基于深度学习的服务推荐方法研究

发布时间：2023-03-24 05:37

　　随着云服务,微服务,移动服务,物联网服务等服务在互联网上的大范围部署,互联网迎来了“一切都是服务”时代。在Internet上部署的各种服务资源严重增加了用户寻找合适服务的难度。为此,如何向用户推荐符合其差异化需要的服务成为服务计算领域极具挑战性的研究课题之一。在面向服务架构(Service-Oriented Architecture,SOA)的推荐系统中,用户的个性化需求(或喜好)是以服务质量(Quality of Service,QoS)的表现形式呈现的。QoS从本质上是对Web服务非功能属性描述的集合(例如响应时间、可靠性等)。因此,服务推荐亟待处理的关键任务即对QoS进行预测。在现有的服务推荐方法中,协同过滤(Collaborative Filtering,CF)和深度学习(Deep Learning,DL)是应用于QoS预测任务的两种典型范例。基于CF的方法利用用户行为的交互记录来预测未知的服务质量,相似度计算是其关键步骤。近年来,越来越多的工作将位置、时间、信用等上下文信息纳入相似度计算中,从而提高了预测精度。然而,基于CF的方法依然存在如下缺陷:(1)仅学习到用户与服务间的...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于协同过滤的服务推荐
        1.2.2 基于深度学习的服务推荐
    1.3 研究内容阐述
    1.4 论文结构设计
    1.5 本章小结
第二章 相关理论及方法
    2.1 协同过滤相关理论及方法
        2.1.1 基于记忆的协同过滤方法
        2.1.2 基于模型的协同过滤方法
    2.2 深度学习相关理论及方法
        2.2.1 深度学习介绍及发展趋势
        2.2.2 深度神经网络理论及方法
    2.3 本章小结
第三章 时间感知的循环张量分解方法
    3.1 问题定义
    3.2 写作动机
    3.3 架构设计
        3.3.1 投影
        3.3.2 初始化
        3.3.3 训练
    3.4 优化算法
    3.5 损失函数
    3.6 复杂度分析
    3.7 实验结果与分析
        3.7.1 数据集
        3.7.2 预处理
        3.7.3 评估指标
        3.7.4 对比方法
        3.7.5 实验环境
        3.7.6 性能评估
    3.8 本章小结
第四章 空间感知的深度协同过滤方法
    4.1 问题定义
    4.2 写作动机
    4.3 架构设计
        4.3.1 输入层
        4.3.2 中间层
        4.3.3 输出层
    4.4 优化算法
    4.5 损失函数
    4.6 复杂度分析
    4.7 实验结果与分析
        4.7.1 数据集
        4.7.2 预处理
        4.7.3 评估指标
        4.7.4 对比方法
        4.7.5 实验环境
        4.7.6 性能评估
    4.8 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录
Appendix
致谢
攻读学位期间发表的学术论文
攻读学位期间发明的专利展示
攻读学位期间参与的项目展示



本文编号：3769549