隨著物聯(lián)網(wǎng)接入用戶以及終端設(shè)備的飛速增長,用戶需求的差異化越來越明顯,用戶對(duì)網(wǎng)絡(luò)的服務(wù)質(zhì)量(Quality of Service,QoS)也提出了更高的要求。如何通過QoS預(yù)測來實(shí)現(xiàn)物聯(lián)網(wǎng)資源的合理分配以及對(duì)用戶進(jìn)行個(gè)性化服務(wù)推薦,逐漸成為學(xué)者們研究的熱點(diǎn)。推薦系統(tǒng)可以通過行為數(shù)據(jù)挖掘用戶之間的關(guān)聯(lián)性,并且具有解釋性強(qiáng)的優(yōu)點(diǎn),已經(jīng)被廣泛應(yīng)用在QoS預(yù)測中。然而傳統(tǒng)的QoS預(yù)測算法未考慮物聯(lián)網(wǎng)環(huán)境下QoS的實(shí)時(shí)變化性,通過單一的相似度計(jì)算方法的改進(jìn)來進(jìn)行預(yù)測,導(dǎo)致預(yù)測精度不高。為了提高QoS預(yù)測效果,論文運(yùn)用協(xié)同過濾和人工智能方法,研究物聯(lián)網(wǎng)環(huán)境下的QoS預(yù)測方法。具體研究工作如下:(1)基于Service2vec的QoS預(yù)測方法研究。首先通過閾值將服務(wù)項(xiàng)劃分為高響應(yīng)服務(wù)項(xiàng)以及非高響應(yīng)服務(wù)項(xiàng),針對(duì)非高響應(yīng)服務(wù)項(xiàng)集合,設(shè)計(jì)了一種Service2vec方法,挖掘用戶動(dòng)態(tài)調(diào)用服務(wù)項(xiàng)的潛在特征,構(gòu)建服務(wù)項(xiàng)向量;對(duì)調(diào)用高響應(yīng)服務(wù)項(xiàng)的用戶計(jì)算其用戶相似性。最后對(duì)非高響應(yīng)服務(wù)項(xiàng)采用基于服務(wù)項(xiàng)協(xié)同過濾的QoS預(yù)測方法,對(duì)高響應(yīng)服務(wù)項(xiàng)采用基于用戶協(xié)同過濾的QoS預(yù)測方法。(2)基于AutoEncoder的...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1本文內(nèi)容架構(gòu)圖

計(jì)算非高響應(yīng)服務(wù)項(xiàng)之間的相似性，進(jìn)行基于服務(wù)項(xiàng)協(xié)同過濾的QoS用戶調(diào)用高響應(yīng)服務(wù)項(xiàng)的QoS預(yù)測，基于用戶相似性進(jìn)行預(yù)測。（2）研究基于AutoEncoder的QoS預(yù)測方法針對(duì)物聯(lián)網(wǎng)環(huán)境下QoS數(shù)據(jù)實(shí)時(shí)獲取困難，導(dǎo)致用戶-服務(wù)項(xiàng)矩陣的稀將AutoEncoder....

圖2.1用戶-物品評(píng)分矩陣

圖2.1用戶-物品評(píng)分矩陣Fig2.1User-ItemScoringMatrix通常基于內(nèi)存的協(xié)同過濾算法可以分為以下步驟[33]：（1）用戶或物品相似性計(jì)算。依據(jù)用戶的反饋信息、歷史操作行為以及物品自身的特征，來對(duì)用戶和物品分別進(jìn)行歸類，形成不同的集合。（2）鄰近....

圖3.1基于Service2vec的QoS預(yù)測方法框架

圖3.1基于Service2vec的QoS預(yù)測方法框架Fig3.1QoSpredictionmethodframeworkbasedonService2vece2vec方法出的Service2vec方法是為了通過用戶多次調(diào)用服務(wù)項(xiàng)的Q項(xiàng)之間的關(guān)聯(lián)，物....

圖3.2CBOW模型

圖3.2CBOW模型Fig3.2CBOWmodel為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法是通過將輸入層通過非線性映射到隱含算量會(huì)非常大，所以基于霍夫曼樹的訓(xùn)練方法中舍棄了這種方式，得平均向量數(shù)值的方式來進(jìn)行計(jì)算，且在隱藏層到輸出層的映射中有詞的softmax概率，采用霍夫曼樹來....

本文編號(hào)：3896424