隨著基于Web服務(wù)面向服務(wù)架構(gòu)(SOA)框架的發(fā)展,對于沒有經(jīng)驗的服務(wù)使用者來說,選擇合適優(yōu)質(zhì)的服務(wù)是一種挑戰(zhàn)。為此服務(wù)框架需要為用戶提供建議選擇。因此基于服務(wù)質(zhì)量(QoS)的,對服務(wù)的預(yù)測和推薦的機制和算法研究變得越發(fā)重要。通過Web服務(wù)的相關(guān)技術(shù)建立服務(wù)運行調(diào)度框架,依靠對于QoS的處理形成一套預(yù)測和推薦的機制,使得服務(wù)系統(tǒng)能夠完整和高效運行。本文立足于服務(wù)預(yù)測機制的采樣、預(yù)測等重要環(huán)節(jié),解決Web服務(wù)預(yù)測過程中的冷啟動問題和數(shù)據(jù)稀疏性問題,在分析Web QoS數(shù)據(jù)集概率分布的基礎(chǔ)上,對服務(wù)質(zhì)量QoS的Web服務(wù)推薦機制與算法展開研究和實驗。本文提出了新型的基于概率分布分析的服務(wù)采樣方法提高采樣數(shù)據(jù)信息含量,從采樣環(huán)節(jié)提高了服務(wù)預(yù)測的效率。其次,為進一步改進服務(wù)預(yù)測方法提高預(yù)測精度,在服務(wù)預(yù)測環(huán)節(jié),基于隨機游走提高近鄰相似度,并結(jié)合矩陣分解的方法提出了新式增強型算法。最后,在原始和訓(xùn)練數(shù)據(jù)概率分布檢測的基礎(chǔ)上,對多種算法的預(yù)測結(jié)果進行融合,進一步提升預(yù)測準(zhǔn)確度。本文研究主要在提出服務(wù)預(yù)測機制算法的基礎(chǔ)上,通過對于Web QoS數(shù)據(jù)集的仿真實驗,對比同類方法的預(yù)測精度和運行效果,來驗...

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1 研究背景
    2 研究現(xiàn)狀
        2.1 基于近鄰的協(xié)同過濾
        2.2 基于模型的協(xié)同過濾
    3 研究內(nèi)容和成果
    4 論文組織結(jié)構(gòu)
第二章 相關(guān)概念和技術(shù)
    1 Web服務(wù)基于SOA的服務(wù)框架
    2 QoS的相關(guān)技術(shù)和數(shù)據(jù)結(jié)構(gòu)
    3 基于QoS的服務(wù)預(yù)測推薦框架
    4 本章小結(jié)
第三章 基于重要性重采樣的服務(wù)采樣
    1 內(nèi)容概述
    2 問題的描述
    3 EIS模型設(shè)計原理
        3.1 基于用戶或服務(wù)的簡單隨機采樣
        3.2 基于領(lǐng)域的隨機采樣
        3.3 Web QoS數(shù)據(jù)集上的拒絕采樣
        3.4 基于Metropolis-hastings的采樣
        3.5 重要性重采樣
        3.6 增強型重要性重采樣
    4 仿真實驗和分析
        4.1 實驗數(shù)據(jù)
        4.2 評價指標(biāo)
        4.3 采樣方法的時間消耗
        4.4 采樣方法下的預(yù)測精度
        4.5 不同預(yù)測方法的精度
        4.6 采樣算法的參數(shù)
    5 本章小結(jié)
第四章 基于隨機游走的矩陣增強服務(wù)預(yù)測
    1 內(nèi)容概述
    2 問題描述
        2.1 冷啟動和稀疏性
        2.2 基于矩陣分解的方法
        2.3 基于隨機游走的方法
        2.4 Web服務(wù)的領(lǐng)域信息
        2.5 主要工作
    3 RWEMF算法的提出
        3.1 矩陣分解求隱含矩陣
        3.2 相似度計算
        3.3 隨機游走模型
        3.4 混合預(yù)測算法
        3.5 算法復(fù)雜度
    4 仿真實驗和分析
        4.1 預(yù)測的準(zhǔn)確性
        4.2 實驗參數(shù)分析
    5 本章小結(jié)
第五章 基于概率分布檢測的模型融合
    1 內(nèi)容概述
    2 問題描述
        2.1 原始數(shù)據(jù)分布
        2.2 預(yù)測數(shù)據(jù)的概率分布
        2.3 分布的檢測
        2.4 分布的評價
    3 DHEM算法的提出
        3.1 增強型混合相似度
        3.2 DHEM混合預(yù)測算法
    4 仿真實驗和分析
        4.1 DHEM對比實驗
        4.2 高斯分布下的DHEM
        4.3 KLD度量參數(shù)
        4.4 DHEM采樣劃分間隔數(shù)
        4.5 混合相似度
        4.6 DHEM在其他數(shù)據(jù)集
    5 本章小結(jié)
第六章 總結(jié)與展望
    1 本文工作總結(jié)
    2 未來研究展望
參考文獻
致謝
攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3825093