CN113949646B - 一种基于深度学习的Web服务QoS预测方法 - Google Patents

一种基于深度学习的Web服务QoS预测方法 Download PDF

Info

Publication number
CN113949646B
CN113949646B CN202111202729.3A CN202111202729A CN113949646B CN 113949646 B CN113949646 B CN 113949646B CN 202111202729 A CN202111202729 A CN 202111202729A CN 113949646 B CN113949646 B CN 113949646B
Authority
CN
China
Prior art keywords
vector
service
user
position information
layer
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.)
Active
Application number
CN202111202729.3A
Other languages
English (en)
Other versions
CN113949646A (zh
Inventor
贾兆红
金李
唐俊
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202111202729.3A priority Critical patent/CN113949646B/zh
Publication of CN113949646A publication Critical patent/CN113949646A/zh
Application granted granted Critical
Publication of CN113949646B publication Critical patent/CN113949646B/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
    • H04L41/50—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]
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于深度学习的Web服务QoS预测方法，其步骤包括：1.获取Web服务数据集；2建立结合局部和全局位置信息的深度协同过滤模型DCLG；3.利用建立好的模型实现预测，以达到预测Web服务QoS值的目的。本发明能克服现有预测模型没有同时考虑用户和服务的局部和全局位置信息的缺陷，并且通过多层感知器获取用户和服务的高维非线性特征，同时结合用户和服务向量的点乘来补充学习低维线性特征，最后在六种不同的稀疏密度下均可取得较好的预测精度。

Description

一种基于深度学习的Web服务QoS预测方法
技术领域
本发明属于服务质量预测领域，具体的说是一种基于深度学习的Web服务QoS预测方法。
背景技术
Web服务数量的不断增长使得了大量具有相似功能的Web服务出现，导致用户很难选择合适的服务，因此从大量具有相似功能的Web服务中选择最佳的Web服务便成为了一个极具挑战性的课题。服务质量(QoS)通常用于描述Web服务的非功能特征(例如响应时间、吞吐量等)，但在实际中不太可能得到所有候选服务的QoS值，因此Web服务QoS预测问题便成为了服务推荐的首要挑战。
协同过滤(CF)作为Web服务QoS预测问题最常见的方法，大致可以分为基于记忆的和基于模型的两类。基于记忆的CF方法通常先对用户或服务进行相似度计算，再通过相似用户或服务的值来预测未知的QoS值。该类方法虽易于实现且高效，很好地利用了局部信息，却忽略了全局信息而且受数据稀疏性的影响很大。基于模型的CF方法可以通过用户-服务矩阵中的所有QoS值来构建用于预测QoS值的全局模型。该类方法利用机器学习、数据挖掘等算法，对用户和服务之间交互进行建模，可以获得用户和服务之间的低维线性关系，但却无法捕获高维非线性关系。
为了解决基于CF方法的不足，学者们便尝试将深度学习用于QoS预测。基于DL的方法主要是根据上下文信息的特征将不同的人工神经网络应用于QoS预测，通过学习用户和服务之间的高维非线性特征来提高预测精度。例如张等将MLP与自适应校正器(AC)结合来预测未知的QoS值，但只考虑了用户和服务的局部位置信息而忽略了全局位置信息。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于深度学习的Web服务QoS预测方法，以期能融合用户和服务的局部和全局位置信息，获取用户和服务的低维线性特征和高维非线性特征，从而能在数据稀疏的条件下提高模型预测的精度。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于深度学习的Web服务QoS预测方法的特点包括以下步骤：
步骤一：构建输入样本数据；
步骤1.1：获取真实的Web服务数据集，所述Web服务数据集包括：用户ID、用户位置信息、服务ID、服务位置信息；
步骤1.2：使用Python库中机器学习工具将用户位置信息和服务位置信息中的国家名称CN转为整数编码，并选取用户位置信息和服务位置信息中自治系统号ASN的数字部分；从而由用户ID、服务ID、转换后的用户位置信息、转换后的服务位置信息构成四个输入向量；
步骤二：构建结合局部和全局位置信息的深度协同过滤模型DCLG，包括：输入层、嵌入层、交互层、深度协同过滤层以及输出层；
步骤2.1：在输入层分别对四个输入向量使用one-hot进行编码，生成只有一个位置上的元素为“1”，其他元素均为“0”的向量，并相应记为用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls；
步骤2.2：在嵌入层分别将用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls分别通过全连接层进行嵌入，相应得到高维的用户u的标识符嵌入向量Iu、服务s的标识符嵌入向量Is、用户位置的嵌入向量Lu、服务位置的嵌入向量Ls；
步骤2.3：在交互层首先通过构造一个函数f用于计算用户位置的嵌入向量Lu和服务位置的嵌入向量Ls之间的耦合关系，得到用户-服务位置信息的耦合矩阵X，再对所述耦合矩阵X进行flatten操作，得到位置信息耦合向量Gl；然后将位置信息耦合向量Gl作为注意力机制的输入，并输出全局位置信息向量Gl′；
步骤2.4：利用向量的合并对用户u的标识符嵌入向量Iu、用户位置的嵌入向量Lu和全局位置信息向量Gl′进行拼接操作得到用户特征向量U；同理，利用向量的合并将服务s的标识符嵌入向量Is、服务位置的嵌入向量Ls和全局位置信息向量Gl′进行拼接操作得到服务特征向量S；
步骤2.5：采用自适应修正器AC，对用户位置的嵌入向量Lu和服务位置的嵌入向量Ls进行相似度计算，得到相似度向量OAC；
步骤2.6：在深度协同过滤层中，先利用向量的数量乘积对用户特征向量U与服务特征向量S的点乘操作，生成用户和服务的交互向量Ointer；再利用向量的合并对用户特征向量U和服务特征向量S进行拼接，得到用户-服务特征向量x1，并作为多层感知机MLP的输入向量，从而输出感知向量Omlp；
步骤2.7：在输出层中利用向量的合并将相似度向量OAC、交互向量Ointer和感知向量Omlp进行拼接操作，从而得到新的输入向量x2，并输入单层神经网络中生成用户u调用服务s的QoS预测结果
Figure BDA0003305604110000031
步骤三：对深度协同过滤模型DCLG进行训练，并利用式(1)计算Huber损失函数
Figure BDA0003305604110000035
当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优的深度协同过滤模型DCLG，用于实现QoS预测；
Figure BDA0003305604110000032
式(1)中，Qu,s代表用户u调用服务s的QoS原始值，
Figure BDA0003305604110000036
代表用户u调用服务s的QoS预测值，δ是用于切换的阈值。
本发明所述的基于深度学习的Web服务QoS预测方法的特点也在于：
所述步骤2.3中的注意力机制是通过softmax函数对位置信息耦合向量Gl进行计算，得到全局位置信息输出的概率分布，然后通过元素乘积将概率分布与位置信息耦合向量Gl结合，从而利用式(2)得到注意力机制的最终输出全局位置信息向量Gl′：
Figure BDA0003305604110000033
式(2)中，
Figure BDA0003305604110000034
表示元素乘积。
与现有技术相比，本发明的有益效果在于：
1、本发明通过构建Web服务QoS模型预测模型，融合了用户和服务的局部和全局位置信息，通过多层感知器获取用户和服务的高维非线性特征，并结合用户和服务向量的点乘来补充学习低维线性特征，有效提高了模型在数据稀疏条件下的预测精度。
2、本发明通过向量的外积和注意力机制有效捕获了用户位置信息和服务位置信息之间的各种耦合关系，从而大大提高了模型的预测精度。
3、本发明通过多层感知机学习用户和服务的高维非线性特征的同时，结合了点乘操作有效补充学习了用户和服务的低维线性特征，从而进一步提高了模型的预测精度。
附图说明
图1为本发明中的DCLG模型图；
图2为本发明中注意力机制示意图。
具体实施方式
本实施例中，一种基于深度学习的Web服务QoS预测方法包括以下步骤：
步骤一：构建输入样本数据；
步骤1.1：获取真实的Web服务数据集，Web服务数据集包括：用户ID、用户位置
信息、服务ID、服务位置信息；
步骤1.2：使用Python库中机器学习工具将用户位置信息和服务位置信息中的国家名称CN转为整数编码，并选取用户位置信息和服务位置信息中自治系统号ASN的数字部分；从而由用户ID、服务ID、转换后的用户位置信息、转换后的服务位置信息构成四个输入向量；
步骤二：构建结合局部和全局位置信息的深度协同过滤模型DCLG，如图1所示，包括：输入层、嵌入层、交互层、深度协同过滤层以及输出层；
步骤2.1：在输入层分别对四个输入向量使用one-hot进行编码，生成只有一个位置上的元素为“1”，其他元素均为“0”的向量，并相应记为用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls；
步骤2.2：在嵌入层分别将用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls分别通过全连接层进行嵌入，相应得到高维的用户u的标识符嵌入向量Iu、服务s的标识符嵌入向量Is、用户位置的嵌入向量Lu、服务位置的嵌入向量Ls；
步骤2.3：在交互层首先通过构造一个函数f用于计算用户位置的嵌入向量Lu和服务位置的嵌入向量Ls之间的耦合关系，其具体做法就是将用户位置的嵌入向量Lu和服务位置的嵌入向量Ls进行向量的外积，从而得到用户-服务位置信息的耦合矩阵X，再对耦合矩阵X进行flatten操作，得到位置信息耦合向量Gl；然后将位置信息耦合向量Gl作为注意力机制的输入，通过softmax函数对位置信息耦合向量Gl进行计算，得到全局位置信息输出的概率分布，然后通过元素乘积将概率分布与位置信息耦合向量Gl结合，从而利用式(1)得到注意力机制的最终输出全局位置信息向量Gl′，其过程如图2所示。
Figure BDA0003305604110000041
式(1)中，
Figure BDA0003305604110000042
表示元素乘积；
步骤2.4：对用户u的标识符嵌入向量Iu、用户位置的嵌入向量Lu和全局位置信息向量Gl′利用向量的合并进行拼接操作得到用户特征向量U，其过程如式(2)所示；同理，将服务s的标识符嵌入向量Is、服务位置的嵌入向量Ls和全局位置信息向量Gl′利用向量的合并进行拼接操作得到服务特征向量S，其过程如式(3)所示，
Figure BDA0003305604110000051
Figure BDA0003305604110000052
式(2)和式(3)中，Φ表示拼接操作；
步骤2.5：采用自适应修正器AC，对用户位置的嵌入向量Lu和服务位置的嵌入向量Ls进行相似度计算，得到相似度向量OAC，其过程如式(4)所示：
Figure BDA0003305604110000053
步骤2.6：在深度协同过滤层中，先利用向量的数量乘积对用户特征向量U与服务特征向量S的点乘操作，生成用户和服务的交互向量Ointer；再利用向量的合并对用户特征向量U和服务特征向量S进行拼接，得到用户-服务特征向量x1，如式(5)所示；
将用户-服务特征向量x1作为多层感知机MLP的输入向量，选择修正线性单元ReLU作为激活函数，使用L2正则化以减缓过拟合现象，经过层数为4层的MLP后从而输出感知向量Omlp，其过程如式(6)-式(9)所示：
Figure BDA0003305604110000054
Figure BDA0003305604110000055
Figure BDA0003305604110000056
Figure BDA0003305604110000057
Figure BDA0003305604110000058
式(6)-式(9)中，
Figure BDA0003305604110000059
表示第i层的输出，i＝1,2,3；Wi(i＝1,2,3)表示对应的权重矩阵，bi(i＝1,2,3)表示对应的偏置项。
步骤2.7：在输出层中利用向量的合并将相似度向量OAC、交互向量Ointer和感知向量Omlp进行拼接操作，从而得到新的输入向量x2，并输入单层神经网络中生成用户u调用服务s的QoS预测结果
Figure BDA0003305604110000061
步骤三：对深度协同过滤模型DCLG进行训练，并利用式(10)计算Huber损失函数
Figure BDA0003305604110000062
当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优的深度协同过滤模型DCLG，用于实现QoS预测；
Figure BDA0003305604110000063
式(10)中，Qu,s代表用户u调用服务s的QoS原始值，
Figure BDA0003305604110000064
代表用户u调用服务s的QoS预测值，δ是用于切换的阈值，设置为1.0。
实施例：
为了验证本发明方法的有效性，本实施例选用了WS-Dream公共数据集进行模型验证，QoS值分别为响应时间RT和吞吐量TP，并采用MAE和RMSE作为评估指标。
本实施例选用六种方法和本发明方法进行效果对比，所选方法分别是：UPCC、IPCC、UIPCC、LACF、NCF和LCDF，其中，UPCC、IPCC和UIPCC是传统的协同过滤方法，LACF是基于位置信息的方法，NCF和LCDF基于深度学习的方法。
本实施例测量了六个不同矩阵密度下响应时间RT和吞吐量TP的MAE值和RMSE值。实验结果如表1和表2所示。
表1.RT的实验结果
Figure BDA0003305604110000065
Figure BDA0003305604110000071
表2.TP的实验结果
Figure BDA0003305604110000072
从表1和表2中可以看出，本方法的模型在任何密度下都得到最小的MAE和RMSE值，表明本方法明显优于其他几种方法，特别是在稀疏性较大时，本方法的模型在Web服务QoS预测上具有明显的优势。
另外为了检验步骤2.3全局位置信息对模型预测结果的影响，将模型中全局位置信息模块删除，测量了六个不同矩阵密度下响应时间RT和吞吐量TP的MAE值和RMSE值，消融实验结果如表3和表4所示。
表3.有无全局位置信息的RT实验结果对比
Figure BDA0003305604110000073
表4.有无全局位置信息的TP实验结果对比
Figure BDA0003305604110000074
Figure BDA0003305604110000081
从表3和表4中可以看出，在加入全局位置信息后模型在各个密度下的MAE和RMSE值都较小，即引入全局位置信息可以大大提高模型的预测精度，有效验证了在交互层中模型充分捕获了用户位置信息和服务位置信息的耦合关系。
同样为了验证步骤2.6中用户特征向量U与服务特征向量S的点乘操作对模型预测结果的影响，将模型中点乘操作删除之后测量了六个不同矩阵密度下响应时间RT和吞吐量TP的MAE值和RMSE值，消融实验结果如表5和表6所示。
表5.有无点乘操作的RT实验结果对比
Figure BDA0003305604110000082
表6.有无点乘操作的TP实验结果对比
Figure BDA0003305604110000083
从表5和表6中可以看出，点乘操作对模型预测能力有所提升。这说明模型在利用多层感知机MLP来获取用户和服务的高维非线性特征的同时，点乘操作可以补充获取用户和服务的低维和线性特征，从而提高了模型预测的精度。
综上所述，本方法能克服现有预测模型没有同时考虑用户和服务的局部和全局位置信息的缺陷，并且通过多层感知器获取用户和服务的高维非线性特征，同时结合用户和服务向量的点乘来补充学习低维线性特征，最后在六种不同的稀疏密度下均可取得较好的预测精度。

Claims (2)

1.一种基于深度学习的Web服务QoS预测方法，其特征包括以下步骤：
步骤一：构建输入样本数据；
步骤1.1：获取真实的Web服务数据集，所述Web服务数据集包括：用户ID、用户位置信息、服务ID、服务位置信息；
步骤1.2：使用Python库中机器学习工具将用户位置信息和服务位置信息中的国家名称CN转为整数编码，并选取用户位置信息和服务位置信息中自治系统号ASN的数字部分；从而由用户ID、服务ID、转换后的用户位置信息、转换后的服务位置信息构成四个输入向量；
步骤二：构建结合局部和全局位置信息的深度协同过滤模型DCLG，包括：输入层、嵌入层、交互层、深度协同过滤层以及输出层；
步骤2.1：在输入层分别对四个输入向量使用one-hot进行编码，生成只有一个位置上的元素为“1”，其他元素均为“0”的向量，并相应记为用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls；
步骤2.2：在嵌入层分别将用户u的标识符向量iu、服务s的标识符向量is、用户位置向量lu、服务位置向量ls分别通过全连接层进行嵌入，相应得到高维的用户u的标识符嵌入向量Iu、服务s的标识符嵌入向量Is、用户位置的嵌入向量Lu、服务位置的嵌入向量Ls；
步骤2.3：在交互层首先通过构造一个函数f用于计算用户位置的嵌入向量Lu和服务位置的嵌入向量Ls之间的耦合关系，得到用户-服务位置信息的耦合矩阵X，再对所述耦合矩阵X进行flatten操作，得到位置信息耦合向量Gl；然后将位置信息耦合向量Gl作为注意力机制的输入，并输出全局位置信息向量G′l；
步骤2.4：利用向量的合并对用户u的标识符嵌入向量Iu、用户位置的嵌入向量Lu和全局位置信息向量G′l进行拼接操作得到用户特征向量U；同理，利用向量的合并将服务s的标识符嵌入向量Is、服务位置的嵌入向量Ls和全局位置信息向量G′l进行拼接操作得到服务特征向量S；
步骤2.5：采用自适应修正器AC，对用户位置的嵌入向量Lu和服务位置的嵌入向量Ls进行相似度计算，得到相似度向量OAC；
步骤2.6：在深度协同过滤层中，先利用向量的数量乘积对用户特征向量U与服务特征向量S的点乘操作，生成用户和服务的交互向量Ointer；再利用向量的合并对用户特征向量U和服务特征向量S进行拼接，得到用户-服务特征向量x1，并作为多层感知机MLP的输入向量，从而输出感知向量Omlp；
步骤2.7：在输出层中利用向量的合并将相似度向量OAC、交互向量Ointer和感知向量Omlp进行拼接操作，从而得到新的输入向量x2，并输入单层神经网络中生成用户u调用服务s的QoS预测结果
Figure FDA0003305604100000021
步骤三：对深度协同过滤模型DCLG进行训练，并利用式(1)计算Huber损失函数
Figure FDA0003305604100000022
当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优的深度协同过滤模型DCLG，用于实现QoS预测；/>
Figure FDA0003305604100000023
式(1)中，Qu,s代表用户u调用服务s的QoS原始值，
Figure FDA0003305604100000024
代表用户u调用服务s的QoS预测值，δ是用于切换的阈值。
2.根据权利要求1所述的基于深度学习的Web服务QoS预测方法，其特征是：
所述步骤2.3中的注意力机制是通过softmax函数对位置信息耦合向量Gl进行计算，得到全局位置信息输出的概率分布，然后通过元素乘积将概率分布与位置信息耦合向量Gl结合，从而利用式(2)得到注意力机制的最终输出全局位置信息向量G′l：
Figure FDA0003305604100000025
式(2)中，
Figure FDA0003305604100000026
表示元素乘积。/>
CN202111202729.3A 2021-10-15 2021-10-15 一种基于深度学习的Web服务QoS预测方法 Active CN113949646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111202729.3A CN113949646B (zh) 2021-10-15 2021-10-15 一种基于深度学习的Web服务QoS预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111202729.3A CN113949646B (zh) 2021-10-15 2021-10-15 一种基于深度学习的Web服务QoS预测方法

Publications (2)

Publication Number Publication Date
CN113949646A CN113949646A (zh) 2022-01-18
CN113949646B true CN113949646B (zh) 2023-06-13

Family

ID=79330107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111202729.3A Active CN113949646B (zh) 2021-10-15 2021-10-15 一种基于深度学习的Web服务QoS预测方法

Country Status (1)

Country Link
CN (1) CN113949646B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115795177B (zh) * 2022-11-25 2023-04-28 人民网股份有限公司 社交媒体内容推荐方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103209102A (zh) * 2013-03-11 2013-07-17 北京邮电大学 Web服务质量的分布式测量系统和方法
CN103412918A (zh) * 2013-08-08 2013-11-27 南京邮电大学 一种基于服务质量和声誉的服务信任度评估方法
CN106447103A (zh) * 2016-09-26 2017-02-22 河海大学 一种基于深度学习的Web服务QoS预测方法
CN110348014A (zh) * 2019-07-10 2019-10-18 电子科技大学 一种基于深度学习的语义相似度计算方法
CN111541570A (zh) * 2020-04-22 2020-08-14 北京交通大学 基于多源特征学习的云服务QoS预测方法
CN112328912A (zh) * 2020-11-03 2021-02-05 重庆大学 一种利用地点感知的QoS预测方法
CN112579914A (zh) * 2020-12-31 2021-03-30 安徽大学 基于自注意力因子分解机的时间感知服务推荐系统及方法
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
WO2021107360A2 (ko) * 2019-11-29 2021-06-03 숙명여자대학교산학협력단 유사도를 판단하는 전자 장치 및 그 제어 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103209102A (zh) * 2013-03-11 2013-07-17 北京邮电大学 Web服务质量的分布式测量系统和方法
CN103412918A (zh) * 2013-08-08 2013-11-27 南京邮电大学 一种基于服务质量和声誉的服务信任度评估方法
CN106447103A (zh) * 2016-09-26 2017-02-22 河海大学 一种基于深度学习的Web服务QoS预测方法
CN110348014A (zh) * 2019-07-10 2019-10-18 电子科技大学 一种基于深度学习的语义相似度计算方法
WO2021107360A2 (ko) * 2019-11-29 2021-06-03 숙명여자대학교산학협력단 유사도를 판단하는 전자 장치 및 그 제어 방법
CN111541570A (zh) * 2020-04-22 2020-08-14 北京交通大学 基于多源特征学习的云服务QoS预测方法
CN112328912A (zh) * 2020-11-03 2021-02-05 重庆大学 一种利用地点感知的QoS预测方法
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN112579914A (zh) * 2020-12-31 2021-03-30 安徽大学 基于自注意力因子分解机的时间感知服务推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep Learning-based QoS Prediction for Manufacturing Cloud Service;Huifang Li;《IEEE》;全文 *
基于深度学习的服务推荐方法研究;尹春晖;《硕士电子期刊》;全文 *

Also Published As

Publication number Publication date
CN113949646A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
Zhu et al. Multi-attention Meta Learning for Few-shot Fine-grained Image Recognition.
Zhu et al. MetaIQA: Deep meta-learning for no-reference image quality assessment
Huang et al. Curricularface: adaptive curriculum learning loss for deep face recognition
CN113949646B (zh) 一种基于深度学习的Web服务QoS预测方法
Yao et al. Discriminative manifold distribution alignment for domain adaptation
CN112784801A (zh) 基于文本和图片的双模态胃部疾病分类方法及装置
Bai et al. Hierarchical connectivity-centered clustering for unsupervised domain adaptation on person re-identification
Duong et al. Shrinkteanet: Million-scale lightweight face recognition via shrinking teacher-student networks
CN113642604B (zh) 一种基于云边协同的音视频辅助触觉信号重建方法
Phan et al. Consensus-based sequence training for video captioning
CN113657267B (zh) 一种半监督行人重识别方法和装置
Lu et al. Binary classification from multiple unlabeled datasets via surrogate set classification
CN116452862A (zh) 基于领域泛化学习的图像分类方法
Yang et al. Structured attention composition for temporal action localization
Huang et al. Explainable and generalizable blind image quality assessment via semantic attribute reasoning
CN112001398B (zh) 域适应方法、装置、设备、图像处理方法及存储介质
Zhai et al. Hopfir: Hop-wise graphformer with intragroup joint refinement for 3d human pose estimation
CN116467415A (zh) 基于GCNsformer混合网络和多通道语义的双向跨域会话推荐方法
CN115938505A (zh) 基于图神经网络块结构与多头注意力机制融合的药物分子筛选方法及系统
CN116502705A (zh) 兼用域内外数据集的知识蒸馏方法和计算机设备
Li et al. Cross-modal distribution alignment embedding network for generalized zero-shot learning
Lee et al. Robust face anti-spoofing framework with Convolutional Vision Transformer
Wang et al. Balanced one-stage object detection by enhancing the effect of positive samples
CN114840775A (zh) 一种融合多空间特征的网络对齐模型及其应用
CN114418111A (zh) 标签预测模型训练及样本筛选方法、装置、存储介质

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