9、基于SVM和定制决策树的Web服务与定价优化研究

基于SVM和定制决策树的Web服务与定价优化研究

1. 基于SVM的Web服务决策研究

1.1 社区视角与效用估计

从社区角度看，社区代表旨在汇聚匹配度高的Web服务，以利于任务分配。社区声誉至关重要，声誉不佳会导致成员服务离开。社区代表会寻找能提升社区信誉且能与其他服务协作的Web服务。社区效用（$U_C$）可通过公式 $U_C = (\beta(A_C - E_tC) - \gamma(E_{x1}C - E_{x2}C)) \times T_hC$ 估计，其中 $\beta$ 和 $\gamma$ 是需设定的变量，本研究中通过实验手动设置权重参数。

1.2 学习模型构建

为解决Web服务加入社区的决策问题，采用两类支持向量机（SVM）。学习模型使用线性、多项式和高斯三种不同核函数：
- 线性核：$K(x_j, x_k) = x_j^T x_k$
- 多项式核：$K(x_j, x_k) = 1 + (x_j^T x_k)^d$，其中 $d = |x_j|$
- 高斯核：$K(x_j, x_k) = \exp(-\frac{||x_j - x_k||^2}{2\sigma^2})$

以高斯核为例，分类器函数为 $f(x) = \sum_{i=1}^{n} \alpha_i y_i \exp(-\frac{||x_j - x_k||^2}{2\sigma^2}) + b$，其中 $\alpha$ 手动设为 0.1。通过这些核函数创建不同分类器，Web服务可参考训练模型决定是否加入社区。

1.3 实验研究

1.3.1 数据集

收集了 45