Sistema de Evaluación de la calidad de servicios Web a través de la mineración de la experiencia de los usuarios

Abstract

En los recientes años, la selección de servicios Web ha llegado a convertirse en una tarea no trivial, debido a la gran cantidad de servicios Web disponibles en la Internet y a los servicios Web funcionalmente similares. Consecuentemente, la calidad de Servicio (QoS) ha sido usado con el objetivo de comparar servicios similares en funcionalidad, donde valores de calidad son medidos usando diferentes atributos de calidad, tales como disponibilidad, tiempo de respuesta y rendimiento. Sin embargo, estos valores no siempre reflejan la calidad que los usuarios perciben. Hoy, con la Web 2.0, algunos directorios de servicios Web permiten a los usuarios publicar comentarios sobre los servicios indexados. Estos comentarios son frecuentemente analizados por potenciales usuarios, nuevo usuarios en busca de servicios, con el fin de tener un mayor conocimiento sobre la calidad de los servicios. Los comentarios de usuarios son un buen indicador debido que describen la calidad subjetiva de los usuarios, de los cuales se puede inferir y/o calcular una reputación del servicio Web. Por otro lado, debido al gran número de servicios y a la enorme cantidad de comentarios por servicio, la tarea de analizar comentarios llega a demandar bastante tiempo y ser tediosa para nuevo usuarios. Ante esta problemática, este trabajo propone un proceso de evaluación de la reputación de servicio Web basado en técnicas de Mineración de Textos. Este proceso recolecta y procesa los comentarios de usuarios para evaluar si el comentario presenta información subjetiva, así mismo evalúa la polaridad del comentario (positivo o negativo), esto refleja la satisfacción o decepción de los usuarios con respecto a la calidad del servicio Web. Para lograr este objetivo, se colectaron comentarios de dos directorios de servicios Web, ProgrammableWeb y G2Crowd, posteriormente varios tipos de características fueron extraídos de los comentarios como Bag of Words, Bigrams, Part of Speech y TF-IDF, así también diferentes algoritmos de aprendizaje de máquina fueron usados, tales como Naive Bayes, Support Vector Machine y Maximum Entropy. Finalmente, el Promedio Bayesiano fue usado para calcular un valor de reputación para los servicios. Una plataforma de consulta fue implementada para disponibilizarla al público en general para poder comparar y seleccionar servicios Web