基于近邻正规化矩阵分解的网络服务质量预测

发布时间：2017-08-26 03:48

  本文关键词：基于近邻正规化矩阵分解的网络服务质量预测

  更多相关文章： 质量预测 协同过滤 矩阵分解 近邻正则化

【摘要】：互联网的诞生和飞速发展给人们带来了大量的信息,这样的一个信息时代确实满足着人们对各类信息的渴望,但网络的发展之快让人无法想象。大幅增长的网络信息量使得用户没有办法直接有效地获得自己确实所需的信息,这使得对信息的使用效率反而降低了,也就产生了信息超载问题。面对大量功能类似的网络服务,用户很难判断服务符合个性化需求的程度,需要综合比较它们的服务质量才能做出最佳选择。然而由于时间、成本等因素的限制,服务提供者不可能在云环境中布置大量软件传感器来监测每个服务的质量信息,用户也不可能大规模测试服务逐一体验其性能差异,所以研究有效的服务QOS预测及相应的服务推荐技术,辅助用户选择所需服务,成为了现实的应用需求。本文针对现有服务质量预测方法的不足,在概率矩阵分解模型的基础上,提出基于近邻正则化矩阵分解的方法(即NRMF方法)。通过利用隐式近邻关系来优化QOS预测模型的思路,假设相似的用户(或服务)针对同一服务(用户)倾向于观察到相似的服务质量,通过发现隐式近邻,分别构建基于用户和基于服务的隐式近邻的正则化项,并将其加入到概率矩阵分解过程,以重整其目标优化函数,从而达到优化预测模型参数的目标。经过实验验证,本文提出的NRMF方法优于其它基于近邻关系的QoS预测模型。并根据实验分析得到如下结论：(1)利用用户和服务的近邻关系优化预测模型,可以显著提高服务质量预测精度,且基于用户近邻正则化要比基于服务近邻正则化更加重要；(2)增加近邻数目有助于提高预测准确度,但过大近邻数不利于预测结果；(3)对于隐含因子数的设置,较大的值可以降低预测误差,但是容易引起优化过程的过拟合问题。
【关键词】：质量预测 协同过滤 矩阵分解 近邻正则化
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.09
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-13
• 1.1 课题的研究背景及意义8-9
• 1.2 国内外研究现状9-11
• 1.3 主要研究内容11
• 1.4 本文的组织结构11-13
• 第二章 推荐系统中的评分预测13-23
• 2.1 推荐系统中评分预测13-14
• 2.2 协同过滤14-19
• 2.2.1 基于用户的协同过滤14-16
• 2.2.2 基于物品的协同过滤16-18
• 2.2.3 基于模型的协同过滤18
• 2.2.4 混合协同过滤18-19
• 2.3 矩阵分解19-22
• 2.3.1 基本思想19-20
• 2.3.2 概率矩阵分解20-21
• 2.3.3 矩阵分解的优缺点21-22
• 2.4 本章小结22-23
• 第三章 近邻正则化的矩阵分解23-29
• 3.1 引言23-24
• 3.2 隐式近邻信息24-28
• 3.2.1 社交正则化24-25
• 3.2.2 利用用户的隐式近邻25-26
• 3.2.3 利用服务的隐式近邻26-27
• 3.2.4 统一的预测模型27-28
• 3.3 本章小结28-29
• 第四章 实验分析29-40
• 4.1 数据集29-30
• 4.2 评价指标30
• 4.3 对比方法30-32
• 4.4 实验分析32-39
• 4.4.1 结果比较32-33
• 4.4.2 近邻数目K值影响分析33-34
• 4.4.3 参数α和β影响分析34-37
• 4.4.4 隐含维度影响分析37-39
• 4.5 本章小结39-40
• 第五章 总结与展望40-42
• 5.1 工作总结40-41
• 5.2 工作展望41-42
• 参考文献42-45
• 攻读硕士学位期间发表的论文及参与的工作45-46
• 致谢46

【相似文献】

中国期刊全文数据库 前10条

1 史加荣;郑秀云;周水生;;矩阵补全算法研究进展[J];计算机科学;2014年04期

2 李聪;骆志刚;;用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J];自动化学报;2011年09期

3 袁运祥;基于矩阵分解的子结构法求解介绍[J];计算机应用通讯;1981年00期

4 张海建;;分布式矩阵分解算法在推荐系统中的研究与应用[J];科技通报;2013年12期

5 何朕,赵文斌,于达仁;摄动矩阵的分解[J];电机与控制学报;2004年03期

6 李华云;;F范数及矩阵分解实例研究[J];现代情报;2008年10期

7 邹理和;;系数矩阵分解二维谱估值[J];信号处理;1985年03期

8 陈伯伦;陈];邹盛荣;徐秀莲;;基于矩阵分解的二分网络社区挖掘算法[J];计算机科学;2014年02期

9 王锋;赵志文;牟盛;;整数提升小波多相矩阵分解系数的快速提取算法[J];中国图象图形学报;2012年03期

10 段华杰;;考虑时间效应的矩阵分解技术在推荐系统中的应用[J];微型电脑应用;2013年03期

中国重要会议论文全文数据库 前2条

1 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年

2 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年

中国博士学位论文全文数据库 前5条

1 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年

2 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年

3 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年

4 胡惠轶;基于分解的系统辨识方法研究[D];江南大学;2014年

5 陈根浪;基于社交媒体的推荐技术若干问题研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 秦晓晖;个性化微博推荐方法研究[D];华南理工大学;2015年

2 刘凤林;基于矩阵分解的协同过滤推荐算法研究[D];南京理工大学;2015年

3 李源鑫;基于提升的信任融合矩阵分解推荐算法[D];福建师范大学;2015年

4 陈洪涛;基于矩阵分解的常规与长尾捆绑推荐的博弈研究[D];福建师范大学;2015年

5 张济龙;基于概率矩阵分解的推荐算法研究[D];燕山大学;2015年

6 邓志豪;基于物品相似度和主题回归的矩阵分解推荐算法[D];浙江大学;2015年

7 余露;利用矩阵分解算法建模数据稀疏环境下用户协同行为[D];杭州师范大学;2015年

8 倪泽明;混合用户行为建模的概率矩阵分解推荐算法[D];浙江大学;2015年

9 丁浩;基于协同矩阵分解的药物靶标相互作用关系预测[D];复旦大学;2014年

10 吴世伟;社会网络中的链接分析[D];复旦大学;2014年

，

本文编号：739491