几种 QoS 预测方法

最新推荐文章于 2023-06-29 19:54:00 发布

QiaoDog

最新推荐文章于 2023-06-29 19:54:00 发布

阅读量3.1k

点赞数 1

分类专栏：机器学习文章标签：服务计算推荐系统 QoS

本文链接：https://blog.csdn.net/tao20dage/article/details/103201450

版权

本文介绍了服务质量（QoS）预测的五种方法：非负矩阵分解（NMF）、概率矩阵分解（PMF）、邻域集成矩阵分解（NIMF）、非负张量分解（NTF）和扩展矩阵分解（EMF）。这些方法分别通过不同的数学模型和优化目标，处理QoS信息矩阵中的缺失值，提高预测精度，重点关注响应时间和吞吐量等关键指标。

摘要由CSDN通过智能技术生成

0.问题描述

$U = \{u_1, u_2, …, u_m\}$ 为用户集合
$S = \{s_1, s_2, …, s_n\}$ 为服务集合
则有 $\times n$ 的矩阵 $V$ 表示服务的 QoS 信息， $V_{ij}$ 表示用户 $u_i$ 对服务 $s_j$ 的评价。
在现实环境下，这个矩阵中大部分的元素值都是未知的，因此需要对缺失的值进行预测。

1.NMF 方法 (非负矩阵分解)

方法原理

对任意给定的一个非负矩阵 $V$ ,其能够寻找到一个非负矩阵 $W$ 和一个非负矩阵 $H$ ，满足条件
$V\approx WH$ ，从而将一个非负的矩阵分解为左右两个非负矩阵的乘积。
$\large \hat{V} = W_{m \times k}H_{k \times s} \\ \quad \\ \min_{H, W} \left\| V - \hat{V} \right\| ^2 \quad s.t. \quad W \geq 0, H \geq 0$
$k$ 一般会选取一个较小的值，满足
$(m + n) k < m n$
这时就能对原始矩阵进行降维，得到数据特征的降维矩阵，减少对计算资源的消耗。

运行结果

Response Time
Throughput

2.PMF 方法（概率矩阵分解）

方法原理

这是 SVD 的一种扩展，它基于以下两个假设 1)观测噪声（观测评分矩阵 $R$ 和近似矩阵 $\hat{R}$ 之差）
服从高斯分布, 2)用户属性矩阵 $U$ 与服务属性矩阵 $V$ 均服从高斯分布, 即
$\large p(R|U, V) = N(\hat{R}, \sigma^2) \\ \quad \\ p(U) = N(0, \sigma_U^2) \\ \quad \\ p(V) = N(0, \sigma_V^2)$
从而有
$p (U, V ∣ R) = p (R ∣ U, V) p (U) p (V)$
两边取对数
$l n (p (U, V ∣$