互聯(lián)網(wǎng)技術(shù)發(fā)展飛速,功能相似的Web服務(wù)數(shù)量越來越多,如何從眾多應(yīng)用功能相似的Web服務(wù)中為用戶選擇適合的服務(wù)是當(dāng)前熱門研究的領(lǐng)域之一。服務(wù)質(zhì)量（Quality of Service,QoS）是指Web服務(wù)的非功能屬性,QoS預(yù)測對Web服務(wù)選擇和推薦起著至關(guān)重要的作用。協(xié)同過濾算法是Web服務(wù)質(zhì)量預(yù)測常用的算法之一,然而傳統(tǒng)的協(xié)同過濾方法使用數(shù)據(jù)屬性單一,只考慮到服務(wù)質(zhì)量,沒有考慮到用戶和服務(wù)的額外特征屬性,這些特征對Web服務(wù)QoS預(yù)測的精度的提高有很大的價值和意義。在實際生活中,Web服務(wù)數(shù)量越來越多,用戶不可能訪問所有的Web服務(wù)來獲取其服務(wù)質(zhì)量,因此用戶-服務(wù)矩陣比較稀疏,嚴(yán)重影響了服務(wù)質(zhì)量的預(yù)測精度,為了解決這兩種問題,本文提出了兩種改進(jìn)算法:為了充分利用用戶和服務(wù)所具有的特征屬性,提高服務(wù)質(zhì)量的預(yù)測精度,本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾預(yù)測方法RBCF,該方法充分考慮到用戶和服務(wù)的特征屬性,比如用戶和服務(wù)所在國家經(jīng)度緯度等信息,根據(jù)特征屬性使用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型對Web服務(wù)所有缺失的QoS值進(jìn)行預(yù)測,對原始稀疏的用戶-服務(wù)矩陣進(jìn)行數(shù)據(jù)填充,結(jié)合協(xié)同過濾算法,... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 QoS相關(guān)研究
        1.2.2 協(xié)同過濾相關(guān)研究
        1.2.3 基于協(xié)同過濾的QoS預(yù)測研究
    1.3 論文研究內(nèi)容和成果
    1.4 論文組織結(jié)構(gòu)
第二章 Web服務(wù)質(zhì)量預(yù)測的理論基礎(chǔ)
    2.1 Web服務(wù)
        2.1.1 Web服務(wù)的體系架構(gòu)
        2.1.2 服務(wù)質(zhì)量屬性
        2.1.3 Web服務(wù)性能
    2.2 協(xié)同過濾
        2.2.1 基于用戶的協(xié)同過濾
        2.2.2 基于物品的協(xié)同過濾
        2.2.3 基于模型的協(xié)同過濾
    2.3 RBF神經(jīng)網(wǎng)絡(luò)
        2.3.1 徑向基網(wǎng)絡(luò)基本原理
        2.3.2 網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)
        2.3.3 常用的學(xué)習(xí)算法
        2.3.4 RBF神經(jīng)網(wǎng)絡(luò)的特點
    2.4 本章小結(jié)
第三章 基于RBF網(wǎng)絡(luò)的協(xié)同過濾預(yù)測方法
    3.1 問題描述
    3.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測過程
        3.2.1 特征提取
        3.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        3.2.3 基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾預(yù)測模型
    3.3 實驗結(jié)果與分析
        3.3.1 實驗環(huán)境
        3.3.2 數(shù)據(jù)集與實驗設(shè)定
        3.3.3 評估標(biāo)準(zhǔn)
        3.3.4 對比方法和實驗結(jié)果
        3.3.5 RBF神經(jīng)網(wǎng)絡(luò)隱藏節(jié)點n對預(yù)測結(jié)果的影響
        3.3.6 混合協(xié)同過濾中參數(shù)a的敏感性分析
        3.3.7 參數(shù)Topk的敏感性分析
        3.3.8 不同算法Topk影響
    3.4 本章小結(jié)
第四章 基于混合交叉協(xié)同過濾預(yù)測方法
    4.1 問題描述
    4.2 混合交叉協(xié)同過濾預(yù)測方法
        4.2.1 相似性算法
        4.2.2 基于用戶的協(xié)同過濾預(yù)測
        4.2.3 基于服務(wù)正向和反向鄰居的協(xié)同過濾預(yù)測
        4.2.4 基于相似鄰居的交叉預(yù)測
        4.2.5 算法融合預(yù)測
    4.3 實驗結(jié)果與分析
        4.3.1 實驗環(huán)境
        4.3.2 數(shù)據(jù)集與實驗設(shè)定
        4.3.3 評估標(biāo)準(zhǔn)
        4.3.4 對比方法和實驗結(jié)果
        4.3.5 參數(shù)Topk的實驗分析
        4.3.6 服務(wù)反向鄰居個數(shù)與分析
        4.3.7 RCCF預(yù)測和RBCF預(yù)測的結(jié)果分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄 A 攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種融合用戶與項目屬性的協(xié)同過濾算法的設(shè)計與實現(xiàn)[J]. 陶志勇,崔新新.  計算機應(yīng)用與軟件. 2019(02)
[2]IP定位技術(shù)的研究[J]. 王占豐,馮徑,邢長友,張國敏,許博.  軟件學(xué)報. 2014(07)
[3]Web服務(wù)QoS與用戶位置的相關(guān)性實證研究[J]. 林祥云,劉小青,唐明董,曹步清,劉建勛.  計算機工程與科學(xué). 2013(09)
[4]非徑向?qū)ΨQ的廣義徑向基神經(jīng)網(wǎng)絡(luò)的代理模型[J]. 徐向藝,雷梁,劉道華,劉運.  計算機應(yīng)用與軟件. 2013(05)
[5]用戶位置感知的Web服務(wù)QoS預(yù)測方法[J]. 唐明董,姜葉春,劉建勛.  小型微型計算機系統(tǒng). 2012(12)
[6]基于免疫遺傳算法和梯度下降的RBF網(wǎng)組合訓(xùn)練方法[J]. 龍華.  計算機與現(xiàn)代化. 2011(03)



本文編號：3692984