排名機制模組

在排名機制模組中，主要的目的就是選出最符合需求的服務，推薦給予使用 者。在先前分析需求的結果，除了包含在排序機制所需的資料外，另外還有分析 出另一組在排名機制所需的資料 UB_pre 。所以在排名機制模組中所需的輸入資料 為使用者需求 U_req 、與排序模組所得出的結果 WS_sort 。

經過排序機制模組得到的初步結果 WS_sort 與 U_req 的另一組分析資料 UB_pre 之後，接下來就是利用排名機制模組將 UB_pre 與在 WS_sort 中的 WS_char作最後的評 估運算，在這個機制的評估運算中，我們使用了兩種方法，以利往後工作的分析，

分析此兩種方法個別的準確度以及優缺點。而這兩種方法分別是規則基準法 (Rule-based)與權重加權計算法(Weighting)。

3.4.2.1 規則基準法

規則基準法主要是透過使用者需求裡，偏好對服務功能屬性的優先順序，從 優先權較低的開始選，選出一定數量，再由第二低的從前一次選出的結果再選出 一定數量，以此類推，選到優先權最高的屬性時，只會從中挑選出一個最合適的 服務推薦給使用者。圖 3.5 為一個簡單的範例，先從屬性 1 中挑選出一定數量符 合需求的服務，在從屬性 1 中被挑選出的服務集合中挑選一定數量出符合屬性 2 的服務，以此類推。表 3.5 為規則基準法來選出適合服務的演算法過程。

圖 3.5 規則基準法選擇範例

WS1

WS2

… WSo

… WSx

WS1

WS2

… WSn

… WSo

WS1

WS2

…

… WSm

屬性 1 屬性 2 屬性 3

表 3.5 排名機制模組演算法-規則基準法 演算法 2-1

WS_sort = {ws₁, ws2 , ws3 , … , wsm} //初步結果 U_req = {ur₁, ur2 , ur3 , … , urn} //使用者需求

WS_{i_char} = {wsc₁, wsc2 , wsc3 , … , wscx} //服務屬性 i ← 0

for each ur_i

UBpre[] ← analyze(ur_i) end

//Send to Ranking Model i ← 0 , j ← 0 , k ← 0 for each ur_i in UBpre

for each ws_j in WS_sort for each wsc_k in WS_{i_char}

if wsc_k = ur_i then WS_rank[] ←wsj

end end end

//Select high level WS in WS_rank WS_rank ← WS_all [1]

//Output of Ranking Model

3.4.2.2 權重加權法

權重加權法主要是透過使用者需求裡，偏好對服務功能特徵的優先順序，然 後對於此優先順序給予適當的權重加權加成，最高者給予加權越高分，並且儲存 在 Cache 中的網路服務也有權重的加權，每個屬性都給予權重配分並加乘後，最 後將總分計算出來，選出總分最高分的推薦給予使用者。而且需要先將網路服務 的特徵正規化，在我們後面的實作範例設計中，所使用的正規化方法是十進位正 規化其公式如下：

v

= v/10

其中 i 為使得 Max v^′ ≦ 1 的最小整數，v^′為正規化後的值

上列公式可將數值正規化壓縮到區間[0,1]的情況。下列表 3.6 為權重加權法 來選出適合服務的演算法過程。而在排名模組中所使用的計分法為內積法，其公 式如下：

vector x = [ x

, x

, x

, … , x

] 、 y = [ y

, y

, y

, … , y

]

x‧y =

x

∗ y

(2)

表 3.6 排名機制模組演算法-權重加權法 演算法 2-2

WS_sort = {ws₁, ws₂ , ws₃ , … , ws_m} //初步結果 U_req = {ur₁, ur₂ , ur₃ , … , ur_n} //使用者需求

WS_{i_char} = {wsc₁, wsc₂ , wsc₃ , … , wsc_x} //服務屬性 i ← 0

for each ur_i

UBpre[] ← analyze(ur_i) //分析權重配分 end

//Send to Ranking Model

To get WS and WS_char in Cache //normalization

i ← 0 , j ← 0 , k ← 0 for each ws_i in WS_sort for each urj in UBpre

for each wsck in WS_{i_char}

WS_weight[i] ←urj * wsck + WS_weight[i]

end end end

//Select highest point of wa_i in WS_sort and Put into WS_rank WSrank ←WSweight[highest]

//Output of Ranking Model Return WS_rank