基于图挖掘的服务推荐算法

研究假设: 1、领域专家的经验隐含在组合Web服务的结构及其执行日志中

               2、以前被一起组合过或执行过的一堆Web服务很可能以类似的方式被重用

               3、经常被使用的Web服务，其可靠性和鲁棒性更好

三阶段

第一阶段  数据准备阶段

1、对Web服务进行聚类， 采用k-中心聚类方法，利用参考文章30修改版， 考虑了WSDL types、WSDL message、WSDL ports和Web Service name， 没有考虑WSDLcontents， 计算Web Service name相似度时，没有采用NGD，采用Lin measure of WordNet similarity，主要不是因为效果好，而是目前搜索引擎不允许太多次数的搜索

聚类得到的Web服务 WS = （WS-ID，In，Out， QoS， Cluster-ID）

2、根据服务日志得到服务组合图 有向标签图G=（V，E， LV， lV， LR，R）

V顶点集合、E边的集合、LV顶点类标签、lV顶点集合和类标签集合的映射函数

LR 关系标签集合，B表示分支关系、P表示并行关系

R顶点集合和关系标签集合上的二元关系，对于V中每个出度大于1的顶点，都会根据情况添加关系标签

从日志库里提取所有执行过的组合Web服务，然后转化为类标签形式

第二阶段  数据处理阶段

挖掘出频繁子图， 不考虑类标签，设立最小支持度。找出组合服务图数据集中的频繁图的完整集合

使用gSpan改进版：

1、将服务组合图从有向标签转化为对应的无向标签， 进行深度优先搜索构造DFS树，根据顶点发现的时间记录线性序列，得到DFS编码，例如（（V0，V1），（V1，V2），（V2，V3），（V3，V0），（V3，V4），（V3，V5），（V5，V0）），最右路径wie（V0，V1，V2，V3，V5）

2、将每条边替换为7元组（i，j，d，li，lj，lri，lrj）

li，lj为顶点vi和vj的类标签，lri和lrj为关系标签，d表示方向，由于一个图不止一个DFS编码，取最小的那个

先比较每条边的线性序，即下标，接着考虑顶点列标签li，lj

第三阶段 服务推荐阶段

根据用户组合了一半的Web服务，构造有向标签图G0，枚举G0所有子图，找到那些也在图挖掘结果集FS中的子图构成S0

对S0中的每个图，枚举所有后代，找到也同时在FS中的后代，找到g的后代集合为Des（g）

为了找出Des（g）中最有可能扩展得到的图，计算Score =  得到分数最高的那一个

得出推荐集合CFS，CFS根据Score、扩展边数、最小DFS编码排序，根据用户需要返回前K个

将这k个和G0组合

利用skyline代入每一类中QoS最好的那几个，可以提高效率 (QoS只考虑分支结构和并行结构)

给出QoS最好的几个

实验阶段, 拟合得到α的合适值

展望:1 考虑更一般的组合服务图,有还,顶点关系标签多于1的情况

2 既有分支又有并行关系, QoS计算

3 未考虑QoS随时间变化的情况,Web服务随着时间变化不可用,考虑实时计算每个类的skyline服务, 提高算法效率