面向个性化服务推荐的QoS动态预测模型

发布时间：2021-12-23 19:38

　　针对个性化服务推荐领域现有服务质量预测技术精准度不足的问题,提出一种优化的服务质量动态预测模型.通过引入基线模型,将服务质量预测问题由整体值预测转化为偏差值预测,并结合矩阵分解技术建立了基线矩阵分解模型.通过对客户端和服务端的时间效应进行分析,设计了表示时间效应的矩阵分解模型,与基线矩阵分解模型结合形成了动态基线矩阵分解模型.实验结果表明,与现有服务质量动态预测模型相比,基线矩阵分解模型大幅度提升了服务质量预测精准度,而动态基线矩阵分解模型又在此基础上有进一步的提高. 

【文章来源】：西安电子科技大学学报. 2013,40(04)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

图１服务端时间效应其中，ｘｕ，ｍｔ是用户ｕ和时间ｔ对应的特征向量．

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ图１服务端时间效应图２客户端时间效应其中，ｘｕ，ｍｔ是用户ｕ和时间ｔ对应的特征向量．加上随时间变化的服务端偏置项ｂｓｔ和客户端偏置项ｂｕｔ后，预测模型如下：＾ｑｕｓｔ＝μ＋ｂｕ＋ｂｓ＋ｘＴｕ·ｍｔ＋ｙＴｓ·ｎｔ＋∑ｋｊ＝１ｇｕ［ｊ］ｌｓ［ｊ］ｈｔ［ｊ］，（１２）该式即笔者提出的服务质量动态预测模型，下面对其进行训练优化．２．２．３模型优化可以通过最小化如下损失函数，来得到模型的参数：∑（ｕ，ｓ，ｔ）∈Ｄ｛（ｑｕｓｔ－＾ｑｕｓｔ）２＋λ４（ｂ２ｕ＋ｂ２ｉ＋ｘｕ２＋ｍｔ２＋ｙｓ２＋ｎｔ２＋ｇｕ２＋ｌｓ２＋ｈｔ２）｝，（１３）这里，λ４＝０．００２，需要在２．１．４节基线矩阵分解优化方法的基础上，加入ｘｕ、ｍｔ、ｙｓ、ｎｔ的迭代训练：ｘｕ＝ｘｕ＋β（ｅｕｓｔ·ｍｔ－λ４ｘｕ），ｍｔ＝ｍｔ＋β（ｅｕｓｔ·ｘｕ－λ４ｍｔ），ｙｓ＝ｙｓ＋β（ｅｕｓｔ·ｎｔ－λ４ｙｓ），ｎｔ＝ｎｔ＋β·（ｅｕｓｔ·ｙｓ－λ４ｎｔ）．３实验分析利用前文所述的包含时间维度信息的ＷＳ－Ｄｒｅａｍ数据集对上述动态预测模型进行验证测试．由于该数据集的服务质量记录非常密集，密度（１．３节所述三维矩阵中数据填充比例）达到了７３．５４％，

型的服务质量预测效果进行了对比评测，本节将深入分析模型实验参数对动态基线矩阵分解模型预测精准度的影响．３．２．１特征向量维度的影响特征向量维度决定了动态基线矩阵分解模型中用来表示用户、服务、时间特征的元素个数．笔者分别在数据集密度ｄ为５％、１０％、１５％、２０％、２５％情况下，记录了动态基线矩阵分解模型预测精准度随特征向量维度ｋ的变化情况．随着特征向量维度以５为步频逐步增加，ＭＡＥ和ＲＭＳＥ两个指标的变化情况分别如图３和图４所示．图３ＭＡＥ随特征向量维度变化情况图４ＲＭＳＥ随特征向量维度变化情况由图３和图４可知，从ｋ＝５开始，随着数据集密度ｋ的逐步增加，ＭＡＥ和ＲＭＳＥ的值都逐渐减少（预测精准度逐渐提高），表明过少的特征向量元素不足以获取用户、服务、时间的特征信息．而当数据较为稀疏时，随着ｋ的进一步增加，精准度又会逐渐降低．这是因为过多数量的特征元素会造成训练结果的过拟合．同时还可以发现，当数据集密度ｄ＝５时，ｋ＝１５即可使ＭＡＥ和ＲＭＳＥ达到最优值；当ｄ＞１５时，ｋ＝３０仍未使ＲＭＳＥ指标达到最优．这说明，当数据集比较稀疏时，１５个特征元素即足以获取用户、服务和时间的特征信息；而当数据集较密集时，则需要更多的特征元素来表达这些特征．图５ＭＡＥ随数据集密度变化情况图６ＲＭＳＥ随数据集密度变化情况１７９第４期彭飞等：面向个性化服务推荐的ＱｏＳ动态预测模型


本文编号：3549066