Basic Information:
- Title: Predicting Quality of Services Based on a Two-Stream Deep Learning Model With User and Service Graphs (基于用户和服务图的双流深度学习模型预测服务质量)
- Authors: PeiYun Zhang, WenJun Huang, YuTong Chen, MengChu Zhou
- Affiliation: Engineering Research Center of Digital Forensics of Ministry of Education, School of Computer and Software, Nanjing University of Information Science & Technology, Nanjing, Jiangsu 210044, China (中国南京信息工程大学计算机与软件学院)
- Keywords: Service, QoS prediction, two-stream deep convolutional neural network (TDCNN), similarity calculation
- URLs: Paper , [GitHub: None]
论文简要 :
- 本研究提出了一种基于用户和服务图的双流深度学习模型,用于预测服务质量,通过利用深层次的用户和服务关系,提高了服务质量预测的准确性。
背景信息:
- 论文背景: 随着服务导向架构(SOA)的快速发展,许多提供商为用户提供各种虚拟化和标准化资源、软件和数据作为服务,用户需要选择适当的服务以满足其各种需求。
- 过去方案: 传统的QoS预测方法主要基于协同过滤机制,通过收集类似用户/服务的历史信息来预测缺失的QoS值,但其预测准确性需要进一步提高。
- 论文的Motivation: 本研究旨在通过历史QoS记录充分发现用户和服务之间的深层关系,以提高缺失QoS值的预测准确性。
方法:
-
a. 理论背景:
- 本文针对服务推荐中准确预测服务质量(QoS)的挑战进行研究,这一问题由于互联网上提供的服务数量不断增加而变得至关重要。作者强调了需要更高精度的预测方法,以提供用户更准确的服务推荐。
-
b. 技术路线:
- 本文提出了一种基于用户和服务图的QoS预测方法。首先构建用户图和服务图,描述用户和服务之间的直接和间接关系。然后计算用户和服务之间的相似度,并更新它们的特征向量集。接下来设计了一个两流深度卷积神经网络(TDCNN),使用两个深度卷积单元学习特征向量集。TDCNN不断更新输入以提高QoS预测的准确性。当QoS预测值达到稳定时,模型将其输出为最终结果。
结果:
-
a. 详细的实验设置:
- 本文使用了WS-DREAM数据集进行评估,该数据集包含用户对Web服务的QoS记录。评估指标为平均绝对误差(MAE)和均方根误差(RMSE)。对于所提出的模型,参数设置如表VI所示。比较方法包括基于用户的协同过滤(UPCC)和其他最先进的方法。
-
b. 详细的实验结果:
- 实验结果使用MAE和RMSE作为指标进行评估。与其