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(lái)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(mén)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(cè)對(duì)Web服務(wù)選擇和推薦起著至關(guān)重要的作用。協(xié)同過(guò)濾算法是Web服務(wù)質(zhì)量預(yù)測(cè)常用的算法之一,然而傳統(tǒng)的協(xié)同過(guò)濾方法使用數(shù)據(jù)屬性單一,只考慮到服務(wù)質(zhì)量,沒(méi)有考慮到用戶和服務(wù)的額外特征屬性,這些特征對(duì)Web服務(wù)QoS預(yù)測(cè)的精度的提高有很大的價(jià)值和意義。在實(shí)際生活中,Web服務(wù)數(shù)量越來(lái)越多,用戶不可能訪問(wèn)所有的Web服務(wù)來(lái)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(cè)精度,為了解決這兩種問(wèn)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(cè)精度,本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾預(yù)測(cè)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(guó)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(cè)模型對(duì)Web服務(wù)所有缺失的QoS值進(jìn)行預(yù)測(cè),對(duì)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(guò)濾算法,... 

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 QoS相關(guān)研究
        1.2.2 協(xié)同過(guò)濾相關(guān)研究
        1.2.3 基于協(xié)同過(guò)濾的QoS預(yù)測(cè)研究
    1.3 論文研究?jī)?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(cè)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(guò)濾
        2.2.1 基于用戶的協(xié)同過(guò)濾
        2.2.2 基于物品的協(xié)同過(guò)濾
        2.2.3 基于模型的協(xié)同過(guò)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(diǎn)
    2.4 本章小結(jié)
第三章 基于RBF網(wǎng)絡(luò)的協(xié)同過(guò)濾預(yù)測(cè)方法
    3.1 問(wèn)題描述
    3.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程
        3.2.1 特征提取
        3.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
        3.2.3 基于RBF神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾預(yù)測(cè)模型
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)環(huán)境
        3.3.2 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)定
        3.3.3 評(píng)估標(biāo)準(zhǔn)
        3.3.4 對(duì)比方法和實(shí)驗(yàn)結(jié)果
        3.3.5 RBF神經(jīng)網(wǎng)絡(luò)隱藏節(jié)點(diǎn)n對(duì)預(yù)測(cè)結(jié)果的影響
        3.3.6 混合協(xié)同過(guò)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(guò)濾預(yù)測(cè)方法
    4.1 問(wèn)題描述
    4.2 混合交叉協(xié)同過(guò)濾預(yù)測(cè)方法
        4.2.1 相似性算法
        4.2.2 基于用戶的協(xié)同過(guò)濾預(yù)測(cè)
        4.2.3 基于服務(wù)正向和反向鄰居的協(xié)同過(guò)濾預(yù)測(cè)
        4.2.4 基于相似鄰居的交叉預(yù)測(cè)
        4.2.5 算法融合預(yù)測(cè)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)定
        4.3.3 評(píng)估標(biāo)準(zhǔn)
        4.3.4 對(duì)比方法和實(shí)驗(yàn)結(jié)果
        4.3.5 參數(shù)Topk的實(shí)驗(yàn)分析
        4.3.6 服務(wù)反向鄰居個(gè)數(shù)與分析
        4.3.7 RCCF預(yù)測(cè)和RBCF預(yù)測(cè)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(xiàng)目屬性的協(xié)同過(guò)濾算法的設(shè)計(jì)與實(shí)現(xiàn)[J]. 陶志勇,崔新新.  計(jì)算機(jī)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(zhǎng)友,張國(guó)敏,許博.  軟件學(xué)報(bào). 2014(07)
[3]Web服務(wù)QoS與用戶位置的相關(guān)性實(shí)證研究[J]. 林祥云,劉小青,唐明董,曹步清,劉建勛.  計(jì)算機(jī)工程與科學(xué). 2013(09)
[4]非徑向?qū)ΨQ(chēng)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(yùn).  計(jì)算機(jī)應(yīng)用與軟件. 2013(05)
[5]用戶位置感知的Web服務(wù)QoS預(yù)測(cè)方法[J]. 唐明董,姜葉春,劉建勛.  小型微型計(jì)算機(jī)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(jì)算機(jī)與現(xiàn)代化. 2011(03)



本文編號(hào)：3692984