基于综合模糊相似度的云制造需求—服务双向匹配

胡 雨 郭 钢

1(重庆大学机械工程学院 重庆 400044) 2(重庆大学汽车工程学院 重庆 400044)

基于综合模糊相似度的云制造需求—服务双向匹配

胡 雨1郭 钢2

1(重庆大学机械工程学院 重庆 400044)2(重庆大学汽车工程学院 重庆 400044)

为解决云制造环境下的服务选择问题，提高服务和需求的匹配精度及供需双方的满意度，提出基于综合模糊相似度的云制造服务双向匹配模型。针对服务方和需求方各自的描述信息，结合功能和非功能要求，将供需双方的描述信息进行基于匹配机制的双向多属性匹配。考虑匹配的稳定性，综合运用模糊概念语义相似度算法、直觉模糊集算法及相合系数法分别进行多属性信息的相似度求解。再利用综合加权法进行综合模糊相似度计算，得到最佳匹配结果。实例分析和对比研究验证了该匹配模型可行有效，能准确地为用户选择双方都满意的服务。

云制造 综合模糊相似度 满意度 双向匹配

0 引 言

云制造是面向服务的制造理念，利用网络和云制造服务平台，按用户需求组织网上制造资源(制造云)，为用户提供各类按需制造服务的一种网络化制造新模式[1]。由于云制造服务资源的多样性，制造需求的复杂性，如何实现服务与需求的高效匹配，提高服务资源的优化配置，快速优质地完成云制造需求，对云制造的开展和实施具有重要作用。尹超等[2]提出了面向新产品开发的cmrsc优选目标体系，并根据组合优选过程中的目标变量的构成和服务资源组合基本类型的特点，建立了一种面向新产品开发的cmrsc优选模型，采用灰色关联度分配方法对模型求解过程进行了分析；盛步云等[3]提出采用关键字语义智能搜索，使用制造服务资源本体库，根据需求本体构建形式化的需求匹配模式；董元发等[4]提出云制造模式下基于互评机制的云制造服务质量获取方法，建立了云制造服务信任度评价模型，建立了基于服务匹配度与全局信任度的综合优化模型，并运用遗传算法进行求解；文献[5]中为解决云平台中CAE仿真服务匹配，提出基于服务需求本体的相似度算法，与大多数云制造服务匹配问题大同小异。马文龙等[6]提出一种基于QoS感知的云服务选择模型，研究建立了适合云制造业务的QoS评价指标，信息感知模型和量化方法，利用变精度粗糙集理论计算权重，并对不诚实评价问题给出了诚实度信息校正方法。李新等[7]通过建立云制造资源及加工任务的统一本体模型后，再构建资源匹配模型，并将资源发现转化为制造资源本体和加工任务本体之间的映射匹配来求解。赵雷[8]针对服务的匹配和组合问题，提出通过感知整个生命周期的服务关联关系，利用关联关系感知的服务保留算法，使得存在关联关系的服务在服务匹配阶段就被保留了下来，构成新的候选服务集合来进行服务的匹配和组合。文献[9]为整合各种分布式制造资源和能力，提出云制造服务供应-需求匹配网的概念，将服务和需求分别看作两个网，再基于两者的输入输出作为匹配关系进行匹配。

上述文献对云制造服务匹配和服务组合问题，从关键字、本体论、互评机制等多个方面作详细研究，并设计匹配算法，但服务的选择方式都是从服务需求方到服务提供方的单向选择。赵金辉等[10]虽提出基于QoS的云制造服务双向匹配模型，利用双方的定性和定量评价，综合考虑双方满意程度匹配服务，但其匹配的前提是在功能相同或相近的基础上再来进行匹配，而服务功能相似度也有高有低，对最终的匹配结果也有一定影响。故本文根据服务方和需求方双向描述，综合考虑供需双方各方面要求，提出基于模糊相似度的云服务双向匹配模型。首先通过传统的服务类别对云平台中的服务进行初选，然后从功能性角度出发，对服务名称、服务描述进行双向匹配，再考虑非功能因素，对供需双方对服务质量的要求，进行双向匹配。综合运用模糊概念语义相似度算法、直觉模糊集算法和相合系数法分别进行多属性信息的相似度求解，再利用综合加权法进行综合模糊相似度计算，根据相似度的大小对候选服务进行排序。

1 基于综合模糊相似度的云制造服务双向匹配模型

云制造服务平台中包含服务类别、名称、详情描述、QoS等基本信息，反映了制造云服务的基本特征。在云制造服务双向匹配过程中，针对服务方和需求方各自的描述信息和要求，提取有效信息，进行服务类型、服务名称和详情描述、QoS属性双向匹配，综合考虑各部分的相似度值，选择最合适的服务。基于综合模糊相似度的云服务双向匹配模型如图1所示。

图1 基于模糊相似度的云服务双向匹配模型

匹配过程中存在两方主体，服务需求方和服务提供方。设服务需求方的需求集合为R={R1,R2,…，Ri}，Ri表示第i(i=1,2,…，k)个需求；服务提供方服务集合为S={S1,S2,…，Sj}，Sj表示第j(j=1,2,…，p)个服务。匹配的属性为[category, name, describle, QoS], category 表示服务类别，name表示服务名称，describle表示服务描述，QoS表示服务质量。Rcategory表示需求方所需的服务类别，Rcategory表示服务方所提供的服务类别。设需求方所需服务名称集合为Rname={Rname1,Rname2,…，Rnamei}，Rnamei表示Ri的服务名称；服务方提供的服务名称集合为Sname={Sname1,Sname2,…，Snamej}，Snamej表示Sj的服务名称。需求方所需服务详情描述的集合为Rdescrible={Rdescrible1,Rdescrible2,…，Rdescriblei}，Rdescriblei表示Ri的服务描述；服务方提供的服务详情描述的集合为Sdescrible={Sdescrible1,Sdescrible2,…，Sdescriblej},Sdescriblej表示Sj的服务描述。RQoS={RQoS1,RQoS2,…，RQoSn}是需求方对服务QoS的属性指标集合，RQoSn是第n(n=1，2，…，q)个指标；SQoS={SQoS1,SQoS2,…，SQoSm}是服务方对需求方合作要求的属性指标集合，SQoSm是第m(m=1，2，…，t)个指标。

匹配过程是需求方根据其需求对服务方提供服务的选择过程。首先根据需求方所需服务类别进行服务初次筛选，过滤掉不相关的服务，减少计算量。再根据供需双方的服务描述，进行Rname与Sname相似度匹配，得出模糊相似度值Simn，以及Rdescrible与Sdescrible相似度匹配，得出模糊相似度值Simd。根据名称和描述的综合模糊相似度Sim(n,d)的大小，筛选出满足设定的Sim(n,d)值的服务，即功能相近的服务。再进行QoS指标双向匹配，计算由需到供和由供到需的模糊相似度值SimRQ和由供到需的模糊相似度值SimSQ。最后计算四个属性的综合模糊相似度值Sim(n，d，RQ,SQ)，保留并输出满足设定Sim(n,d,RQ,SQ)值的服务，即双方都满意的服务。

2 匹配算法

为减少匹配运算量，在云制造服务平台中发布服务时对服务进行分类处理，用户根据所需服务选取相关服务类别，过滤不相关的服务，再进行功能和非功能双向匹配。

2.1 服务名称和服务描述双向匹配

服务名称和服务描述通常是以词组、句子或者一组概念的形式出现，所以采用多模糊概念语义相似度算法，其实质是采用了向量空间这个数学模型。服务名称和服务描述的相似度计算采用文献[11]中所用的方法，具体描述如下：

对于两个句子，分别设为向量A和B：

A=(X1，X2，…，XN)

B=(Y1，Y2，…，YM)

(1) 构造A与B的模糊相似矩阵SAB，其中XiYj表示关键词Xi和Yj的语义相似度；

(2) 将矩阵SAB压缩至一维；

(1)

即对矩阵中的每行取最大值，然后对这些最大值取平均值。由于矩阵中的每一行列举了句子A中的某一个关键词语和句子B中所有词语的语义相似度。求最大值，其实就是求句子A中的这个关键词语与句子B的最大相似度。再计算平均值，其实就是计算句子A中所有词语与句子B的语义相似度的平均值。最后用这个平均值来表示句子A与句子B的语义相似度。同理可得SemSimilarity(B,A)。

(3) 计算A和B的模糊语义相似度；

(2)

该种方法计算的句子之间的语义相似度的准确性主要依赖词语之间的语义相似度的计算，即XiYj，而对于词语之间的语义相似度计算已有很多种方法，本文参考文献[12]中的方法，由于篇幅问题，这里就不作详细说明。

使用上述方法进行Rname与Sname，Rdescrible与Sdescrible模糊相似度计算，得出模糊相似度值Simn、Simd，再计算名称和描述的综合模糊相似度Sim(n,d)的大小。

Sim(n,d)=α×Simn+β×Simd
(α,β为权重系数，满足α+β=1)

(3)

2.2 服务质量QoS双向匹配

在进行服务名称和服务描述的匹配，即是对服务的功能匹配过后，筛选出满足设定值的服务集合，再集合里的服务进行QoS的双向匹配计算。

国际标准ISO8402对QoS的定义为[13]: QoS是由一些非功能属性组成，包括服务价格(price)、服务执行时间(time)、服务可用性(availability)、服务可靠性(reliability)等，在一定程度上体现了服务提供者提供的服务质量本身的物理意义。本文进行是QoS的双向匹配，除了服务需求者对服务提供者提供的服务本身有服务价格(price)、服务执行时间(time)、服务可用性(availability)等方面的属性要求外，服务提供者对服务需求者也有如技术难度、信誉度、付款速度等方面的属性要求。QoS的双向匹配考虑供需双方对服务质量的要求，不但能提高云服务的匹配准确率和召回率，更能合理选择服务，避免服务资源的浪费。因此，本文给出如下QoS的双向匹配指标模型：

(1) 服务需求方对服务的QoS指标属性RQoS={RQoSprice，RQoStime，RQoStec-level，RQoSreputation，RQoSreliability}。RQoSprice表示云服务的价格，为单件产品的外协报价和每公里的运输成本之和；RQoStime为云服务的时间，即加工和运输需要的天数；RQoSreliability为云服务的可靠性，由“正常响应次数/被调用次数”表示；RQoStec-level，RQoSreputation分别为云服务的技术水平和信誉度，通过等级短语评价进行表示。

(2) 服务提供方对需求方的QoS指标属性SQoS={SQoSV-pay,SQoStec-difficulty,SQoSreputation}。SQoSV-pay为付款速度，表示达成交易协议时，能够付全款的95%需要的天数，另5%通常为质保金；SQoStec-difficulty，SQoSreputation为技术难度和信誉度，通过等级短语评价进行表示。

2.2.1 QoS指标量化

由于信誉度、技术水平和技术难度很难用精确的某个数字进行表示，需采用一个合适的语言术语集来进行描述。本文使用的语言术语集为集合{非常高(Very High)，较高(High)，一般(Middle)，较低(Low)，非常低(Very Low)}。短语描述虽然能够准确合理地表达QoS指标的程度，但却不能直接用于计算。因此，需要对其进行量化。

常用的量化方法是使用转换函数将模糊的语言描述映射为相应的模糊值，本文采用直觉模糊函数，对应直觉模糊集理论[14-15]。术语集取为奇数,本文定义为5级，使中间值近似为0.5,而剩下的成对称分布。术语集中各术语用模糊数来表示,取值在[0,1]之间。用模糊数表示的5级术语集如表1所示。

表1 语言术语集对应的模糊数表

用户给出QoS属性的语言术语等级和不确定度πQoS，再查找表1得到对应的直觉模糊数表达式[μQoS,νQoS-πQoS]，μQoS表示隶属度，νQoS表示非隶属度，最后根据式(4)将语言型QoS属性转化为数值。

qQoS=μQoS-νQoS×πQoS

(4)

2.2.2 QoS指标归一化

由于各个QoS属性的物理意义不同，其对应的计量单位也不相同，所以属性值的量纲和数量级可能不同。为了便于比较服务，需要将服务的QoS属性值进行归一化处理。本文采用文献[16]中的函数进行归一化处理，如式(5)、式(6)所示：

(5)

(6)

2.2.3 QoS模糊相似度计算

将QoS属性经过量化和归一化处理后，得到一个多维向量，故本文就采用向量间的比较来计算服务需求者的提出QoS属性与候选服务的QoS属性的相似度SimRQ以及服务提供者提出的QoS属性与待选需求的QoS属性相似度SimSQ。设两个多维向量为：

C=(C1,C2,…，Cn)

图2给出了向量C和C′在向量空间的位置关系。由图2可知，影响向量之间的因素有两个：向量的模的大小关系和向量之间的夹角，当向量C和C′模的大小越接近时越相似，同理，当向量C和C′模的夹角越小时越相似。

图2 向量空间模型中的向量C和C′

本文采用常用的夹角余弦法[17]来度量两组向量的相似度，也称为相和系数法，其表达式为：

(7)

Sim(RQ,SQ)=γ×SimRQ+δ×SimSQ
(γ,δ为权重系数，满足γ+δ=1)

(8)

综上，通过计算得出服务名称和描述的综合模糊相似度Sim(n,d)的大小以及QoS双向匹配综合模糊相似度Sim(RQ,SQ)，再使用综合加权法进行综合模糊相似度求解，如式(9)所示:

Sim(n,d,RQ,SQ)=ω1×Sim(n,d)+ω2×Sim(RQ,SQ)

(9)

其中，ω1、ω2为权重系数，满足ω1+ω2=1。

最后，根据综合模糊相似度值Sim(n,d,RQ,SR)的大小，综合考虑功能和非功能因素，降序输出满足要求的服务序列。双向匹配计算过程如图3所示。

图3 双向匹配计算过程图

3 实验验证

为了验证模型的合理性和实用性，以JDK 7+Eclipse 4.5+MySQL 5.6 为开发环境，Tomcat 7.0为中间件搭建云制造服务试验平台进行仿真测试，用Java语言编写仿真程序实现云制造服务选择与调用。

以某塑料外壳加工为例，4个并发用户(分别用R1，R2，R3，R4表示)需要该类生产加工服务，云制造服务平台中包含80个用于测试的制造云服务，用Sj表示(j=1，2，…,80)。服务方将服务发布在云服务平台的同时提出对合作者的QoS要求；需求方通过名字和服务详情以及对服务QoS要求，平台系统根据双方设定的条件，从数据库中抽取数据进行服务的匹配。

根据4个并发用户需求，以“塑料加工”为服务类别对云制造服务平台中的80个服务进行初选，该服务类别下共15个服务，用Sj表示(j=1，2，…,15)。按照2.1节的描述对4个并发需求进行名字和详情描述的匹配，提取需求和服务中的关键词进行相似度计算，令式(3)中权重系数α、β均为0.5，相似度要求为Sim(n,d)≥0.700 0 。4个并发需求与15个服务名称和详情描述双向匹配结果如表2所示。

表2 服务名称和详情描述双向匹配相似度值列表

注：“-”表示对应的服务不满足相似度要求

针对4个需求所对应的15个服务，再进行QoS双向匹配。由2.2节，服务需求方考虑的服务QoS指标为：价格、时间、可靠性、技术水平和信誉度；服务提供方考虑：付款速度、技术难度和信誉度。双方给出各自对QoS指标的要求，平台系统获取数据按照2.2节所述算法进行匹配计算。4个并发需求和15个服务的QoS与合作条件分别如表3、表4所示。

表3 Ri属性和QoS要求

表4 Sj服务QoS与合作要求

结合表1和式(4)对表3和表4中的短语评价进行量化处理，不确定度πQoS由用户输入。为了便于比较服务，再将量化后的数值进行归一化处理，其中价格、时间、付款速度、技术难度采用式(6)进行归一化处理，而技术水平，可靠性和信誉度采用式(5)进行归一化计算。归一化处理后再进行相似度计算，首先将4个并发需求Ri的QoS要求当作四组五维向量，将15个服务Sj的QoS属性看作15组五维向量，然后运用式(7)进行由需求到服务的一一匹配计算。同理，由服务Sj的合作要求与需求Ri属性计算出从服务到需求的匹配相似度值。将两组相似度值按照式(8)进行综合相似度值的计算，令式中的权重系数γ和δ均为0.5。最终QoS双向匹配的综合相似度值如表5所示。

表5 Ri与SjQoS双向匹配的综合相似度值

最后，利用式(9)对表2和表5中的数据进行综合相似度值的计算。值得注意的是，云制造服务的匹配必须在满足功能性要求的基础上再考虑非功能因素，因此计算时令式(9)中的权重系数ω1为0.7，ω2为0.3，相似度要求为Sim(n,d,RQ,SQ)≥0.800 0。最终4个并发需求的匹配结果如表6所示。

表6 Ri与Sj双向匹配综合相似度值

为方便4个并发需求方选取供需双方都适合并且满意的服务，平台按照表6中最后的综合相似度值降序排列输出服务，最后结果排序如表7所示。

表7 Ri与Sj匹配结果

为了便于分析，以需求R1为例，分别使用文献[3]中基于关键字语义匹配法和文献[6]中基于变精度粗糙集的单向选择算法进行匹配运算，计算结果如表8所示。

表8 R1对比方法输出结果

符合需求R1要求的服务集合C={S2，S3，S6}，通过表7和表8的对比可以看出，匹配结果有所不同。基于关键字语义匹配和变精度粗糙集法能从需求方出发匹配到部分合适的服务。基于关键字语义匹配能获取满足需求R1功能的服务S2、S3、S5，变精度粗糙集法能从QoS方面匹配R1需求方满意的服务S3、S6、S15。但是相比较而言，本文的方法能综合需求R1功能和非功能因素，结合需求方和服务方要求选择双方满意的服务S2、S3、S6。

同时，为了验证本文提出的双向匹配法的召回率和准确率，使用Matlab进行多次实验得出基于关键字语义匹配、基于变精度粗糙集法以及本文方法的Precision-Recall曲线图，如图3所示。从图3可以看出，本文的召回率和准确率也得到明显改善。

图3 Precision-Recall曲线图

从实际交易出发，在基本满足功能的条件下，需求方肯定会选择满足自己要求的一方为自己服务和进行交易，而在此基础之上，本文提出的基于模糊相似度的双向匹配模型还加入服务方的要求。这样，从匹配的准确率和召回率来看，提高了云制造服务的供需匹配精度，并且节约云制造资源，从挑选最优的服务升华到了匹配供需双方最合适的服务，打破传统的云制造服务匹配方式。

4 结 语

本文结合云制造服务中需求方与服务方的匹配需求，提出基于综合模糊相似度的双向云服务匹配模型。考虑需求方对服务的功能性要求，利用服务名称和服务详情描述进行初次筛选，运用多概念语义相似度算法计算名称和详情描述双向匹配相似度值。然后从非功能性角度出发，结合服务供需双方的QoS属性和要求，将QoS属性指标量化和归一化处理，转化为多维向量。再通过向量相似度值的计算得出QoS双向匹配相似度值。最后运用综合加权法得到服务功能和非功能的综合匹配度，为云制造服务的供需双方匹配提供量化的数据支撑。实验结果表明，该匹配模型能从云服务的需求方和提供方双方综合考虑，提供供需双方均合适的服务，不仅能在一定程度上提高匹配准确率和召回率，更能从实际出发，合理分配云制造资源。

下一步将考虑算法中各权重系数对匹配结果的影响，利用合适的方法对各权重系数进行修正，不断完善和细化该双向匹配模型。

[1] 李伯虎, 张霖, 王时龙,等. 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(1):1-7,16.

[2] 尹超, 张云, 钟婷. 面向新产品开发的云制造服务资源组合优选模型[J]. 计算机集成制造系统, 2012,18(7):1368-1378.

[3] 盛步云, 张成雷, 卢其兵,等. 云制造服务平台供需智能匹配的研究与实现[J]. 计算机集成制造系统, 2015, 21(3):822-830.

[4] 董元发, 郭钢. 基于模板与全局信任度的云制造服务评价与选择方法[J]. 计算机集成制造系统, 2014,20(1):207-214.

[5] Deng Ziyun, Zhang Jing, Cai Lijun, et al.Matching Algorithm Based on Semantic Similarity of Service Requirement Ontology for CAE Simulation in Cloud Platform[J]. International Journal of u-and e-Service, Science and Technology, 2016, 9(9):221-242.

[6] 马文龙, 朱李楠, 王万良. 云制造环境下基于QoS感知的云服务选择模型[J]. 计算机集成制造系统, 2014, 20(5):1246-1254.

[7] 李新, 董朝阳. 基于本体映射的云制造资源与加工任务智能匹配[J]. 组合机床与自动化加工技术,2015(11):157-160.

[8] 赵雷. 关联关系感知的制造云服务匹配与组合方法研究[D].北京理工大学,2016.

[9] Cheng Y, Tao F, Zhao D, et al. Modeling of manufacturing service supply-demand matching hypernetwork in service-oriented manufacturing systems[J]. Robotics and Computer-Integrated Manufacturing, 2016，45.

[10] 赵金辉, 王学慧. 基于服务质量的云制造服务双向匹配模型[J]. 计算机集成制造系统, 2016,22(1):104-112.

[11] 徐易. 智能答疑系统关键技术的研究与实现[D]. 东南大学, 2003.

[12] 刘群, 李素建.基于知网的词汇语义相似度计算[C]//第三届汉语词汇语义学研讨会,台北,2002:59-76.

[13] 崔彦. 基于语义Web的服务匹配模型研究[D]. 大连理工大学, 2006.

[14] 秦佳. 服务组合中基于混合QoS模型的服务选择研究[D]. 重庆大学, 2010.

[15] 周晓光, 张强, 胡望斌. 基于Vague集的TOPSIS方法及其应用[J]. 系统管理学报, 2005,14(6):537-541.

[16] 王尚广, 孙其博, 张光卫,等. 基于云模型的不确定性QoS感知的Skyline服务选择[J].软件学报, 2012, 23(6):1397-1412.

[17] 张宇, 刘雨东, 计钊.向量相似度测度方法[J].声学技术,2009,28(4):532-536.

TWO-SIDEDMATCHINGMODELOFREQUIREMENTS-SERVICEBASEDONCOMPREHENSIVEFUZZYSIMILARITYINCLOUDMANUFACTURING

Hu Yu1Guo Gang2

1(SchoolofMechanicalEngineering,ChongqingUniversity,Chongqing400044,China)2(SchoolofAutomotiveEngineering,ChongqingUniversity,Chongqing400044,China)

In order to solve the problem of service selection in cloud manufacturing environment and improve the matching accuracy of service and demand and the satisfaction of both supply and demand, this paper proposes a two-sided matching model of cloud manufacturing services based on the comprehensive fuzzy similarity. According to the description information of the service side and the demand side, combining with the functional and non-functional requirements, the description information of the supply and demand sides are two-sided multi attribute matched based on the matching mechanism. Considering the stability of matching, the similarity of multiple attribute information is solved by using fuzzy concept semantic similarity algorithm, intuitionistic fuzzy set algorithm and consistency coefficient method respectively. Then the comprehensive fuzzy similarity is calculated by the comprehensive weight method, and the best matching results are obtained. The example analysis and comparative study show that the matching model is feasible and effective, and it can accurately select both services for the users.

Cloud manufacturing Comprehensive fuzzy similarity Satisfaction Two-sided matching

2016-12-14。国家自然科学基金项目(51375510)；科技部国家科技支撑计划项目(2012BAH32F04)。胡雨，硕士生，主研领域：信息化制造，云制造。郭钢，教授。

TP393

A

10.3969/j.issn.1000-386x.2017.11.005