Web服务个性化推荐研究综述

J4 ›› 2013, Vol. 35 ›› Issue (9): 132-140.

Web服务个性化推荐研究综述

张秀伟1,2,何克清1,王健1,刘建晓3

（1.武汉大学计算机学院软件工程国家重点实验室，湖北武汉 430072;
2.中国人民解放军94005部队,甘肃酒泉 735000;3.华中农业大学理学院,湖北武汉 430070）

收稿日期:2013-04-20 修回日期:2013-07-16 出版日期:2013-09-25 发布日期:2013-09-25
基金资助:
国家973计划资助项目（2014CB340401,2014CB340404）;国家自然科学基金资助项目(61373037,61202031,61100017)；国家科技支撑计划项目(2012BAH07B01)；国家云计算示范工程“中小企业管理云应用研发与产业化”项目

A survey of personalized web service recommendation

ZHANG Xiuwei1,2,HE Keqing1,WANG Jian1,LIU Jianxiao3

(1.State Key Lab of Software Engineering,School of Computer,Wuhan University,Wuhan 430072;
2.94005 Troops of PLA,Jiuquan 735000;3.College of Science,Huazhong Agricultural University,Wuhan 430070,China)

Received:2013-04-20 Revised:2013-07-16 Online:2013-09-25 Published:2013-09-25

摘要/Abstract

摘要：

随着Web服务的广泛使用和互联网上服务数量的增加,如何向用户提供最佳的服务选择列表成为了新的挑战。 Web服务个性化推荐实现了由被动接受用户请求向主动感知用户需求的转变。个性化的Web服务推荐方法已经成为Web服务发现和选择的有效辅助手段。Web服务的个性化推荐技术也成为了近年来服务计算领域的研究热点。对当前Web服务个性化推荐的文献进行了归类分析,总结了当前Web服务个性化推荐的技术现状、研究方法和实验的数据集,列出了未来Web服务个性化推荐研究热点和挑战。

关键词: Web 服务推荐, 协同过滤, 个性化, 服务质量

Abstract:

With the widespread usage of web service and the increase of the number of services in Internet, how to recommend the best service selection list is gradually becoming a great challenge. Personalized technology can change the passive acceptance of user request to active awareness of user requirement. Personalized web service recommendation has gradually become the effective supplementary method for service discovery and selection, thus becoming one of research hotspots in service computing field. We analyze and review the techniques and approaches existing in current literatures that are related to personalized web service recommendation. Then we survey the stateoftheart techniques and methods on personalized recommendation of web service and collect open dataset that are used to validate the personalized web service recommendation approach. Finally, a few of research hotspots and challenges of personalized web service recommendation are outlined.

Key words: web service recommendation;collaborative filter;personalization;quality of service

张秀伟1,2,何克清1,王健1,刘建晓3. Web服务个性化推荐研究综述[J]. J4, 2013, 35(9): 132-140.

ZHANG Xiuwei1,2,HE Keqing1,WANG Jian1,LIU Jianxiao3. A survey of personalized web service recommendation [J]. J4, 2013, 35(9): 132-140.

[1]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[2]	吴国栋, 刘旭旭, 毕海娇, 范维成, 涂立静. 基于元学习个性化推荐研究综述[J]. 计算机工程与科学, 2024, 46(02): 338-352.
[3]	朱正东, 吴寅超, 胡亚红, 蒋家强. 基于LSTM的集群用户作业执行时间预测模型[J]. 计算机工程与科学, 2022, 44(08): 1331-1341.
[4]	程稳, 李焱, 曾令仿, 王芳, 唐士程, 杨力平, 冯丹, 曾文君. 面向Lustre集群存储的应用日志分析及系统自动优化框架[J]. 计算机工程与科学, 2022, 44(04): 594-604.
[5]	苟平章, 原晨, 张芬. 基于软件定义的WSNs非均匀分簇QoS路由算法[J]. 计算机工程与科学, 2022, 44(02): 227-236.
[6]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[7]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[8]	徐金波, 常俊胜, 李琰. 支持多优先级多输出通道的数据队列调度方法和硬件实现[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1749-1756.
[9]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[10]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[11]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[12]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[13]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[14]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[15]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.