楊體東，付曉東,2，劉 驪，岳 昆，劉利軍，馮 勇

1(昆明理工大學 信息工程與自動化學院， 昆明 650500)2(昆明理工大學 航空學院， 昆明 650500)3(云南大學 信息學院， 昆明 650091)

1 引 言

隨著互聯(lián)網(wǎng)和普適計算技術的不斷發(fā)展，在線服務因獲取便利、操作簡單、成本低廉而得到廣泛應用，并成為當今服務產(chǎn)業(yè)發(fā)展的主要驅(qū)動力[1].然而在面對大量相同功能的服務時如何做出合理選擇，使得用戶不僅要考慮功能方面的需求，而且還要考慮到非功能屬性服務質(zhì)量(Quality of Service, QoS)的需求[2,3].信譽作為衡量QoS的一個重要指標，在服務選擇時已成為用戶參考的主要信息之一.但由于網(wǎng)絡環(huán)境的開放性、動態(tài)性和時空上分離等特征，不能保證所有在線發(fā)布的服務都是客觀、真實、可信的[4,5].因此，研究一種客觀的在線服務信譽度量方法來反映服務的實際信譽狀況，受到行業(yè)許多研究者的廣泛關注.

雖然目前提出的許多解決方案在信譽度量的準確性和客觀性上已有很大的提升，但大多數(shù)在線服務信譽度量模型是單維度的[6,7]，信譽度量只對歷史交易給出單一的評價，并不區(qū)分服務的各維度屬性質(zhì)量，評價粒度較粗，難以客觀反映服務的實際綜合表現(xiàn).其次，單維度信譽度量模型可識別的屬性信息結構單一，對于屬性質(zhì)量描述方式不同，使其對數(shù)據(jù)異構的服務環(huán)境缺乏適應性.因此，綜合服務的多維度評價信息進行信譽度量，可以獲得更為客觀、合理的信譽度量結果，增強信譽度量模型的適應性.

本質(zhì)上，信譽度量可視為一個對不同信譽類別的服務分類，而機器學習的優(yōu)勢是可以利用訓練樣本，在多維空間中構造最優(yōu)分類器模型，既可以綜合服務的多維度評價信息做出信譽決策，又可以提高信譽度量模型在屬性信息異構的服務環(huán)境中的適應性.由于在構造服務分類器模型時，假設事先已經(jīng)存在一定數(shù)量的訓練樣本(具有明確信譽類標簽的樣本)，但在實際網(wǎng)絡環(huán)境中，很難獲得大量的訓練樣本，人工標注數(shù)量有限，僅依靠少量的訓練樣本數(shù)據(jù)難以準確描述實際的數(shù)據(jù)分布規(guī)律，因而無法建立有效的信譽度量模型.而獲取大量的未標注樣本則相對容易，但它們不能體現(xiàn)數(shù)據(jù)的分布規(guī)律而且隱藏著服務的判別信息.因此，使用半監(jiān)督機器學習方法，同時利用少量人工標注樣本和大量未標注樣本來訓練分類器模型，可有效解決較少訓練樣本情況下分類器模型欠學習的問題.

根據(jù)以上分析，本文提出一種基于多分類SVM的在線服務信譽度量方法.該方法以支持向量機(Support Vector Machine, SVM)理論為基礎，建立服務的SVM多分類器模型，通過半監(jiān)督機器學習訓練SVM分類器，同時，為提高模型的泛化能力對屬性特征進行降維，最終獲得具有較高分類性能的SVM多分類器模型對服務進行分類，以實現(xiàn)信譽度量綜合多維度評價信息.最后，通過實驗驗證本文信譽度量方法的有效性和高效性.

2 相關工作

用戶的反饋信息是用戶對服務體驗的直觀表達，基于用戶評價的信譽度量成為在線服務信譽評估的主要研究方向.常見的基于用戶評價的信譽度量方式有簡單/平均模型、貝葉斯模型、模糊模型和離散信任模型等，文獻[8]對這些方法進行了全面的綜述.例如，eBay 使用求和法，將用戶反饋的評分進行求和運算計算服務信譽.Amazon 使用平均法，根據(jù)用戶反饋評分進行平均值運算計算服務信譽.此外，文獻[9]參考社會學的信任模型，利用量化主體能力屬性提升信任評估的準確性.在此基礎上，設計了Web服務信任評估模型(ServTrust)，且提出了ServTrust的一種基于多代理的解決策略.文獻[10]提出一種事件驅(qū)動和規(guī)則驅(qū)動的信譽管理框架.根據(jù)事物中發(fā)生的事件，利用規(guī)則確定使用的公式和參數(shù).此外，還通過模糊邏輯確定信譽排序.文獻[11]通過用戶對服務評價獲得直接信任值，由推薦用戶得到間接信任值，最后整合直接信任值和間接信任值得到服務信譽.上述研究均只針對服務主體做出單一的評價，并不區(qū)分服務的各維度屬性質(zhì)量，得到的信譽度量結果不夠客觀.

為解決信譽度量評價維度單一的問題，文獻[12]在計算直接信任度時，綜合服務的多維度屬性評價進行信譽度量，使用交易評體系和評價權重體系較好地體現(xiàn)了個人主觀偏好、風險態(tài)度等因素.文獻[13]提出了一種基于用戶屬性的細度化聲譽的評價體系，使得用戶可以對其他用戶的屬性進行評價，而不對用戶身份進行評價，避開了身份的影響，提高了評價的可信度.文獻[14]將服務不同方面的反饋評價作為推理證據(jù)，基于證據(jù)推理的方法計算服務的直接信譽度和服務聲譽的間接信譽度，綜合直接信譽度和間接信譽度對服務的信譽值進行整合計算.上述研究在信譽度量的客觀性和合理性上獲得一定的提高，但信譽度量方法只針對用戶評分進行信譽計算，不能對反饋信息中其他形式的評價進行識別和處理，使得可考慮的屬性特征受到一定的限制.

基于服務QoS歷史表現(xiàn)的信譽度量，是服務信譽評估的另一個方向.文獻[15]認為在線服務信譽是由用戶評分、QoS依從性和真實性組成的向量，其中依從性反映服務提供者履行其服務協(xié)議的能力，真實性反映服務提供者持續(xù)提供一定QoS的能力.文獻[16]在服務選擇中提出一種結合服務提供者承諾QoS值、用戶反饋QoS值以及可信代理監(jiān)控到QoS值的信譽模型.文獻[17]基于QoS屬性在服務管理中的角色，將信譽度劃分為領域無關QoS屬性的配置管理類型，同時給出信譽度的計算方式.上述方法基于服務QoS質(zhì)量進行信譽評價，而均未考慮服務功能方面的屬性特征，評價粒度較粗，信譽度量不夠合理.

綜上所述，已有在線服務信譽度量方法的局限性，使得信譽度量評價維度單一，粒度較粗，不能客觀地反映服務的實際信譽狀況.由于機器學習可利用訓練樣本，在多維空間中構造最優(yōu)分類器模型，通過考慮服務的多維度屬性特征而不是特定的屬性維度進行信譽度量，為此，本文提出的基于多分類SVM的在線服務信譽度量方法可有效彌補已有研究中的不足.

3 問題描述

本文研究的主要問題是：如何根據(jù)服務的多維度評價信息度量服務的實際信譽狀況.而信譽度量可視為一個對不同信譽類別的服務分類問題，所以本文將基于多維度評價信息的信譽度量問題轉化為在多維空間中的服務分類.通過機器學習方法利用訓練樣本，在多維空間中構造最優(yōu)分類器模型對服務分類，以實現(xiàn)信譽度量綜合多維度評價信息，相關定義如下：

定義1.服務樣本.在線服務數(shù)據(jù)可表示為Service=〈X,A,Y〉，X={x1,x2,…,xi,…,xm}(1≤i≤m)為服務的有限集；A={a1,a2,…,ad,…,an}(1≤d≤n)為屬性的有限集；Y={y1,y2,…,yj,…,yq}(1≤j≤q)為類標簽的有限集.其中，一個服務樣本實例可表示為：xi={a1,a2,…,ad,…,an}.

定義2.多維度評價信息.是指用戶通過服務體驗后，對服務各維度屬性A={a1,a2,…,ad,…,an}作出的評價，可表示為xi(A)={xi(a1),xi(a2),…,xi(ad),…,xi(an)}，其中xi(ad)代表用戶對服務xi的第d個屬性的評價.

定義3. 信譽.信譽是眾多服務QoS屬性中的一種屬性，它是對服務表現(xiàn)的綜合度量，通過綜合服務的多維度評價信息xi(A)={xi(a1),xi(a2),…,xi(ad),…,xi(an)}對所提供服務xi可信賴程度較為全面的一個量化表達，記為Y.

其中，可將信譽Y按需要劃分為q個區(qū)間來代表不同的信譽類別.例如：當q=5時，表示將信譽劃分為5個類別，信譽類標簽1～5分別表示信譽很差、差、一般、好和很好.因此，q個區(qū)間的劃分可得到q個不同的信譽類標簽，記為Y={y1,y2,…,yj,…,yq}(1≤j≤q).

定義4.訓練樣本.為服務樣本xi指定一個信譽類標簽yj∈Y，形成一個具有明確信譽類標簽的樣本實例s={xi,yj}，該樣本實例可作為訓練樣本加入到訓練樣本集中，所有訓練樣本的集合記為S.

定義5.服務分類.對于所有的服務xi都有一個唯一確定的信譽類標簽yj，根據(jù)不同的信譽類標簽可以將服務分為不同的類別，進而實現(xiàn)信譽度量.

機器學習可以利用訓練樣本{xi,yj}，在多維空間中構造最優(yōu)分類器模型，實現(xiàn)對服務的最優(yōu)分類.考慮到獲取訓練樣本比較有限，當訓練樣本較少時，樣本不足以反映數(shù)據(jù)的實際分布，訓練出的分類器性能將受到較大的影響.本文使用半監(jiān)督機器學習，從大量未標注樣本中獲取新的訓練樣本來擴充訓練集，進一步提高分類器模型性能.

根據(jù)定義，由訓練樣本集訓練出的分類器模型對服務進行分類時，所考慮的是整個服務的屬性信息而不是某個選定的屬性特征，從而能較好地進行服務分類.因此，在線服務信譽度量問題描述為：給定服務樣本集和機器學習方法構建服務的多分類器模型，通過半監(jiān)督機器學習訓練分類器模型，根據(jù)最終得到的服務多分類器模型對服務進行分類，獲得服務的信譽類標簽.

4 基于多分類SVM的在線服務信譽度量

由于單維度信譽度量方法的局限性，不能客觀反映服務的實際信譽狀況，綜合多維度評價信息進行信譽度量，可有效提高信譽度量的客觀性和合理性.為此，本文提出一種基于多分類SVM的在線服務信譽度量方法，將基于多維度評價信息的信譽度量轉換為在多維空間中對不同信譽類別的服務分類.基于機器學習的方式，利用訓練樣本在多維空間中構造服務的SVM分類器模型對服務分類，以實現(xiàn)信譽度量綜合多維度評價信息.

圖1 基于多分類SVM的信譽度量框圖Fig.1 Framework of reputation measurement based on multi-classification SVM

SVM作為機器學習中一種常用的構造分類器算法，其通過結構風險最小化原理提高泛化能力.引入核函數(shù)將樣本映射到線性可分的高維空間，最終可以轉化為凸優(yōu)化問題，獲得全局最優(yōu)解[18]，成為解決分類問題的有效方法.將SVM應用于在線服務信譽度量中，較之常規(guī)的信譽度量方法主要有兩方面的優(yōu)勢：首先是易于增加更多的信譽判別特征，獲得更多包含重要信譽決策信息的支持向量，使得信譽度量結果更加客觀、合理.其次，由于服務樣本往往具有維數(shù)高、樣本數(shù)小和數(shù)據(jù)多源異構等特點，與常規(guī)信譽度量算法相比，SVM可以更好地解決小樣本、非線性、信譽數(shù)據(jù)多源異構等問題，實現(xiàn)對服務的最優(yōu)分類，更適合被應用于信譽度量中.

本文提出的基于多分類SVM的在線服務信譽度量總流程如圖1所示.方法分為離線訓練和服務信譽在線度量兩個階段.在離線訓練過程中，首先基于SVM的服務多分類問題建模；然后，使用半監(jiān)督機器學習訓練SVM分類器模型，提高SVM分類器模型的分類性能.而服務信譽在線度量過程利用前者離線訓練的結果，計算量小，保證了在線服務信譽實時度量的快速性.

4.1 基于SVM的服務多分類問題建模

由于服務信譽標簽不止兩種(Y>2)，所以本文中的服務分類是一個多分類問題，而SVM分類算法是針對二分類問題提出的，因此，需要將服務多分類問題轉化為二分類問題.

根據(jù)定義4，可知訓練樣本集為S，假設訓練樣本集中有i個訓練樣本實例，則S={s1,s2,…,si}.對于一個訓練樣本實例s={xi,yj}，xi={a1,a2,…,ad,…,an}為n維的特征向量，yj∈{y1,y2,…,yq}.

SVM在解決多分類問題時需要構造多個二分類器，常采用的方法有：一對一分類(One Versus One，OVO)、一對多分類(One Versus All，OVA)[19].由于OVA方法會導致樣本集中不同類標簽分布的非均衡性，本文采用OVO方法實現(xiàn)多分類.對于本文中服務q分類(q>2)問題，按下式構造服務二分類訓練樣本集D.

D[k,l]={(xi,yj′=2yi=k-1)|yi=k或yj=l}

(1)

式(1)中：k,l=1,2,…,q.算子·根據(jù)等式是否成立返回1或0.因此，對于服務的q分類問題需要構造q(q-1)/2個二分類訓練樣本集.例如，用于信譽標簽為1和2的二分類訓練樣本集D[1,2]是從訓練樣本集S中剔除信譽標簽為3,4,…,q的樣本，保留信譽標簽為1,2的樣本組成.另外其他信譽標簽組的二分類訓練樣本集D[k,l](k,l=1,2,…,q)以同樣的方式形成.

根據(jù)以上所述，對于服務q分類訓練樣本集將訓練生成q(q-1)/2個二分類器，記為C[k,l](k,l=1,2,…,q).針對每個未知服務樣本，每個二分類器都將得到一個預測類標簽.通過投票法組合這些二分類器預測結果，即累積次數(shù)最多的類標簽就是該未知服務的最終預測類標簽，從而得到該服務的信譽度量結果.

4.2 半監(jiān)督機器學習訓練SVM分類器模型

由于在實際運用中，獲取大量具有明確信譽類標簽的訓練樣本比較困難，考慮到當訓練樣本較少時，樣本不足以反映服務數(shù)據(jù)的實際分布，并且訓練出的SVM的決策函數(shù)在多維空間中容易產(chǎn)生過擬合，使得SVM分類器性能受到較大的影響，為解決該問題本文基于半監(jiān)督機器學習訓練SVM分類器模型.首先由人工標注獲取少量的初始訓練樣本訓練SVM分類器模型，然后通過自學習方法在大量未標注樣本中進一步獲取新的訓練樣本來擴充訓練樣本集，重新訓練SVM分類器模型，并對整個自學習過程進行循環(huán)迭代，不斷提高SVM分類器模型性能.為盡可能減少錯誤訓練樣本的加入影響分類器模型性能，本文對自學習方法加以改進，提出一種帶距離約束條件的自學習方法DST(Distance Self-Training，DST).

4.2.1 初始訓練樣本選擇及分類器模型訓練

已知訓練樣本集為S(S=?)，假設未標注樣本集為U，在初始分類時從U中隨機選擇z個服務樣本，由用戶對其進行人工標注，將該服務樣本集合記為L={(xi,yj)}(i=1,2,…,z，yj∈Y).更新訓練樣本集S和未標注樣本集U：S=L，U=U-L，得到初始訓練樣本集S=L={(xi,yj)}(i=1,2,…,z，yj∈Y).使用初始訓練樣本集S訓練SVM分類器模型.同時，對未標注樣本集U中的樣本類標簽進行預測.

在少量訓練樣本的情況下，直接學習SVM分類器屬于欠學習問題[20]，得到的分類器模型性能較差.因此，通過自學習進一步在大量未標注樣本下訓練SVM分類器提高分類器性能.

4.2.2 DST半監(jiān)督學習

自學習是半監(jiān)督學習中一種常見的技術，首先由人工標注少量的初始訓練樣本訓練得到分類器，然后，通過這個分類器對未標注樣本信譽類標簽進行判斷，將分類結果最確定的未標注樣本，連帶其對應的由分類器預測得到的類標簽一起，加入到當前的訓練集中.用擴充后的訓練樣本集重新訓練分類器，并對分類結果進行更新[21].

由于添加到訓練樣本集中的樣本類標簽是由分類器預測得到的，因此得到的預測樣本類標簽與真實類標簽就有不一致的風險，即預測錯誤風險，那么該錯誤會在迭代的過程中不斷累積增加，對分類器準確預測樣本類標簽造成嚴重影響.為了盡可能減少自學習過程中錯誤樣本的加入，提高分類器的分類性能，本文對自學習方法進行改進，提出一種帶距離約束條件的自學習方法DST.在分類器預測樣本類標簽的同時加入樣本間距離的約束條件來共同判斷，提高自學習選出的訓練樣本類標簽的準確性.對于當前的每個未標注樣本xu(xu∈U)作如下判斷：

1) 使用當前的SVM分類器對樣本xu的信譽類標簽判斷，得到樣本xu的信譽類標簽yu，即yu/xu.

2) 基于歐式距離計算xu與訓練樣本集S中所有樣本的距離D(xu,xi)，尋找與xu最鄰近的點記為N：

N=argminxi∈SD(xu,xi)

(2)

將該臨近點N的信譽類標簽記為yn，即yn/N.

3) 比較未標注樣本xu的信譽類標簽yu和最臨近點N的信譽類標簽yn，對樣本xu做出決策：

(3)

如果yu=yn時，將樣本xu連帶信譽類標號一起添加到訓練樣本集合S中；如果yu≠yn時，將樣本xu返回到未標注樣本集U.

從距離相關性的自學習過程中可以看出，未知樣本的信譽類標簽不僅由分類器預測得到，還通過樣本間距離的約束條件來共同判斷，從而保證了自學習添加到訓練集里的樣本類標簽具有較高的準確率.

4.2.3 訓練樣本集及分類器模型更新

用新選出來的訓練樣本xu對訓練樣本集S和未標注樣本集U進行更新，即S=S∪xu，U=U-xu.用更新后的訓練樣本集S重新訓練SVM分類器模型，并對整個距離相關性的自學習過程進行循環(huán)迭代.

直觀上來說，雖然帶距離約束條件的自學習選擇出的訓練樣本所包含的信息量可能不高，但能有效降低引入錯誤類標簽的概率，提高分類器模型的分類性能.同時，隨著循環(huán)迭代過程不斷從未知樣本中獲取新的樣本加入到訓練樣本集中，樣本的信息量也將不斷得到完善，因此，帶距離約束條件的自學習可有效提高分類器性能.

基于以上分析，得到半監(jiān)督機器學習訓練SVM分類器模型的算法如下：

算法1.半監(jiān)督機器學習訓練SVM分類器模型算法

輸入：L：人工標注樣本集；U：未標注樣本集；

輸出：SVM分類器模型model.

1.S=?;

2.S.add(L);

//選擇初始訓練樣本選擇

3.WHILEU≠?DO

4.model=Learn(S); //初始SVM分類器訓練

5.FORxu∈UDO

6.yu=mdoel(xu);

7.FOReveryxi∈SDO

8.D(xu,xi)=EuclideanDistance(xu,xi)

//公式(2)

9.ENDFOR

10.N=argminD(xu,xi);

//公式(2)

11.yn=examplelabelofN;

12.IF(yu==yn)THEN//距離約束條件(3)成立

13.S.insert(xu);

14.ELSEU.back(xu);

15.ENDIF

16.ENDFOR

17.ENDWHILE

18.RETURNmodel;

4.3 提高SVM分類器的泛化能力

提高服務多分類器模型的分類精度和泛化能力是機器學習原理能夠在信譽度量中得以應用的關鍵.文獻[22]指出，SVM中的VC(Vapnik-Chervonenkis)維越小，模型的泛化能力越強，減少特征數(shù)量是降維的有效方法，并通過實驗證明了，使用主成分分析法(Principal Components Analysis，PCA)降低特征維數(shù)和交叉驗證聯(lián)合優(yōu)化的方式，可有效提高分類器模型的泛化能力.因此，本文應用PCA進行特征提取實現(xiàn)降維，結合交叉驗證來提高分類器模型的泛化能力.

4.3.1 特征提取

由定義1可知，已知服務xi的屬性有限集為A={a1,a2,…,ad,…,an}(1≤d≤n)，為n維特征向量，然后使用PCA方法對屬性特征A={a1,a2,…,ad,…,an}進行降維.從得到的各主成分子集中選擇影響信譽變化的主成分，剔除與信譽變化無關的主成分達到降維的目的.

PCA是一種經(jīng)典的數(shù)據(jù)降維算法，用盡可能少的相互獨立的數(shù)據(jù)表示原始數(shù)據(jù)的主要信息.通過PCA降維后不僅可以提高SVM分類器模型的泛化能力，同時還可以降低服務樣本的特征維數(shù)、簡化數(shù)據(jù)結構、有效降低分類器模型創(chuàng)建的時間復雜度和空間復雜度，進而提高SVM分類器模型的效率.

4.3.2 交叉驗證

如果分類和測試都來自同一數(shù)據(jù)集，會出現(xiàn)過于樂觀的訓練誤差.為了提高服務多分類器模型的泛化能力，交叉驗證將服務樣本集分為訓練集和測試集，分別用作模型的生成和測試，以此作為評價SVM分類器性能的指標.

核函數(shù)參數(shù)以及懲罰系數(shù)對SVM分類器模型的泛化精度有著很大的影響.交叉驗證的核心思想是從原始數(shù)據(jù)集中尋找優(yōu)化核函數(shù)參數(shù)的有用信息.本文采用的SVM核函數(shù)為徑向基核函數(shù)：K(xi,x)=e-γ‖x-xi ‖2.利用網(wǎng)格搜索法[23]，結合10折交叉驗證對RBF核函數(shù)中的懲罰參數(shù)C和核函數(shù)參數(shù)g進行尋優(yōu).

5 實驗與分析

為驗證本文提出的基于多分類SVM的在線服務信譽度量方法的有效性，對測試樣本集進行信譽度量實驗，分別從測試集每個類別各自的度量準確率、總體度量準確率、特征提取有效性3個方面對本方法的性能進行評估，并將本文方法SVM+DST與單維度信譽度量方法TMMRN(Trust Management Model Based Reputation Nodes)[11]、多維度信譽度量方法RMDT(Reputation-Based Multi-Dimensional Trust)[12]以及本文方法自學習時不考慮距離約束條件的方法SVM+ST這3種方法的性能進行比較.

5.1 實驗環(huán)境及數(shù)據(jù)集

本實驗爬取了中國最大的網(wǎng)購零售平臺淘寶網(wǎng)中1632個在線商家最近6個月交易的評價統(tǒng)計量，整個數(shù)據(jù)集包括10個商品種類商家的16維屬性特征評價.為了準確評估機器學習算法的有效性，測試樣本獨立于訓練樣本.其中，從數(shù)據(jù)集中隨機抽取80%的數(shù)據(jù)作為未標注樣本集，20%的數(shù)據(jù)作為測試樣本集.需要說明的是，為保證實驗方案的合理性，測試樣本的信譽類標簽與人工標注的類標簽應具有一致的主觀偏好性，因此對測試樣本集進行人工標注，實驗數(shù)據(jù)如表1所示.

表1 訓練樣本集和測試樣本集Table 1 Training sample set and test sample set

實驗采用MATLAB 2014a+LibSVM工具包實現(xiàn)，在一臺配置為Inter(R) Core(TM) i3-2120 3.3 GHz CPU、8 GB RAM的PC機上運行，操作系統(tǒng)為Windows 10專業(yè)版.LibSVM作為實現(xiàn)SVM的一種常用工具包，采用OVO的方式來解決多分類問題，并提供多種核函數(shù)選擇和交叉驗證參數(shù)尋優(yōu)[24]，能快速、有效地實現(xiàn)所設實驗方案.針對實驗數(shù)據(jù)存在噪聲的問題，本文通過剔除數(shù)據(jù)不完全的樣本、對樣本進行PCA降維、均衡各類別樣本數(shù)目等方法進行數(shù)據(jù)預處理.

5.2 評價標準

本文將基于多維度評價信息的在線服務信譽度量問題建模為對不同信譽類別的服務分類，通過機器學習方法利用訓練樣本，在多維空間中構造最優(yōu)SVM分類器模型對服務分類，以實現(xiàn)信譽度量綜合多維度評價信息.因此分別使用平均準確率P、平均召回率R、平均綜合指標F值來衡量方法的有效性.其中，平均準確率P反映模型精度，平均召回率R反映召回目標類別的比率、而F值則綜合準確率和召回率反映SVM+DST整體的性能，具體定義如下：

設測試樣本集為T={x1,x2,…,xn}，信譽類標簽yj∈{y1,y2,…,yq}為q個類別，TPj表示第j類被分類正確的個數(shù)，F(xiàn)Pj為第j類分類錯誤的個數(shù)，則3個指標的計算公式如下：整個算法的平均準確率：

(4)

整個算法的平均召回率：

(5)

整個算法的平均綜合指標：

(6)

5.3 信譽度量準確率

本文首先對測試樣本集中每個類別各自的度量準確率進行實驗.圖2～圖4分別給出了采用本文方法SVM+DST和其他3種方法，在測試集上各類別樣本(1～5個類別)獲得準確度量的樣本數(shù)比較.圖中，橫軸表示樣本類別，縱軸表示信譽度量正確的樣本數(shù)量，柱狀代表采用SVM+DST方法與對比方法在各個類別上的度量準確樣本數(shù)的差，正數(shù)代表SVM+DST在該類別上的度量準確樣本數(shù)多于該對比方法.

2824201612840樣本數(shù)量樣本類別12345圖2 SVM+DST與RMDT在各類別上度量準確數(shù)量的比較Fig.2 Compare SVM+DST and RMDT to measure the exact number of each type2824201612840樣本數(shù)量樣本類別12345圖3 SVM+DST與SVM+ST在各類別上度量準確數(shù)量的比較Fig.3 Compare SVM+DST and SVM+ST to measure the exact number of each type2824201612840樣本數(shù)量樣本類別12345圖4 SVM+DST與TMMRN在各類別上度量準確樣本數(shù)的比較Fig.4 Compare SVM+DST and TMMRN to measure the exact number of each type

從圖2～圖4中可以看出，SVM+DST方法與其他三種方法相比，在所有類別上的度量準確數(shù)量都有一定程度的提升.其中，SVM+DST相對于TMMRN和SVM+ST兩種方法的度量準確數(shù)量提升幅度較大，證明SVM+DST方法通過考慮服務的多維度屬性特征而不是特定的屬性維度進行信譽度量，能有效提高信譽度量的準確率.同時證明SVM+DST方法，在自學習時加入距離約束條件選擇出的訓練樣本能夠有效地提高當前分類器模型的分類性能.此外較之RMDT方法，SVM+DST獲得準確度量的樣本數(shù)量也有少量的提升，證明SVM+DST方法在信譽度量準確率上優(yōu)于RMDT方法.

根據(jù)以上實驗結果，對4種方法的總體信譽度量準確率進行分析比較，如表2所示.

表2 SVM+DST和TMMRN、RMDT、SVM+ST的準確性比較Table 2 Comparison of Accuracy of SVM+DST,RMDT and SVM+ST

由表2可知，本文方法SVM+DST在準確率P、召回率R、綜合指標F值方面都要優(yōu)于RMDT、SVM+ST和TMMRN.經(jīng)過分析，主要是因為TMMRN評價維度單一，只針對服務屬性中的某一特征進行評價，因此計算出的信譽僅局限于該屬性的質(zhì)量，而忽略了其他屬性對信譽的影響，導致信譽度量不夠客觀、全面.而SVM+ST在選擇訓練樣本時，由于未考慮預測錯誤風險，使得自學習過程中加入了大量的錯誤訓練樣本，造成分類器分類性能下降.而RMDT方法主要適用于用戶的反饋評分，不能對服務屬性中包含的數(shù)字信息、標簽信息等進行識別、處理，相對SVM+DST信譽判別特征較少，因此準確率和召回率有所下降.

5.4 特征選擇有效性驗證

實驗目的在于驗證PCA特征提取可提高服務SVM多分類器模型的效率，分別從SVM分類器模型的分類準確率和模型創(chuàng)建的開銷時間兩方面進行驗證.為避免半監(jiān)督自學習加入后影響實驗效果，從訓練樣本集中選擇250個樣本作為訓練樣本集，并對其進行人工標注，其中每個類別樣本各50個.通過對測試樣本集進行分類預測，對比分析特征提取前后的分類準確率和分類器模型的開銷時間，證明特征提取可有效提高模型的效率，實驗數(shù)據(jù)如表3所示.

表3 特征選擇有效性實驗數(shù)據(jù)集Table 3 Feature selection effectiveness experimental set

依據(jù)表3中訓練集的16維屬性特征，采用SPSS19.0軟件實現(xiàn)PCA主成分分析，從16個屬性特征集中提取10個主成分，累積貢獻率達到87.5%.分別使用PCA特征提取前后的數(shù)據(jù)集進行分類預測.在分類準確率方面：如果不進行特征提取，利用16維屬性特征的數(shù)據(jù)集進行分類，分類準確率為91.4%，經(jīng)過PCA特征提取后，使用10維屬性特征的數(shù)據(jù)集進行分類，得到的分類準確率為90.6%.而在模型的時間開銷方面，如果不進行特征提取，模型創(chuàng)建的時間開銷為254.77s，經(jīng)過PCA特征提取后，模型創(chuàng)建的時間開銷為92.68s.

從上述實驗結果可以看出，特征提取后分類器的分類準確率有所下降，但所下降的幅度并不大.這是因為PCA進行特征提取后，找到一組最能描述服務樣本數(shù)據(jù)且特征維數(shù)較少的正交潛在變量，簡化了樣本內(nèi)在統(tǒng)計結構特征，勢必會丟失原始特征空間中可以區(qū)分不同類標簽的微弱信息，造成SVM分類器分類精度下降.然而，特征提取后分類器模型創(chuàng)建的時間開銷被極大地縮短，由此可見，PCA+SVM是通過犧牲一定的分類準確率來縮短開銷時間的，在小樣本數(shù)據(jù)分類的時候可能PCA+SVM的效率不是很明顯，但在大樣本分類的環(huán)境下這種代價交易就會變得非常可觀，能極大的縮短運算時間，減少成本.考慮到本文中信譽度量所面對的在線服務環(huán)境，綜合考慮PCA降維后的分類準確率和模型的時間開銷，PCA降維可有效提高服務SVM多分類器模型的效率.

6 總結與展望

基于多維度信息的信譽度量模型對提高信譽度量的準確性和合理性有重要影響.本文將信譽度量問題轉換為信譽多分類問題，使用支持向量機進行服務多分類.由于獲取大量的訓練樣本比較困難.我們將自學習方法引入到支持向量機分類器的服務分類中，并對自學習方法進行改進，確保自學習過程獲得準確的訓練樣本，通過循環(huán)迭代整個自學習過程，不斷優(yōu)化分類器模型，并由該分類器模型對服務進行多分類，實現(xiàn)信譽度量綜合多維度屬性信息.實驗驗證該方法在服務分類時具有較高的準確度.

由于自學習中的初始訓練樣本由人工標注獲得，因此得到的訓練樣本可能不是最優(yōu)的，如何確保獲得高質(zhì)量的初始訓練樣本成為下一步工作中需要考慮的問題.其次，使用PCA主成分分析法雖然可以有效降低樣本數(shù)據(jù)維數(shù)和模型開銷時間，但是會造成分類器分類精度的損失，考慮引入其他降維方法來有效減少樣本數(shù)據(jù)維數(shù)的同時，可優(yōu)化分類模型的開銷時間和分類準確率將是今后工作的一個重要方向.