本文關鍵詞：基于近鄰正規(guī)化矩陣分解的網絡服務質量預測

  更多相關文章： 質量預測 協(xié)同過濾 矩陣分解 近鄰正則化

【摘要】：互聯(lián)網的誕生和飛速發(fā)展給人們帶來了大量的信息,這樣的一個信息時代確實滿足著人們對各類信息的渴望,但網絡的發(fā)展之快讓人無法想象。大幅增長的網絡信息量使得用戶沒有辦法直接有效地獲得自己確實所需的信息,這使得對信息的使用效率反而降低了,也就產生了信息超載問題。面對大量功能類似的網絡服務,用戶很難判斷服務符合個性化需求的程度,需要綜合比較它們的服務質量才能做出最佳選擇。然而由于時間、成本等因素的限制,服務提供者不可能在云環(huán)境中布置大量軟件傳感器來監(jiān)測每個服務的質量信息,用戶也不可能大規(guī)模測試服務逐一體驗其性能差異,所以研究有效的服務QOS預測及相應的服務推薦技術,輔助用戶選擇所需服務,成為了現(xiàn)實的應用需求。本文針對現(xiàn)有服務質量預測方法的不足,在概率矩陣分解模型的基礎上,提出基于近鄰正則化矩陣分解的方法(即NRMF方法)。通過利用隱式近鄰關系來優(yōu)化QOS預測模型的思路,假設相似的用戶(或服務)針對同一服務(用戶)傾向于觀察到相似的服務質量,通過發(fā)現(xiàn)隱式近鄰,分別構建基于用戶和基于服務的隱式近鄰的正則化項,并將其加入到概率矩陣分解過程,以重整其目標優(yōu)化函數(shù),從而達到優(yōu)化預測模型參數(shù)的目標。經過實驗驗證,本文提出的NRMF方法優(yōu)于其它基于近鄰關系的QoS預測模型。并根據實驗分析得到如下結論：(1)利用用戶和服務的近鄰關系優(yōu)化預測模型,可以顯著提高服務質量預測精度,且基于用戶近鄰正則化要比基于服務近鄰正則化更加重要；(2)增加近鄰數(shù)目有助于提高預測準確度,但過大近鄰數(shù)不利于預測結果；(3)對于隱含因子數(shù)的設置,較大的值可以降低預測誤差,但是容易引起優(yōu)化過程的過擬合問題。
【關鍵詞】：質量預測 協(xié)同過濾 矩陣分解 近鄰正則化
【學位授予單位】：云南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP393.09
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 課題的研究背景及意義8-9
• 1.2 國內外研究現(xiàn)狀9-11
• 1.3 主要研究內容11
• 1.4 本文的組織結構11-13
• 第二章 推薦系統(tǒng)中的評分預測13-23
• 2.1 推薦系統(tǒng)中評分預測13-14
• 2.2 協(xié)同過濾14-19
• 2.2.1 基于用戶的協(xié)同過濾14-16
• 2.2.2 基于物品的協(xié)同過濾16-18
• 2.2.3 基于模型的協(xié)同過濾18
• 2.2.4 混合協(xié)同過濾18-19
• 2.3 矩陣分解19-22
• 2.3.1 基本思想19-20
• 2.3.2 概率矩陣分解20-21
• 2.3.3 矩陣分解的優(yōu)缺點21-22
• 2.4 本章小結22-23
• 第三章 近鄰正則化的矩陣分解23-29
• 3.1 引言23-24
• 3.2 隱式近鄰信息24-28
• 3.2.1 社交正則化24-25
• 3.2.2 利用用戶的隱式近鄰25-26
• 3.2.3 利用服務的隱式近鄰26-27
• 3.2.4 統(tǒng)一的預測模型27-28
• 3.3 本章小結28-29
• 第四章 實驗分析29-40
• 4.1 數(shù)據集29-30
• 4.2 評價指標30
• 4.3 對比方法30-32
• 4.4 實驗分析32-39
• 4.4.1 結果比較32-33
• 4.4.2 近鄰數(shù)目K值影響分析33-34
• 4.4.3 參數(shù)α和β影響分析34-37
• 4.4.4 隱含維度影響分析37-39
• 4.5 本章小結39-40
• 第五章 總結與展望40-42
• 5.1 工作總結40-41
• 5.2 工作展望41-42
• 參考文獻42-45
• 攻讀碩士學位期間發(fā)表的論文及參與的工作45-46
• 致謝46

【相似文獻】

中國期刊全文數(shù)據庫 前10條

1 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學;2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強變分貝葉斯矩陣分解模型[J];自動化學報;2011年09期

3 袁運祥;基于矩陣分解的子結構法求解介紹[J];計算機應用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應用[J];科技通報;2013年12期

5 何朕,趙文斌,于達仁;攝動矩陣的分解[J];電機與控制學報;2004年03期

6 李華云;;F范數(shù)及矩陣分解實例研究[J];現(xiàn)代情報;2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網絡社區(qū)挖掘算法[J];計算機科學;2014年02期

9 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學報;2012年03期

10 段華杰;;考慮時間效應的矩陣分解技術在推薦系統(tǒng)中的應用[J];微型電腦應用;2013年03期

中國重要會議論文全文數(shù)據庫 前2條

1 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)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

中國博士學位論文全文數(shù)據庫 前5條

1 李英明;矩陣分解在數(shù)據挖掘中的應用[D];浙江大學;2014年

2 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

3 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質微觀結構[D];清華大學;2014年

4 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學;2014年

5 陳根浪;基于社交媒體的推薦技術若干問題研究[D];浙江大學;2012年

中國碩士學位論文全文數(shù)據庫 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學;2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學;2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學;2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學;2015年

5 張濟龍;基于概率矩陣分解的推薦算法研究[D];燕山大學;2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學;2015年

7 余露;利用矩陣分解算法建模數(shù)據稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學;2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學;2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標相互作用關系預測[D];復旦大學;2014年

10 吳世偉;社會網絡中的鏈接分析[D];復旦大學;2014年

，

本文編號：739491