基于直觉模糊余弦相似度的云制造服务质量评价

王 婕，耿秀丽

(上海理工大学 管理学院，上海 200093)

0 引言

云制造以面向服务、高效低耗为特点，是近年来兴起的一种基于知识的智能性网络化制造模式。“中国制造2025”的战略被提出后，以“制造即服务”为核心的云制造受到越来越多的重视。在云制造环境下，服务提供者将产品全生命周期的各类制造资源和能力通过云技术转化为云服务[1]，大量的云服务通过云制造平台满足用户随时获取、按需使用、安全可靠的制造活动需求。目前，云服务大都由掌握核心云技术的供应商提供，云服务质量的优劣直接影响云需求方制造生产的效率与收益，因此云需求方从海量的云资源中选择所需的云服务十分关键。而云制造服务质量是最直观反映供应商云服务的判别标准，选择合适的方法对云制造服务质量进行评价尤为重要。

自2010年云制造被提出以来，关于服务质量驱动的云制造服务评价模型的研究不断深入。文献[2]采用主客观相结合的方法评估云服务质量;文献[3]基于灰色关联度对候选云制造服务质量进行多目标建模评价，实现云制造服务资源集的优化配置。这些研究没有较多地考虑云制造服务质量评价中信息的模糊性、不确定性等因素。文献[4]为了处理云制造环境中的不确定信息，提出基于证据推理和层次分析法的云制造服务质量评价方法;文献[5]用直觉模糊集方法分析不可量化的服务质量特征，针对不同用户的个性化选择，提出一种交互式的服务质量特征权重分析方法。以上研究都考虑了云制造环境的复杂性与不确定性，使用层次结构或模糊语义评价改进了服务质量(Quality of Service, QoS)综合属性值的确定，但主要是从云服务提供者的角度对云制造服务质量进行评价，缺少对云制造服务需求方提供信息的考虑。文献[1]针对云制造服务提供方与需求方给出的短语评价信息，采用云模型将其量化为可计算的数值，以服务提供方和需求方双方服务质量满意度最大为优化求解目标，建立了目标优化数学模型;文献[6]根据项目协同的三角模糊数算法计算提供商服务和需求者期望的相似度，取得云服务质量综合性能排序;文献[7]提出一种综合考虑客观质量指标和用户主观反馈的云服务质量评估方法。以上研究在确定QoS属性值时，不再只考虑单一利益相关者，兼顾用户的需求反馈，使得评价结果更具有真实性。

分析上述研究可以发现：云制造服务评价中包含较多的非功能属性，综合考虑多利益相关者获得的评价信息更为真实准确；应用模糊集理论可以更好地反映评价信息，但是去模糊化可能引起数据偏差。因此，在现有研究基础上，本文对云制造服务质量评价问题展开研究，提出了基于直觉模糊余弦相似度的云制造服务质量评价模型，旨在提高该问题评价方法的可操作性。本文将云制造服务属性进行分类，并分别从云服务提供方与云服务使用方获取服务质量评价信息，考虑到云制造资源配置过程中存在多种不可量化的服务质量特征，这些指标不能简单地用数值进行直观表示。本文通过隶属度及非隶属度来表征专家与用户的偏好，旨在更加全面直观地表达复杂云制造环境下专家决策与用户评价的不确定信息。直觉模糊数在反映事物复杂性、表征模糊和不确定信息方面具有明显优势，为了更加客观真实地反映专家的评价信息，采用直觉模糊集的形式描述服务质量各个非可量化评价指标的语义评价信息，得到一个对云制造服务质量的直觉模糊评价矩阵。考虑到余弦相似度用来比较文本描述具有独特的优势，不需要考虑用户评分平均值之间的差异，也不需要考虑评价信息的类型，不受维数的限制，避免了去模糊化引起的数据偏差，准确性高。将云制造服务质量非可量化指标的直觉模糊评价信息构建向量矩阵，采用余弦相似度计算各个云服务资源的服务质量与最优理想直觉模糊数的相似度。最后，综合云制造服务方提供的可量化服务质量属性信息，得到云制造资源配置方案最终排序结果。所提方法兼顾了多利益相关者的评价信息与服务质量属性特征，避免了单一评价方法的片面性，增强了评价的科学性和可靠性。

1 研究基础

云制造平台中包括不同行业、不同特点的产品，因此所提供的云制造服务丰富多样，云服务需求者要想从海量的云制造服务资源中选择最优的云制造服务，云制造服务质量评价环节必不可少。云制造平台中的利益相关者一般有云制造服务提供者与需求者。云制造服务提供者通过云平台发布包括制造资源、生产能力在内的其他制造服务，在云制造平台上进行制造应用和业务运行[8]。云制造平台提供了规模巨大的制造云池，针对云制造服务使用者的需求，系统从候选的云制造服务中匹配最优云服务或最优云服务组合。云平台提供制造服务的过程如图1所示。在此过程中，云制造服务质量评价结果为评估云制造服务水平提供数据支撑和决策依据，在匹配过程中尤为重要，直接影响着云服务需求方的决策。

在制造云池中，云制造服务资源呈现出多层次性、多粒度性、分布性、动态性、抽象性等复杂特征，对其进行有效的评估需要构建合理的云制造服务质量评价指标体系，才能使云制造服务质量排序结果更为客观科学。

对现有研究归纳总结[9-13],得到云制造服务质量评价指标体系如表1所示。

表1 云制造服务质量评价指标

针对云制造服务质量多维评价指标，本文从数据来源的角度将云制造服务质量属性信息分为服务提供者描述的QoS属性信息和服务使用者反馈的QoS评价信息，采用直觉模糊数描述服务质量中非可量化的属性，有效处理了评价过程中产生的不确定信息；采用余弦相似度计算直觉模糊评价结果与最优向量值之间的差异，打破了评价指标维数的限制，最终通过相似度大小对云制造服务质量进行排序。本文所提方法主要思路如下：

(1)云制造服务属性分类 综合考虑云服务利益相关者，根据数据来源将云服务质量评价指标进行分类，使得评价指标更为全面，评价数据更为可信。

(2)获取多利益相关者评价信息 将获取的云服务提供者与云服务使用者评价信息，按照偏好意见进行数据处理，采用直觉模糊集的语义评价方法描述云制造服务中非可量化的评价信息，得到充分考虑评价值隶属度的直觉模糊矩阵，在此基础上构造候选云服务的直觉模糊多维向量。

(3)计算直觉模糊余弦相似度 根据直觉模糊评价结果，获得最优云服务质量属性值，计算各个云服务供应商的服务属性值与最优值之间的相似度，最终得到云制造服务质量的综合排序结果。

2 基于直觉模糊集的云制造服务质量评价

直觉模糊集(Intuitionistic Fuzzy Set, IFS)的概念于1986年提出，由于它可以同时表示隶属度、非隶属度和犹豫度3方面信息[14]，较多地保留了原始语义评价信息，已成为一种表达模糊性与不确定的有效方式。直觉模糊集描述如下：

F={〈x,μ(x),ν(x)〉|x∈Z}。

其中μ(x)、ν(x)分别为Z的隶属函数和非隶属函数。

若对于Z上的所有x∈Z,有0≤μ(x)+ν(x)≤1，0≤μ(x)≤1，0≤ν(x)≤1成立，则称(μ(x),ν(x))为一个直觉模糊数。

设α1=(μ1,ν1)和α2=(μ2,ν2)为两个直觉模糊数，则其运算法则定义[15]如下：

α1⊕α2=(μ1+μ2-μ1μ2,ν1ν2)。

(1)

设αj=(μj,νj)(j=1,2,…,n)是一组直觉模糊数，若

IFWAw(α1,α2,…,αn)=w1α1⊕

w2α2⊕…⊕wnαn,

(2)

(3)

在云制造服务质量评价中，海量的云制造服务资源使得云制造服务呈现出复杂多样的特点，用户选择出满足其个性化需求的最优服务变得相对困难。在基于服务质量的选择方法中，获取可靠的QoS属性信息至关重要，对于制造云服务而言，服务的QoS属性信息多种多样。为了提高QoS属性信息的可靠度，本文不再只考虑单一利益相关者，而是综合考虑云制造服务提供者描述的QoS属性信息和云制造服务使用者反馈的QoS评价信息。对于服务提供者而言，避免其出于利益考虑，通过偏离服务实际水平的QoS属性值以吸引更多的用户使用，从而赚取更多的利益；对于服务使用者而言，排除了个别服务使用者由于受到个人因素或者该服务使用者为来自于服务提供者邀请的水军等影响，从而增强云服务质量评价的准确性。从评价信息来源的角度，将QoS属性分为以下两类：①云服务提供者描述的QoS属性。云服务提供者发布某一云服务时，会对该服务的固有可量化属性进行设置，并对所提供的云服务非可量化属性进行相应的测试，对于云服务的某一属性信息而言，服务提供者可以采用直觉模糊集的形式邀请专家进行评价，综合各专家评价结果，可得服务提供者描述的QoS属性信息;②云服务使用者描述的QoS属性。云制造服务应用环境中，用户通过云制造服务平台可以对使用过的相似云服务表达意见偏好如肯定、否定或无关，从云平台中获取大量用户数据与项目数据，将评价正面的词(如：满意，可靠)与意见总数(正面、负面和无关的意见之和)的比值设为μ(x)，评价负面的信息(如：差，烦人，无法接受)与意见总数的比值设为ν(x)，由此可得到该云制造服务在指标评估下的一个直觉模糊数(μ(x),ν(x))。

3 基于余弦相似度的服务质量排序

余弦相似度也称向量相似度，是测量两个n维向量之间相似度的一种方法。该方法用向量描述云制造服务质量评价指标数据，通过两个向量之间的内积夹角余弦值来反映云制造服务质量属性间的相似度。由图2可知，与向量Q相比，向量P与向量M夹角更小，其夹角余弦值更大，说明向量P与向量M两个个体的相似度较向量Q与向量M更高；相反，两个个体夹角越大，即越接近180°，说明其相似度越低，由此可知向量Q与向量M相似度较低。

两个向量间的余弦值可以采用欧几里得点积公式(4)计算：

a·b=|a|×|b|cosθ,θ∈[0,2π]。

(4)

定义cosθ为两个向量之间的相似度，取值范围为[-1,1]，关于两个个体的余弦相似度采用式(5)计算。

(5)

式中a和b分别表示两个不同的向量。

设A和B为给定集合X={x1,x2,…,xn}的两个直觉模糊集，则A和B的余弦相似度定义[16]如下：

(6)

关于直觉模糊余弦相似度有如下定理[16]：

设A和B为两个直觉模糊集，CIHFS(A,B)为A和B的余弦相似度，则：

(1)0≤CIHFS(A,B)≤1;

(2)CIHFS(A,A)=1;

(3)CIHFS(A,B)=CIHFS(B,A)。

综上所述，本文所提基于直觉模糊余弦相似度的云制造服务质量评价方法具体步骤如下：

步骤1选取合适的云制造服务质量评价指标，将其按照数据来源与属性性质进行分类，对不同类别的评价指标采用不同的方法进行评价。

步骤2邀请专家对云服务供应商描述的非可量化属性指标进行直觉模糊评价，并通过集成算子式(3)进行集结。

步骤3根据云制造服务平台中的历史数据统计用户意见偏好，得到用户反馈的直觉模糊评价矩阵。

步骤4分别选取专家决策信息与用户偏好信息中最优的云服务属性值，构建最优值矩阵，由式(6)计算各个云服务供应商的服务属性值与最优值之间的相似度，

步骤5将步骤4中所得的全部相似度进行加权平均得到最终相似度，最终相似度越大，说明该方案云制造服务质量越高。

4 案例分析

以上海市某机床制造厂的涡轮生产为例，该机床制造厂必须在一个月内提供100个可用于数控刀架的涡轮，厂家将制造需求发布到云平台。云制造服务平台根据制造任务与服务请求在云平台资源库中进行检索，假设通过语义匹配检索，云制造服务平台找到5个可以完成此次云制造任务的云服务提供方。

充分考虑云服务提供者与云服务使用者给出的属性信息，参考表1，指标管理器针对涡轮的制造项目选择如表2所示指标来评估云服务质量并进行决策。

表2 云制造服务质量评价指标

针对5个候选云制造服务供应商{CMS1，CMS2，CMS3，CMS4，CMS5}，从其服务标准手册中获取云服务供应商给出的云服务质量可量化属性值(如表3)，并邀请30位专家对云服务供应商描述的非可量化属性指标进行直觉模糊评价，由式(3)集结后得到评价结果如表4所示。

表3 来源于供应商的云服务质量可量化属性值

表4 集结后的供应商云服务质量非可量化属性值

从云服务平台选取相似度最高的相似项目获取用户的历史评价信息，得到具有用户偏好的直觉模糊评价结果，如表5所示。

表5 云需求方反馈的云服务质量非可量化属性值

综合云服务提供者和云服务使用者给出的评价值，可得最优云服务质量表现值，如表6所示。

表6 最优云服务质量属性值

由式(5)和式(6)分别计算候选云服务中可量化属性与非可量化属性和最优云服务的余弦相似度，按所含评价指标数目比(1∶2)加权得到综合相似度结果如表7所示。

表7 余弦相似度计算结果

由表7可知，候选云服务提供商云服务质量排序由优到劣结果为：CMS2≻CMS5≻CMS4≻CMS3≻CMS1。为进一步说明云制造服务质量评价中考虑云需求方反馈的重要性，剔除表4评价信息，使用本文所提方法重新评价各提供商云服务质量，所得排序结果由优到劣为：CMS2≻CMS4≻CMS5≻CMS1≻CMS3。对比两种排序结果，可以看出差异明显，有4个云制造服务供应商次序不同。这是因为剔除表4中的用户反馈信息后，云服务质量评价信息由供应商自己或其邀请的专家评估给出，云需求方的偏好并没有表现出来。评价角度相对单一，无法排除个别服务供应商由于某些原因提供虚假信息，误导云服务需求方。因此，在复杂的云制造服务质量评价中，综合考虑供需双方的要求所得的评价结果更为合理可信。

针对候选云服务质量的非可量化属性，将本文所提方法与直觉模糊TOPSIS法进行对比。直觉模糊TOPSIS法是一种基于距离测度的相似度计算方法，利用欧式距离描述候选云服务与正、负理想方案之间的差距，最后计算候选云服务质量的非可量化属性与正、负理想方案之间的相对贴近度。通过计算，得到5个候选云服务提供商贴近度结果：0.430 4、0.744 8、0.391 4、0.453 7、0.609 6。使用两种方法将云服务质量的非可量化属性贴近度进行对比，如图3所示。

由图3可以看出，两种方法所得排序结果存在一些差异，CMS1、CMS3和CMS4排序结果不同。这是因为直觉模糊TOPSIS方法中所采用的欧式距离在一定程度上具有决策补偿性，即对一个指标的高评价值可以弥补其他指标下的低评价值，是一种更关注整体评价信息的决策方法。而且，该方法在求规范决策矩阵时计算比较复杂，不易算出绝对正、负理想解。云制造环境下服务质量的评价存在服务制约因素繁多、评价指标类型多样等特点，过多的数据处理以及过度关注整体均会导致决策结果精确性不高。直觉模糊余弦相似度对指标维数、数据量大小以及数据特征并无严格控制，数学计算也相对简单；对原始数据信息的利用率较高，信息损失相对较少，这也是采用本文方法所计算的候选云服务质量非可量化属性贴近度整体高于对比方法的原因。此外，余弦相似度具有直观的几何意义，也可以直接对文本相似度进行计算，对于复杂的云制造环境下云制造服务质量评价更有针对性、实践性更高、延展性更强。

5 结束语

云制造服务质量的评价是云制造活动中选择合适云服务的关键环节，是制造企业在云制造环境下高效利用海量云制造资源的重要一环。本文所提基于直觉模糊余弦相似度评价云制造服务质量的方法考虑了云制造服务质量评价指标的性质和评价信息的来源差异，使用直觉模糊集的形式描述非可量化的云服务质量属性信息，可以更加全面真实地反映云服务质量评价中的决策信息；其次，本文采用直觉模糊余弦相似度打破评价信息类型与维数限制，将评价指标数据映射到向量空间，利用直觉模糊数空间夹角的余弦值来度量候选云服务之间的相似性，可以直观得出云服务质量的优劣。

最后，本文通过对涡轮生产的云制造任务中云服务质量的计算分析，验证了所提方法的有效性和可行性。未来研究将深入考虑云制造服务质量评价结果受指标权重等其他因素的影响。