本文選題：QoS預測　切入點：K-means聚類算法　出處：《浙江大學》2017年碩士論文

【摘要】：Web服務的QoS預測近年來已經成為服務計算領域一個熱門的研究點,而協(xié)同過濾技術作為QoS預測方法中最常使用的技術之一,被廣泛地應用于個性化QoS預測算法中。傳統(tǒng)的基于協(xié)同過濾的QoS預測算法有兩個主要的關鍵問題尚未得到有效解決。首先,QoS預測結果的有效性需要以歷史數(shù)據(jù)的真實可信為前提。其次,由于QoS隨時間動態(tài)變化的特性,更需要提供時間感知的預測方法。針對以上兩個關鍵問題,本文分別針對靜態(tài)數(shù)據(jù)集和動態(tài)數(shù)據(jù)集兩類預測場景,創(chuàng)新性地提出了兩種基于K-means聚類算法的協(xié)同過濾QoS預測方法:基于兩階段K-means聚類的靜態(tài)可信QoS預測方法和基于K-means聚類的動態(tài)時間感知QoS預測方法。其中,方法一解決了在靜態(tài)數(shù)據(jù)集上存在不可信用戶,導致預測精度下降的問題。方法二解決了稀疏矩陣下動態(tài)時間感知預測問題。最后,本文通過基于真實場景的靜態(tài)和動態(tài)兩組數(shù)據(jù)集來分別評估兩種QoS預測方法,通過與其他經典的QoS預測方法相比,方法一在兩個靜態(tài)數(shù)據(jù)集上的預測準確度分別提升了 13%和23%,方法二在兩個動態(tài)數(shù)據(jù)集上的預測準確度分別提升了 7%和37%。
[Abstract]:In recent years, QoS prediction of Web services has become a hot research point in the field of service computing, and collaborative filtering technology is one of the most commonly used technologies in QoS prediction methods. The traditional QoS prediction algorithm based on collaborative filtering has two key problems that have not been solved effectively. First, the validity of the prediction results needs to be based on historical data. Truthfulness is a prerequisite. Secondly, Because of the dynamic change of QoS with time, it is necessary to provide time-aware prediction methods. In view of the above two key problems, this paper focuses on static data sets and dynamic datasets, respectively, for two kinds of prediction scenarios, such as static data sets and dynamic data sets. Two kinds of collaborative filtering QoS prediction methods based on K-means clustering algorithm are proposed innovatively: static trusted QoS prediction method based on two-stage K-means clustering and dynamic time-aware QoS prediction method based on K-means clustering. The first method solves the problem that there are untrusted users on the static data set, which results in the decrease of prediction accuracy. The second method solves the problem of dynamic time perception prediction under sparse matrix. In this paper, two kinds of QoS prediction methods are evaluated by static and dynamic data sets based on real scene, and compared with other classical QoS prediction methods. The prediction accuracy on two static data sets is improved by 13% and 23% respectively, and the prediction accuracy on two dynamic data sets is improved by 7% and 37% respectively.
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP393.09;TP311.13

【相似文獻】

相關期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類的協(xié)同過濾算法[J];計算機系統(tǒng)應用;2007年01期

2 楊風召;;一種基于特征表的協(xié)同過濾算法[J];計算機工程與應用;2007年06期

3 王嵐;翟正軍;;基于時間加權的協(xié)同過濾算法[J];計算機應用;2007年09期

4 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導購系統(tǒng)[J];武漢大學學報(工學版);2008年02期

5 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計算機系統(tǒng);2008年08期

6 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評分矩陣的協(xié)同過濾算法[J];西安電子科技大學學報;2009年04期

7 廖新考;;基于用戶特征和項目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

8 沈磊;周一民;李舟軍;;基于心理學模型的協(xié)同過濾推薦方法[J];計算機工程;2010年20期

9 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進研究[J];計算機技術與發(fā)展;2011年04期

10 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計算機信息;2011年11期

相關會議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計算機技術與應用學術會議（CACIS·2009）暨全國第1屆安全關鍵技術與應用學術會議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學會第五次全國會員代表大會暨2006年全國學術年會論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學術會議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動問題的方法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯一[C];2010年

相關博士學位論文 前10條

1 紀科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學;2016年

2 程殿虎;基于協(xié)同過濾的社會網(wǎng)絡推薦系統(tǒng)關鍵技術研究[D];中國海洋大學;2015年

3 于程遠;基于QoS的Web服務推薦技術研究[D];上海交通大學;2015年

4 李聰;電子商務推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學;2009年

5 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應用研究[D];大連理工大學;2008年

6 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學;2011年

7 薛福亮;電子商務協(xié)同過濾推薦質量影響因素及其改進機制研究[D];天津大學;2012年

8 高e，

本文編號：1679973