【摘要】：隨著電子商務(wù),特別是即用即付云模式的進(jìn)步推動了 Web服務(wù)的快速發(fā)展。由在線Web服務(wù)存儲庫ProgrammableWeb發(fā)布的統(tǒng)計數(shù)據(jù)表明,過去幾年中已發(fā)布的Web服務(wù)數(shù)量快速增長,Web服務(wù)和面向服務(wù)的體系結(jié)構(gòu)(Service-oriented architecture,SOA)的流行允許構(gòu)建不同的面向服務(wù)的應(yīng)用程序,以滿足各種組織日益復(fù)雜的業(yè)務(wù)需求。然而,隨著Web服務(wù)的日益增長,出現(xiàn)了大量功能相同的服務(wù),如何從這些功能相同的候選服務(wù)中為用戶推薦最佳的服務(wù)已成為一項極具挑戰(zhàn)性的研究課題。服務(wù)質(zhì)量(Quality of Service,QoS)被廣泛用于描述和評估Web服務(wù)的非功能屬性,目前已成功應(yīng)用于服務(wù)推薦中。在Web服務(wù)推薦當(dāng)中,預(yù)測服務(wù)缺失的QoS值是很有必要的,其中矩陣分解(Matrix Factorization,MF)技術(shù)受到了人們的關(guān)注。近年來,研究人員開始使用用戶相似度來改進(jìn)基于MF的服務(wù)質(zhì)量預(yù)測方法。然而,這些方法都沒有很好且系統(tǒng)的解決兩個主要問題:1)取合適的鄰域信息;2)充分利用鄰域信息。此外,矩陣分解方法是在用戶和服務(wù)的潛在特征上應(yīng)用內(nèi)積,但是內(nèi)積僅僅是線性組合潛在特征,可能不足以捕獲用戶交互數(shù)據(jù)的復(fù)雜結(jié)構(gòu)。因此,本文提出兩種新穎的基于矩陣分解和深度學(xué)習(xí)的服務(wù)質(zhì)量預(yù)測方法。主要貢獻(xiàn)如下:(1)提出一種基于覆蓋的服務(wù)質(zhì)量預(yù)測方法CNMF(a covering-based quality of service prediction method is proposed)。該方法是一種基于鄰域感知矩陣分解的Web服務(wù)質(zhì)量預(yù)測方法。CNMF的新穎之處有兩方面。首先,它采用一種基于覆蓋的聚類方法尋找相似用戶和相似服務(wù),該聚類方法不需要預(yù)先指定類的數(shù)量和類中心。其次,利用用戶和服務(wù)的鄰域信息提高預(yù)測精度。CNMF首先使用覆蓋算法計算用戶與用戶、服務(wù)與服務(wù)之間的相似度;接著使用Top-k機制選擇相似用戶和相似服務(wù);最后將用戶鄰域信息和服務(wù)鄰域信息結(jié)合到矩陣分解模型中進(jìn)行QoS預(yù)測。實驗結(jié)果表明,通過改進(jìn)用戶和服務(wù)的相似度計算方法以及加入服務(wù)鄰域信息,CNMF明顯優(yōu)于現(xiàn)有的8種質(zhì)量預(yù)測方法,其中包括兩種最近的利用MF結(jié)合鄰域信息的方法。(2)提出一種基于深度學(xué)習(xí)的服務(wù)質(zhì)量預(yù)測方法DeepL(a quality prediction method for Web services via deep learning)。該方法首先利用用戶ID信息和服務(wù)ID信息得到用戶潛在特征向量和服務(wù)潛在特征向量,接著將用戶向量和服務(wù)向量作為深度學(xué)習(xí)模型的輸入。為了使DeepL方法具有非線性,該方法利用多層感知機來學(xué)習(xí)用戶和服務(wù)的非線性關(guān)系。實驗結(jié)果表明,DeepL方法在預(yù)測精度上優(yōu)于現(xiàn)有的方法,包括現(xiàn)在主流的基于矩陣分解的預(yù)測方法。(3)為了驗證本文提出方法的有效性,我們在真實的Web服務(wù)數(shù)據(jù)集進(jìn)行實驗。該數(shù)據(jù)集總共包含5825個Web服務(wù)的1,974,675條調(diào)用記錄,這些記錄是由分布在世界各地的339個用戶的調(diào)用生成的。每條記錄都有兩個質(zhì)量值,即,響應(yīng)時間(Response Time,RT)和吞吐量(Throughput,TP),該數(shù)據(jù)集目前是已經(jīng)公開發(fā)布的真實環(huán)境下最大規(guī)模的QoS數(shù)據(jù)集。
【圖文】：

的相似用戶（服務(wù)），然后基于用戶（服務(wù)）的相似用戶（服務(wù)）集來預(yù)測缺失逡逑的ＱｏＳ值。下圖是一個典型的協(xié)同過濾方法具體流程。逡逑如圖２．１所示，首先根據(jù)用戶服務(wù)的歷史ＱｏＳ記錄并初始化成一個用戶－服逡逑務(wù)矩陣。假設(shè)有ｍ個用戶和《個服務(wù)，則初始化成一個的用戶－服務(wù)矩陣。逡逑矩陣中的每個元素表示過去用戶調(diào)用服務(wù)的ＱｏＳ值，空條目表示未知的ＱｏＳ值。逡逑接下來通過用戶服務(wù)的ＱｏＳ矩陣，尋找與用戶（服務(wù)）相似的鄰居集合，通過逡逑Ｔｏｐ－Ａ機制選擇相似用戶（服務(wù)）集合，最后通過相似用戶（服務(wù)）集合來預(yù)測逡逑缺失的ＱｏＳ值。逡逑通常來說，協(xié)同過濾推薦算法大致可以分為兩類：基于記憶的ＣＦ算法和基逡逑于模型的ＣＦ算法。具體的分類如圖２．２所示。逡逑服務(wù)應(yīng)用系統(tǒng)逡逑邐逡逑用戶逡逑句…：“；１邐相邐選逡逑＼邋－邋／Ｉ邐ＱｏＳ記錄邐０0Ｓ邐似邐Ｔ邋ＱｏＳ預(yù)測邋Ｐ）逡逑服務(wù)、＼邐邐＾矩陣一一？性一＞邋、邐逡逑調(diào)用、Ｉ邐構(gòu)建丨邐計；邐0逡逑服務(wù)逡逑圖２．邋１協(xié)同過濾方法逡逑Ｆｉｇ．邋２．邋１邋Ｃｏｌｌａｂｏｒａｔｉｖｅ邋ｆｉｌｔｅｒｉｎｇ邋ｍｅｔｈｏｄ逡逑７逡逑

２。逡逑網(wǎng)絡(luò)逡逑模型逡逑絡(luò)中最基本的成分是神經(jīng)元模型，即？？簡單單元”。１９４３圖２．３所示的簡單模型，這就是一直沿用至今的“Ｍ－Ｐ神示：逡逑ｙ邋＝邋．ｆ（ｆ＾Ｗ＇Ｘ＞）１＝１逡逑，，表示第／個神經(jīng)元的輸入，Ｍ，，表示第／個神經(jīng)元的連接權(quán)與其對應(yīng)連接權(quán)重的乘積的總和，／表示該神經(jīng)元的激活的輸出。逡逑？ＶＩ逡逑
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP393.09;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

2 王建芳;張朋飛;谷振鵬;劉冉東;;一種優(yōu)化的帶偏置概率矩陣分解算法[J];小型微型計算機系統(tǒng);2017年05期

3 蔡國永;夏彬彬;;基于聯(lián)合矩陣分解的圖像情感分析研究[J];小型微型計算機系統(tǒng);2017年05期

4 田賢忠;沈杰;;大數(shù)據(jù)環(huán)境下基于概率矩陣分解的個性化推薦[J];計算機科學(xué);2017年S1期

5 彭鵬;米傳民;肖琳;;基于用戶信任和興趣的概率矩陣分解推薦方法[J];計算機系統(tǒng)應(yīng)用;2017年09期

6 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評分與信任聯(lián)合預(yù)測[J];電子學(xué)報;2016年07期

7 高世偉,保錚;利用數(shù)據(jù)矩陣分解實現(xiàn)對空間相關(guān)信號源的超分辨處理[J];通信學(xué)報;1988年01期

8 劉雙全;孫六全;;矩陣分解初探[J];武測科技;1988年03期

9 田鐘穎,嚴(yán)克明;矩陣分解在運動分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報;1989年04期

10 張銘 ,楊萬麟 ,李樂民;用前后向數(shù)據(jù)矩陣分解實現(xiàn)相干源的超分辨空間譜估計[J];聲學(xué)與電子工程;1989年04期

相關(guān)會議論文 前8條

1 胡岸勇;柳重堪;苗俊剛;萬國龍;;基于降晰矩陣分解與POCS的高斯降晰圖像復(fù)原[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議專刊[C];2008年

2 郭亦鴻;曾楠;何宏輝;何永紅;馬輝;;各向異性介質(zhì)的穆勒矩陣分解偏振光學(xué)特征[A];中國光學(xué)學(xué)會2011年學(xué)術(shù)大會摘要集[C];2011年

3 李葉青;丁帥;黃輝;汪家欣;;考慮隱含相似關(guān)系醫(yī)生推薦方法研究[A];第十九屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2017年

4 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會論文集[C];2000年

5 王婷婷;宋恩彬;;低復(fù)雜度的漸近最優(yōu)N-P檢測[A];第25屆中國控制與決策會議論文集[C];2013年

6 王春江;錢若軍;王人鵬;;平衡矩陣子空間分解——物理意義及其工程應(yīng)用[A];第二屆全國現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會論文集[C];2002年

7 羅正選;張霄力;;線性時滯切換系統(tǒng)的穩(wěn)定性[A];第25屆中國控制會議論文集（中冊）[C];2006年

8 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集第Ⅰ卷[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 代祥光;矩陣分解相關(guān)模型的優(yōu)化算法研究[D];西南大學(xué);2018年

2 宋凱嵩;基于矩陣分解的社會媒體文本個性化情感分析技術(shù)研究[D];東北大學(xué);2017年

3 李雪;基于流形嵌入的矩陣分解算法研究[D];南京理工大學(xué);2017年

4 趙謙;具有稀疏與穩(wěn)健特性的低秩矩陣分析方法研究[D];西安交通大學(xué);2018年

5 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

6 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

7 徐振興;基于地理標(biāo)注照片的景點推薦方法研究[D];浙江大學(xué);2017年

8 胡祥;融合社會輔助信息的社會化推薦研究[D];北京郵電大學(xué);2017年

9 張維玉;社交網(wǎng)絡(luò)鏈路預(yù)測方法研究[D];北京郵電大學(xué);2016年

10 肖延輝;基于矩陣分解的圖像表示理論及其應(yīng)用研究[D];北京交通大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 楊爽;基于矩陣分解的屬性網(wǎng)絡(luò)表示學(xué)習(xí)方法研究[D];吉林大學(xué);2019年

2 韓曉鳳;基于實時QoS預(yù)測的Web服務(wù)組合方法研究[D];新疆大學(xué);2019年

3 馬英東;基于深度多重矩陣分解的推薦系統(tǒng)研究[D];廈門大學(xué);2018年

4 石松;基于機器學(xué)習(xí)的顯著目標(biāo)檢測[D];安徽大學(xué);2019年

5 李雪松;基于矩陣分解的混合推薦算法研究[D];北方工業(yè)大學(xué);2019年

6 熊峰;基于標(biāo)簽關(guān)聯(lián)分析的出版資源交互式推薦方法研究[D];武漢理工大學(xué);2018年

7 汪開斌;基于深度學(xué)習(xí)和矩陣分解的服務(wù)質(zhì)量預(yù)測方法研究[D];安徽大學(xué);2019年

8 冷新楊;聯(lián)合嵌入式多標(biāo)簽分類算法研究[D];安徽大學(xué);2019年

9 郭正凱;一種新型混合推薦模型的設(shè)計與實現(xiàn)[D];北京郵電大學(xué);2019年

10 裴劍輝;基于矩陣分解與Slope One的電影推薦方法研究及應(yīng)用[D];重慶理工大學(xué);2019年

本文編號：2710967