1.一种基于用户和服务聚类QoS感知的Web服务推荐方法,其特征在于:所述方法包括以下步骤:步骤1:对数据集中用户对服务调用矩阵进行预处理,采用修正的余弦相似度算法对每个相似的用户进行聚类,得到每个用户最相似的N个用户集合U(i),计算公式(1)为:其中,Iij表示的是用户i,j共同评分过的项目集合,Ii表示的是用户i评分的项目集合,Ij是用户j评分的项目集合,Ri,k是用户i对评分项目k的评分,Rj,k是用户j对项目k的评分,分别是用户i和用户j对各自评分项目评分的平均值;
步骤2:对Web服务描述文档WSDL文件进行有关功能描述的特征提取,并进行谷歌距离归一化,采用K-means++算法对具有相似功能特征的服务进行聚类,得到相似服务集合S(i),计算公式(2)为:其中,FVs1,FVs2分别是web服务S1,S2的特征词向量,|FVs1|是向量的基数模,NGD是利用Google搜索引擎得到的数据进行标准化计算得到的两个单词的相关性表示;
步骤3:求得服务调用矩阵R的用户矩阵U和服务矩阵S的特征向量pi,qj;
步骤4:令ri,j为用户i对服务j调用的QoS值,为矩阵R的元素,R中缺失的QoS值记为有步骤5:为了计算 对每个非空ri,j∈R,计算
步骤6:对每个j∈[1,n],k∈U(i),计算
其中e1是pi的更新因子,Ii,j表示用户i对服务j的调用情况,有调用就为1,否则为0。α为权重因子,α大表示相邻用户对当前预测的QoS影响更大;
步骤7:对每个i∈[1,m],d∈S(j),计算
其中e2为qj的更新因子,β是权重因子,β较大表示服务的功能特征对当前预测的QoS影响更大;
步骤8:计算pi=pi-γe1,qj=qj-γe2,其中γ为迭代因子,用于控制迭代的次数和速度;
步骤9:迭代S5至S8,直到所有非空ri,j计算完或满足迭代终止条件;
步骤10:得到缺失的QoS值 并推荐和 相近的服务给相关用户,完成推荐。
2.如权利要求1所述的一种基于用户和服务聚类QoS感知的Web服务推荐方法,其特征在于:所述步骤1对相似用户进行聚类,所述聚类方法如下:步骤1.1:输入Ii,Ij,Iij,Ri,k,Rj,k;
步骤1.2:计算
步骤1.3:对每个用户i,0<i≤m,每个服务j≠i,0<j≤m-1,计算SimU(i,j)存入temp映射表中;
步骤1.4:取temp映射表中前N个所对应的用户,组成用户i的邻居集合U(i)={Uk|Uk∈Top-N(Ui),i≠k},完成聚类。
3.如权利要求1所述的一种基于用户和服务聚类QoS感知的Web服务推荐方法,其特征在于:所述步骤2对相似服务进行聚类,所述聚类方法如下:步骤2.1:对WSDL文件进行TF-IDF计算,提取服务功能特征描述词集,记为FVsi;
步骤2.2:将特征词集进行谷歌距离归一化处理,计算公式(3)为:M是利用特征词x,y在Google搜索到的总网页数,logf(x),logf(y)是分别利用特征词x,y搜索到的命中数量,f(x,y)是利用x,y同时出现的网页数量;
步骤2.3:基于特征词向量进行K-means++聚类,选取聚类个数K;
步骤2.4:从服务的特征词集向量FVsi中随机选取一个作为初始聚类中心C1;
步骤2.5:计算每个向量与当前最近一个聚类中心的距离D(x),计算每个向量成为下一个聚类中心的概率 依据概率轮盘确定下一个中心;
步骤2.6:重复步骤2.5直到选出K个聚类中心;
步骤2.7:对每个服务的FVsi,计算其到K个聚类中心的归一化谷歌距离,将其归类到距离最小的那个中心所属的类;
步骤2.8:对每个类别C(i)中的所有元素,重新计算其中心;
步骤2.9:重复步骤2.7和步骤2.8直到聚类中心不再变化,得到web服务聚类S(i)={s|s∈C(i),i∈[1,k]},完成聚类。
4.如权利要求3所述的一种基于用户和服务聚类QoS感知的Web服务推荐方法,其特征在于:所述步骤2.2中NGD的范围为NGD(x,y)∈[0,∞)。