题目：基于数据挖掘的服务组合推荐系统研究与实现

随着互联网技术的迅速发展，“软件即服务”的理念得到越来越广泛的应用，软件系统的开发、运行和使用方式都发生了巨大的变化，面向服务的计算应运而生。Web服务作为面向服务计算模式的重要组成部分，广泛应用于互联网上的信息交换。单一的原子服务能够满足的功能需求有限，因此需要将原子服务进行组织整合以实现更加复杂的功能，这就是Web服务组合技术。由于发布到互联网上的服务数量日益增多，在有关服务组合技术的研究中，探索一种能主动推荐功能、性能等方面更符合用户需求的服务的推荐方法，成为学术界和工业界共同关注的热点。目前在服务推荐领域的研究工作大多将QoS（Quality of Service，服务质量）作为基础，主要采用的方式是通过协同过滤的方法对用户未调用过服务的QoS进行预测。本文详细分析了相关服务推荐系统所采用的推荐机制，并针对Web服务特点，指出现有方法存在的不足，主要包括：在数据稀疏的情况下QoS预测的准确率有待提高，根据单一的QoS属性值进行排序无法满足用户不同场景下的需要以及在服务推荐的过程中仅考虑单个服务的QoS表现而忽视了服务间关系带来的影响。本文将数据挖掘中模糊聚类、关联分析等方法应用于服务推荐，研究了新的模型，设计了新的服务推荐方法，并进行了系统设计与实例验证，在一定程度上弥补了当前的服务推荐系统中存在的不足。首先，本文以改进推荐排序中QoS预测准确度为目的设计了一种模糊聚类方法与协同过滤思想相结合的预测算法，并进行了实验和分析；然后根据用户在不同应用场景下对于服务评价的不同需求，采用多维QoS模型并引入用户偏好权重，设计了一种基于多维QoS属性的服务评价机制；之后，设计了一种基于关联分析的服务推荐方法，用于分析服务在相似用户群组共同调用过的服务集合中表现出来的关联关系，并结合服务间的组合关系计算服务组合的全局QoS属性，为服务推荐提供参考，设计并实现了相应的服务组合推荐系统；最后，通过一个Web服务组合推荐的应用实例，验证了本文研究结果的有效性。本文的研究主要为探索如何将数据挖掘相关的方法应用于Web服务组合推荐做出了贡献。