[论文解读] A Hybrid Approach to Web Service Recommendation Based on QoS-Aware Rating and Ranking

Mingming Chen, Yutao Ma|arXiv (Cornell University)|Jan 18, 2015

Recommender Systems and Techniques参考文献 49被引用 5

一句话总结

本文提出了一种混合的QoS感知网络服务推荐方法，通过结合基于项目协同过滤与潜在因子模型，将推荐重点从评分预测转向排序优化。与传统方法相关联评分不同，该方法采用排序相关性来衡量服务相似性，并在真实世界的QoS数据集上通过改进的NDCG指标提升了Top-K推荐评估效果，展现出优越的性能。

ABSTRACT

As the number of Web services with the same or similar functions increases steadily on the Internet, nowadays more and more service consumers pay great attention to the non-functional properties of Web services, also known as quality of service (QoS), when finding and selecting appropriate Web services. For most of the QoS-aware Web service recommendation systems, the list of recommended Web services is generally obtained based on a rating-oriented prediction approach, aiming at predicting the potential ratings that an active user may assign to the unrated services as accurately as possible. However, in some application scenarios, high accuracy of rating prediction may not necessarily lead to a satisfactory recommendation result. In this paper, we propose a ranking-oriented hybrid approach by combining the item-based collaborative filtering and latent factor models to address the problem of Web services ranking. In particular, the similarity between two Web services is measured in terms of the correlation coefficient between their rankings instead of between the traditional QoS ratings. Besides, we also improve the measure NDCG (Normalized Discounted Cumulative Gain) for evaluating the accuracy of the top K recommendations returned in ranked order. Comprehensive experiments on the QoS data set composed of real-world Web services are conducted to test our approach, and the experimental results demonstrate that our approach outperforms other competing approaches.

研究动机与目标

• 解决基于评分预测的推荐系统在实现高质量服务排序方面的局限性。
• 通过聚焦排序准确性而非仅评分准确性，提升推荐效果。
• 开发一种结合基于项目的协同过滤与潜在因子模型的混合模型，用于QoS感知的服务排序。
• 提出一种基于排序相关性的新颖相似性度量方法，而非传统的QoS评分相关性。
• 通过专为排序服务列表设计的改进NDCG指标，提升Top-K推荐的评估效果。

提出的方法

• 所提出的方法采用混合框架，整合基于项目的协同过滤与潜在因子模型，以预测服务排序。
• 服务相似性基于服务排序顺序之间的相关系数计算，而非其QoS评分。
• 该方法通过从服务间历史排序模式中提取的潜在因子来建模用户偏好。
• 应用改进的NDCG（归一化折损累积增益）指标来评估Top-K推荐结果的精确度。
• 系统基于相似用户与服务的排序偏好，预测活跃用户未评分服务的排名。
• 该模型在包含服务交互日志与质量指标的真实世界QoS数据集上进行训练与评估。

实验结果

研究问题

• RQ1 基于排序的方法是否能在网络服务推荐中优于传统的基于评分预测的方法？
• RQ2 使用排序相关性而非评分相关性，如何改善服务相似性的度量？
• RQ3 结合协同过滤与潜在因子模型的混合模型在多大程度上提升了推荐质量？
• RQ4 改进的NDCG指标在评估Top-K排序服务推荐方面有多有效？
• RQ5 所提出的方法在多样化的现实世界QoS数据集中是否保持鲁棒性与准确性？

主要发现

• 所提出的混合方法在排序准确性方面优于基线方法，尤其在Top-K推荐性能上表现更优。
• 采用排序相关性进行相似性度量，相比传统的基于评分的相似性，能更准确地预测服务排序。
• 改进的NDCG指标能有效捕捉排序推荐的质量，尤其对最相关的Top-K服务表现突出。
• 该模型在真实世界的QoS数据集中展现出强大的泛化能力，在不同用户与服务配置下均保持一致的性能表现。
• 将基于项目的协同过滤与潜在因子模型相结合，相比单一方法，能构建出更鲁棒、更准确的推荐系统。