CN115438249A

CN115438249A - QoS预测模型构建方法、装置、设备及可读存储介质

Info

Publication number: CN115438249A
Application number: CN202210992111.XA
Authority: CN
Inventors: 李兵; 朱江源; 王健
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2022-08-17
Filing date: 2022-08-17
Publication date: 2022-12-06

Abstract

本申请涉及一种QoS预测模型构建方法、装置、设备及可读存储介质，包括对用户服务交互图进行丢边处理得到多个用户服务交互子图；基于QoS、历史调用以及经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度；根据各个节点的调用相似度和地理位置相似度构建用户邻接图和服务邻接图；基于ID信息和地理位置信息对用户邻接图和服务邻接图进行信息嵌入得到用户初始嵌入表达和服务初始嵌入表达；基于图注意力网络对用户初始嵌入表达和服务初始嵌入表达进行特征汇聚和学习得到用户最终嵌入表达和服务最终嵌入表达；基于用户和服务的最终嵌入表达对多层感知网络进行训练得到QoS预测模型，进而能够准确预测QoS。

Description

QoS预测模型构建方法、装置、设备及可读存储介质

技术领域

本申请涉及软件工程服务推荐技术领域，特别涉及一种QoS预测模型构建方法、装置、设备及可读存储介质。

背景技术

随着在线服务技术的兴起，发布在云上的服务数量迅速增加，进而为互联网用户提供了大量的云上服务，给人们的生活带来了很多便利。而面对日益增长的服务，如何从众多提供类似功能的服务中找到并选择最合适的服务，已成为服务计算社会的研究热点。其中，由于非功能属性(也称为服务质量(即QoS))能够衡量服务提供商对客户端提供服务的服务能力，其包含服务非功能属性的许多维度，比如响应时间、吞吐量等，因此QoS已经成为服务选择决策的主要考虑因素；而QoS属性则由多种因素共同决定，比如用户的网络环境、服务器配置等。由此可见，提高QoS的预测精度是非常重要的，其可以有助于找到适合用户访问的服务，进而可以极大改善用户体验。

不过，由于不调用服务就不能获得QoS值，因此只能基于少量的数据预测目标用户调用的每个服务的QoS值，然后选择性能最好的服务进行调用。但是，现有技术中的QoS预测方法不仅在低稀疏度的情况下无法从少量交互数据中挖掘学习到良好的用户、服务嵌入表达，以致预测结果的准确性较差，且无法缓解冷启动问题，即当尚未调用过的用户进行预测时，预测效果较差，进而导致不能为用户提供高质的服务，无法满足用户需求。

发明内容

本申请提供一种QoS预测模型构建方法、装置、设备及可读存储介质，以解决相关技术中在数据低稀疏度和存在冷启动缺陷的情况下无法准确预测QoS的问题。

第一方面，提供了一种QoS预测模型构建方法，包括以下步骤：

对基于包含QoS信息、历史调用信息和位置信息的原始数据集生成的用户服务交互图进行丢边处理，得到多个用户服务交互子图；

基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，所述节点包括用户节点和服务节点；

根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图；

基于ID信息和地理位置信息分别对用户邻接图和服务邻接图进行信息嵌入，得到用户初始嵌入表达和服务初始嵌入表达；

基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到用户最终嵌入表达和服务最终嵌入表达；

基于用户最终嵌入表达和服务最终嵌入表达对多层感知网络进行训练，得到QoS预测模型。

第二方面，提供了一种QoS预测模型构建装置，包括：

图生成模块，其用于对基于包含QoS信息、历史调用信息和位置信息的原始数据集生成的用户服务交互图进行丢边处理，得到多个用户服务交互子图；基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，所述节点包括用户节点和服务节点；根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图；

图学习模块，其用于基于ID信息和地理位置信息分别对用户邻接图和服务邻接图进行信息嵌入，得到用户初始嵌入表达和服务初始嵌入表达；基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到用户最终嵌入表达和服务最终嵌入表达；

构建模块，其用于基于用户最终嵌入表达和服务最终嵌入表达对多层感知网络进行训练，得到QoS预测模型。

第三方面，提供了一种QoS预测模型构建设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的QoS预测模型构建方法。

第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的QoS预测模型构建方法。

本申请提供的技术方案带来的有益效果包括：能够在冷启动和低稀疏度的情况下预测得到准确的QoS预测值。

本申请提供了一种QoS预测模型构建方法、装置、设备及可读存储介质，包括对基于包含QoS信息、历史调用信息和位置信息的原始数据集生成的用户服务交互图进行丢边处理，得到多个用户服务交互子图；基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，所述节点包括用户节点和服务节点；根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图；基于ID信息和地理位置信息分别对用户邻接图和服务邻接图进行信息嵌入，得到用户初始嵌入表达和服务初始嵌入表达；基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到用户最终嵌入表达和服务最终嵌入表达；基于用户最终嵌入表达和服务最终嵌入表达对多层感知网络进行训练，得到QoS预测模型。通过本申请，能够基于历史调用数据形成的图结构中提取出高质量的用户嵌入表达和服务嵌入表达，以使得QoS预测模型可基于该用户嵌入表达和服务嵌入表达能够在冷启动和低稀疏度的情况下预测得到准确的QoS预测值。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种QoS预测模型构建方法的流程示意图；

图2为本申请提供的参数丢边概率对平均绝对误差的影响示意图；

图3为本申请提供的参数丢边概率对均方根误差的影响示意图；

图4为本申请提供的参数嵌入维度对平均绝对误差的影响示意图；

图5为本申请提供的参数嵌入维度对均方根误差的影响示意图；

图6为本申请提供的参数邻居数目对平均绝对误差的影响示意图；

图7为本申请提供的参数邻居数目对均方根误差的影响示意图；

图8为本申请提供的参数相似性权重对平均绝对误差的影响示意图；

图9为本申请提供的参数相似性权重对均方根误差的影响示意图；

图10为本申请提供的一种QoS预测模型构建设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种QoS预测模型构建方法、装置、设备及可读存储介质，其能解决相关技术中在数据低稀疏度和存在冷启动缺陷的情况下无法准确预测QoS的问题。

参见图1所示，本申请实施例提供了一种QoS预测模型构建方法，包括以下步骤：

步骤S10：对基于包含QoS信息、历史调用信息和位置信息的原始数据集生成的用户服务交互图进行丢边处理，得到多个用户服务交互子图；

示范性的，在本实施例中，获取原始数据集，该原始数据集包括但不限于每个服务的QoS信息、每个服务被用户调用的历史调用信息以及每个用户的位置信息；并从获取的原始数据集中随机挑选指定数目的数据作为训练数据，从而模拟现实中的稀疏调用场景。具体的，对原始数据集数据以一定概率丢弃一部分调用记录，从而生成不同视角的用户服务交互子图，以达到数据增强的目的。比如，以第一概率丢弃一部分调用记录，生成用户服务交互子图A；并以第二概率丢弃一部分调用记录，生成用户服务交互子图B。需要说明的是，第一概率和第二概率具体取值可根据实际需求确定，两者取值可相同也可不相同，且生成用户服务交互子图的数量也可根据实际需求确定，在此不作限定。本实施例以生成用户服务交互子图A和用户服务交互子图B为例阐释如何构建QoS预测模型。

其中，用户服务交互子图A和B的构建过程如下：

式中，

表示用户服务交互子图A，

表示用户服务交互子图B，

表示用户服务交互图，U表示用户集，S表示服务集，M₁,M₂∈{0,1}^|ε|为两个边缘集ε上的掩蔽向量，p代表丢边概率。

步骤S20：基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，节点包括用户节点和服务节点；

示范性的，在本实施例中，对生成的用户服务交互子图进行以下处理：基于历史调用信息计算调用相似度，然后基于已知的地理位置信息(即经纬度信息)计算地址位置相似度，然后对两个相似度进行加权，进而获取用户和服务的最终相似度矩阵。

进一步的，基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，包括：

基于QoS信息和历史调用信息分别计算每个用户服务交互子图中每个用户对应的用户调用相似度以及每个服务对应的服务调用相似度；

基于经纬度信息分别计算出每个用户服务交互子图中用户与用户间的距离以及服务与服务间的距离，并根据距离计算每个用户服务交互子图中每个用户对应的用户地理位置相似度以及每个服务对应的服务地理位置相似度。

具体的，基于QoS信息和历史调用信息分别计算每个用户服务交互子图中每个用户对应的用户调用相似度以及每个服务对应的服务调用相似度和服务地理位置相似度，包括：

将QoS信息和历史调用信息分别代入第一计算公式和第二计算公式得到每个用户服务交互子图中每个用户对应的用户调用相似度以及每个服务对应的服务调用相似度；其中，第一计算公式为：

式中，S_inv(u_i,u_j)表示用户i基于用户j对应的用户调用相似度，

表示用户i和用户j调用的服务集合，

表示用户i调用服务m的QoS值，

表示用户i调用的服务的QoS平均值；

表示用户j调用服务m的QoS值，

表示用户j调用的服务的QoS平均值；

第二计算公式为：

式中，S_inv(s_m,s_n)表示服务m基于服务n对应的服务调用相似度，

表示调用了服务m和服务n的用户集合，

表示用户i调用的服务m的QoS值，

表示服务m的QoS平均值；

表示用户j调用的服务n的QoS值，

表示服务n的QoS平均值。

具体的，基于位置信息分别计算出每个用户服务交互子图中用户与用户间的距离以及服务与服务间的距离，并根据距离计算每个用户服务交互子图中每个用户对应的用户地理位置相似度以及每个服务对应的服务地理位置相似度，包括：

将每个用户的位置信息代入第三计算公式，得到用户与用户间的距离，并将每个服务的位置信息代入第四计算公式，得到服务与服务间的距离；

将用户与用户间的距离代入第五计算公式，得到每个用户服务交互子图中每个用户对应的用户地理位置相似度，并将服务与服务间的距离代入第六计算公式，得到每个用户服务交互子图中每个服务对应的服务地理位置相似度；其中，第三计算公式为：

式中，D(u_i,u_j)表示用户i与用户j之间的距离，

表示用户i的经度，

表示用户i的纬度，

表示用户j的经度，

表示用户j的纬度；

第四计算公式为：

式中，D(s_m,s_n)表示服务m与服务n之间的距离，

表示服务m的经度，

表示服务m的纬度，

表示服务n的经度，

表示服务n的纬度；

第五计算公式为：

式中，S_loc(u_i,u_j)表示用户i与用户j之间的用户地理位置相似度，δ_u表示用户距离矩阵的标准差；

第六计算公式为：

式中，S_loc(s_m,s_n)表示服务m与服务n之间的服务地理位置相似度，δ_s表示服务距离矩阵的标准差。

示范性的，对于步骤S10中构建得到的用户服务交互子图，计算每个用户服务交互子图的用户调用相似度，计算公式如下：

表示用户i和用户j调用的服务集合，

表示用户i调用服务m的QoS值，

表示用户i调用的服务的QoS平均值；

表示用户j调用服务m的QoS值，

表示用户j调用的服务的QoS平均值。

对于步骤S10中构建得到的用户服务交互子图，计算每个用户服务交互子图的服务调用相似度，计算公式如下：

表示调用了服务m和服务n的用户集合，

表示用户i调用的服务m的QoS值，

表示服务m的QoS平均值；

表示用户j调用的服务n的QoS值，

表示服务n的QoS平均值。

对于步骤S10中构建得到的用户服务交互子图，计算各个用户服务交互子图的用户地理位置相似度，首先需要计算用户与用户之间的距离，而计算两个用户之间距离的计算公式如下：

式中，D(u_i,u_j)表示用户i与用户j之间的距离，

表示用户i的经度，

表示用户i的纬度，

表示用户j的经度，

表示用户j的纬度；

然后基于计算出的用户与用户之间的距离计算出用户与用户之间的地理位置相似度，计算公式如下：

式中，S_loc(u_i,u_j)表示用户i与用户j之间的用户地理位置相似度，δ_u表示用户距离矩阵的标准差。

同理，对于步骤S10中构建得到的用户服务交互子图，计算各个用户服务交互子图的服务地理位置相似度，首先需要计算服务与服务之间的距离，而计算两个服务之间距离的计算公式如下：

式中，D(s_m,s_n)表示服务m与服务n之间的距离，

表示服务m的经度，

表示服务m的纬度，

表示服务n的经度，

表示服务n的纬度；

然后基于计算出的服务与服务之间的距离计算出服务与服务之间的地理位置相似度，计算公式如下：

步骤S30：根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图；

进一步的，根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图，包括：

对每个用户的用户调用相似度和用户地理位置相似度进行加权计算，得到每个用户对应的用户相似度；

按照用户相似度由大到小的顺序对每个用户服务交互子图中的用户进行排序，得到每个用户服务交互子图对应的用户排序集合；

从第一用户服务交互子图对应的第一用户排序队列中选取排列在前H位的用户来构建第一用户邻接图；

对每个服务的服务调用相似度和服务地理位置相似度进行加权计算，得到每个服务对应的服务相似度；

按照服务相似度由大到小的顺序对每个用户服务交互子图中的服务进行排序，得到每个用户服务交互子图对应的服务排序集合；

从第一用户服务交互子图对应的第一服务排序队列中选取排列在前Q位的服务来构建第一服务邻接图，其中，H和Q均为正整数，两者的具体取值可根据实际需求确定，在此不作限定。

示范性的，在本实施例中，以用户服务交互子图A为例：根据以下公式计算每个用户的用户相似度：

式中，

表示用户i的用户相似度，

表示用户调用相似度的权重，其中该权重的具体取值可根据实际需求确定，在此不作限定；

再按照用户相似度由大到小的顺序对用户服务交互子图A中的用户进行排序，得到每个用户最终的相似度排名，即得到用户服务交互子图A对应的用户排序集合；然后从用户服务交互子图A对应的用户排序集合中截取排列在前H位用户作为邻居来构建用户邻接图

(此时用户邻接图只包含用户节点)；同理，基于用户服务交互子图B也可构建得到另一用户邻接图

同时，根据以下公式计算每个服务的服务相似度：

式中，

表示服务m的服务相似度，

表示服务调用相似度的权重，其中该权重的具体取值可根据实际需求确定，在此不作限定；

再按照服务相似度由大到小的顺序对用户服务交互子图A中的服务进行排序，得到每个服务最终的相似度排名，即得到用户服务交互子图A对应的服务排序集合；然后从服务服务交互子图A对应的服务排序集合中截取排列在前Q位服务作为邻居来构建服务邻接图

(此时服务邻接图中只包含服务节点)；同理，基于用户服务交互子图B也可构建得到另一服务邻接图

步骤S40：基于ID信息和地理位置信息分别对用户邻接图和服务邻接图进行信息嵌入，得到用户初始嵌入表达和服务初始嵌入表达；

示范性的，在本实施例中，将进行用户高维信息的嵌入，即针对用户进行信息嵌入得到高维特征：选取用户的唯一标识ID与用户的地理位置信息作为初始特征，并将用户唯一标识ID嵌入到K维特征空间中得到一高维向量，再将用户的地理位置信息嵌入到另一个K维特征空间中得到另一高维向量，最后将两个高纬向量进行拼接，即可得到用户在用户邻接图中的高维嵌入表达(即用户初始嵌入表达)；同时进行服务高维信息的嵌入，即针对服务进行信息嵌入得到高维特征：选取服务的唯一标识ID与服务的地理位置信息作为初始特征，并将用户的唯一标识ID嵌入到K维特征空间中得到一高维向量，再将服务的地理位置信息嵌入到另一个K维特征空间中得到另一高维向量，最后将两个高纬向量进行拼接，即可得到服务在服务邻接图中的高维嵌入表达(即服务初始嵌入表达)。

步骤S50：基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到用户最终嵌入表达和服务最终嵌入表达；

进一步的，基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到用户最终嵌入表达和服务最终嵌入表达，包括：

基于图注意力网络分别对每个用户邻接图中的用户初始嵌入表达和每个服务邻接图中的服务初始嵌入表达进行特征汇聚和学习，得到每个用户邻接图中每个用户的第一用户嵌入表达和每个服务的第一服务嵌入表达；

将每个用户在各个用户邻接图中的第一用户嵌入表达进行加权求和，得到每个用户对应的用户最终嵌入表达；

将每个服务在各个服务邻接图中的第一服务嵌入表达进行加权求和，得到每个服务对应的服务最终嵌入表达。

示范性的，本实施例中，在邻接图中使用图注意力网络进行特征汇聚，以学习用户和服务的高维特征，然后对多视图的嵌入进行注意力加权得到用户和服务最终的高维特征。

具体的，为了使得节点能够从邻居信息学习到表征良好的嵌入表达，本实施例引入图注意力网络进行图表征学习；其中，图注意力网络不同于图卷积网络，图卷积网络是采用平均权重来聚合节点邻居信息，从而学习到表征，而图注意力网络是对不同的邻居赋予不同的权重进行加权聚合，从而对链接更加密切的邻居节点中学习到更好的特征表达。以用户邻接图为例，对于图中的每个节点，每个节点对应的第一用户嵌入表达计算公式如下：

式中，

表示用户邻接图k，

表示在用户邻接图k中用户节点j对用户节点i的重要性，

表示用户i在用户邻接图k中的用户初始嵌入表达，

表示用户j在用户邻接图k中的用户初始嵌入表达，||是拼接操作,

表示用户邻接图k的转置矩阵，σ是softmax激活函数，

表示用户在用户邻接图k中的第一用户嵌入表达，

表示用户i在用户邻接图k中的邻居。

由此可见，本实施例将从不同用户邻接图学习到每个用户不同的第一用户嵌入表达，于是本实施例将进行多图汇聚以获取最终特征：综合不同用户邻接图中用户的第一用户嵌入表达，从而得到每个用户最终的表征良好的嵌入表达，即对于不同用户邻接图采用注意力机制来进行加权求和，从而获取到用户最终的嵌入表达；其中，用户最终嵌入表达如下：

式中，

和

分别表示用户i在用户邻接图k和用户邻接图o的重要性，

和

分别表示用户i在用户邻接图k和用户邻接图o中的第一用户嵌入表达，

表示用户i最终的嵌入表达。

同理，以服务邻接图为例，对于图中的每个节点，每个节点对应的第一服务嵌入表达计算公式如下：

式中，

表示服务邻接图x，

表示在服务邻接图x中服务节点n对服务节点m的重要性，

表示服务m在服务邻接图x中的服务初始嵌入表达，

表示服务n在服务邻接图x中的服务初始嵌入表达，||是拼接操作,

表示服务邻接图x的转置矩阵，σ是softmax激活函数，

表示服务在服务邻接图x中的第一服务嵌入表达，

表示服务m在服务邻接图x中的邻居。

由此可见，本实施例将从不同服务邻接图学习到每个服务不同的第一服务嵌入表达，于是本实施例将进行多图汇聚以获取最终特征：综合不同服务邻接图中服务的第一服务嵌入表达，从而得到每个服务最终的表征良好的嵌入表达，即对于不同服务邻接图采用注意力机制来进行加权求和，从而获取到服务最终的嵌入表达；其中，服务最终嵌入表达如下：

式中，

和

分别表示服务m在服务邻接图x和服务邻接图y的重要性，

和

分别表示服务m在服务邻接图x和用户邻接图y中的第一服务嵌入表达，

表示服务m最终的嵌入表达。

步骤S60：基于用户最终嵌入表达和服务最终嵌入表达对多层感知网络进行训练，得到QoS预测模型。

示范性的，在本实施例中，将构建解码器，解码器将用户和服务的高维特征(最终嵌入表达)输入到多层感知机进行训练，即可得到QoS预测模型；因此，当需要对目标用户进行QoS预测时，只需将每个目标用户对应的最终嵌入表达和所有服务的最终嵌入表达输入至QoS预测模型，QoS预测模型中的多层感知机就可进行目标用户的QoS预测。具体的，在获取到用户最终嵌入表达后，对用户最终嵌入表达进行转码输出，具体转换如下：

式中，g₁表示用户最终嵌入表达进行转码后的输出，σ表示softmax激活函数，W₁表示权重，其可根据实际需求确定，

表示目标用户i的用户最终嵌入表达，b₁表示偏置，其为常数值；

同时，在获取到服务最终嵌入表达后，对服务最终嵌入表达进行转码输出，具体转换如下：

式中，g₂表示服务最终嵌入表达进行转码后的输出，σ表示softmax激活函数，W₂表示权重，其可根据实际需求确定，

表示目标服务m的服务最终嵌入表达，b₂表示偏置，其为常数值；

最后，将g₁和g₂进行拼接操作，并将拼接后结果输入到一个神经网络层中进行计算，即可得到最终预测的QoS值。

式中，

表示最终预测得到的QoS值，σ表示softmax激活函数，W₃表示权重，其可根据实际需求确定，b₃表示偏置，其为常数值。

综上，本申请的目的是为了缓解服务QoS预测中的数据稀疏度及冷启动的问题，即在模拟真实情况的前提下，从极为稀疏的交互数据中挖掘用户和服务的高维特征，从而进行QoS数值预测。因此，通过本申请，能够基于历史调用数据形成的图结构中提取出高质量的用户嵌入表达和服务嵌入表达，以使得QoS预测模型可基于该用户嵌入表达和服务嵌入表达能够在冷启动和低稀疏度的情况下预测得到准确的QoS预测值。

进一步的，在基于用户最终嵌入表达和服务最终嵌入表达对多层感知网络进行训练，得到QoS预测模型的步骤之后，还包括：

将QoS预测模型输出的QoS预测值与QoS真实值之间的方差作为预测损失函数；

基于预测损失函数和对比损失函数进行反向传播，以更新用户最终嵌入表达和服务最终嵌入表达，得到新的用户最终嵌入表达和新的服务最终嵌入表达；

基于新的用户最终嵌入表达和新的服务最终嵌入表达对QoS预测模型进行训练，得到新的QoS预测模型；

对比损失函数为：

式中，L_ssl表示对比损失函数，

表示用户对比损失函数，

表示服务对比损失函数，

表示用户在用户邻接图k中的嵌入表达，

表示用户在用户邻接图o中的嵌入表达，

表示服务在服务邻接图x中的嵌入表达，

表示服务在服务邻接图y中的嵌入表达，cos(·)表示两个嵌入表达之间的相似度，τ表示归一化函数中的温度参数。

示范性的，在本实施例中，还将进行多图对比学习，即将不同邻接图中的同一节点视为正对，将不同节点视为负对。假设节点的一些高维特征是固定的，例如用户和网络环境的位置信息、服务提供的功能和服务器配置等。因此，它们应该尽可能接近不同的视图，以指示用户和服务的高级抽象特性，这意味着正对的嵌入表征应该尽可能接近，而负对的特征应该尽可能相异。于是，本实施例中将使用如下损失函数来最大化正对的相似度，最小化负对的相似度。其中，用户对比学习损失函数和服务对比损失函数分别如下：

式中，

表示用户对比损失函数，

表示服务对比损失函数，

表示用户在用户邻接图k中的嵌入表达，

表示用户在用户邻接图o中的嵌入表达，

表示服务在服务邻接图x中的嵌入表达，

表示服务在服务邻接图y中的嵌入表达，cos(·)表示两个嵌入表达(即两个向量)之间的相似度，可将其设置为余弦相似度，τ表示归一化函数(即softmax)中的温度参数。

然后在综合用户与服务对比损失函数作为最终总体的对比损失函数L_ssl，即：

同时将QoS预测模型输出的QoS预测值与QoS真实值的方差作为预测损失函数：

式中，L_main表示预测损失函数，

表示QoS预测值，r_u,s表示QoS真实值。

最后，将预测损失函数和对比损失函数进行综合后作为模型总体的损失函数L进行反向传播训练模型，即：

L＝L_main+L_ssl

通过损失函数L进行反向传播对模型进行训练，进而调整模型中的各个参数，以使得模型中的各个参数达到最优。

下面是应用本申请提供的方法进行QoS预测的具体实施例，以来自于WSDream采集的QoS历史记录为例，并结合附图，详细描述本申请的实施过程。其中，本申请涉及的模型为编码器-解码器结构，编码器与解码器之间通过注意力机制网络连接，解码器通过多样化集束搜索生成多样化的API序列。

为了模拟真实情况，本实施例将随机删除其中指定数目的观测数据，以保留少数观测数据作为训练样本模拟真实情况中的低稀疏数据，并将原本数据中未被选为训练样本的数据作为预测样本，从而检验模型预测效果。

具体的，首先通过图生成模块以特定概率对训练样本(即用户服务交互图)进行丢边，构建不同视角的用户服务交互子图；再针对每个用户服务交互子图计算对应的调用相似度及地理位置相似度并加权求和，从而得到最终的相似度排名，并在其中选取指定数目的top-K个相似节点作为邻居构建用户邻接图及服务邻接图。

然后通过图学习模块搭建图网络编码模型，学习到用户及服务的高维嵌入表达：对于用户邻接图，基于用户的唯一标识及地理位置信息进行信息嵌入得到高维表征向量，并运用图注意力网络在用户邻接图中进行信息传播学习到用户表征，然后综合多视角的用户邻接图，运用图对比学习的思想最大化正对的相似度，最小化负对的相似度，从而学习到表现更好的用户表征，并综合多视图得到用户最终嵌入表达；对于服务邻接图，基于服务的唯一标识及地理位置信息进行信息嵌入得到高维表征向量，并运用图注意力网络在服务邻接图中进行信息传播学习到服务表征，然后综合多视角的服务邻接图，运用图对比学习的思想最大化正对的相似度，最小化负对的相似度，从而学习到表现更好的服务表征，并综合多视图得到服务最终嵌入表达。

最后通过构建模块搭建解码器模型，将用户和服务的高维特征输入到多层感知机(即QoS预测模块)进行目标用户的QoS预测。

以下将根据上述实验结果进行以下参数对比：

对本实施例模型中的参数进行对比，以取得最佳的参数来得到模型的最佳效果。

其中，MAE(即平均绝对误差)：显示所有单个观测值与算术平均值的偏差绝对值的平均值，MAE越小，代表预测结果越好，MAE的计算公式为：

RMSE(即均方根误差)：表示观察值与真实值之间的偏差，RMSE越小，代表预测结果越好，RMSE的计算公式为：

式中，Q_u,s表示用户u调用服务s的真实QoS值，

表示用户u调用服务s的预测QoS值，N表示QoS数值的个数。

首先，对参数dropout_rate(即丢边概率)进行对比，参数dropout_rate决定了构建用户服务交互子图是以多大的概率保留边。参见图2和图3所示(图中的D1至D5代表不同的数据密度)，当dropout_rate降低时，预测精度提高，但在达到阈值0.8后，预测结果随着dropout_rate的降低而降低。因此，本实施例可将模型的参数dropout_rate选择为0.8，以使得模型能够得到最好的预测效果。

其次，对参数similarity_weight(即嵌入维度)进行对比，参数similarity_weight决定了相似度加权求和时，调用相似度所占的比重。将调用相似度和位置相似度相结合得到最终的相似度排序。因此，考虑到调用相似度受地理位置的影响，引入了权重机制来平衡这两种相似度。参见图4和图5所示，当权重设置为0.7时，预测效果最好，表示模型很好的平衡了两种相似度。

然后对参数num_neighbor(即邻居数目)进行对比，参数num_neighbor决定了相似度加权求和时，调用相似度所占的比重。参见图6和图7所示，MAE和RMSE值随着节点数量的增加而减少，直到达到某个阈值，其表明：随着邻居数量的增加，节点从邻居中聚合更多信息，并挖掘图结构以学习更好的表示，从而获得更准确的QoS预测。不过，在达到阈值后，QoS的预测精度改善较小，甚至随着邻居数量的增加而降低，其有可能是因为节点嵌入可能会受到弱相关邻居的影响，从而导致学习性能较差的表示。因此，本实施例可将模型的参数num_neighbor选择为0.7，以使得模型能够得到最好的预测效果。

最后对参数embedding_dimension(即相似性权重)进行对比，参数embedding_dimension决定了相似度加权求和时，调用相似度所占的比重。参见图8和图9所示，MAE和RMSE随着嵌入大小的增加而减小，直到达到一定的阈值，因此，本实施例可将模型的参数embeddin g_dimension选择为0.7，使得模型能够得到最好的预测效果。

此外，以下将通过不同数据密度(比如Density为0.5％至4％)并基于MAE和RMSE两个评价指标对基准方法为MGCF(multi-component graph convolutional collaborativefiltering and deep factorizationmachine，多组件图卷积协同过滤因子分解机模型)和本实施例提供的LGC(location-aware graph contrastive learning，地理位置感知的图对比学习模型)进行性能比较；其中，MGCF使用图网络学习用户及服务的表征从而预测QoS，参见表1所示，MGCF的图网络在数据稀疏度低的情况下难以学习到良好的表征，而本实施例的预测精度比基准方法有大幅提高。

表1性能对比表

本申请实施例还提供了一种QoS预测模型构建装置，包括：

图生成模块，其用于对基于包含QoS信息、历史调用信息和位置信息的原始数据集生成的用户服务交互图进行丢边处理，得到多个用户服务交互子图；基于QoS信息、历史调用信息和经纬度信息计算每个用户服务交互子图中各个节点的调用相似度和地理位置相似度，节点包括用户节点和服务节点；根据各个节点的调用相似度和地理位置相似度构建多个用户邻接图和多个服务邻接图；

进一步的，图生成模块具体用于：

进一步的，图生成模块具体还用于：

基于QoS信息和历史调用信息分别计算每个用户服务交互子图中每个用户对应的用户调用相似度以及每个服务对应的服务调用相似度和服务地理位置相似度，包括：

将QoS信息和历史调用信息分别代入第一计算公式和第二计算公式得到每个用户服务交互子图中每个用户对应的用户调用相似度以及每个服务对应的服务调用相似度；

其中，第一计算公式为：

式中，S_inv(u_i,u_j)表示用户i基于用户j对应的用户调用相似度，s∈

表示用户i和用户j调用的服务集合，

表示用户i调用服务m的QoS值，

表示用户i调用的服务的QoS平均值；

表示用户j调用服务m的QoS值，

表示用户j调用的服务的QoS平均值；

第二计算公式为：

表示调用了服务m和服务n的用户集合，

表示用户i调用的服务m的QoS值，

表示服务m的QoS平均值；

表示用户j调用的服务n的QoS值，

表示服务n的QoS平均值。

进一步的，图生成模块具体还用于：

将用户与用户间的距离代入第五计算公式，得到每个用户服务交互子图中每个用户对应的用户地理位置相似度，并将服务与服务间的距离代入第六计算公式，得到每个用户服务交互子图中每个服务对应的服务地理位置相似度；

其中，第三计算公式为：

式中，D(u_i,u_j)表示用户i与用户j之间的距离，

表示用户i的经度，

表示用户i的纬度，

表示用户j的经度，

表示用户j的纬度；

第四计算公式为：

式中，D(s_m,s_n)表示服务m与服务n之间的距离，

表示服务m的经度，

表示服务m的纬度，

表示服务n的经度，

表示服务n的纬度；

第五计算公式为：

第六计算公式为：

进一步的，图生成模块具体还用于：

从第一用户服务交互子图对应的第一服务排序队列中选取排列在前Q位的服务来构建第一服务邻接图，其中，H和Q均为正整数。

进一步的，图学习模块具体用于：

进一步的，构建模块还用于：

对比损失函数为：

式中，L_ssl表示对比损失函数，

表示用户对比损失函数，

表示服务对比损失函数，

表示用户在用户邻接图k中的嵌入表达，

表示用户在用户邻接图o中的嵌入表达，

表示服务在服务邻接图x中的嵌入表达，

需要说明的是，所属本领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述QoS预测模型构建方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种QoS预测模型构建设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的QoS预测模型构建方法的全部步骤或部分步骤。

其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

处理器可以是CPU，还可以是其他通用处理器、专用集成电路、现场可编程逻辑门阵列或者其他可编程逻辑器件等。通用处理器可以是微处理器，也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机等的使用所创建的数据等。此外，存储器可包括高速随存取存储器和非易失性存储器，例如硬盘、内存、智能存储卡、闪存器件或其他易失性固态存储器件。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现前述的QoS预测模型构建方法的全部步骤或部分步骤。

本申请实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、U盘、移动硬盘、光盘、计算机存储器、只读存储器、随机存取存储器、电信信号及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请，并不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。