面向云服务QoS预测的改进型协同过滤算法研究

发布时间：2020-12-23 03:14

　　近年来,云中心的服务资源呈指数型增长。这使得用户从大量功能相当的候选服务中挑选出高质量的服务变得越来越困难。服务质量(Quality of Service,QoS)是用户在选择服务构建系统时需要关注的重要指标。可是,在现实世界里,候选服务集合中很多服务的QoS历史记录是缺失的,因为用户通常只调用过云中心少量的服务资源。为了获得缺失的QoS数据,推荐系统中的协同过滤(Collaborative Filtering,CF)技术被应用到QoS预测、服务选择及推荐领域。然而,推荐系统存在着历史数据稀疏和预测精度不高的固有难题。为了解决这个难题,本文提出了两个新颖的方法对缺失的QoS值进行预测:针对小规模的数据集,提出了一种基于分情况填充的云服务QoS预测算法(Cloud Service Quality Prediction with Different Filling Methods based on Different Situations,DFDS)。首先,为了解决历史数据非常稀疏的问题,提出了一种分情况填充的策略,该策略根据稳定性将用户划分为稳定用户和不稳定用户。同理,根据稳定性将服务划... 

【文章来源】：江西财经大学江西省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

参数对MAE的影响

3基于分情况填充的云服务QoS值预测算法33（c）（d）图3-7参数对RMSE的影响参数分析参数决定了用于预测的近邻用户和近邻服务的个数。为了研究对预测性能的影响，将的取值逐步从5增加到50，步长为5，并在矩阵密度为5%和15%的数据集上进行了一系列实验，其他的参数设置如表3.1所示。此外，还将UPCC、IPCC和UIPCC算法添加到对比分析中，实验结果如图3-8和图3-9所示。（a）（b）（c）（d）图3-8参数对MAE的影响

3基于分情况填充的云服务QoS值预测算法33（c）（d）图3-7参数对RMSE的影响参数分析参数决定了用于预测的近邻用户和近邻服务的个数。为了研究对预测性能的影响，将的取值逐步从5增加到50，步长为5，并在矩阵密度为5%和15%的数据集上进行了一系列实验，其他的参数设置如表3.1所示。此外，还将UPCC、IPCC和UIPCC算法添加到对比分析中，实验结果如图3-8和图3-9所示。（a）（b）（c）（d）图3-8参数对MAE的影响


本文编号：2932963