CN103684850B - 基于服务邻域的Web Service服务质量预测方法 - Google Patents

Abstract

本发明涉及web服务质量预测领域，公开了一种基于服务邻域的Web Service服务质量预测方法，其特征在于，包括以下的具体步骤：相似度计算步骤、邻居选择步骤、模型建立步骤、模型求解步骤以及预测步骤，通过建立一个基于邻居用户的特征向量学习得到的预测模型，并通过梯度迭代下降法求解该预测模型，并最终得到对目标用户的网络服务质量的预测值，同时公开了一种应用上述Web Service服务质量预测方法的装置。本发明的优点在于，准确度高，通过分离目标服务的特征向量以及邻居服务的特征向量解决了冷启动过程中的网络服务质量的预测问题，具有较好的应用价值。

Description

基于服务邻域的Web Service服务质量预测方法

技术领域

本发明涉及web服务质量预测领域，特别涉及一种基于服务邻域的Web Service服务质量预测方法，同时公开了一种应用所述基于服务邻域的Web Service服务质量预测方法的装置。

背景技术

Web Service是一类在网络上用以实现资源的互操作性与可访问性的应用，且这类应用是自我描述的、可编程的。Web Service一般使用标准的已定义完善的语言实现，并通过规范的协议发布。基于SOA的架构，Web Service已成为实现企业内与企业间信息系统的重要手段。同时，由于Web Service技术广泛应用在云计算中，特别是SaaS平台上，所以Web Service的数量在迅猛增长。

服务质量是Web Service非功能性指标的统称，包括服务价格、响应时间、吞吐量等。服务质量是Web Service除功能性外，在服务选择、服务发现、服务推荐等方面重要的衡量标准，特别是候选的服务集中各服务的功能相似的情况下。但是大部分情况下，用户只能获取仅少一部分的QoS值，原因如下：1）因为Web Service的数量非常多，全部调用是不现实的；2）很多Web Service的服务质量会随着物理资源的变化而变动。在实际的服务调用过程中，这些缺失值必须被预测出来作为服务选择与推荐的依据。

现有技术中，作为推荐系统中最常用的预测缺失值的方法存在以下缺陷：1）协同过滤方法难以解决“冷启动”的问题，即某个服务从未被任何用户调用过，或某个用户从未调用过任何服务。2）传统的协同过滤方法只能反映用户的主观喜好，而在服务调用的过程中，决定最终服务质量的却是客观的物理资源与运行环境。故而，在利用已有的服务调用历史记录信息，筛选出用户和服务的邻居来的基础上，需要寻求其它既能够保持已经方法的优势，又可以克服其缺点的技术。

由于现实世界中，决定用户调用服务的因素在于服务所处的IT基础设施的 水平，而不同服务提供商所拥有或租用的计算平台的资源配置也相差较大。对于同一个用户，调用不同服务提供商提供的服务会获得差异较大的服务质量；而调用同一个服务提供商提供的服务则会获得相似的服务质量。例如，韩国和日本是世界上平均网速最快的两个国家，而中国的平均网速则相对较慢。所以，如果同一位用户同时调用位于首尔、东京和北京的三个服务，则在首尔和东京的服务会使用户体验到比北京的服务更好的服务质量。

另外，数据的稀疏性也是服务质量预测要面临的另一个重要的问题。极高的数据稀疏性意味着在用户-服务调用矩阵里绝大多数项都是空值，影响实际的预测效果。

基于上述问题可知，现有的服务质量预测方法在实际的应用过程中具有较大的局限性，无法实现准确地对网络服务的质量进行预测。由此，有必要研制一种新型的网络服务质量的预测方法。

发明内容

本发明针对现有技术中无法准确地预测网路服务质量的缺点，提供了一种基于服务邻域的Web Service服务质量预测方法以及应用该基于服务邻域的Web Service服务质量预测方法的装置，上述方法较好地解决了“冷启动”时检测数据缺乏的问题，并可以基于更为客观的历史数据得到更为准确的网络服务质量预测值。

为实现上述目的，本发明可采取下述技术方案：

基于服务邻域的Web Service服务质量预测方法，包括以下的具体步骤：

相似度计算步骤：根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl，其中服务j为需要预测服务质量的目标服务，服务l′为服务j之外的其他服务；

邻居选择步骤：根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务l；

权重计算步骤：分别计算邻域TopK(j)中所有服务l的权重w_jl；

模型建立步骤：在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；

模型求解步骤：通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；

预测步骤：通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值；

其中，设共同调用过服务j与服务l′的用户集合为U，则服务j与服务l′之间的相似度r_uj为用户i对服务j的调用记录，r_ul为用户i对服务l′的调用记录，依次为服务j、l′被调用后返回的服务质量的平均值。

作为优选，所述邻居选择步骤还包括：筛选出与目标服务具有相同服务提供商的服务，并将其补充进入该目标服务所属的邻域TopK(j)。

作为优选，所述相似度计算步骤还包括：对相似度修正，修正后的相似度其中，|U_k|、|U_l′|以及|U_j∩_Ul′|依次分别为用户集合U中单独调用过服务j的用户数量、单独调用过服务l′的用户数量以及同时调用过服务j与l′的用户数量。

作为优选，

所述权重计算步骤为，分别计算邻域TopK(j)中所有服务l的权重

所述模型建立步骤为，将用户-服务调用矩阵Q分解为两个低维矩阵，即其中，U∈R^d×m表示用户隐因子矩阵，S∈R^d×n表示服务隐因子矩阵；建立所述预测模型的目标函数 其中，I_ij等于1表示用户i调用过服务j，I_ij等于0则表明用 户i与服务j之间没有发生过调用，q_ij表示用户i调用服务j的服务质量预测值，I_ij为指示函数，表示矩阵U的第i列，S_j表示矩阵S的第j列，α为预设的调节因子,K表示与服务j相对应的邻域TopK(j)中的服务l的数量，λ_U、λ_S、λ_E分别取极小的正常数，S_e表示服务e在矩阵S中所对应的第e列；

所述模型求解步骤为，用以下的梯度下降迭代公式对目标函数L(U,S)进行迭代求解：得到待求解的用户特征矩阵与服务特征矩阵，其中，β为预设常数，表示梯度下降迭代过程中的学习率；

所述预测步骤为，通过用户特征矩阵与服务特征矩阵的矩阵乘法得到用户i调用服务j的服务质量预测值

作为优选，所述模型建立步骤还包括以下具体步骤：

1）令用户i调用服务j的服务质量预测值

2）定义损失函数用以最小化测试误差；

3）在损失函数中加入防止过拟合的正则化项得到

4）将预测值分为两部分，分别为由服务j自身的特征向量学习得到，由服务j的邻域TopK(j)中的服务l的特征向量学习得到，由此，进一步得到以下的目标函数：

5）在损失函数中加入以下的正则化项用于表示与服务j运行于同一计算平台上的服务集合E(j)和服务j的关系。

作为优选，λ_U、λ_S、λ_E分别取0.001。

作为优选，所述模型求解步骤还包括，求目标函数对于U_i、S_j的偏导数，得 到

以及 其中，服务集合G(j)中任一服务所对应的邻域中均包括服务j。

应用上述的基于服务邻域的Web Service服务质量预测方法的装置，包括相似度计算装置、邻居选择装置、权重计算装置、模型建立装置、模型求解装置以及预测装置；其中，

相似度计算装置，用于根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl，其中服务j为需要预测服务质量的目标服务，服务l′为服务j之外的其他服务；

邻居选择装置，用于根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务l；

权重计算装置，用于分别计算邻域TopK(j)中所有服务l的权重w_jl；

模型建立装置，用于在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；

模型求解装置，用于通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；

预测装置，用于通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值。

本发明由于采用了以上技术方案，具有显著的技术效果：

以上技术方案提供了一种可以更为准确地预测网络服务质量的方法，由于采用了服务的历史调用记录作为检测数据，克服了现有技术过于依赖用户的主观性偏好的缺点，预测结果可以更为准确地反映网络的实际情况，具有更好的预测准确率。

进一步地，通过选择与目标服务具有相似性的邻居服务，并利用邻居服务的历史调用记录实现了在“冷启动”的情况下，目标服务的相关调用记录缺乏，无法实现有效预测的问题。此外，以上技术方案的计算步骤具有线性时间的复杂度，可以适用于大数据的情况，有利于实际操作时根据网络数据的传输量以及预测请求的数量部署硬件。

附图说明

图1为应用上述的基于服务邻域的Web Service服务质量预测方法的装置的连接结构示意图。

图2为基于服务邻域的Web Service服务质量预测方法的流程示意图。

图3为模型建立步骤中获得目标函数的流程示意图。

图4为模型求解步骤的流程示意图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

实施例1

基于服务邻域的Web Service服务质量预测方法，如图2-3所示，包括服务间相似度计算步骤、邻居选择步骤、权重计算步骤、模型建立步骤、模型求解步骤与预测步骤六个步骤，具体描述如下：

相似度计算步骤：服务间相似度的计算。根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl。其中，设共同调用过服务j与服务l′的用户集合为U，则服务j与服务l′之间的相似度：

公式(1)

其中，r_uj为用户i对服务j的调用记录，r_ul为用户i对服务l′的调用记录， 依次为服务j、l′被调用后返回的服务质量的平均值。

由于上面计算公式易使计算出的两个服务之间的相似度偏大，故使用下面的公式(2)对公式(1)予以修正：

公式(2)

其中，|U_j|、|U_l′|以及|U_j∩U_l′|依次分别为用户集合U中单独调用过服务j的用户数量、单独调用过服务l′的用户数量以及同时调用过服务j与l′的用户数量。

邻居选择步骤：根据相似度计算步骤中计算出来的相似度，选择出与目标服务j相似度最大的K个服务l，组成目标服务j的邻域，记为TopK(j)。同时，将与目标服务j运行在相同计算平台上的其它服务的集合记为集合E(j)。

权重计算步骤：在集合TopK(j)中，每位邻居l的重要性由权重w_jl来衡量，计算方式如下：

公式(3)

其中，l代表服务j在邻居选择步骤筛选出来的最相似的K个邻居服务。

邻域补充步骤：筛选出由同一个服务提供商提供的服务，并将它们互相视为邻居，补充进邻居选择步骤已筛选出的邻域TopK(j)中，组成新的邻域。

模型建立步骤：本实施例所述的求解模型建立在矩阵分解模型的基础之上，所以首先建立基础的矩阵分解模型。

基本矩阵分解算法的基本思路是将用户-服务调用矩阵Q分解为两个低维矩阵的乘积形式，即

公式(4)

其中，矩阵Q的每一行代表用户，每一列代表服务，矩阵Q的每一项则代表该行的用户调用该列的服务后产生的服务质量。U∈R^d×m代表d×m的用户隐因子矩阵，S∈R^d×n代表d×n的服务隐因子矩阵。那么，用户i调用服务j的服务质量预测值可通过如下公式计算：

公式(5)

我们的目标尽可能是找到合适的U、S来最小化训练集的预测误差，并且同时最小化测试集的预测误差。因此，定义损失函数为：

公式(6)

其中，I_ij为指示函数，其值等于1表示用户i调用过服务j，等于0则表明用户i与服务j之间没有发生过调用行为。但直接优化上面的损失函数可能会导致学习的过拟合，因此还需加入防止过拟合的正则化项，从而得到最终的矩阵分解形式：

公式(7)

其中，‖U‖、‖S‖表示弗洛贝尼乌斯范数，λ_U、λ_S都取为0.001。

进一步地，本实施例中的待预测的服务质量的值被分解为两部分，由服务自身的特征向量学习得到，由服务邻居们的特征向量学习得到，那么用户i对服务j调用得到的服务质量被预测为

公式(8)

其中，α是一个[0,1]之间的调节因子，用于调节两部分的比例。

进一步地，可以得到如下的目标函数：

公式(9)

另外，对于那些与目标服务j运行在同一计算平台上的服务的集合E(j)，设计如下的正则化项以建模它们之间的关系：

公式(10)

其中，S_e代表的是服务e在矩阵S中对应的第e列。令目标服务j的特征向量与运行在同一计算平台上的服务集合E(j)中服务的特征向量尽可能的接近，即最小化公式(10)。由此，可得到本方法最终的目标函数用以表示预测模型：

公式(11)

其中，λ_E为极小的正常数0.001。至此，经过以上步骤，就得到了本方法所建立预测模型的求解函数。同时，我们命名该方法为基于服务邻域的矩阵分解扩展算法下面，我们将使用梯度下降法求解公式(11)的最小值，即L(U,S)。

模型求解步骤：模型求解应用的是梯度下降法，首先求公式(11)对于U_i、S_j的偏导数，结果如下所示：

以及 公式(12)

其中，服务集合G(j)中任一服务所对应的邻域中均包括服务j。然后，利用如下的梯度下降迭代公式，确定梯度下降法的迭代次数与迭代步长，经过预定迭代次数后，得到最终的U_i、S_j：

公式(13)

其中，β为一常数，代表梯度下降法过程中的学习率。

预测步骤：最终用户i对服务i调用服务j得到的服务质量的预测值q_ij仍由公式(8)得到，即

此外，本实施例还包括了应用上述权利要求1-7任一所述的基于服务邻域的WebService服务质量预测方法的装置，如图1所示，包括相似度计算装置100、 邻居选择装置200、权重计算装置300、模型建立装置400、模型求解装置500以及预测装置600；其中，

相似度计算装置100，用于根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl，其中服务j为需要预测服务质量的目标服务，服务l′为服务j之外的其他服务；

邻居选择装置200，用于根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务l；

权重计算装置300，用于分别计算邻域TopK(j)中所有服务l的权重w_jl；

模型建立装置400，用于在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；

模型求解装置500，用于通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；

预测装置600，用于通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (7)

1.一种基于服务邻域的Web Service服务质量预测方法，其特征在于，包括以下的具体步骤：

相似度计算步骤：根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl，其中服务j为需要预测服务质量的目标服务，服务l′为服务j之外的其他服务；

邻居选择步骤：根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务l；

权重计算步骤：分别计算邻域TopK(j)中所有服务l的权重w_jl；

模型建立步骤：在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；

模型求解步骤：通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；

预测步骤：通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值；

其中，设共同调用过服务j与服务l′的用户集合为U，则服务j与服务l′之间的相似度r_ij为用户i对服务j的调用记录，r_il'为用户i对服务l′的调用记录，依次为服务j、l′被调用后返回的服务质量的平均值；

所述权重计算步骤为，分别计算邻域TopK(j)中所有服务l的权重

所述模型建立步骤为，将用户-服务调用矩阵Q分解为两个低维矩阵，即其中，U∈R^d×m表示用户隐因子矩阵，S∈R^d×n表示服务隐因子矩阵；建立所述预测模型的目标函数:

$L(U,S)=\frac{1}{2}{\Σ}_{i=1}^m{\Σ}_{j=1}^n{I}_{ij}{(q_{ij}-({\mathrm{\αU}}_i^T{S}_j+\left(1-\mathrm{\α}\right){\Σ}_{l=1}^K{w}_{jl}{U}_i^T{S}_l\left)\right)}^2+\frac{{\mathrm{\λ}}_U}{2}\left|\right|U|{|}_F^2+\frac{{\mathrm{\λ}}_S}{2}|\left|S\right|{|}_F^2+\frac{{\mathrm{\λ}}_E}{2}{\Σ}_{j=1}^n\left|\right|S_j-\frac{1}{\left|E\left(j\right)\right|}{\Σ}_{e\∈\left(j\right)}{S}_e|{|}_F^2$

其中，I_ij等于1表示用户i调用过服务j，I_ij等于0则表明用户i与服务j之间没有发生过调用，q_ij表示用户i调用服务j的服务质量预测值，U_i为指示函数，表示矩阵U的第i列，S_i表示矩阵S的第j列，α为预设的调节因子,K表示与服务j相对应的邻域TopK(j)中的服务l的数量，λ_U、λ_S、λ_E分别取极小的正常数，S_e表示服务e在矩阵S中所对应的第e列；所述模型求解步骤为，用以下的梯度下降迭代公式对目标函数L(U,S)进行迭代求解：得到待求解的用户特征矩阵与服务特征矩阵，其中，β为预设常数，表示梯度下降迭代过程中的学习率；

所述预测步骤为，通过用户特征矩阵与服务特征矩阵的矩阵乘法得到用户i调用服务j的服务质量预测值

2.根据上述权利要求1所述的Web Service服务质量预测方法，其特征在于，所述邻居选择步骤还包括：筛选出与目标服务具有相同服务提供商的服务，并将其补充进入该目标服务所属的邻域TopK(j)。

3.根据上述权利要求1所述的Web Service服务质量预测方法，其特征在于，所述相似度计算步骤还包括：对相似度修正，修正后的相似度其中，|U_j|、|U_l'|以及|U_j+U_l'|依次分别为用户集合U中单独调用过服务j的用户数量、单独调用过服务l′的用户数量以及同时调用过服务j与l′的用户数量。

4.根据上述权利要求1所述的Web Service服务质量预测方法，其特征在于，所述模型建立步骤还包括以下具体步骤：

1)令用户i调用服务j的服务质量预测值

2)定义损失函数用以最小化测试误差；

3)在损失函数中加入防止过拟合的正则化项得到

$L(U,S)=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{j=1}^n{I}_{ij}{(q_{ij}-U_i^T{S}_j)}^2+\frac{{\mathrm{\λ}}_U}{2}\left|\right|U|{|}_F^2+\frac{{\mathrm{\λ}}_S}{2}|\left|S\right|{|}_F^2;$

4)将预测值分为两部分，分别为 由服务j自身的特征向量学习得到，由服务j的邻域TopK(j)中的服务l的特征向量学习得到，得到

5)在损失函数中加入以下的正则化项用于表示与服务j运行于同一计算平台上的服务集合E(j)和服务j的关系。

5.根据上述权利要求1所述的Web Service服务质量预测方法，其特征在于，λ_U、λ_S、λ_E分别取0.001。

6.根据上述权利要求1所述的Web Service服务质量预测方法，其特征在于，所述模型求解步骤还包括，求目标函数对于U_i、S_j的偏导数，得到

$\frac{\∂L}{\∂U_i}={\Σ}_{j=1}^n{I}_{ij}\left({\mathrm{\αU}}_i^T{S}_j+\left(1-\mathrm{\α}\right){\Σ}_{l=1}^K{w}_{jl}{U}_i^T{S}_l-q_{ij}\right)\×\left({\mathrm{\αS}}_j+\left(1-\mathrm{\α}\right){\Σ}_{l=1}^K{w}_{jl}{U}_l^T\right)+{\mathrm{\λ}}_U{U}_i$

以及

$\begin{array}{c}\frac{\∂L}{{\∂S}_j}=\mathrm{\α}{\mathrm{\Σ}}_{i=1}^m{I}_{\mathrm{ij}}{U}_i(\mathrm{\α}{U}_i^T{S}_j+(1-\mathrm{\α}){\mathrm{\Σ}}_{l=1}^K{w}_{\mathrm{jl}}{U}_i^T{S}_l-q_{\mathrm{ij}})\×\\ (1-\mathrm{\α}){\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{g\∈G\left(j\right)}{I}_{\mathrm{ig}}{w}_{\mathrm{gl}}{U}_i^T((\mathrm{\α}{U}_i^T{S}_g+(1-\mathrm{\α}){\mathrm{\Σ}}_{l=1}^K{w}_{\mathrm{gl}}{U}_i^T{S}_l)-q_{\mathrm{ig}})+{\mathrm{\λ}}_S{S}_i+\end{array}$ 其中，服务集合G(j)中任一服务所对应的邻域中均包括服务j。

7.一种应用上述权利要求1-6任一所述的基于服务邻域的Web Service服务质量预测方法的装置，其特征在于，包括相似度计算装置(100)、邻居选择装置(200)、权重计算装置(300)、模型建立装置(400)、模型求解装置(500)以及预测装置(600)；其中，

相似度计算装置(100)，用于根据服务的历史调用记录计算任意两个服务j、l′之间的相似度sim_jl，其中服务j为需要预测服务质量的目标服务，服务l′为服务j之外的其他服务；

邻居选择装置(200)，用于根据相似度筛选任一服务j的邻域TopK(j)，将与服务j运行于相同计算平台的除服务j之外的其他服务记为集合E(j)，所述邻域TopK(j)包括与服务j最相似的一个或者多个服务l；

权重计算装置(300)，用于分别计算邻域TopK(j)中所有服务l的权重w_jl；模型建立装置(400)，用于在矩阵分解模型的基础上建立用于预测Web Service服务质量的预测模型；

模型求解装置(500)，用于通过梯度下降法求解预测模型，得到待求解的用户特征矩阵与服务特征矩阵；

预测装置(600)，用于通过用户特征矩阵与服务特征矩阵的矩阵乘法得到最终的预测值；

所述权重计算过程为，分别计算邻域TopK(j)中所有服务l的权重

所述模型建立过程为，将用户-服务调用矩阵Q分解为两个低维矩阵，即其中，U∈R^d×m表示用户隐因子矩阵，S∈R^d×n表示服务隐因子矩阵；建立所述预测模型的目标函数:

$L(U,S)=\frac{1}{2}{\Σ}_{i=1}^m{\Σ}_{j=1}^n{I}_{ij}{(q_{ij}-({\mathrm{\αU}}_i^T{S}_j+\left(1-\mathrm{\α}\right){\Σ}_{l=1}^K{w}_{jl}{U}_i^T{S}_l\left)\right)}^2+\frac{{\mathrm{\λ}}_U}{2}\left|\right|U|{|}_F^2+\frac{{\mathrm{\λ}}_S}{2}|\left|S\right|{|}_F^2+\frac{{\mathrm{\λ}}_E}{2}{\Σ}_{j=1}^n\left|\right|S_j-\frac{1}{\left|E\left(j\right)\right|}{\Σ}_{e\∈\left(j\right)}{S}_e|{|}_F^2$

其中，I_ij等于1表示用户i调用过服务j，I_ij等于0则表明用户i与服务j之间没有发生过调用，q_ij表示用户i调用服务j的服务质量预测值，U_i为指示函数，表示矩阵U的第i列，S_i表示矩阵S的第j列，α为预设的调节因子,K表示与服务j相对应的邻域TopK(j)中的服务l的数量，λ_U、λ_S、λ_E分别取极小的正常数，S_e表示服务e在矩阵S中所对应的第e列；所述模型求解步骤为，用以下的梯度下降迭代公式对目标函数L(U,S)进行迭代求解：得到待求解的用户特征矩阵与服务特征矩阵，其中，β为预设常数，表示梯度下降迭代过程中的学习率；

所述预测过程为，通过用户特征矩阵与服务特征矩阵的矩阵乘法得到用户i调用服务j的服务质量预测值