι = 1,2,...},當(dāng)Ci取值為cv2時，Qj的取值為€ =沖21|1 = 1,2,...},對品和
q^進行配對T檢驗檢驗假設(shè)HO 兩種質(zhì)量屬性平均取值相同；Hl 兩種質(zhì)量屬性平均取值不同；
d-uA計算檢驗統(tǒng)計量
權(quán)利要求
1.一種服務(wù)信譽度獲取方法，其特征在于，包括獲取查詢用戶的查詢請求，所述查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，所述上下文信息為查詢用戶使用所述服務(wù)時的上下文環(huán)境信息；將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，從而對所述服務(wù)的評價數(shù)據(jù)進行過濾；獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度；其中，上下文信息不相似是指具有相同上下文類型的兩個上下文信息所對應(yīng)的服務(wù)的質(zhì)量屬性的評價之間的差值大于預(yù)設(shè)差異閾值時，則確定所述兩個上下文信息不相似。
2.根據(jù)權(quán)利要求1所述的服務(wù)信譽度獲取方法，其特征在于，所述將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾包括獲取所述服務(wù)的上下文信息關(guān)系表，其中，所述上下文信息關(guān)系表包括不相似的上下文信息的對應(yīng)關(guān)系；根據(jù)所述上下文信息關(guān)系表中，與所述查詢用戶的上下文信息不相似的上下文信息； 將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾。
3.根據(jù)權(quán)利要求1所述的服務(wù)信譽度獲取方法，其特征在于，所述服務(wù)具有多個質(zhì)量屬性，所述服務(wù)的評價數(shù)據(jù)包括評價用戶的上下文信息，以及評價用戶對服務(wù)的各質(zhì)量屬性的評價；所述將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾包括將所述服務(wù)的各質(zhì)量屬性的評價中，與所述查詢用戶的上下文信息不相似的各質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾；所述獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度包括獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中，各質(zhì)量屬性的評價； 針對各質(zhì)量屬性的評價，分別進行加權(quán)平均得到各質(zhì)量屬性的評價的加權(quán)平均值； 將各質(zhì)量屬性的評價的加權(quán)平均值組成加權(quán)平均值集合，將所述加權(quán)平均值集合作為所述服務(wù)的信譽度。
4.根據(jù)權(quán)利要求1所述的服務(wù)信譽度獲取方法，其特征在于，還包括獲取所述服務(wù)的評價數(shù)據(jù)中各評價用戶的可靠度，其中，獲取評價用戶的可靠度包括獲取所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第一加權(quán)平均值； 獲取評價用戶對所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第二加權(quán)平均值；根據(jù)所述第一加權(quán)平均值和第二加權(quán)平均值之間的差，為所述評價用戶分配一權(quán)重值，并作為所述評價用戶的可靠度；所述獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度包括從過濾后的所述服務(wù)的評價數(shù)據(jù)中，獲取各評價用戶對所述服務(wù)的質(zhì)量屬性的評價； 將各評價用戶對所述服務(wù)的質(zhì)量屬性的評價分別與評價用戶的可靠度相乘，作為各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價；對各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價進行加權(quán)平均，得到所述服務(wù)的信譽度。
5.一種服務(wù)信譽度獲取裝置，其特征在于，包括查詢請求獲取模塊，用于獲取查詢用戶的查詢請求，所述查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，所述上下文信息為查詢用戶使用所述服務(wù)時的上下文環(huán)境信息；評價數(shù)據(jù)過濾模塊，用于將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾；信譽度計算模塊，用于獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度；其中，上下文信息不相似是指具有相同上下文類型的兩個上下文信息所對應(yīng)的服務(wù)的質(zhì)量屬性的評價之間的差值大于預(yù)設(shè)差異閾值時，則確定所述兩個上下文信息不相似。
6.根據(jù)權(quán)利要求5所述的服務(wù)信譽度獲取裝置，其特征在于，所述評價數(shù)據(jù)過濾模塊包括上下文信息關(guān)系表獲取單元，用于獲取所述服務(wù)的上下文信息關(guān)系表，其中，所述上下文信息關(guān)系表包括不相似的上下文信息的對應(yīng)關(guān)系；不相似上下文信息獲取單元，用于根據(jù)所述上下文信息關(guān)系表中，與所述查詢用戶的上下文信息不相似的上下文信息；評價數(shù)據(jù)過濾單元，用于將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾ο
7.根據(jù)權(quán)利要求5所述的服務(wù)信譽度獲取裝置，其特征在于，所述服務(wù)具有多個質(zhì)量屬性，所述服務(wù)的評價數(shù)據(jù)包括評價用戶的上下文信息，以及評價用戶對服務(wù)的各質(zhì)量屬性的評價；所述評價數(shù)據(jù)過濾模塊，具體用于將所述服務(wù)的各質(zhì)量屬性的評價中，與所述查詢用戶的上下文信息不相似的各質(zhì)量屬性的評價刪除，實現(xiàn)對所述服務(wù)的評價數(shù)據(jù)的過濾； 所述信譽度計算模塊包括第一評價獲取單元，用于獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中，各質(zhì)量屬性的評價； 加權(quán)計算單元，用于針對各質(zhì)量屬性的評價，分別進行加權(quán)平均得到各質(zhì)量屬性的評價的加權(quán)平均值；信譽度獲取單元，用于將各質(zhì)量屬性的評價的加權(quán)平均值組成加權(quán)平均值集合，將所述加權(quán)平均值集合作為所述服務(wù)的信譽度。
8.根據(jù)權(quán)利要求5所述的服務(wù)信譽度獲取裝置，其特征在于，還包括 用戶可靠度獲取模塊，用于獲取所述服務(wù)的評價數(shù)據(jù)中各評價用戶的可靠度； 所述用戶可靠度獲取模塊包括第一計算單元，用于獲取所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第一加權(quán)平均值；第二計算單元，用于獲取評價用戶對所述服務(wù)的質(zhì)量屬性的所有評價，進行加權(quán)平均得到第二加權(quán)平均值；可靠度獲取單元，用于根據(jù)所述第一加權(quán)平均值和第二加權(quán)平均值之間的差，為所述評價用戶分配一權(quán)重值，并作為所述評價用戶的可靠度； 所述信譽度計算模塊包括第二評價獲取單元，用于從過濾后的所述服務(wù)的評價數(shù)據(jù)中，獲取各評價用戶對所述服務(wù)的質(zhì)量屬性的評價；評價處理單元，用于將各評價用戶對所述服務(wù)的質(zhì)量屬性的評價分別與評價用戶的可靠度相乘，作為各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價；信譽度計算單元，用于對各評價用戶對所述服務(wù)的質(zhì)量屬性的可靠評價進行加權(quán)平均，得到所述服務(wù)的信譽度。
全文摘要
本發(fā)明公開一種服務(wù)信譽度獲取方法及裝置。該方法包括獲取查詢用戶的查詢請求，所述查詢請求包括查詢用戶的上下文信息以及查詢的服務(wù)，所述上下文信息為查詢用戶使用所述服務(wù)時的上下文環(huán)境信息；將所述服務(wù)的評價數(shù)據(jù)中，與所述查詢用戶的上下文信息不相似的上下文信息對應(yīng)的服務(wù)的質(zhì)量屬性的評價刪除，對所述服務(wù)的評價數(shù)據(jù)進行過濾；獲取過濾后的所述服務(wù)的評價數(shù)據(jù)中所述服務(wù)的質(zhì)量屬性的所有評價，并通過加權(quán)平均得到所述服務(wù)的質(zhì)量屬性的加權(quán)平均值，將所述服務(wù)的質(zhì)量屬性的加權(quán)平均值作為服務(wù)的信譽度。本發(fā)明技術(shù)方案可有效對服務(wù)的評價數(shù)據(jù)進行過濾，使得查詢用戶獲得的服務(wù)信譽度具有更高的準(zhǔn)確性，可滿足查詢用戶的真實需要。
文檔編號H04L29/08GK102523286SQ20111042137
公開日2012年6月27日 申請日期2011年12月15日 優(yōu)先權(quán)日2011年12月15日
發(fā)明者孫海龍, 孟琳琳, 懷進鵬, 趙偉男, 郭曉輝 申請人:北京航空航天大學(xué)