基于改进协同过滤算法的制造服务多目标QoS推荐方法研究开题报告

全文总字数：4829字

1. 研究目的与意义（文献综述）

随着制造业的发展和网络技术的广泛应用，面向服务的制造模式得到了进一步的推广。越来越多的制造服务被发布在了网络平台上共用户选择，因此如何让用户能更快速的得到自己想要的服务成为了我们需要解决的一大问题。

推荐系统是近年来被开发出来的用于根据用户需求和偏好来自动推荐服务的系统，已经被广泛用于新闻、电商和网络服务等多个行业。在面向服务的制造模式中，推荐系统已经得到了许多应用，主要用于预测平台中云服务的个性化qos值，让用户能够快速得到适合自己的服务。但是现有的大部分研究专注于如何提高qos预测的准确程度，使其更加接近用户的真实预测值，从而忽略了用户的个性化需求。推荐系统应用的其他领域如评分预测，网络服务推荐等，需要制造服务的用户会因为实际情况而对制造服务的qos值中的具体某一项如经济成本或时间有更强的需求。

推荐系统被广泛得应用在各种邻域，针对其本身的研究也在一直进步。协同过滤是推荐系统中最为常见也是最为有效的qos预测方法之一，而协同过滤又分为基于邻居的方式和矩阵分解方式。虽然cf方法的准确率较高，但是其本身存在两个问题：冷启动问题和矩阵稀疏问题。而这两个问题的改善与否也直接影响了预测的准确率。在最近的研究中，有许多改进方法划分出了范围更小的相似用户集群来提高预测的准确率。zheng等人和xiong等人分别提出了基于用户的upcc模型和基于的项的ipcc模型，zheng将两者相结合，提出了一种称为uipcc的混合cf模型来进一步预测qos。wu等人提出了一种叫上下文敏感矩阵分解（csmf）的方法，结合上下文本信息进行推荐，有效提高了准确性。这种结合服务的描述等额外的文本信息的方式也越来越多得被使用，xiang等人提出了一种本体语义描述模型（owl-s）来便于将文本信息结合到推荐系统中，并得到了广泛的应用。liu等人使用聚类的方法划分出高相似度的用户集群重构信任网络，来获得更好的准确度。相类似的，hashem parvin等人在信任网络中使用蚁群算法，得到了高相似度的用户集群利用协同过滤方式，得到好的推荐效果。这些方式虽然对协同过滤方法做出了改进，但是由于领域之间的差异性，直接应用在制造服务中时效果没有那么理想。因此，一些适用于制造邻域的改进方法得到了提出。其中如liu等结合时间要素提出了一种利用支持向量回归算法来预测qos的方式，得到了不错的预测结果。feng等使用了领域增强的矩阵分解方式，同时考虑了地理因素，对协同过滤方式进行了改进，使其能更好地应用在制造服务领域。liu等使用k中心聚类的方式得到了相似度最高的用户集群，并重构了信任网络来进行预测，这种方法考虑的任务相似度和用户相似度之间的联系。现有的一些方法有些没有考虑如地理因素等额外因素，有些考虑了这些因素但是其方式并不是很合理。而绝大部分方法仅仅是对qos值的总体进行了预测用top-k的方式进行推荐，而忽略了用户在制造过程中由于实际情况的不同而对qos各具体项产生的个性化需求。

2. 研究的基本内容与方案

针对为需要制造服务的用户很难在制造平台上快速获得自己需要的服务这一问题，所以我提出了一种nsga-ii和协同过滤混合的制造服务多目标qos推荐方法，用来解决现有的很多方法忽视了忽视了用户对于qos中不同项的个性化需求这一情况。

为实现这一方法，我们需要完成以下的工作内容：

1） 在改进算法方面，现有的大部分方法考虑用户发布的任务的相似度来得到用户之间的相似度，从而的到高相似度的用户集群来进行预测。而我将用户的一些额外信息如 其地域位置和规模也加入到用户之间相似度的考虑中去，并在所有用户集群中划分出高相似度的用户集群来进行预测，来提高预测的准确性，一定程度上改善了冷启动问题。因此需要根据提出的定义来建立相应的数学模型。

3. 研究计划与安排

第1周 完成开题报告和文献翻译

第2-3周 完成文献的回顾，完善毕业设计的总体思路

第4周 完成数学模型建立

4. 参考文献（12篇以上）

[1]李伯虎,张霖,王时龙,陶飞,曹军威,姜晓丹,宋晓,柴旭东.云制造——面向服务的网络化制造新模式[j].计算机集成制造系统,2010,16(01):1-7 16.

[2]王婕,耿秀丽.基于直觉模糊余弦相似度的云制造服务质量评价[j/ol].计算机集成制造系统:1-11[2020-03-06].http://kns.cnki.net/kcms/detail/11.5946.tp.20191129.1302.008.html.

[3]feng xiang,guozhang jiang,lulu xu,nianxian wang. the case-library method for service composition and optimal selection of big manufacturing data in cloud manufacturing system[j]. the international journal of advanced manufacturing technology,2016,84(1-4).