隨著云服務,微服務,移動服務,物聯網服務等服務在互聯網上的大范圍部署,互聯網迎來了“一切都是服務”時代。在Internet上部署的各種服務資源嚴重增加了用戶尋找合適服務的難度。為此,如何向用戶推薦符合其差異化需要的服務成為服務計算領域極具挑戰(zhàn)性的研究課題之一。在面向服務架構(Service-Oriented Architecture,SOA)的推薦系統中,用戶的個性化需求(或喜好)是以服務質量(Quality of Service,QoS)的表現形式呈現的。QoS從本質上是對Web服務非功能屬性描述的集合(例如響應時間、可靠性等)。因此,服務推薦亟待處理的關鍵任務即對QoS進行預測。在現有的服務推薦方法中,協同過濾(Collaborative Filtering,CF)和深度學習(Deep Learning,DL)是應用于QoS預測任務的兩種典型范例�；贑F的方法利用用戶行為的交互記錄來預測未知的服務質量,相似度計算是其關鍵步驟。近年來,越來越多的工作將位置、時間、信用等上下文信息納入相似度計算中,從而提高了預測精度。然而,基于CF的方法依然存在如下缺陷:(1)僅學習到用戶與服務間的...

【文章頁數】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 基于協同過濾的服務推薦
        1.2.2 基于深度學習的服務推薦
    1.3 研究內容闡述
    1.4 論文結構設計
    1.5 本章小結
第二章 相關理論及方法
    2.1 協同過濾相關理論及方法
        2.1.1 基于記憶的協同過濾方法
        2.1.2 基于模型的協同過濾方法
    2.2 深度學習相關理論及方法
        2.2.1 深度學習介紹及發(fā)展趨勢
        2.2.2 深度神經網絡理論及方法
    2.3 本章小結
第三章 時間感知的循環(huán)張量分解方法
    3.1 問題定義
    3.2 寫作動機
    3.3 架構設計
        3.3.1 投影
        3.3.2 初始化
        3.3.3 訓練
    3.4 優(yōu)化算法
    3.5 損失函數
    3.6 復雜度分析
    3.7 實驗結果與分析
        3.7.1 數據集
        3.7.2 預處理
        3.7.3 評估指標
        3.7.4 對比方法
        3.7.5 實驗環(huán)境
        3.7.6 性能評估
    3.8 本章小結
第四章 空間感知的深度協同過濾方法
    4.1 問題定義
    4.2 寫作動機
    4.3 架構設計
        4.3.1 輸入層
        4.3.2 中間層
        4.3.3 輸出層
    4.4 優(yōu)化算法
    4.5 損失函數
    4.6 復雜度分析
    4.7 實驗結果與分析
        4.7.1 數據集
        4.7.2 預處理
        4.7.3 評估指標
        4.7.4 對比方法
        4.7.5 實驗環(huán)境
        4.7.6 性能評估
    4.8 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
附錄
Appendix
致謝
攻讀學位期間發(fā)表的學術論文
攻讀學位期間發(fā)明的專利展示
攻讀學位期間參與的項目展示



本文編號：3769549