With popularity of service-oriented architecture, many web systems have been developed in form of composite services, such as e-commerce, automotive systems, and multimedia services. The composite ser-vice is organized by many atomic web services through web service protocol. Naturally, the performance of composite services is highly reliant on the performance (i.e. QoS) of the employed atomic web services. Therefore, it is important to select high QoS web service among other candidate web services. For this reason, web service QoS prediction method has been studied by many researchers. Collaborative Filtering (CF) tech-nique has been widely used for QoS prediction of atomic service due to their high prediction performance. However, challenge is remain in web service QoS prediction such as cold start problem. Cold start is defined as the situation, which is not possible to make reliable prediction because of lack of ratings, such as highly sparse historical data, newly introduced users and web services. However, existing work can handle cold start only when the new user is introduced. In this paper, Location-based Matrix Factorization via Preference Propagation (LMF-PP) is suggested to overcome the limitation on cold start problem in web service QoS pre-diction domain. To deal with cold start problem properly, this approach exploits the location information of users and web services. Moreover, preference propagation is employed for calculating similarity between enti-ties even if the amount of collected data is very small. By employing these techniques, LMF-PP can predict web service QoS accurately on both cases which are newly introduced entities (i.e. user, web service) and high-ly sparse matrix contrary to the existing work. The extensive comparison study is conducted with state-of-the-art techniques and on large-scaled real world web service QoS dataset. The results show LMF-PP outper-forms the other existing techniques in not only practical cold start environment, but also warm start environment.
최근 서비스 기반 구조(Service-Oriented Architecture)에 대한 인기로 인해, 많은 웹 기반 시스템이 결합 서비스 (Composite Service)형태로 개발되고 있다. 대표적으로 전자 상거래 시스템과 자동화 시스템 그리고 멀티미디어 시스템 등이 이에 해당한다. 이러한 결합 서비스는 네트워크와 웹 서비스 프로토콜을 이용하여 단위 웹 서비스들이 하나의 모듈로 상호 결합하여 전체 서비스를 구성한다. 이런 결합 서비스의 품질은 결합에 이용된 단위 웹 서비스의 품질에 큰 영향을 받으므로, 높은 품질의 결합 서비스를 위해 결합 전 각 단위서비스의 품질 수준을 파악하는 것이 필요하다. 이를 위해, 웹 서비스의 품질 예측 연구가 활발하게 진행되고 있다.
대표적으로 높은 예측 정확도를 나타내는 협업 필터링 (Collaborative Filtering) 기법이 웹 서비스의 품질 예측에 많이 사용되고 있다. 하지만, 협업 필터링은 정확한 예측을 위해 적정 크기의 가용한 데이터를 요구로 한다. 이러한 조건이 충족되지 않는 문제를 콜드 스타트 (Cold Start)라고 부르며, 예측 시스템의 초기 단계나 데이터가 전무한 새로운 사용자 및 서비스에 대한 품질 예측을 수행할 때 필연적으로 발생한다. 하지만, 이를 다루기 위한 관련 연구에서는 사용자의 거리 정보를 바탕으로 새로운 사용자에 대한 콜드 스타트 만을 해결할 뿐, 새로운 서비스나 전체적인 데이터가 부족한 시스템 초기 단계에 대한 대응 장치가 없다는 점에서 한계를 나타낸다.
본 연구에는 선호도 전파를 이용한 지역 기반 행렬 분해 (Matrix Factorization) 기법을 제안하여 기존 연구의 한계점을 극복하고자 한다. 먼저, 사용자 및 웹 서비스에 대한 지역 분석을 통해 새로운 사용자 및 웹 서비스에 대한 예측 수행에 대응할 수 있다. 또한, 선호도 전파 기법을 이용하여 기존 연구에서 다루지 못한 전체적인 데이터가 부족한 단계에서도 웹 서비스 품질 예측을 가능하게 한다. 제안 기법의 성능을 평가하기 위해 가장 큰 규모의 실제 웹 서비스 품질 데이터를 이용하여 총 8개의 대표 기법들과 예측 정확도 비교를 수행하였다. 그 결과 제안된 기법이 콜드 스타트 뿐만 아니라 웜 스타트 (Warm Start) 환경에서도 가장 높은 예측 정확도를 보여 기법의 우수성을 확인할 수 있었다.
