一种针对反向空间偏好top-k查询的高效处理方法

随着地理位置定位技术的蓬勃发展,基于在线位置服务技术的应用也越来越多.提出一种查询类型——反向空间偏好top-k查询.类似于传统的反向空间top-k查询,对于给定的空间查询对象,该查询返回使该对象满足top-k属性得分的那些用户.但不同的是,该对象的属性不是自身具有的特性,而是通过计算该对象与其他偏好对象之间的空间关系(如距离)而确定.这种查询在市场分析等许多重要领域具有需求,例如,根据查询结果,分析出某个地区中某个设施受欢迎的程度.但是,由于大量空间对象的存在导致对象之间空间关系的计算代价非常高,如何实时地计算出对象的空间属性得分,给查询处理带来很大的挑战.针对该问题提出优化的查询处理算法包括:数据集剪枝、数据集批量处理、基于权重的用户分组等策略.通过理论分析和充分的实验验证,证明了所提出方法的有效性.与普通方法相比,这些方法能够大幅度提高查询处理的执行时间和I/O效率.

时序范围最具稳定性服务集推荐算法

服务的批量推荐在服务计算领域具有巨大的应用前景。然而,针对动态变化的大规模在线用户,如何实现时序范围内最具稳定性服务集合批量推荐,仍然是一个极具挑战的技术问题。提出一种新的服务集推荐算法,它采用回溯法挑选出满足潜在用户需求的服务集,并着重考虑用户在线状态的实时变化,通过服务集与用户集的动态竞争优化,最终挖掘出时序范围内稳定满足最多用户需求的服务集。为验证提出算法的合理性和有效性,利用WSDREAM的真实数据集,进行了一系列实验。实验结果表明,提出的算法能够有效发现系统中时序范围最稳定满足用户需求的服务集合,从而达到利益最大化。