72、基于隐马尔可夫模型的Web服务声誉评估

基于隐马尔可夫模型的Web服务声誉评估

1. 引言

互联网正从当前以数据为中心向以服务为中心转变。Web服务作为新服务计算范式的关键推动者，是一种可通过WSDL、UDDI和SOAP等标准在Web上进行广告宣传、定位和使用的自描述软件应用。在服务Web中，大量Web服务会竞争提供相似功能，因此为服务添加语义有助于组织和定位这些服务，实现基于质量的查询。

然而，在服务交互过程中，部分服务可能未曾交互，有些还可能恶意竞争，影响协作质量。所以，为服务的优质访问和检索提供信任机制至关重要。

在线信任建立技术主要分为两类：基于安全的解决方案（如身份验证、访问控制等）和基于社会控制的解决方案（基于推荐和声誉）。本文聚焦于声誉，将其作为建立不同服务间信任的手段。

声誉是对未来行为的预测，是一个实体基于过去经验对另一个实体特征的主观评估。在服务Web中，服务请求者社区对某个Web服务提供商的综合看法就是服务声誉。声誉系统依赖社区成员的反馈或评级，但有时会出现评级稀缺的情况，影响声誉系统的准确性。为解决这一问题，我们通过近似评级聚合和基于历史数据预测声誉。

在预测准确性方面，机器学习算法优于传统技术，如人工神经网络（ANNs）和隐马尔可夫模型（HMMs）在大数据集上有强大的预测能力。由于ANN性能依赖所选架构且需大量特征训练，我们选择HMM进行声誉预测，它能让用户有更多控制且准确性相当。HMM已在模式识别、手写识别等多个领域成功应用，我们将其用于Web服务声誉预测。

声誉管理解决方案从“纯统计”技术到“启发式”技术都有。纯统计技术如贝叶斯系统和信念模型，前者基于二元评级评估声誉，后者在声誉计算中考虑消费者对评级陈述真实性的信念。但纯统计解决