針對個性化服務推薦領域現(xiàn)有服務質量預測技術精準度不足的問題,提出一種優(yōu)化的服務質量動態(tài)預測模型.通過引入基線模型,將服務質量預測問題由整體值預測轉化為偏差值預測,并結合矩陣分解技術建立了基線矩陣分解模型.通過對客戶端和服務端的時間效應進行分析,設計了表示時間效應的矩陣分解模型,與基線矩陣分解模型結合形成了動態(tài)基線矩陣分解模型.實驗結果表明,與現(xiàn)有服務質量動態(tài)預測模型相比,基線矩陣分解模型大幅度提升了服務質量預測精準度,而動態(tài)基線矩陣分解模型又在此基礎上有進一步的提高. 

【文章來源】：西安電子科技大學學報. 2013,40(04)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖１服務端時間效應其中，ｘｕ，ｍｔ是用戶ｕ和時間ｔ對應的特征向量．

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１服務端時間效應圖２客戶端時間效應其中，ｘｕ，ｍｔ是用戶ｕ和時間ｔ對應的特征向量．加上隨時間變化的服務端偏置項ｂｓｔ和客戶端偏置項ｂｕｔ后，預測模型如下：＾ｑｕｓｔ＝μ＋ｂｕ＋ｂｓ＋ｘＴｕ·ｍｔ＋ｙＴｓ·ｎｔ＋∑ｋｊ＝１ｇｕ［ｊ］ｌｓ［ｊ］ｈｔ［ｊ］，（１２）該式即筆者提出的服務質量動態(tài)預測模型，下面對其進行訓練優(yōu)化．２．２．３模型優(yōu)化可以通過最小化如下?lián)p失函數(shù)，來得到模型的參數(shù)：∑（ｕ，ｓ，ｔ）∈Ｄ｛（ｑｕｓｔ－＾ｑｕｓｔ）２＋λ４（ｂ２ｕ＋ｂ２ｉ＋ｘｕ２＋ｍｔ２＋ｙｓ２＋ｎｔ２＋ｇｕ２＋ｌｓ２＋ｈｔ２）｝，（１３）這里，λ４＝０．００２，需要在２．１．４節(jié)基線矩陣分解優(yōu)化方法的基礎上，加入ｘｕ、ｍｔ、ｙｓ、ｎｔ的迭代訓練：ｘｕ＝ｘｕ＋β（ｅｕｓｔ·ｍｔ－λ４ｘｕ），ｍｔ＝ｍｔ＋β（ｅｕｓｔ·ｘｕ－λ４ｍｔ），ｙｓ＝ｙｓ＋β（ｅｕｓｔ·ｎｔ－λ４ｙｓ），ｎｔ＝ｎｔ＋β·（ｅｕｓｔ·ｙｓ－λ４ｎｔ）．３實驗分析利用前文所述的包含時間維度信息的ＷＳ－Ｄｒｅａｍ數(shù)據(jù)集對上述動態(tài)預測模型進行驗證測試．由于該數(shù)據(jù)集的服務質量記錄非常密集，密度（１．３節(jié)所述三維矩陣中數(shù)據(jù)填充比例）達到了７３．５４％，

型的服務質量預測效果進行了對比評測，本節(jié)將深入分析模型實驗參數(shù)對動態(tài)基線矩陣分解模型預測精準度的影響．３．２．１特征向量維度的影響特征向量維度決定了動態(tài)基線矩陣分解模型中用來表示用戶、服務、時間特征的元素個數(shù)．筆者分別在數(shù)據(jù)集密度ｄ為５％、１０％、１５％、２０％、２５％情況下，記錄了動態(tài)基線矩陣分解模型預測精準度隨特征向量維度ｋ的變化情況．隨著特征向量維度以５為步頻逐步增加，ＭＡＥ和ＲＭＳＥ兩個指標的變化情況分別如圖３和圖４所示．圖３ＭＡＥ隨特征向量維度變化情況圖４ＲＭＳＥ隨特征向量維度變化情況由圖３和圖４可知，從ｋ＝５開始，隨著數(shù)據(jù)集密度ｋ的逐步增加，ＭＡＥ和ＲＭＳＥ的值都逐漸減少（預測精準度逐漸提高），表明過少的特征向量元素不足以獲取用戶、服務、時間的特征信息．而當數(shù)據(jù)較為稀疏時，隨著ｋ的進一步增加，精準度又會逐漸降低．這是因為過多數(shù)量的特征元素會造成訓練結果的過擬合．同時還可以發(fā)現(xiàn)，當數(shù)據(jù)集密度ｄ＝５時，ｋ＝１５即可使ＭＡＥ和ＲＭＳＥ達到最優(yōu)值；當ｄ＞１５時，ｋ＝３０仍未使ＲＭＳＥ指標達到最優(yōu)．這說明，當數(shù)據(jù)集比較稀疏時，１５個特征元素即足以獲取用戶、服務和時間的特征信息；而當數(shù)據(jù)集較密集時，則需要更多的特征元素來表達這些特征．圖５ＭＡＥ隨數(shù)據(jù)集密度變化情況圖６ＲＭＳＥ隨數(shù)據(jù)集密度變化情況１７９第４期彭飛等：面向個性化服務推薦的ＱｏＳ動態(tài)預測模型


本文編號：3549066