Supporting Service Interactions with Semantics, Machine Learning, and Blockchain
Résumé
Web services have established themselves as an essential technology for the development of real-world applications that may wrap a wide range of Web-accessible functions, resources, programs, databases, sensors, devices, etc. This unprecedented proliferation of Web services not only accentuated the already known challenges of service discovery and composition, but also raised new ones regarding extending service interactions to user centric perspectives. This includes the challenges of contextualizing and personalizing service recommendation, handling user contributions and feedbacks, preserving privacy and trust while evolving in highly dynamic contexts. At the same time, other hot-topic research areas such as Semantic Web, Machine Learning and Blockchain, achieved high maturity level techniques and tools that can be adapted to address these challenges.
In our research, we focus on the convergence of the previous areas of study, aiming to introduce cutting-edge approaches that leverage semantic-awareness, to handle major challenges encountered throughout the cycle of life of web services. Our ultimate goal is to allow successful and effective interactions in service-service scenarios within compositions, as well as in user-service scenarios. First, to address the mismatch problem in service discovery and recommendation, we propose semantic similarity measures based on ontologies and Linked Open Data. These measures are the basis for a semantically enabledWeb service interaction framework including service discovery and composition which also appeals for additional formal models such as Formal Concept Analysis and Graphs. Second, we tackle the lack of personalized service recommendation and multiple-device service migration in user-centric service interactions. We propose a Configuration-based approach to meet highly personalized and contextualized service recommendation and Liquid Software based approach for smoothly migrating user-service interactions in multiple-device contexts. Third, we address the challenge of dynamic evolution of service interactions in open untrusted environments. We combine graph network representations with Machine Learning models to capture service interactions and user feedbacks to achieve accurate service recommendation. We finally address the untrusted collaboration issues in service interactions through the use of Blockchain and Smart contracts. We implemented our methodologies in prototypes. We tested them rigorously on contemporary datasets, proving their robustness and showcasing their effectiveness over prevailing state-of-the-art strategies.
Les services Web se sont imposés comme technologie incontournable pour le développement d’applications accessibles sur le Web. La prolifération des services Web a accentué les défis déjà connus liés à leur découverte et leur composition. Elle en a aussi soulevé des nouveaux notamment ceux liés aux interactions centrées utilisateur tels que la recommandation personnalisée et contextualisée de services, la prise en compte des retours et commentaires utilisateurs, le respect de la vie privée, la gestion de la sécurité et de la fiabilité des échanges, tout en évoluant dans des contextes très dynamiques. Parallèlement, des domaines de recherche complémentaires, tels que le Web sémantique, l’apprentissage automatique et la Blockchain, ont également connu beaucoup d’évolutions aboutissant à la proposition de techniques et d’outils qui peuvent être adaptés pour répondre à ces défis.
Nos travaux se situent à la croisée de ces domaines et visent à proposer des approches novatrices et efficaces capables de répondre aux défis liés aux interactions à base de services Web. Nos deux premières contributions ont pour but d’améliorer la qualité et l’efficacité des recommandations de services Web à travers l’intégration de la sémantique pour l’annotation des services et leur appariement. Nous proposons pour cela deux mesures de similarité sémantiques qui s’appuient respectivement sur les ontologies et sur les données liées. Nous faisons également appel à des formalismes tels que l’Analyse de Concepts Formels et les graphes. Nos deux contributions suivantes visent à améliorer la personnalisation et la contextualisation dans les interactions à base de services. Nous utilisons la théorie de configuration pour fournir des recommandations personnalisées et sensibles au contexte de l’utilisateur. Nous utilisons les principes du Liquid Software pour permettre la migration fluide des interactions à base de services d’un appareil utilisateur à l’autre. Nos deux dernières contributions répondent à l’évolution dynamique des interactions à base de services dans les environnements distribués, ouverts et non fiables. Nous combinons des modélisations en réseaux sociaux avec des modèles d’apprentissage automatique pour gérer les différents types d’interactions et prendre en compte les commentaires d’utilisateurs afin d’entretenir la qualité des recommandations dans le temps. Nous utilisons les Blockchain pour répondre à la problématique de fiabilité dans les collaborations à base de services. Les approches proposées ont été implémentées en prototypes et évaluées sur des jeux de données, réels et synthétiques, afin de montrer leur efficacité et leur pertinence.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
Copyright (Tous droits réservés)
|