基于用户意图和上下文的服务选择模型研究

沙特国王大学学报基于用户意图和上下文的服务选择模型赤子湾Jaafara，b，dahang N.A.Jawawia，Mohd Adham Isaa，Nor Azizah Saadonaa马来西亚科技大学计算机学院，81310 Skudai，Johor，Malaysiab伊拉克库尔德斯坦地区恰万国际大学软件工程系阿提奇莱因福奥文章历史记录：2022年10月20日收到2023年3月5日修订2023年3月24日接受2023年3月31日在线提供保留字：服务选择用户偏好物联用户意图与上下文熵Skyline服务A B S T R A C T互联网连接了数十亿的对象和服务。真实世界的服务由具有彼此通信的各种功能的实体提供。基于服务的功能性选择服务是一个复杂的过程，因为随着服务数量的增加，提供相同功能的服务数量也增加服务质量（QoS）可以是用于选择合适的服务的标准。然而，QoS的相对重要性波动，由于不断变化的用户偏好，用户可能会表现出各种行为，这取决于他们的上下文和意图。基于用户意图和上下文来定义用户的偏好同样具有挑战性;然而，学者们很少关注这个话题。该研究为基于用户意图和上下文的服务选择提供了一种新的模型。该模型动态地选择适当的一组QoS与他们的重要性，以指定用户偏好的各种行为。通过计算基于用户行为历史和上下文的QoS重要性，解决了评估用户偏好以选择期望服务的问题。提议进行的研究一个动态的K-Skyline方法来优化搜索空间和多标准决策技术来选择和排名服务有效。一个案例研究和实验证明所提出的模型，其中利用真实世界的数据集。实验结果验证了该模型版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍Web服务是一种可互操作的软件系统，它通过互联网促进机器对机器的通信以提供服务。它是一种分布式计算，能够通过使用HTTP等工业标准协议访问各种计算资源，这保证了与各种设备和格式的兼容性。随着基于互联网的服务数量的增加这一趋势随着物联网（IoT）和云计算的出现而基于物联网智能设备数量的不断增加导致了功能数量的增加*通讯作者。电子邮件地址：ajako2@live.utm.my，ako. uniq.edu.iq（A.A. Jaafar）。沙特国王大学负责同行审查制作和主办：Elsevier可用于完成活动的完全相同的服务，每个服务具有不同的服务质量（QoS）。服务发现和选择正成为具有挑战性和耗时的任务。具有大量提供类似功能的服务的事实促使许多研究集中在基于各种方法的服务发现和选择上，例如考虑QoS、服务上下文、用户上下文、偏好和意图。服务选择模型的目的是选择适合客户需求的服务。收集请求者的需求，评估可用的服务，聚合评估结果，排名，加权最高的返回服务，最后为消费者挑选最好的服务都是服务选择模型的一部分（Yu，（n.d.））.在选择服务时必须考虑几个变量，包括前提条件、效果、QoS、业务规则和策略。为每个服务选择具有多QoS和不同上下文的合适随着采用SOA、云计算和物联网提供的服务来增加替代服务的数量，这项任务变得更具挑战性。根据现有的研究，针对各种类型的服务（例如传统web服务、云服务、微服务和IoT服务）的服务选择已经被许多人考虑https://doi.org/10.1016/j.jksuci.2023.03.0181319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报210研究人员在过去的二十年里。研究集中在各种服务选择因素，如服务描述，以定位和挑选所需的服务，通过匹配的请求，服务的描述。描述QoS服务、服务上下文和用户上下文是通过进一步描述来增强服务匹配的另一方面。QoS感知和上下文感知服务选择的主要焦点是为每个用户和每个服务做出最佳的QoS和上下文决策。人们提出了许多理论和方法来解决考虑QoS和上下文的服务选择问题。研究人员已经付出了很大的努力，以确定最佳的方法来选择服务的基础上提供的QoS直接从服务提供商或推断从过去的经验。为了确定用户最方便的服务，许多研究者通过直接定义用户偏好来将用户用户偏好是服务选择和个性化选择中最基本的指标，其中，请求者根据功能和非功能标准及其各自的权重来声明他们的需求。用户偏好 决 定 了 QoS 的 权 重 和 所 需 服 务 的 上 下 文 。 多 准 则 决 策（MCDM），推荐方法和上下文感知方法是最流行的方法和技术，利用用户的喜好。服务选择领域中最常用的MCDM方法是层次分析法（AHP），理想解相似性偏好排序技术（TOPSIS），VlseKriterijuska Optimizacija IKomoromisno Resenje（VIKOR）和Bad Worth方法（BWM）。这些方法基于用户偏好和权重为用户区分备选选择的优先级。当这些方法依赖于供应商设置的具有专家意见的QoS标准时，它们是有偏见的QoS重要性的级别将由其给定的权重确定（Singh等人， 为了估计权重，在某些研究中，请求者被迫表达他们对每个QoS的偏好。这是一项要求很高的任务，可能导致不期望的服务交付（Benouaret等人， 2012年）。此外，从服务提供商的角度来看，提供高质量的QoS可以大大提高其业务竞争力（Liu et al.， 2004年）。然而，依赖QoS标准会带来许多挑战。其中一个因此，在过去的几十年里，用户偏好考虑一直是服务选择的众多研究的主题（Wang，2020; Zhao等人，2017; Alaoui等人，2015; Najar等人，2015; Daosabah等人，2021年）。一些研究人员专注于用户的直接偏好表达，而MCDM算法被认为是通过用户或专家意见来发现用户偏好。推荐系统和用户相似性是另外两种以用户为中心的方法，广泛用于服务选择领域（Xu，2016）。一些研究试图通过指定用户偏好并通过用户的历史服务调用和情境来了解用户偏好来解决上述问题该领域的研究表明，相似的上下文，如地理位置、调用时间、领域兴趣、用户类型、年龄和性别，比具有不同上下文的用户具有更多的相似性（Xu，2016; Qi等人，2015; Qi，2017）。上下文是可以用来描述实体状态的任何信息.实体是被认为对用户上下文感知是用户偏好的表示这可能不足以满足用户的请求。用户需求的变化是由用户意图的演变引起的（Daosabah等人，2019年）。过去的研究表明，具有相似上下文（如位置、调用时间、领域兴趣、用户类型、年龄、性别等）的用户比具有不同上下文的用户彼此之间有更多的共同点（Xu，2016; Qi等人，2015; Qi，2017）。此外，产生意图的情况这对它的实现有着重大的影响。可以根据环境提供不同的服务。这意味着根据上下文可以以不同的方式实现相同的目标（Najar等人，2015; Daosabah等人， 2021年）。从这个角度出发，许多研究者利用用户和服务上下文来进行以用户为中心的服务选择.此外，研究人员还研究了用户意图对选择适当服务的影响（Alaoui等人，2015; Najar等人，2015; Daosabah等人，2021年）他们已经证明，用户意图的变化会推动用户需求的转变。因此，用户行为的上下文和意图意图是一种陈述，表达一种预期要达到或保持的状态。它也可以被定义为通过执行一系列意图和目标意图的方法来实现的目标（Alaoui等人，2015年）。意图是对用户目标的高层次解释例如，2015年）。研究人员强调用户意图主要是为了在推荐系统中学习用户偏好。用户的偏好不受推荐被递送的环境的影响，即使用户的意图可能每次都变化。从这个有利的角度来看，研究人员的目标是确定用户的意图，用于服务发现，选择和合成。此外，QoS的重要性可能因不同的用户、决策者和不同的用户行为而异。然而，偏好和QoS的重要性变化的基础上，distinct的意图和行为没有被考虑。根据我们的知识范围，没有研究根据用户在特定上下文中如何响应其意图来识别和指定用户偏好提出了一种基于用户意图和上下文的服务选择模型，用于自动定义用户偏好。本文的主要目的是提出一个基于意图和上下文的服务选择模型（ICSSM）和一种新的方法来计算用户的偏好，基于用户的行为。此外，提出了一种动态K-skyline算法和TOPSIS算法来优化和排序的最终选择。1.1. 动机用户偏好在选择服务时是非常重要的，用户会优先选择他们发布的服务来实现用户的目标。在此背景下，许多研究者对用户在服务发现、选择和组合中的偏好进行了研究。从众多服务提供商中选择最佳服务是具有挑战性的，用户偏好使得选择更适合用户。虽然计算用户偏好具有挑战性，但当涉及到计算自动用户偏好时，考虑到不同领域和行为的偏好变化，这更具挑战性。另一方面，随着物联网和智慧城市的采用，服务提供商和服务消费者的数量急剧增加，未来，每个人或物每天都可能在智能环境中提供数百种不同的服务思科预测，到2030年，将有5000亿件东西连接到互联网。根据研究（Kaur等人，迪拜和阿布扎比市正在引入25万个智能电表和5,000个Wi-Fi热点，为医疗保健、教育、安全、电信、A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报211旅游业和公用事业。此外，印度的目标是建设100多个智能城市，而巴塞罗那正在引入电子政务和非接触式服务。连接的设备的数量的这种显著增加导致服务提供者和消费者的数量的增加，而这些设备可以作为服务提供者或服务消费者或两者来操作。因此，建立用户偏好变得更加困难，特别是当这些选择响应于变化的行为和环境而改变时。不存在将提供给所有服务提供商和所有域的用户的唯一QoS属性集合因此，用户必须在每个域中定义不同的服务选择偏好。建议的模型选择合适的服务，为用户的基础上，他们的预测偏好，这是从他们的意图和上下文。1.2. 贡献本文提出了一个基于用户意图和上下文的服务选择模型为了预测用户偏好，该模型使用在特定上下文中实现的历史用户意图该模型利用历史用户该模型识别出不同行为中对同一意图的偏好，从而区分不同行为中的偏好本研究的主要贡献是。- 提出了一种新的服务选择模型，根据用户的意图和上下文预测用户的偏好来选择服务。- 通过结合语义、语义和序列相似性来生成行为相似性。- 提出了一种优化服务选择搜索空间的动态K-Skyline算法。1.3. 组织本文的其余部分的结构如下：第二部分，提供了研究的背景，并审查了一些相关的工作。在第三部分中，提出了服务选择模型和研究方法，在这项研究第四是一个案例研究，以说明所提出的方法的应用在第5节中，实验分析，以测试所提出的模型的效率和鲁棒性第6讨论了这项研究及其贡献。最后，本文对全文进行了总结，指出了研究的局限性，并展望了未来的研究方向.2. 相关工作本部分从用户偏好与情境、意图、用户行为与意图、服务选择模式三个方面对本研究的相关工作进行了论述。2.1. 用户偏好和上下文大量的学者已经认识到并关注用户偏好在服务选择中的关键作用，因此，收集消费者偏好的许多不同方面已经被研究。最想要的物联网服务是通过将决策者的偏好与建议的MCDM方法相结合来确定的，如研究所示（Baranwal等人，2020年）。决策者的偏好表达通过一个新的框架，该文件中开发的OWA（有序加权平均聚合）算子和模糊TOPSIS。研究中提出的模型（Jin，2016）考虑了用于计算IoT服务在可用服务中的绝对优势的用户偏好。为了绕过用户在请求服务时的受限选项，该研究（Zhao等人，2017）提出了自动学习用户偏好以进行服务选择和组合。该模型基于相似的用户偏好和配置文件（如用户的爱好或教育背景）选择服务。为了从评分数据中挖掘客户另一项研究提出了一种新的语义聚类方法的基础上格的概念，聚类Web服务的语义相似性的基础上。所提出的方法利用用户偏好和用户上下文从集群服务生成子格，以最大限度地减少所请求的服务和发现的服务之间的语义差异（Natarajan，2020）。服务评级是许多研究者提出的，它依赖于顾客对服务的评价或服务成功调用的频率。这些方法还存在两个问题。第一：模型不能抵抗恶意的速率攻击。第二：如果没有人评级，模型将无法预测节点的评级然而，这是一个固有的问题，特别是在分散的服务选择中（Kanagaraju和Nallusamy，2018年; Nwe等人，2014年）。此外，QoS标准的数量因域而异，这使得评估每个域和服务的每个QoS变得非常困难，特别是对于服务请求者可以是人或设备的IoT服务。因此，用户偏好必须反映真实的用户期望，并且必须在没有用户干预的情况下被预测，以响应高度动态的环境问题以及用户行为在特定上下文中朝向其意图的波动此外，许多研究工作一直致力于探索选择服务的概念，同时考虑到上下文。在（Qi等人，2015）提出了上下文感知的服务选择，其通过将用户上下文与服务上下文（诸如位置）相关联来进行服务推荐。在服务选择中采用用户和设备的许多上下文数据，诸如人类用户的年龄和位置以及请求者设备的设备信息，其中上下文相似性极大地影响服务选择（Najar等人，2015; Daosabah等人，2021年）。LISA框架（Gochhayat，2019）利用用户上下文，如位置，时间，年龄，教育背景和经济状况，通过使服务配置文件适应用户上下文和配置文件来自动生成用户查询并选择相关服务。2.2. 用户行为和意图各种研究试图通过用户上下文和情境来挖掘和捕获用户行为。该研究（Ali et al.，2017）提出了基于用户行为的服务选择，以捕获智能环境中的用户偏好和情况来选择IoT服务。 在（Najar等人，2015; Najar等人， 2014年），作者提出了一种基于用户上下文和目的的服务发现和推荐的新方法，其中意图表示为动词和目标。动词指定活动，使意图的解释目标要么是预先存在的宾语，要么是使动词得以实施的动作的当用户提出服务请求时，他们这样做是有特定目标的，并且应该根据意图的角度定制服务以满足该目标。因此，以用户为中心的面向服务的观点已经发展，它考虑了用户的意图（Najar等人， 2011年）。不同的服务质量会影响用户该研究（Yang andLin，2015）表明，A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报212×云存储服务的保护可以影响消费者的选择。用户的特征及其对服务提供渠道的选择决定了他们继续使用智慧城市服务的意图（Salim，2020）。该文章（Daosabah等人，2019）描述了一项基于上下文和意图的动态服务组合研究。他们认为意图是完成以用户为中心的服务组合所必需的。用户频繁的需求不能仅仅通过用户简档来满足;有意的用户表达有助于为用户提供最好的服务。为了支持这一主张，（Daosabah等人，2021）建议在服务组合中集成上下文和目标。在他们的论文中，他们使用用户目标的语义描述来确定用户在没有用户参与的情况下的意图。选择最好的服务，用户，需求频率已被时间和地点加权，并在（Qi，2017）中实施。根据这项研究，服务选择的准确性和调用频率之间存在明显的联系。因此，通过频繁的服务请求和调用，可以检测到用户行为，这种行为是基于特定上下文中的多个意图建立的2.3. 服务选择模型许多研究已经提出并改进了服务选择模型 在研究中（Zhao等人，2017; Gochhayat，2019）提出了一种服务选择模型，描述了服务描述模型，用户偏好，服务排名和选择算法。在他们的方法中，他们使用三种不同的模型来描述物联网服务：服务，实体或设备，以及基于OWLS的资源这些研究强调了物联网服务的物理方面（Natarajan，2020）的作者提出了一种新的基于格聚类的语义服务选择模型，根据服务操作的语义相似性对Web服务进行该论文（Gochhayat，2019）提供了LISA，这是一种轻量级的上下文感知物联网服务架构，可以根据消费者的上下文有效地过滤和提供最重要和最相关的LISA创建了一个用户模型，该模型使用代理和可用的Web服务来解决本地决策。建议的用户模型通过考虑用户的上下文和配置文件信息来抽象用户的此外，该模型包含一个用户偏好模型，用于分析两个层次上的用户查询：标准资格和标准量化。此外，为了提高服务选择和发现模型的性能，提出了一种轻量级的服务描述，如WSMO-Light。WSMO-Lite（Wei，2016）;三个特定谓词 （ TPP ） （ Xiang ， 2015 ） 和 用 于 物 联 网 推 送 服 务 的 LISA（Gochhayat，2019）。（Natarajan，2020）的作者提出了一种新的基于格聚类的语义服务选择模型，根据服务操作的语义相似性对Web服务进行聚类。此外，该模型还包括一个用户偏好模型，用于在两个层次上分析用户查询：条件限定和量化的标准。许多学者将服务选择视为优化问题。针对服务选择的优化问题，提出了多种服务选择模型，包括启发式方法、Meta启发式方法和非启发式方法。在服务选择和组合中采用了局部和全局优化，例如Skyline 算 法 （ Jin ， 2016; Jin ， 2014; Jin saif 和 Hamza ，2020 ） 。 一 些 研 究 人 员 使 用 了 非 启 发 式 方 法 ， 如 图 论（Nizamkari，2017）和MCDM方法。MCDM方法被广泛用于基于请求者偏好的服务选择和研究人员专注于开发一个选择模型，考虑服务质量，上下文和用户体验的服务选择。 该研究（Baranwal等人， 2020年）提出了一种基于模糊TOPSIS和OWA的物联网服务选择框架，该框架利用决策者的偏好、QoS重要性和服务排序。提出了一种基于混合Skyline-Entropy-Fuzzy-AHP-PROMETHEE（SEFAP）的服务选择模型建议的方法利用现有方法的优势，同时提高其各自的性能。3. 该模型本文的这一部分重点讨论了基于用户意图和上下文的服务选择模型，作为上述问题的潜在解决方案该模型利用用户的意图以及上下文来识别用户的偏好，基于该偏好来识别用户行为由用户过去的意图和他们在一段时间内参与的上下文的链形成图1显示了该模型的三个关键部分：聚类，预选和选择。该图还展示了所提出的模型的组件、数据流和服务选择过程。聚类组件说明了如何通过两个步骤根据用户的意图和上下文对用户行为进行该模型的第二部分称为“预选择”，它负责捕获用户的查询，并准备有效的服务质量与他们的服务选择的重要性。选择基于用户在考虑意图和上下文的最相似行为中所指示的内容而发生。模型的这一部分利用在前面的聚类阶段中建立的聚类行为。该模型最后包含一个选择组件，该组件分三步选择服务。第一步需要捕获用户请求并将其与可用的在线服务进行匹配，以确定提供相同功能并服务于相同用户目的的候选服务。在第二步中，搜索空间将基于来自预选择阶段的有效QoS cri-crimming进行优化。第三步是为用户评价和选择最适合的优化服务。以下小节介绍了该型号3.1. 聚类该过程分两步对意图和上下文的历史进行聚类：首先，计算意图和上下文历史之间的相似度，然后生成相似度矩阵。第二步是对最具可比性的条目应用聚类算法以将它们分组。3.1.1. 类似度计算部为了计算相似性，考虑用户意图、上下文和发生顺序方面的用户行为的历史。上下文在计算相似性中起着至关重要的作用，因为用户的满意度随着所观察到的用户的上下文与期望的上下文匹配的程度而增加（Najar等人，2015; Daosabah等人，2021年）。基于该基本原理，可以生成相似性矩阵N。N是通过计算用户的行为历史中的相似性比率而产生的MM矩阵。根据（Najar et al.，2015; Daosabah等人，2021年）。用户用户为了实现特定目标而表现不同，图2中的算法1用于计算两个用户的行为之间的相似度该算法考虑了两种用户行为A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报213XnFig. 1.基于意图和上下文的服务选择模型。如果它们的上下文相似性大于阈值，则认为它们相似。该算法的第八行中的上下文相似度是基于等式（1）中的语义相似度来语义地计算的。（一）. Eq. （1）与另一上下文条件（CTXj）匹配。意图相似性的语义计算基于动词和目标短语（Najar等人，2015），而两个用户行为的相似性使用等式（Eq. （二）、此外，用户意图在一个nintSimilarity<$wωmaxintMatchingnn;tIlist匹配度21/4其中，intSimilarity是源意图集合与目标意图集合的总相似度（tIlist），n是源意图列表中的意图的数量，并且w是序列权重，如等式（1）中所示。（三）、周期指示用户如何选择服务。例如，如果我们考虑两组意图，A组和B组w1-ji-最大索引jð3Þ并且两者都旨在调用特定域中的服务，并且两个集合都由三个服务意图组成，因此不太可能以相同的顺序执行两个集合，例如分别执行（ GetMap-> RentCar->GetEmergency ） 和 （ GetEmergency ->RentCar -> GetMap）。尽管这两个集合包含相同的服务意图集合，但是它们可能具有不同的相似性，因为它们在调用顺序方面的行为不同。在集合A中，GetMap和RentCar在GetEmergency之前，这意味着GetEmergency的先前服务调用可能不指示它们是出于相同的紧急原因而发生的，而在第二场景中，GetEmergency服务意图出现在RentCar和GetMap之前，这可能指示这两个意图更可能出于相同的紧急原因而发生。因此，序列权重将被应用于用户的相似度。根据等式（3）两个行为的发生时间相似性越强，权重越大。当两个用户行为具有高度的语义上下文相似性、语义意图相似性、在一段时间内相似的调用次数以及类似的调用其中MaxIndex是与I的最大相似度的索引，n是意图列表的大小。3.1.2. 行为聚类聚类是将一组项目根据其相似性分为不同类别的方法。聚类已经得到了各个领域学者的大量关注（Wang，2020）。根据文献，层次聚类算法（HCA）和K均值聚类是众所周知的语义聚类（Eyal Salman，2018; Purohit和Kumar，2019）。HCA是一种聚类分析技术，旨在建立聚类层次结构。HCA可以从底部向上或从顶部向下执行。自底向上的策略包括将两个可比较的聚类合并为一个，直到只剩下根聚类。自顶向下算法的每个阶段都将存储库分为两组，直到没有进一步的划分。HCA允许使用各种联系标准。两个簇之间的最短可能距离由单个链路使用。对于完全链接，使用两个聚类中相距最远的两个而平均链接-n m age考虑了存在于ctxSimilarityScore¼X XcontextConditionMatching（条件匹配）1/4j¼0两个集群（Cong，2015）。在这项研究中，500个用户行为使用三个不同的聚类，其中ctxSimilarityScore是两个用户上下文之间的总相似度，n是源上下文中的条件数量，m是目标上下文的条件数量。HCA和K-Mean算法的不同类型。由于聚类数据是未标记的数据，因此使用Silhouette方法来评估所选算法的准确性轮廓系数A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报214-图二. 意图相似度算法。测试群集分离，而不考虑群集编号。它轮廓的范围是1到1，高系数意味着更好的集群组织（Risseeuw，1987）。HCA和K-Means算法的准确性在一系列聚类大小上进行了比较对于此分析，群集大小的范围为10到39。 图 3给出了评估结果，并表明HCA-A在大多数情况下是最好的。此外，由于数据稀疏，它通过显示较少的分区来表示低精度。然而，在大多数情况下，HCA-A的表现令人钦佩。因此，本研究采用HCA-A方法对用户行为进行聚类分析。如图2所示，算法1计算行为相似性。第6行计算源和目标用户上下文之间的相似性。行号15计算两个用户行为的序列权重。 第17行计算源用户行为中的任何单个意图与目标用户行为中的意图之间的意图相似度，并且在考虑它们的序列相似度权重的同时，选择具有最高相似度的意图作为相似意图。例如，如果我们假设存在具有相同用户意图但发生顺序不同的三个用户行为>获取地图），行为B：（租车->获取紧急情况->获取地图），和行为C（获取地图->租车->获取紧急情况），行为A和B的相似性高于行为A和C的相似性，因为它们具有更高的序列相似性。3.2. 预选在此阶段，将从请求管理器获取用户发出的请求。该请求将包括用户的意图以及他们正在运行的上下文。用户的意图，结合其在一段时间内的先前意图，构建了用户行为。因此，将捕获的行为与聚类的用户行为进行比较，以找到最相似的聚类随后，加权的方法将被应用到QoS记录的用户的行为是最相似的，以计算当前意图的QoS重要性。最后，由QoS选择器选择服务选择的有效3.2.1. 行为发现器基于请求者的行为和它们发生的意图顺序，选择最相关的聚类来满足请求者的当前目标和需求。根据算法1，将确定当前行为和聚类行为的相似性。如第3.1.1节所述，A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报215nW-W图三. 聚类精度评估。见图4。 GetMap请求用于娱乐目的。具有相同的意图，相似的意图实现序列可能表示不同的行为。而在某些服务上有类似历史记录的用户对其他服务的行为也类似（Luo，2015）。图4示出了用户的行为，其示出了在BookHotel和BookSafari服务已经在每隔一定时间内被调用之后被调用的getMap服务。另一方面 ， 图 5 指 示 在 一 段 时 间 内 已 经 调 用 FindEmergencyHospital 和ReserveOperation-Room服务之后对getMap服务的相同请求。因此，用户的偏好可能朝着不同的行为发展。在第一个请求中，用户可以将成本优先于速度，但在第二个请求中，用户可以交换这些优先级。3.2.2. QoS重要性计算器如前所述，当用户的情况具有可比性时，他们更有可能分享类似的偏好。服务选择的QoS重要性在此阶段通过估计相关群集的QoS重要性每种重量使用熵方法确定QoS。 测量熵方法用于基于用户的过去行为记录用户偏好3.2.3. QoS标准选择器在服务选择中，各种域在选择服务时利用不同数量的QoS标准 众所周知，随着QoS标准数量的增加，以用户为中心的服务选择变得更具挑战性。例如，Baranwal等人， 2020）已经确定了36个物联网服务的服务质量（QoS）指标，这些指标分为三类：计算、通信和对象。论文（Muñoz Frutos，2009）在其建议的QoS模型中描述了30种QoS，该模型被细分为多个类别。服务选择模式的有效性受到考虑所有QoS的不利影响在所提出的模型中，比指定阈值重要性低的QoS标准将被视为无效标准并从服务选择过程中消除因此，阈值将基于权重的标准差来确定，如等式2所示并且具有小于其阈值的权重的任何cri对最终选择具有可忽略的影响。随机变量数据的变化越大，模糊程度越大，标准的重要性越高的Xi¼1iifWi≥第2条P款第2项第1款第1项第2款第2项第2款第2款第2款第2项第2款第2款第2款第2款第2款第2款第2项第2款第2款第2款第2款第2款第2款第2款第2款第2款第2款第2款第2款第2nð4Þ关于每个决策的信息可以表示为熵值，并且可以以客观的方式评估每个标准的相对重要性（Liu，2020）。然而，由于客观权重不能准确地反映用户的偏好，我们试图通过利用用户的行为历史的熵从用户的行为推导出用户的满意度反映在他们在给定的上下文中使用相同服务以达到指定目标的频率上本研究其中k是考虑的标准的数量，n是总数量。其中，Wi是准则i的权重3.3. 选择在这个阶段中，候选服务将根据其功能与用户请求的匹配来选择。随后，对候选服务进行排名，并选择最佳服务。千分之四A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报216图五. GetMap请求用于紧急目的。实现用户大多数研究人员利用优化方法来减少搜索空间，因为有许多提供商为给定的用户查询提供相同的功能。流行的优化算法（如Skyline和p- dominant算法）已被应用于优化服务选择的搜索空间（Purohit和Kumar，2019; Kertiou，2018;Serrai，2017）。然而，QoS标准的数量对这些算法的性能有显著影响，而高维数会导致性能和效率低下，反之亦然（Peng和Chen，2019）。因此，k-支配算法已被用来优化搜索空间，其中只有具有最高优先级的k个QoS标准将参与选择过程。一个点不是在所有维度上都优越，而是在k维上优越，以支配另一个点。点A k支配点B，如果它与计算天际线相比，计算k-支配更具有挑战性，因为它需要检查每对点之间的每一种可 能 的 支 配 关 系 （ Peng 和 Chen ， 2019 ） 。 我 们 引 入 动 态 K-Skyline，它选择k个相关维度，作为考虑k的每个潜在组合以找到最佳组合的替代而K个相关维度将基于QoS的重要性及其对服务选择的有效性来选择，如第3.2.3节所述。动态K-天际线在算法2中呈现，如图2所示。 六、最后，将使用TOPSIS算法对主导服务进行评分，以将排名最高的服务返回给客户。该算法得到候选服务及其权重，QoS，如算法中所示QoS权重的计算采用熵权法和用户行为。行号3根据用于优化搜索空间的等式计算期望的QoS属性第7-4. 为例在本节中，我们提出了一个案例研究所提出的模型，通过一个简单的场景，用户希望选择一个服务，以满足“定位城镇”的意图在一定的背景下。然而，如图7所示，用户在前30分钟期间已经完成了两个附加意图，分别是因此，用户必须在调用健康护理服务之后选择旅行和位置服务。满足定位城镇意图的服务的选择将基于表1中列出的服务，这些服务是从真实世界数据集QWS（Al-Masri和Mahmoud，2008）导出的位置和地图服务。表1中的值使用最小值/最大值方法进行归一化，其中1是最大值，并且对于所有标准是最优选的，并且0是最低值，并且最不优选。QWS具有来自不同域的2507个服务，其测量九个不同的QoS度量：响应时间（RE）、可用性（AV）、吞吐量（TH）、可扩展性（SU）、可靠性（RE）、合规性（CO）、最佳实践（BP）、延迟（LA）和文档（DO）。 在这项研究中，为了简单和说明，只考虑了四个QoS度量，它们是RT，AV，TH和RE。将在用户的行为和行为历史记录之间进行比较，以识别类似的出于这个原因，历史用户行为数据集（Najar等人， 2015年，也被录用。 该数据集来源于众所周知的OWLS-TC数据集，该数据集已被扩展以包括研究中的意图和背景数据（Najar等人，2015年）。生成历史数据的唯一领域是旅游领域。为了验证我们的模型，数据集被扩大到包括其他领域的用户意图和上下文，例如医疗保健和教育。他们也该案例研究展示了该模型如何根据用户过去的行为来4.1. 集群用户行为用户行为历史数据集包含500个独特的用户行为。该数据集捕获了三个不同领域的各种场景中十个不同个体的用户行为。选择此数量的记录是因为它具有足够的多样性以评估所选域和意图的聚类算法的性能。上下文主要分为两类，即设备上下文和人类上下文，每种类型都有不同的描述。用户在一段时间内的行为包括至少一个或多个在本案例研究中，选择30 min的时间段来将当前用户意图与先前意图相关联，换句话说，在30 min期间发生的任何服务调用都被认为是一个用户行为。使用第3.1.1节和第3.1.2节中提到的相似性方法和聚类算法对数据集进行聚类。 图图8描绘了聚类结果，其中用户行为被分组为39个不同的聚类。4.2. 计算QoS重要性如第3.2.1节和第3.2.2节所述，捕获用户的查询，并通过查找用户的类似行为和背景的历史记录。在该案例研究中，用户试图通过寻找与城镇定位功能相关的服务来定位城镇，然而，用户实现了两个其他意图，这两个意图分别是在30分钟的时间段内获得旅馆列表和租车意图，如图5所示。查询是在人类用户的上下文中进行的。所选的个人资料包含用户的位置、时间和年龄。因此，用户在调用getListOfHospital之后尝试请求服务，用户很可能需要定位城镇以实现相同的目标。因此，在该阶段中，选择在用户行为和用户上下文方面具有最高相似性的聚类。所选集群的历史QoS值如表2所示返回，表2表示A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报217见图6。 动态K-Skyline算法见图7。 一段时间内的服务请求意图（30分钟）。表1QWS中的位置服务数据ID服务RTAV日RE是天际线S1基本地图0.060.970.030.90是的S2地图服务0.090.390.140.82没有S3getMapwsdl0.090.460.130.82没有S4remapService0.140.850.320.75没有S5tmapService0.180.940.060.65没有S6获取最佳地图服务0.250.930.140.75没有S7GenerateMapService0.260.900.040.75没有S8GeocodeService0.250.970.220.67没有S9CogoService0.471.000.820.75是的S10密度图0.500.920.190.82是的S11GeneidmapService0.030.560.090.93是的S12城市位置0.370.860.520.82是的A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报218见图8。 熟悉用户行为和上下文。具有与当前用户相当的行为和上下文。根据表2，返回的聚类包括三个用户的行为，这三个用户基于历史用户偏好来计算用于定位城镇意图的当前用户偏好如第3.2.2节所述，在找到相似簇的历史记录后，使用熵权来确定QoS的重要性。每个标准的重要性权重如表3所示生成。结果表明，响应时间的重要性超过其他QoS标准的用户查询。此外，QoS标准的有效性计算根据方程。（4），其中只有RT和AV被认为是有效的QoS标准，因此其他标准将不被考虑用于选择服务。表3计算熵权。RTAV日RE0.50.190.150.164.3. 服务选择用户在分别获得医院列表和租车之后表达了他/她定位城镇的意图，因此基于该意图和所提出的模型，用户偏好在没有他/她干预的情况下在特定上下文中预测该意图和行为。因此，使用算法2，用户偏好用于在列出的可用服务中选择期望的服务表1中在检查每个QoS标准的权重后，动态K-Skyline算法利用有效的和有用的表2历史记录结果。意向ID域RTAV日RE84旅行25181536484医疗保健6745635084医疗保健58576065105医疗保健250734669105旅行58777449105旅行97718055344医疗保健224373065344医疗保健231845560344旅行114954961A.A. Jaafar，Dayang N.A. Jawawi，M. Adham Isa等.沙特国王大学学报219根据Eq. （四）、如前所述，在本案例研究中，只有响应时间和可用性被视为有效标准，因为特定意图和背景的历史行为证明了这些标准的价值。因此，服务S9和S10被选