近年來,云中心的服務(wù)資源呈指數(shù)型增長。這使得用戶從大量功能相當(dāng)?shù)暮蜻x服務(wù)中挑選出高質(zhì)量的服務(wù)變得越來越困難。服務(wù)質(zhì)量(Quality of Service,QoS)是用戶在選擇服務(wù)構(gòu)建系統(tǒng)時需要關(guān)注的重要指標(biāo)�？墒�,在現(xiàn)實世界里,候選服務(wù)集合中很多服務(wù)的QoS歷史記錄是缺失的,因為用戶通常只調(diào)用過云中心少量的服務(wù)資源。為了獲得缺失的QoS數(shù)據(jù),推薦系統(tǒng)中的協(xié)同過濾(Collaborative Filtering,CF)技術(shù)被應(yīng)用到QoS預(yù)測、服務(wù)選擇及推薦領(lǐng)域。然而,推薦系統(tǒng)存在著歷史數(shù)據(jù)稀疏和預(yù)測精度不高的固有難題。為了解決這個難題,本文提出了兩個新穎的方法對缺失的QoS值進(jìn)行預(yù)測:針對小規(guī)模的數(shù)據(jù)集,提出了一種基于分情況填充的云服務(wù)QoS預(yù)測算法(Cloud Service Quality Prediction with Different Filling Methods based on Different Situations,DFDS)。首先,為了解決歷史數(shù)據(jù)非常稀疏的問題,提出了一種分情況填充的策略,該策略根據(jù)穩(wěn)定性將用戶劃分為穩(wěn)定用戶和不穩(wěn)定用戶。同理,根據(jù)穩(wěn)定性將服務(wù)劃... 

【文章來源】：江西財經(jīng)大學(xué)江西省

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

參數(shù)對MAE的影響

3基于分情況填充的云服務(wù)QoS值預(yù)測算法33（c）（d）圖3-7參數(shù)對RMSE的影響參數(shù)分析參數(shù)決定了用于預(yù)測的近鄰用戶和近鄰服務(wù)的個數(shù)。為了研究對預(yù)測性能的影響，將的取值逐步從5增加到50，步長為5，并在矩陣密度為5%和15%的數(shù)據(jù)集上進(jìn)行了一系列實驗，其他的參數(shù)設(shè)置如表3.1所示。此外，還將UPCC、IPCC和UIPCC算法添加到對比分析中，實驗結(jié)果如圖3-8和圖3-9所示。（a）（b）（c）（d）圖3-8參數(shù)對MAE的影響

3基于分情況填充的云服務(wù)QoS值預(yù)測算法33（c）（d）圖3-7參數(shù)對RMSE的影響參數(shù)分析參數(shù)決定了用于預(yù)測的近鄰用戶和近鄰服務(wù)的個數(shù)。為了研究對預(yù)測性能的影響，將的取值逐步從5增加到50，步長為5，并在矩陣密度為5%和15%的數(shù)據(jù)集上進(jìn)行了一系列實驗，其他的參數(shù)設(shè)置如表3.1所示。此外，還將UPCC、IPCC和UIPCC算法添加到對比分析中，實驗結(jié)果如圖3-8和圖3-9所示。（a）（b）（c）（d）圖3-8參數(shù)對MAE的影響


本文編號：2932963