为了优化协同设计网络的服务性能,引入服务容器分层注册机制和基于服务质量(quality of service,QoS)的动态消息路由访问策略,提出了面向服务体系结构中的企业服务总线改进模型.该模型通过构建服务容器间的树形结构关系,用深度优先搜索法实现服务查找,将查找范围限定在以服务请求容器和服务注册容器为叶节点的最小子树,增强了局部注册访问性能,减少了中心总线的请求负荷和网络开销,并在QoS加权算法中综合当前测试数据和历史数据进行服务评估,以获取高质量的动态服务.应用实例表明:当并发访问量较大时,改进模型的平均响应时间比现有全局注册模式减少30%以上,并且在网络服务质量变差时能自动调整路由恢复到良好状态,提升了协同设计系统的效率.
针对基于LBSNs(Location-based Social Networks)的位置推荐算法考虑因素单一且不能有效解决用户位于不同城市的位置推荐的问题,综合考虑潜在的社交影响、内容匹配影响和地理属性影响等因素,提出了基于用户签到和地理属性的个性化位置推荐算法SCL(Social-Content-Location)。该算法在协同过滤的基础上,引入了用户兴趣特征比较,改进了用户的相似度计算;同时,在分析位置的内容信息时,融入用户评论,缓解了位置标签的短文本特性对LDA(Latent Dirichlet Allocation)主题提取的影响,提高了用户兴趣和城市偏好主题提取的准确率。实验结果表明,SCL算法在本地城市召回率上较协同过滤算法U提高近65%,较LCA-LDA算法提高近30%;在异地城市召回率上,高于LCA-LDA算法近26%。这表明SCL算法在不同城市下的位置推荐具有一定的可行性。
时间序列数据是一种数据属性随时间变化的高维数据类型,反映了用户兴趣的动态变化。基于时序数据的推荐系统利用用户的行为时间提高推荐的准确性,但不适用于大规模数据集的推荐任务。矩阵分解方法是处理高维数据集时常用的降维方法。为此,提出一种基于时序模型和矩阵分解的推荐算法。基于该方法,首先利用矩阵分解提取原始时序数据的特征,然后通过时序模型挖掘特征的趋势,最后根据预测的特征得到预测结果并进行推荐。实验结果表明,所提出的算法与已有的推荐算法相比,在均方根误差(root mean square error,RMSE)和平均准确率(mean average precision,MAP)两个指标上均有较好表现,且适用于大规模数据的推荐任务。
