CN113364621A - 服务网络环境下的服务质量预测方法 - Google Patents

服务网络环境下的服务质量预测方法 Download PDF

Info

Publication number
CN113364621A
CN113364621A CN202110623482.6A CN202110623482A CN113364621A CN 113364621 A CN113364621 A CN 113364621A CN 202110623482 A CN202110623482 A CN 202110623482A CN 113364621 A CN113364621 A CN 113364621A
Authority
CN
China
Prior art keywords
service
user
quality
similarity
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110623482.6A
Other languages
English (en)
Other versions
CN113364621B (zh
Inventor
尹建伟
庞盛业
邓水光
郑邦鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110623482.6A priority Critical patent/CN113364621B/zh
Priority to US18/019,455 priority patent/US11985042B2/en
Priority to PCT/CN2021/098788 priority patent/WO2022252251A1/zh
Publication of CN113364621A publication Critical patent/CN113364621A/zh
Application granted granted Critical
Publication of CN113364621B publication Critical patent/CN113364621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种服务网络环境下的服务质量预测方法，包括以下步骤：(1)通过用户多次调用同一或不同服务时产生的服务质量日志信息，构建用户的服务不确定性质量模型；(2)基于用户的服务不确定性质量模型，挖掘目标用户的相似用户集合；(3)基于目标用户的相似用户集合中的相似性信息，对矩阵分解算法进行改进，实现对服务质量的精准预测。本发明的服务质量预测方法可在用户进行服务选择时提供决策依据，基于服务质量信息进行有针对性的服务优化，进行更加准确的服务推荐。

Description

服务网络环境下的服务质量预测方法
技术领域
本发明涉及服务计算，尤其涉及一种服务网络环境下的基于协同过滤和矩阵分解的服务质量预测方法。
背景技术
随着互联网中Web服务数量的不断增加，作为用来区别相同功能服务的重要参考，服务质量扮演了越来越重要的角色。
一般来说，服务质量是Web服务非功能性指标的统称，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。服务质量可以分为用户相关的和用户无关的。用户相关的服务质量(如：价格)通常由服务开发者决定，而用户无关的服务质量(如：响应时间)通常会随着调用者和调用行为的不同产生巨大的差异。
服务质量在服务选择、服务优化和服务推荐等领域发挥了具大的作用。然而，在用户调用服务的日志中，大量服务质量信息是缺失的。因此，如何对这些缺失的服务质量信息进行预测变得越来越重要。
公开号为CN104917647A的中国专利文献公开了一种基于协同过滤的Web服务质量预测方法，所述方法包括：第一用户端向服务端发送Web服务的请求信息；服务端根据请求信息，获取第一用户端的QoS数据，并获取第二用户端的QoS数据；第一用户端和第二用户端为同类用户端；根据第一用户端的QoS数据、第二用户端的QoS数据，确定第一用户端与第二用户端的第一相似度；根据第一相似度，获得第一预测值；根据第一用户端的QoS数据、第二用户端的QoS数据以及第一相似度，确定第一用户端与第二用户端的第二相似度；根据第二相似度，获得第二预测值；根据第一预测值与第二预测值，确定目标预测值。
公开号为CN111881345A的中国专利文献公开了一种基于位置上下文感知的神经协同过滤服务质量预测方法，结合用户的地理位置上下文信息，以及被调用服务的地理位置上下文信息，提供更准确，更加个性化的服务推荐，有效降低了因为地理信息缺失带来的较大预测误差，以及提供偏置修正项，能结合用户和服务的实际情况，给予个性化的预测修正，有效降低了预测的方均根误差，提升了算法的鲁棒性。
传统服务质量预测方法大多基于CF模型(Collaborative Filtering，协同过滤模型)。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。
矩阵分解也是进行服务质量预测的一个很有效的方法，然而大多数研究更专注于如何提高矩阵分解的准确率，而没有关注到服务质量的不确定性。
发明内容
本发明提供了一种服务网络环境下的基于协同过滤和矩阵分解的服务质量预测方法，通过进行准确的服务质量预测，更好的进行服务选择、服务优化和服务推荐工作。
本发明的技术方案如下：
一种服务网络环境下的服务质量预测方法，包括以下步骤：
(1)通过用户多次调用同一或不同服务时产生的服务质量日志信息，构建用户的服务不确定性质量模型；
(2)基于用户的服务不确定性质量模型，挖掘目标用户的相似用户集合；
(3)基于目标用户的相似用户集合中的相似性信息，对矩阵分解算法进行改进，实现对服务质量的精准预测。
步骤(1)构建服务不确定性质量模型的目的是通过用户多次调用同一或不同服务时产生的服务质量日志信息，构建用户不确定性质量模式，为后续的用户相似邻居计算提供基础。
步骤(1)包括：
(1-1)将用户的服务不确定性质量模型定义为一个四元组<Auser,Lservices,Smatrices,f>；
其中，Auser代表活跃用户；Lservices代表当前活跃用户调用过的所有服务的列表；Smatrices代表不确定性质量矩阵组，其中每一个矩阵都记录了Auser调用Lservices中的一个服务产生的服务质量日志信息；f代表服务与对应的不确定性质量矩阵的映射关系；
(1-2)将用户的服务不确定性质量模型可视化为三层树结构；所述的三层树结构包含：
用户层，代表当前的服务调用者；
服务层，代表当前的服务调用者调用过得所有服务；
映射矩阵层，代表当前的服务调用者多次调用服务时产生的服务质量矩阵。
为了将具有不确定性的外部启发式信息集成到矩阵分解框架中，可挖掘目标用户的相似用户集合，从而将更多的服务质量信息融入到矩阵分解模型中，实现更准确的服务质量预测。
步骤(2)包括：
(2-1)计算服务不确定性质量模型中的质量矩阵中各列的平均服务质量值，将质量矩阵转化为质量向量；
(2-2)根据质量向量，采用PCC算法计算目标用户与其他用户间的相似度，根据给定的相似度阈值选择目标用户的相似用户集合。
优选的，步骤(2-1)中，平均服务质量值的计算公式为：
Figure BDA0003101042930000031
其中，n代表用户a调用服务s的次数；V(qji)代表用户a第j次调用服务s时，第i个服务质量的信息。
优选的，步骤(2-2)中，采用PCC算法计算目标用户与其他用户间的相似度包括：
(i)计算目标用户a和其他用户u的权重因子：
Figure BDA0003101042930000032
Figure BDA0003101042930000041
其中，Na(s)代表目标用户a调用服务s的次数；Nu(s)代表了其他用户u调用服务s的次数；
(ii)采用下式计算目标用户a和其他用户u的相似性：
Figure BDA0003101042930000042
其中，S(a)和S(u)分别代表目标用户a和其他用户u各自调用过的服务；S(∩)＝S(a)∩S(u)代表了目标用户a和其他用户u同时调用过的服务；
Figure BDA0003101042930000043
代表压缩后的目标用户a调用服务s产生的服务质量信息；
Figure BDA0003101042930000044
代表目标用户a调用所有的服务产生的服务质量的数据平均值。
为了避免在相似度计算过程中出现的高估情形，优选的，在相似度计算过程中引入权重因子降低对用户相似度的过高估计，如下式所示：
Figure BDA0003101042930000045
用户产生的服务质量数据越多，计算得到的相似用户邻居集的准确率就越高。
进一步的，依据用户间的相似度，通过Top-k算法获得目标用户的用户相似邻居集合。
步骤(3)包括：
(I)定义用户关系的范式：
Figure BDA0003101042930000046
Figure BDA0003101042930000047
其中，T(i)代表用户i的相似邻居集中的服务集合；Sim′(i,u)代表用户用户i和用户u的用户相似度；U(i)代表用户i的特征向量；范式是为了将用户i与其相似邻居集中的用户的行为差异尽可能缩小；
(2)将用户关系的范式与矩阵分解公式相结合，构建目标函数：
Figure BDA0003101042930000051
其中，R＝UTS代表了用户-服务矩阵；Ii,j是指标函数，如果用户i调用过服务j，则Ii,j的值为1，反之值为0；
Figure BDA0003101042930000052
代表了斐波那契常数，用来防治函数过拟合；λ1和λ2是学习参数；α1作为参数控制着用户关系范式的重要性；
(3)采用梯度下降算法求解目标函数的最优解，基于最优解进行矩阵分解，得到的子矩阵中的值，即为服务质量的预测值。
本发明的服务质量预测方法可在用户进行服务选择时提供决策依据，基于服务质量信息进行有针对性的服务优化，进行更加准确的服务推荐。
与现有技术相比，本发明的有益效果为：
(1)通过服务不确定性质量模型的构建，详细描述了用户在动态应用环境下，多次调用服务产生的不确定性服务质量情形。
(2)通过对用户相似邻居的挖掘，以协同过滤的方式提高了服务质量预测的准确率。
(3)通过对服务质量的预测，可以在用户进行服务选择时提供决策依据，基于服务质量信息进行有针对性的服务优化，进行更加准确的服务推荐。
附图说明
图1为服务质量的不确定性现状示意图；
图2为服务不确定性质量模型的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
图1为用户调用服务时，服务质量的不确定性现状示意图。从图1中可以看出，一组用户在不同的时间和地点调用了不同的服务，产生了具有不确定性特征的服务质量日志。
对于同一个服务的多次调用产生的“服务响应时间”服务质量的数值变化，体现了动态应用环境的不确定性特征。基于上述信息我们需要预测该调用者调用服务5可能产生的“服务响应时间”。
图2为构建的服务不确定性质量模型的示意图。服务不确定性质量模型的构建过程如下：
(1)将用户的服务不确定性质量模型构建为一个四元组<Auser,Lservices,Smatrices,f>；Auser代表了一个活跃用户；Lservices代表了当前活跃用户调用过的所有服务列表；Smatrices代表了一组不确定性质量矩阵，其中每一个矩阵都记录了Auser调用Lservices中的一个服务产生的服务质量日志信息；f代表了一个服务与对应的不确定性质量矩阵的映射关系。
(2)因此可以将用户的服务不确定性质量模型可视化为一个三层的树结构，包含用户层、服务层和服务质量矩阵层。
为了将具有不确定性的外部启发式信息集成到矩阵分解框架中，需要识别相似用户的邻居集进行QoS预测。
相似用户邻居挖掘过程如下：
给定一个用户，其相似邻居集可以根据服务不确定性质量模型计算当前用户与其他用户的相似度获得。给定一个不确定性服务质量矩阵，可以通过计算每一个质量数据的平均值，将矩阵转化为向量。为了简化计算，只考虑第i个服务质量信息，质量数据的平均值计算公式如下：
Figure BDA0003101042930000061
其中，n代表用户a调用服务s的次数；V(qji)代表用户a第j次调用服务s时，第i个服务质量的信息。
在进行转换之后，可以采用改进的PCC算法来计算目标用户a和用户u之间的相似度。首先计算用户a和用户u的权重因子：
Figure BDA0003101042930000071
Figure BDA0003101042930000072
其中，Na(s)代表了用户a调用服务s的次数；Nu(s)代表了用户u调用服务s的次数。
Figure BDA0003101042930000073
其中，S(a)和S(u)分别代表用户a和u各自调用过的服务；S(∩)＝S(a)∩S(u)代表了用户a和u同时调用过的服务；
Figure BDA0003101042930000074
代表压缩后的用户a调用服务s产生的服务质量信息；
Figure BDA0003101042930000075
代表用户调用所有的服务产生的服务质量的数据平均值。
上述步骤计算了用户在调用不同服务产生的服务质量相似性，然而在相似度计算过程中还是会出现高估的情形。例如，两个用户都调用了很少量的服务，然而这些调用产生的服务质量存在很大的相似性。基于上述观察，本发明提出了一个权重因子来降低对用户相似度的过高估计，如下式所示：
Figure BDA0003101042930000076
基于上述公式，用户产生的服务质量数据越多，计算得到的相似用户邻居集的准确率就越高。
基于上述步骤，用户相似邻居集可以通过Top-k算法获得：
T(a)＝{u|u∈U∧u∈Top-K(a)，u≠a}，
T(a)代表了与用户a最相似的K个服务组成的集合。
在基于协同过滤的服务推荐体系中，同一个用户相似邻居集合中用户的调用行为应该是高度相似的。基于这一假设，本发明综合考虑目标用户相似邻居中的服务质量信息，提出改进的矩阵分解算法User_Uncertain Matrix Factorization。以下具体介绍算法的计算方式：
定义了用户关系规范化术语：
Figure BDA0003101042930000081
Figure BDA0003101042930000082
其中，T(i)代表了用户i相似邻居集中的服务集合；Sim′(i,u)代表了用户用户i和u的用户相似度；U(i)代表了用户i的特征向量；下面范式是为了将用户i与其他用户邻居中用户的行为差异尽可能缩小，基于此，将此范式与传统的矩阵分解公式相结合，形成了新的针对不确定性服务质量预测问题的目标函数：
Figure BDA0003101042930000083
其中，R＝UTS代表了用户-服务矩阵；Ii,j是指标函数，如果用户i调用过服务j，则Ii,j的值为1，反之值为0；
Figure BDA0003101042930000084
代表了斐波那契常数，用来防治函数过拟合，λ1和λ2是学习参数；α1作为参数控制着这个范式的重要性。
最终，为了解决基于服务不确定性的服务质量预测问题，本发明采用最常用的梯度下降算法来获得目标函数的最优解，基于最优解进行矩阵分解得到的子矩阵中的值即为服务质量的预测值：
Figure BDA0003101042930000085
Figure BDA0003101042930000086
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种服务网络环境下的服务质量预测方法，其特征在于，包括以下步骤：
(1)通过用户多次调用同一或不同服务时产生的服务质量日志信息，构建用户的服务不确定性质量模型；
(2)基于用户的服务不确定性质量模型，挖掘目标用户的相似用户集合；
(3)基于目标用户的相似用户集合中的相似性信息，对矩阵分解算法进行改进，实现对服务质量的精准预测。
2.根据权利要求1所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(1)包括：
(1-1)将用户的服务不确定性质量模型定义为一个四元组<Auser,Lservices,Smatrices,f>；
其中，Auser代表活跃用户；Lservices代表当前活跃用户调用过的所有服务的列表；Smatrices代表不确定性质量矩阵组，其中每一个矩阵都记录了Auser调用Lservices中的一个服务产生的服务质量日志信息；f代表服务与对应的不确定性质量矩阵的映射关系；
(1-2)将用户的服务不确定性质量模型可视化为三层树结构；所述的三层树结构包含：
用户层，代表当前的服务调用者；
服务层，代表当前的服务调用者调用过得所有服务；
映射矩阵层，代表当前的服务调用者多次调用服务时产生的服务质量矩阵。
3.根据权利要求1所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(2)包括：
(2-1)计算服务不确定性质量模型中的质量矩阵中各列的平均服务质量值，将质量矩阵转化为质量向量；
(2-2)根据质量向量，采用PCC算法计算目标用户与其他用户间的相似度，根据给定的相似度阈值选择目标用户的相似用户集合。
4.根据权利要求3所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(2-1)中，平均服务质量值的计算公式为：
Figure FDA0003101042920000021
其中，n代表用户a调用服务s的次数；V(qji)代表用户a第j次调用服务s时，第i个服务质量的信息。
5.根据权利要求4所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(2-2)中，采用PCC算法计算目标用户与其他用户间的相似度包括：
(i)计算目标用户a和其他用户u的权重因子：
Figure FDA0003101042920000022
Figure FDA0003101042920000023
其中，Na(s)代表目标用户a调用服务s的次数；Nu(s)代表了其他用户u调用服务s的次数；
(ii)采用下式计算目标用户a和其他用户u的相似性：
Figure FDA0003101042920000024
其中，S(a)和S(u)分别代表目标用户a和其他用户u各自调用过的服务；S(∩)＝S(a)∩S(u)代表了目标用户a和其他用户u同时调用过的服务；
Figure FDA0003101042920000025
代表压缩后的目标用户a调用服务s产生的服务质量信息；
Figure FDA0003101042920000026
代表目标用户a调用所有的服务产生的服务质量的数据平均值。
6.根据权利要求5所述的服务网络环境下的服务质量预测方法，其特征在于，在相似度计算过程中引入权重因子降低对用户相似度的过高估计，如下式所示：
Figure FDA0003101042920000031
7.根据权利要求3所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(2-2)中，依据用户间的相似度，通过Top-k算法获得目标用户的用户相似邻居集合。
8.根据权利要求1所述的服务网络环境下的服务质量预测方法，其特征在于，步骤(3)包括：
(I)定义用户关系的范式：
Figure FDA0003101042920000032
Figure FDA0003101042920000033
其中，T(i)代表用户i的相似邻居集中的服务集合；Sim′(i,u)代表用户用户i和用户u的用户相似度；U(i)代表用户i的特征向量；范式是为了将用户i与其相似邻居集中的用户的行为差异尽可能缩小；
(2)将用户关系的范式与矩阵分解公式相结合，构建目标函数：
Figure FDA0003101042920000034
其中，R＝UTS代表了用户-服务矩阵；Ii,j是指标函数，如果用户i调用过服务j，则Ii,j的值为1，反之值为0；
Figure FDA0003101042920000035
代表了斐波那契常数，用来防治函数过拟合；λ1和λ2是学习参数；α1作为参数控制着用户关系范式的重要性；
(3)采用梯度下降算法求解目标函数的最优解，基于最优解进行矩阵分解，得到的子矩阵中的值，即为服务质量的预测值。
CN202110623482.6A 2021-06-04 2021-06-04 服务网络环境下的服务质量预测方法 Active CN113364621B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110623482.6A CN113364621B (zh) 2021-06-04 2021-06-04 服务网络环境下的服务质量预测方法
US18/019,455 US11985042B2 (en) 2021-06-04 2021-06-08 Method for predicting Quality of Service in service network environment
PCT/CN2021/098788 WO2022252251A1 (zh) 2021-06-04 2021-06-08 服务网络环境下的服务质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110623482.6A CN113364621B (zh) 2021-06-04 2021-06-04 服务网络环境下的服务质量预测方法

Publications (2)

Publication Number Publication Date
CN113364621A true CN113364621A (zh) 2021-09-07
CN113364621B CN113364621B (zh) 2022-07-26

Family

ID=77532123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110623482.6A Active CN113364621B (zh) 2021-06-04 2021-06-04 服务网络环境下的服务质量预测方法

Country Status (3)

Country Link
US (1) US11985042B2 (zh)
CN (1) CN113364621B (zh)
WO (1) WO2022252251A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462707A (zh) * 2022-02-10 2022-05-10 湖南科技大学 一种基于特征深度融合的Web服务多维QoS联合预测方法
CN115146199A (zh) * 2022-06-28 2022-10-04 华东师范大学 一种基于网络偏置的Web服务质量预测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116132347B (zh) * 2023-04-06 2023-06-27 湖南工商大学 算网融合环境下基于Bi-LSTM的服务QoS预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011141586A1 (es) * 2010-05-14 2011-11-17 Telefonica, S.A. Método para calcular la percepción de experiencia de usuario de la calidad de los servicios monitorizados integrados en operadores de telecomunicaciones
CN104579850A (zh) * 2015-01-27 2015-04-29 北京邮电大学 移动互联网环境下Web服务的服务质量QoS预测方法
CN104601385A (zh) * 2013-10-31 2015-05-06 浙江大学 基于地理位置的WebService服务质量预测方法
CN105791010A (zh) * 2016-03-07 2016-07-20 天津职业技术师范大学 基于用户隐含特征和协同过滤的服务质量QoS预测方法
CN106961467A (zh) * 2016-12-21 2017-07-18 国网江西省电力公司信息通信分公司 基于事务和QoS组合的服务质量性能预测方法及装置
CN107679415A (zh) * 2017-09-25 2018-02-09 深圳大学 隐私保护协同Web服务质量预测的基于模型的协同过滤方法
WO2019056571A1 (zh) * 2017-09-25 2019-03-28 深圳大学 一种web服务质量预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103684850B (zh) 2013-11-25 2017-02-22 浙江大学 基于服务邻域的Web Service服务质量预测方法
CN104917647A (zh) 2015-04-21 2015-09-16 中国科学院声学研究所 基于协同过滤的Web服务质量预测方法
CN105024886B (zh) 2015-07-31 2018-04-20 浙江大学 一种基于用户元数据的快速Web服务QoS预测方法
IL243026A0 (en) * 2015-12-10 2016-02-29 Rokach Lior Designing recommendation systems based on hidden context
CN111881345B (zh) 2020-07-13 2023-06-09 汕头大学 基于位置上下文感知的神经协同过滤服务质量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011141586A1 (es) * 2010-05-14 2011-11-17 Telefonica, S.A. Método para calcular la percepción de experiencia de usuario de la calidad de los servicios monitorizados integrados en operadores de telecomunicaciones
CN104601385A (zh) * 2013-10-31 2015-05-06 浙江大学 基于地理位置的WebService服务质量预测方法
CN104579850A (zh) * 2015-01-27 2015-04-29 北京邮电大学 移动互联网环境下Web服务的服务质量QoS预测方法
CN105791010A (zh) * 2016-03-07 2016-07-20 天津职业技术师范大学 基于用户隐含特征和协同过滤的服务质量QoS预测方法
CN106961467A (zh) * 2016-12-21 2017-07-18 国网江西省电力公司信息通信分公司 基于事务和QoS组合的服务质量性能预测方法及装置
CN107679415A (zh) * 2017-09-25 2018-02-09 深圳大学 隐私保护协同Web服务质量预测的基于模型的协同过滤方法
WO2019056571A1 (zh) * 2017-09-25 2019-03-28 深圳大学 一种web服务质量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
冯怡鹏等: "基于QoS反向预测的服务推荐", 《小型微型计算机系统》 *
唐明董等: "基于因子分解机的质量感知Web服务推荐方法", 《计算机学报》 *
尹建伟，邓水光等: "Collaborative Web Service QoS Prediction with Location-Based Regularization", 《IEEE》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462707A (zh) * 2022-02-10 2022-05-10 湖南科技大学 一种基于特征深度融合的Web服务多维QoS联合预测方法
CN114462707B (zh) * 2022-02-10 2023-11-17 湖南科技大学 一种基于特征深度融合的Web服务多维QoS联合预测方法
CN115146199A (zh) * 2022-06-28 2022-10-04 华东师范大学 一种基于网络偏置的Web服务质量预测方法

Also Published As

Publication number Publication date
US20240039797A1 (en) 2024-02-01
CN113364621B (zh) 2022-07-26
US11985042B2 (en) 2024-05-14
WO2022252251A1 (zh) 2022-12-08

Similar Documents

Publication Publication Date Title
CN113364621B (zh) 服务网络环境下的服务质量预测方法
CN107070704A (zh) 一种基于QoS的可信Web服务组合优化方法
CN106027317B (zh) 信任感知的Web服务质量预测系统及方法
Skondras et al. An analytic network process and trapezoidal interval‐valued fuzzy technique for order preference by similarity to ideal solution network access selection method
KR20110117475A (ko) 웹 기반 소셜 네트워크에서의 신뢰도 및 평판 추론장치 및 방법
Xiong et al. A large-scale consensus model to manage non-cooperative behaviors in group decision making: A perspective based on historical data
CN105119751A (zh) 一种基于环境实时感知的服务评估及选取方法
CN104932898B (zh) 一种基于改进多目标粒子群优化算法的待增组件选择方法
Ogundoyin et al. An integrated Fuzzy-BWM, Fuzzy-LBWA and V-Fuzzy-CoCoSo-LD model for gateway selection in fog-bolstered Internet of Things
CN116668450A (zh) 一种基于区块链的边缘计算多维信任评估方法和系统
CN116663938A (zh) 基于企业数据中台系统的信息化管理方法及其相关装置
CN111881345A (zh) 基于位置上下文感知的神经协同过滤服务质量预测方法
CN112612968B (zh) 一种基于长期收益的动态社交网络中的链接推荐方法
CN114186750A (zh) 面向智能电网电力业务分级需求的路由规划方法及装置
CN116319959A (zh) 一种协同服务平台中的服务组合优化方法
CN110753117A (zh) 一种无线城域网环境下兼顾隐私保护的计算迁移方法
US20230195560A1 (en) Tool-guided computing triage probe
CN114168861A (zh) 一种基于时间感知的服务推荐方法
Hickson The Atlas of economic complexity: A review
CN111159402B (zh) 一种基于主题意见分析和意见领袖的网络用户影响关系的挖掘方法
CN110740168B (zh) 云中多租户服务器的自适应方法
CN114064407A (zh) 一种微服务评估方法及存储介质
CN111475718A (zh) 基于偏好多样性的用户活跃模型构建方法及系统
CN112867101A (zh) 一种基于灰度综合评价值的公安异构无线专网选择方法
CN118158092B (zh) 一种算力网络调度方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant