2014-01-10 Joumal of Computer Applications ISSN 1001-9081 计算机应用，2014，34( 1) : 213 -217 CODEN JYIIDU 文章编号:1001-9081(2014)01-0213-05doi: 10. 11772/j. issn. 1001-9081. 2014. 01. 0213 基于协同过滤的可信Web服务推荐方法张璇1，2刘聪3\王黎霞4赵倩杨帅3(1.云南大学软件学院，昆明650091;2.云南省软件工程重点实验室，昆明650091:3.云南大学信息学院，昆明65∞91;4.云南大学经济学院，昆明65∞91)( *通信作者电子邮箱chqyylc@foxmail. com) 摘要:为了实现对可信Web服务的推荐，在分析了Web服务推荐技术与电子商务推荐技术的不同的基础上，提出了一种基于协同过滤的可信Web服务推荐方法。首先，根据已有成采对待组装应用的可信需求进行评估，根据此需求对相似用户进行首次筛选;然后在首次筛选的用户中，根据用户使用服务后的评分数据和用户信息来对相似用户进行二次筛选，经过两次筛选得到最终推荐用户。在根据用户对服务的评分数据计算用户之间的相似性时，考虑了不同服务对于用户间相似性的贡献值;在根据用户信息计算用户之间的相似性时，考虑到用户信息之间非线性的特点，号l入了欧几里得距离公式来计算其相似值;在产生推荐的过程中还考虑了不诚实用户和用户数不足的问题。模拟实验结果表明该方法能够有效地对可信Web服务进行推荐。关键词:Web服务;协同过滤;非功能需求;可信服务;相似用户中图分类号:TP391. 027;T凹文献标志码:ATrustworthy Web service recommendation based on collaborative filtering 12341ZHANG Xuan , LIU Cong’, WANG Lixia, ZHAO Qian, YANG Shuae ( 1. School of SQ作:ware，Yunnan University, Kunming Yunnan 650091, China; 2. Key Úlborα，:tory of SQ而wareEngineering of Yunnan Province, Kunming Yunnan 650091, Chin咀;3. School of Information, Yunnan University, Kunming Yunnan 650091, Chinα; 4. School of Economics, Yunnan University, Kunming Yunnan 650091, China) Abstract: In order to recommend trustworthy Web services, the differences between Web service recommendation and electronic commerce recommendation were analyzed, and then based on the collaborative filtering recommendation algorithm, a trustworthy Web service recommendation approach was proposed. At first, non-functional requirements of trustworthy software were evaluated. According to the evaluation results, similar users were filtered for the first time. Then, by using the rating information and basic information, the similar users were filtered for the second time. Mter finishing these two filtering procedures, the final recommendation users were determined. When using users’ ratings information to calculate the similarity between the users, the similarity of the different services to the user写wastaken into consideration. When using users’ basic information to calculate the similarity between the users, the Euclidean distance formula was introduced. because of the nonlinear characteristics of tbe users. The problems of the dishonesty and insufficient number of users were also considered in the approach. At last, the experimental results show that the recommendation approach for trustworthy Web services is effective. Key words: Web service; collaborative filtering; Non-Functional Requirement (NFR); trustworthy service; similar user 信性无法得到保证[4J。这时就需要一种可信的Web服务推。引言荐方法来向用户提供选择。Web服务技术屏蔽了不同平台之间的差异，使Web服务在可信服务的推荐方面，通常采用的方法有3种[5J组装成为可能，当我们将Web服务视为可复用的软件构件实1)通过可信的第三方推荐;2)通过用户使用服务的历史经验体时，Web服务组装也可看作是一种在Intemet上的基于构产生推荐;3)通过其他服务使用者推荐。在可信的第三方推件的软件开发[IJ。在Web服务组装中传统的服务选择方案荐中，第三方通常基于监控代理和认证中心来收集注册的服是基于服务质量(Qualityof Service, QoS)来对服务进行选择务信息[6J。文献[5J是通过计算用户推荐等级、领域相关度的，即在服务满足功能性的前提下，根据服务QoS来对相同和评价相似度等来对用户的推荐信息进行过滤从而达到推荐功能的服务进行选择[2-3J。但是随着服务规模的增大、服务可信服务的目的，该方法没有考虑服务本身的可信属性而是提供者恶意欺骗，以及其他外在因素的变化，导致QoS的可从用户的角度对服务的可信度进行度量。文献[7J提出了一收稿日期:2013-07-26;修四日期:2013-09-130 基金项目:国家自然科学基金资助项目(61379032，61262024，61262025);云南省应用基础研究计划项目(2012FB118，2012FB119) ;云南省教育厅科学研究基金资助项日(2012Y257，2012C108) ;云南省软件工程重点实验室开放基金资助项目(2011SE09);云南大学"中青年骨干教师培养计划"专项经费资助项目。作者简介:张璇(1978-) ，女，江苏南京人，副教授，博士研究生，主要研究方向:信息安全、软件工程;刘聪(1989斗，男，重庆人，硕士，主要研究方向:Web应用、软件工程;王黎霞(1962-)，女，云南昆明人，副教授，主要研究方向:软件工程;赵倩(1989-) ，女，山西晋中人，硕士，主要研究方向:可信软件属性;杨帅(1987-) ，男，陕西西安人，硕士，主要研究方向:软件过程演化。
214 计算机应用第34卷种开放的具有信任和推荐关系的服务网络模型，通过在这个用的相似可以由应用的非功能属性(在本文也就是应用的可模型上进行推荐从而实现可信服务的发现，该方法的缺点是信属性)来进行度量。只有在该模型上才能实现可信服务的发现，这不适用于现有针对以上所述，本文提出了一种基于协同过滤的可信的Web体系结构。文献[8J提出了一种可信的服务选择模Web服务推荐算法，该算法综合考虑了用户评分和用户评分型，该模型在现实推荐的过程中只考虑了用户信息而没考虑环境来得到推荐用户，在计算推荐用户的过程中还对传统的用户所组装应用的信息。文献[9J提出了一种对可信软件非推荐算法做了一些改进，并引入了欧几里得距离来计算非线功能属性进行度量的模型，通过该模型软件项目组可以计算性数据的相似性。出待开发可信软件对于各个非功能属性的等级需求。2 推荐数据获取在保证服务的可信方面，文献[10J认为开发人员需要直接的证据来论证软件满足其可信性要求:王怀民等[llJ从系在利用推荐算法进行推荐之前首先要获得用于推荐的数统、用户体验、网络行为、资源共享的角度总结了软件可信的据，在本文中用到的数据有待组装应用的可信需求数据和用4个不同表述;文献[12 -13 J认为软件可信性是通过软件可户对于服务的评分数据。信属性进→步描述的，一种可信属性表达了软件的一种相关2. 1 用户可信需求数据获取可信能力，它将"可信性"定义为由正确性、可靠性、安全性、由前面对于可信性的定义知，可信性是由安全性、可靠可用性等众多属性构成的一个新属性。本文的可信服务推荐性、可用性等属性构成的。用户组装不同应用将会对应着不采用了文献[12-13 J中可信性的定义来支持对可信服务的同的可信需求。为了度量不同应用的可信需求，需要将构成推荐，从而完成对可信服务的推荐。可信的每一个可信属性进行分级，这样才能对不同应用的可信需求进行度量。1 服务推荐与电子商务推荐比较对于一个应用的某个属性，不同的用户对该属性的需求推荐系统是实现信息过滤的重要手段，在推荐系统中最可能不同。例如对于一个应用的易用性来说，学术界可能认广泛应用和最成功的算法是协同过滤推荐算法[14J它基于相为易用性的等级并不要求很高而安全性要求很高，但是行业似用户的选择而预测目标用户的选择。在电子商务中推荐系界却认为易用性要求高而安全性要求相对低，而一般来说易统有很普遍的应用，但是服务推荐和电子商务推荐有一些不用性和安全性属性是相互抑制的。面对不同观点需要综合不同之处，其不同之处如表1所示。同的意见来对各个可信属性进行权衡。文献[9J提出了一个表1电子商务推荐与服务推荐的差别用于对用户可信属性进行权衡的模型，该模型综合了项目中所有相关对象对可信属性的等级需求，通过综合权衡所有需比较项电子商务推荐服务推荐求得到一个最终的权衡结果。本文也采用该方法来对用户的用户需求不确定，用户需求确定，推荐服务类型明用户推荐商品类型不可信需求进行评估。确，推荐满足用户需要的该类型服需求确定，推荐用户可采用文献[9J方法，对于可信需求的具体度量过程如下:务能感兴趣的商品首先，对于所有的可信属性建立一个分解层次图，然后，使用推荐系统面向的推荐系统面向的用户一般为软件一个模拟算法将所有对象对可信属性的模糊评价信息转换为面向用户为商品的最开发者，他们使用服务是为了组合用户终用户，他们直接定量值，最后对定量的可信属性值进行计算，通过计算最终得成新的服务供别人使用使用商品到每个可信属性的权衡值。用户除了注重服务的功能属性外，为了便于计算，本文对每个属性计算得到的权衡值做进用户用户一般只注重还注重服务的非功能属性(如安全关注商品的功能属性一步的处理，即按权衡值的大小对属性的需求进行分级，在本性，可靠性等)产品为商品，同类产品为服务，同类服务既有好坏之文中将需求等级分为5级，属性权衡值在不同的区间属性的产品产品只有好坏之分也有等级之分(如:与安全性相需求将会选择不同的等级。差别分，产品本身没有关的服务，安全等级有高中低之以安全性属性的等级选择为例，对于一个应用的安全性，等级之分分)用户对服务的评分在不同的服务学术界、行业界和用户可能会提出不同的需求，应用组装者通组装过程中可能不同(如:对于一过文献[9J中的模型来综合所有对象提出的需求得到一个最用户对商品的评个安全性高的服务，用户在进行银评分终的权衡值，应用组装者根据这个权衡值的数值大小在1-5 分一般是固定不行领域服务组装时对其评分高，而区别变的在进行其他领域服务组装时由于级中选择对应的属性需求等级。其高安全性可能使系统的运行效根据这种方法就收集到了每个用户的可信需求数据。设率降低，而对其评分较低)所有用户为叫，U，叭，…，矶，所有可信属性用AI'儿，2根据电子商务推荐与服务推荐的差别，可知传统的在电 , Am表示，每个属性分为5级，用户对每个属性都有选择子商务中运用的推荐算法不能简单地迁移到服务推荐中进行值，则用户的可信需求数据表如表2所示。运用。从表l中列出的电子商务推荐与服务推荐的区别中可表2用户可倍葡求数据表以看出电子商务推荐与服务推荐最主要的不同就在于:随着可信属性用户用户所组装应用的不同，用户对于同一个服务的评分也可能AI AAm 2 会不同。因此，在使用协同过滤算法寻找相似用户时，要考虑U2 5 1 到用户对服务进行评分时的环境，也就是说只有当用户所组U3 5 2 n 装的应用相似时，其对于当前用户的推荐才是有价值的，而应
第1期张波等:基于协同过滤的可信Web服务推荐方法215 用户可信需求数据表的首行代表所有可信属性，首列代三(-Rι) ( -R) ，，，目‘'、、'且、-，，，表所有用户:行列交叉处则代表用户对相应可信属性的需求sim1 等级。根据用户可信需求数据表可以得到对应的用户可信需Ja~ ( -Ry Ja~ij ( -Ry 求数据矩阵。其中表示当前用户Ui，j表示数据库中用户町，表示用 用户服务评分数据获取户i将要组装应用对可信属d生a的等级选择值，表示用户j用户服务评分数据是用户在使用服务以后对服务满意度己组装应用对可信属性G的等级选择值。Iij表示组装应用共的评价值，这与电子商务中用户对于商品的评分相似。同的可信属性集合，在这里这一集合始终是相同的，即集合假设所有Web服务为鸟，S2, S3, S4，…，乱，用户在使IA，A，…，AmloRi和Rj分别表示用户i待组装应用和用户j12用每个服务后都会对服务进行评分，将评分值分为10级，分已组装应用对各个可信属性等级评价的平均值。别为1，2，…，10;所有用户为叫，叭，…，U则用户使用服务n第2步在第1步中筛选出的用户中，根据筛选出用户评分数据如表3所示。的服务评分矩阵与当前用户的服务评分矩阵计算筛选用户与表3用户服务评分表当前用户之间的相似值sim2。在计算时考虑到不同的服务对Web服务用户之间的相似值影响并不等价，本文对计算相似值公式做用户SI S2 Sm 了一些改进，为每一个服务增加了权重，其计算公式为:U2 5 1 主~q, X (R., -R,) (Rj" -R) iUsim2刊一一(2)8 4 9 n ~，~(Ri.， -Ry ~，~(凡_Rj)2 用户服务评分表的首行代表所有的Web服务，首列代表其中表示当前用户矶，j表示筛选用户鸟，表示用户i对所有用户;行列交叉处则代表用户对其使用服务的评分。根服务s使用后的评分值，表示用户j对服务s使用后的评分据用户服务评分表可以得到对应的用户服务评分矩阵。值，ι表示用户z、j共同使用并评分的服务集合，Rι和Rj分别表示用户i和用户j对所使用服务的平均评分值4表示服务3 可信Web服务推荐算法在得到用户可信需求数据和服务评分数据后下一步就是s所占的权重，其中Zqsi=1，即所有服务的权重之和为1。运用这些数据来计算得到推荐用户从而产生推荐。本文在计第3步在第1步中筛选出的用户中，根据用户资料计算线性相关数据的相似性时用的是相关相似性计算方法，在算用户之间的相关程度sim3。用户选择服务的相似性除了与计算相似性上常用的算法还有余弦相似性度量算法和修正的用户评分、用户所组装的目标服务有关外，还与用户的背景相余弦相似性方法，在这些算法中余弦相似性度量算法没有包关，如用户的年龄、性别、学历等。在第1-2步中应用的可信含用户的统计特征，而修正的余弦相似性方法更多地体现的数据和用户的评分数据都是线性相关的数据，可以运用相似是用户之间的相关性而非相似性，而相关相似性算法更体现相关性方法来计算其相似值，然而用户信息数据并不是线性了用户之间的相似性[臼]。系统运行过程如图l所示。相关的数据，所以在此提出另外一种方法也就是欧几里得距离来计算用户的相关程度。将每个用户视为空间中的一个点，这样两点间的相似度可以由两点间的距离来反映，两点间距离越大，表示两点的相似度越低;反之，则越高。将用户信息看作一个向量，则计算公式为:用户可信需求数据d(x, y) =，)(杀以-yy) (3) 其中:x、y表示用户z和用户y，x表示用户z的信息所组成向i量的第z个分量，Yi表示用户y的信息所组成向量的第i个分量。为了便于比较计算结果，将结果规约到区间(0，1]内，规约公式为:图1系统运行过程im3一一」一一一(4) l+d(x,y) 推荐算法第4步在第1步中筛选出的用户中，综合sim2、sim3的输入用户可信等级需求矩阵，用户服务评分矩阵，用户值得到每个推荐用户的最终推荐度，若该推荐用户为用户j则信息。用户j的推荐度计算公式为:输出预测满足目标用户需求的Web服务。RDj ( U sim2 + v sim3) x (1 + j丁(5)步骤如下:其中:sim2为根据用户服务评分矩阵计算得到的用户相似度，第1步使用当前用户待组装应用的可信需求矩阵与数sim3为根据用户信息计算得到的用户相关程度，f:是推荐用据库中用户已组装完成应用的可信需求矩阵进行计算，计算户j的推荐被接受的次数产生的增值系数。f主要是为了校正应用之间的相似值sim1，筛选出相似值最大的前M(M为系统不诚实用户的问题，不诚实用户是指用户不按照真实情况对设定值，用户也可以根据自己的需要对其进行设置)个用户，服务进行评价的用户，对于不诚实用户的推荐其他用户采用从而完成相似用户的第一次筛选。计算公式为:的概率很小，f的计算方法为:
216 计算机应用第34卷!=E/E (6) 类服务、搜索/探测类服务、自动销售类服务、零售类服务。对其中:Ej为推荐用户J的推荐信息被采用的次数，而E为所有服务的分类也可用于对组装的应用进行分类，对于同类应用推荐用户(在第1步中筛选出的用户)推荐信息被采用的总其可信属性需求等级相似，通过分类可以降低用户对于可信次数。这样可以有效地使系统形成反馈，消除由不诚实用户产属性等级选择的误差。在实验中服务总数为5∞个，实验中模生的推荐误差，从而使推荐更加精确。参数U和U代表的是各拟了200个服务使用者，在初始阶段每个用户都对3040个-个值所占的权重，其中u+ v 1;在实际使用中可以调节U和服务进行过评价。U的值来适应不同的需求。为了对比本推荐方法的性能，在本模拟实验中使用了3第5步得到最终推荐用户。在第4步中计算出了每个种推荐方法来进行推荐对比:方法1是传统的推荐算法，即仅用户对于当前用户的推荐度，根据每个用户的推荐度按推荐使用用户服务评分矩阵进行推荐;方法2是仅使用用户可信度从大到小的顺序进行排序，将排在前面的前G个用户作为需求矩阵进行推荐;方法3是本文提出的推荐方法。为了便于最终推荐用户，系统根据这G个推荐用户产生推荐结果。实验，在实验中没有考虑各个服务对用户相似性影响的权值，第6步根据推荐用户预测用户评分得到推荐结果:设且设定U，V的值均为l。有一组待推荐功能相同的候选Web服务15，,52’ ,51;本设定用户阙值Y50，推荐用户个数G10，首次筛选的m = = 文根据推荐用户来预测当前用户对这组相间功能的Web服用户数M30= ，则随着用户数的增加3种方法的MAE变化情务的评分，令多个用户对某个服务的评分为这些用户对服务况如图2所示。 的评分之和，对于服务5预测当前用户对该服务的评分为:. 问=Za(Sz)/G(7) ~ ~ 其中:e，e5J为推荐用户i对于服务5i的评分G，为设定的推荐用户个数。即各个服务的预测评分等于所有推荐用户对服0’ 20 25 30 35 40 45 50 55 务的平均评分。在得到这组Web服务的预测评分后按照预用户数测评分大小将这组服务排序，将预测评分排在前丽的Web服图2MAE变化图(Y 50G 10 M 30) = , = ,= 务推荐给当前用户供用户选择。从图2可见:当用户数较小时方法2优于方法1，这是由 异常处理于当用户数较少时根据用户服务评分数据计算得到的相似用上面的算法是在假定用户数据库中用户量足够多的情况户误差较大;但随着用户数的增加由于可信属性的有限性，根下进行的，然而当用户数据库中用户数为零，或者用户数很少据可信属性需求计算出的相似用户范围过于宽广，所以方法时，系统没有相似用户可以参考，此时，则不能使用上面的算2的性能低于方法1;方法3的性能在整个过程中最好，这是法来得到推荐，本文采取其他方式来处理这一情况。由于方法3在得到推荐的过程中综合了几种数据，所以方法给数据库中用户数设一个阔值Y。当数据库中的用户数3的推荐效果最好。大于Y时，系统采用上面的算法来实现推荐。当数据库中的用当设定Yl0020M 50= G = = ，则随着用户数的增加3,,户数小于Y时，此时没有相似用户可以参考，应该根据用户的种方法的MAE变化情况如图3所示。可信需求数据来实现推荐。一个应用是由多个服务组合而成 . 的，对于每个服务也可以将其看成是一个应用，因此每个服务() ~ r Õ::::::::立之也具有其相应的可信属性，可以利用式(1)来计算单个服务问。.gtι飞---飞’:: .与应用之间的可信性质差异，从而将与应用的可信性质最相忌。.. . 似的服务推荐给用户。 O! 30 35 40 45 50 55 60 65 4 模拟实验与结果分析用户数图3MAE变化图(Y=lOO，G=20，M=50)对于推荐系统的评价标准主要有两类[归一类是统计精根据图3的结果可以看到:随着Y、G和M的改变，推荐的度度量方法，一类是决策支持精度度量方法。一般常用的方法是统计精度度量方法中的平均绝对偏差(MeanAbsolute 结果也会改变，当Y、G和M增大时推荐的精度也相应地增大了。因此，在实际的应用中应该根据用户量来调整Y、G和M的ErrorMAE)度量方法。本文也采用此方法来作为度量标准。, 设预测的用户对于服务的评分集合为 大小，从而得到更好的推荐结果。, Ip"PN 1, P2’对应的实际评分集合为恼，仇，…，qNI ，则MAE的计算定义5 结语[11]为基于Web服务的服务组合已经得到了人们的广泛关注，阳E=Z|pz-qz|/N(8) 本文提出了一种Web服务组装过程中的可信服务推荐方法，模拟实验结果表明该方法可以得到预期的推荐效果。在Web在模拟实验中使用的可信属性包括可靠性、防危性、易用服务组装中服务组合时可能存在服务之间的冲突问题，这是性、安全性、可移植性和可维护性，将每一个可信属性分为5级。为了使仿真实验更加真实，在实验中按文献[16]的分类在上面的推荐过程中没有考虑到的，另外，随着Web服务的方法对服务进行划分，服务分类情况为:访问控制/安全类服不断增加和Web服务用户数的不断增多，如何能使推荐过程务、地址/定位类服务、金融商业类服务、开发工具类服务、目更快将是我们未来要解决的问题，在下一步工作中将着重研录/数据库类服务、政府/政策类服务、在线验证类服务、证券究这两个问题。
217 张波等:基于协同过滤.的可信Web服务推荐方法第1期35( 2) : 349 -354. ) 参考文献:[9] ZHU M X, LUO X X, CHEN X H, et al. A non-functiona1 require›[1] ZHAO J, XIE B, ZHANG L, et al. A Web services composition ments tracleoff moclel in trustworthy software [ J]. Information Sci›methocl supporting clomain feature[ 1]. Chinese Journa1 of Comput›ences, 2012,191: 61一, 2∞5，28(4):731-738.(赵俊，谢冰，张路，等.一种支持领[10] JACKSON D. A clirect path to clepenclable software[ J]. Communi›域特性的Web服务组装方法[J].计算机学报，2005，28( 4): 731 cations of ACM, 2009, 52( 4): 78 -88 -738. ) [2] LI M[11] WANG H, TANG Y, YIN G, et al. Creclible mechanism of Inter›, ZHAO J F, WANG L 1. CoWs: an Internet-enrichecl ancl qua1ity-aware Web services search engine[ C] / / Proceeclings of the net software[ J]. Science in China Series E: Information Sciences, 2011 IEEE Internationa1 Conference on Web Services. Piscataway, 2006, 36( 10): 1156 -1169. (王怀民，唐扬斌，尹刚，等.互联网NJ: IEEE Press,2011:419 -427. 软件的可信机理[1].中国科学E辑:信息科学，2∞6，36(10):[3] HU J, LI J, LIAO G. A multi-QoS basecl loca1 optimal moclel of 1156 -1169.) service selection[ J]. Chinese Journa1 of Computers, 2010,33 (3) : [12] LIU K, SHAN Z G, WANG J, et al. Overview on major research 526 -534. (胡建强，李涓子，廖桂平.一种基于多维服务质量的plan of trustworthy software [ 1]. Science Founclation in China, 局部最优服务选择模型[1].计算机学报，2010，33(3):526 -2008,22(3): 145 -151. (刘克，单志广，王载，等"可信软件基534. ) 础研究"重大研究计划综述[J].中国科学基金，2008，22(3): [4] AL-MASRI E, MAHMOUD Q H. Investigating Web se凹iceson the 145 -151.) Worlcl Wicle Web[ C]// Proceeclings ofthe WWW2008. New York: [13] LANG B, LIU X, WANG H, et al. A classification moclel for soft›ACM Press, 2008: 795 -804. ware trustworthines[ J]. Journa1 of Frontiers of Computer Science & [5] ZHU R, WANG 日，FENG D. Trustworthy services selection basecl Technology, 2010,4(3): 231 -239. (郎波，刘旭东，王怀民，等.on preference recommenclation [ J]. Journa1 of Software, 2011, 22 一种软件可信分级模型[1].计算机科学与探索，2010，4( 3): (5): 852 -864. (朱锐，王怀民，冯大为.基于偏好推荐的可信服231 -239.) 务选择[J].软件学报，2011，22( 5) : 852 -864. ) [14] BREESE J, HECHERMAN 0, KADIE C. Empirical ana1ysis of [6] TIAN M, GRAMM A, NAUMOWICZ T, et al. A concept for QoS preclictive algorithms for coIlaborative filtering[ C] / / UAI 1998: integration in Web service恐[C] / / Proceeclings of the Fourth Interna›Proceeclings of the 14 th Conference on Un certainty in Artificia1 In›tiona1 Conference on Web Information Systems Engineering Work›teIligence. San Francisco: Morgan Kaufmann Publishers Inc., shops. Piscataway, NJ: IEEE Press, 2003: 149 -155. 1998: 43 -52. [7] LIU Y, ZHENG X, CHEN D. Trustworthy services cliscovery basecl [15] XU H, WU X, LI X, et al. Comparison stucly of Internet recom›on trust ancl recommenclation relationships[ J]. Systems Engineering menclation system[ 1]. Journa1 of Software, 2009, 20 (2) : 350 --Theory & Practice, 2012, 32( 12): 2789 -2795. (刘迎春，郑小362. (许海玲，吴潇，李晓东，等.互联网推荐系统比较研究林，陈德人.基于信任和推荐关系的可信服务发现[1].系统工程[J] 软件学报，2009，20(2):350 -362.) 理论与实践，2012，32( 12): 2789 -2795.) [ 16] SAHA S, MURTHY C A, PAL S K. Classification of Web se凹lces[8] WANG H, ZHANG D. A trustworthy service selection moclel basecl using tensor space moclel ancl rough ensemble classifier[ C] / / IS›on coIlaborative filtering [ 1]. Journal of Electronics & Information MIS 2008: Proceeclings of the 17th Internationa1 Symposium, Technology, 2013, 35( 2) : 349 -354. (王海燕，张大印.一种可信LNCS 4994. Berlin: Springer-Verlag, 2008: 508 -513. 的基于协同过滤的服务选择模型[1].电子与信息学报，2013，(上接第207页)[5] XIAO J, YAN Y P, ZHANG J, et α1. A quantum-inspirecl genetic [ 10] KARABOGA D, BASTURK B. A powerful ancl efficient algorithm for numerica1 function optimization: Artificial Bee Colony (ABC) a1gorithm for K-means clustering[ 1]. Expert Systems with Applica›a1gorithm[ J]. Journa1 of Global Optimization, 2007, 39 ( 3) : 459一tions, 2010, 37(7): 4966 -4973. 471. [6] CHANG 0 X, ZHANG X 0, ZHENG C W. A genetic a1gorithm [11] ZHU L J, MA B X, ZHAO X Q. Clustering va1iclity ana1ysis basecl with gene rearrangernent for K-means clustering[ J]. Pattern Recog›on silhouette coeffficient [ 1]. Journal of Computer Applications, nition, 2009, 42(7): 1210 -1222. 2010, 30(2): 139 -141. (朱连江，马炳先，赵学泉基于轮廓[7] ZHENG X M, LYU S Y, WANG X D. Clustering a1gorithm basecl 系数的聚类有效性分析[1].计算机应用，2010, 30(2): 139-on immune particIe swarm optimization[ J]. Computer Engineering, 141. ) 2∞8， 34( 15): 179 -184. (郑晓鸣，吕士颖，王晓东.基于免疫[12] WU Y, LI Y X, XU X. Novel oppositiona1 hybrid differential evo›粒子群优化的聚类算法[J].计算机工程，2008, 34( 15): 179-lution a1gorithm based on swarm inteIligence[ J]. Journa1 of Chi›184. ) nese Computer Systems, 2009, 30( 5): 903 -907. (吴呈，李元[8] KARABOGA D. m俑，an iclea basecl on honey bee sw缸mfor nu›香，徐星.基于群智能的新型反向混合差分进化算法[JJ.小merica1 optimization [ R]. Kayseri, Turkey: Erciyes Un iversity, 型微型计算机系统，2009, 30(5): 903 -907.) 2005. [ 13] University of Ca1ifornia, Irvine. UCI machine learning repository [9] LUO J, WANG Q, FU L. Application of moclifiecl artificia1 bee col›[DB/OL]. [2013-06-19]. http://archive. ics. uci. edulml. ony algorithm to flatness error evaluation [ 1]. Optics ancl Precision [14] AGUSTIN-BLAS L E, SALCEDO-SANZ S, JIMENEZ-FERNAN›Engineering, 2012, 20(2): 422 -430. (罗钩，王强，付丽.改进DEZ S, et al. A new grouping genetic a1gorithm for clustering 蜂群算法在平面度误差评定中的应用[1].光学精密工程，problems[J]. Expert Systems with Applications, 2012, 39( 10): 2012, 20(2): 422 -430.) 9695 -9703.
