基于K-means聚类算法的协同过滤服务质量预测

发布时间：2018-03-29 06:33

  本文选题：QoS预测　切入点：K-means聚类算法　出处：《浙江大学》2017年硕士论文

【摘要】：Web服务的QoS预测近年来已经成为服务计算领域一个热门的研究点,而协同过滤技术作为QoS预测方法中最常使用的技术之一,被广泛地应用于个性化QoS预测算法中。传统的基于协同过滤的QoS预测算法有两个主要的关键问题尚未得到有效解决。首先,QoS预测结果的有效性需要以历史数据的真实可信为前提。其次,由于QoS随时间动态变化的特性,更需要提供时间感知的预测方法。针对以上两个关键问题,本文分别针对静态数据集和动态数据集两类预测场景,创新性地提出了两种基于K-means聚类算法的协同过滤QoS预测方法:基于两阶段K-means聚类的静态可信QoS预测方法和基于K-means聚类的动态时间感知QoS预测方法。其中,方法一解决了在静态数据集上存在不可信用户,导致预测精度下降的问题。方法二解决了稀疏矩阵下动态时间感知预测问题。最后,本文通过基于真实场景的静态和动态两组数据集来分别评估两种QoS预测方法,通过与其他经典的QoS预测方法相比,方法一在两个静态数据集上的预测准确度分别提升了 13%和23%,方法二在两个动态数据集上的预测准确度分别提升了 7%和37%。
[Abstract]:In recent years, QoS prediction of Web services has become a hot research point in the field of service computing, and collaborative filtering technology is one of the most commonly used technologies in QoS prediction methods. The traditional QoS prediction algorithm based on collaborative filtering has two key problems that have not been solved effectively. First, the validity of the prediction results needs to be based on historical data. Truthfulness is a prerequisite. Secondly, Because of the dynamic change of QoS with time, it is necessary to provide time-aware prediction methods. In view of the above two key problems, this paper focuses on static data sets and dynamic datasets, respectively, for two kinds of prediction scenarios, such as static data sets and dynamic data sets. Two kinds of collaborative filtering QoS prediction methods based on K-means clustering algorithm are proposed innovatively: static trusted QoS prediction method based on two-stage K-means clustering and dynamic time-aware QoS prediction method based on K-means clustering. The first method solves the problem that there are untrusted users on the static data set, which results in the decrease of prediction accuracy. The second method solves the problem of dynamic time perception prediction under sparse matrix. In this paper, two kinds of QoS prediction methods are evaluated by static and dynamic data sets based on real scene, and compared with other classical QoS prediction methods. The prediction accuracy on two static data sets is improved by 13% and 23% respectively, and the prediction accuracy on two dynamic data sets is improved by 7% and 37% respectively.
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP393.09;TP311.13

【相似文献】

相关期刊论文 前10条

1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期

2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

8 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

9 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

10 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关博士学位论文 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

6 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

7 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

8 高e，

本文编号：1679973