CN115545168A - 基于注意力机制和循环神经网络的动态QoS预测方法及系统 - Google Patents
基于注意力机制和循环神经网络的动态QoS预测方法及系统 Download PDFInfo
- Publication number
- CN115545168A CN115545168A CN202211343465.8A CN202211343465A CN115545168A CN 115545168 A CN115545168 A CN 115545168A CN 202211343465 A CN202211343465 A CN 202211343465A CN 115545168 A CN115545168 A CN 115545168A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- hidden vector
- neural network
- hidden
- 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.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 102
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000288105 Grus Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于注意力机制和循环神经网络的动态QoS预测方法及系统，涉及网络服务QoS预测技术领域，该方法包括：获取预设时间段内的用户‑服务QoS矩阵，用户‑服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；利用门控循环单元提取用户‑服务之间的动态特征；以及，根据用户隐藏向量和服务隐藏向量构建用户‑服务交互图，利用卷积神经网络和注意力机制提取全局特征；根据动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。通过该方式，可以充分挖掘用户和服务在预设时间段内的隐含关系，提高QoS的预测精度。
Description
技术领域
本发明属于网络服务QoS预测技术领域，尤其涉及一种基于注意力机制和循环神经网络的动态QoS预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
随着互联网技术的兴起，手机、电脑等电子设备的普及，Web服务的数量也在逐渐增加。网络中大量服务的出现不仅让用户有了更多的选择，同时也带来了如何选择的问题，尤其对于相同或相似功能的服务，使用户很难在其中选择更加符合个性需求的服务。
服务质量(Quality of Service，QoS)作为Web服务的非关键性属性，是用户选择服务的重要参考，如何准确的对Web服务的QoS进行动态预测是目前仍需解决的问题。现有的QoS预测方法通常利用循环神经网络进行时间序列的预测，或者根据循环神经网络和其他的矩阵分解相结合进行动态预测，单一的循环神经网络不具有并行计算的能力，因而无法解决序列中出现异常数据的问题，并且在预测过程中没有考虑用户和服务在时间间隔内的隐含信息，循环神经网络经常出现梯度问题，影响QoS的预测精度。
发明内容
为了解决上述问题，本发明提供一种基于注意力机制和循环神经网络的动态QoS预测方法及系统，在根据门控循环单元考虑其动态性的同时，捕捉时间段内的全局特征，以充分挖掘用户和服务之间的隐含信息，提高QoS的预测精度。
为了实现上述目的，本发明主要包括以下几个方面：
第一方面，本发明实施例提供一种基于注意力机制和循环神经网络的动态QoS预测方法，包括：
获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
根据所述动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。
在一种可能的实施方式中，采用以下方式对用户-服务QoS矩阵进行映射和嵌入：
其中，ui、si、ti分别表示的是用户隐藏向量、服务隐藏向量和时间隐藏向量，f(·)表示嵌入层的激活函数，
分别表示在用户、服务、时间三个维度嵌入层的权重矩阵，eu、es、et分别表示根据数据集中不同时间间隔内的用户调用服务的QoS值进行映射后的三个不同维度的固定大小的向量。
在一种可能的实施方式中，建立门控循环单元的重置门rt和更新门zt，当前时刻的输入状态xt，前一个时刻的隐藏状态ht-1，使用如下门控循环单元的输出公式：
其中，σ代表的是sigmiod函数，Wh、Uh、Wh、Uh、Wh、Uh代表的是权重矩阵，σh表示的是tanh函数，⊙表示的哈达玛乘积，
表示的是门控循环单元全面综合重置门和更新门形成的候选状态。
在一种可能的实施方式中，将用户隐藏向量和服务隐藏向量连接起来作为门控循环单元的输入状态。
在一种可能的实施方式中，通过计算用户隐藏向量和服务隐藏向量的外积来形成用户-服务交互图。
在一种可能的实施方式中，利用卷积神经网络对用户-服务交互图进行二维卷积，得到不同时刻隐藏的重要特征，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
第二方面，本发明实施例提供一种基于注意力机制和循环神经网络的动态QoS预测系统，包括：
映射模块，用于获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
特征提取模块，用于利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
预测模块，用于根据所述动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。
在一种可能的实施方式中，所述特征提取模块具体用于利用卷积神经网络对用户-服务交互图进行二维卷积，得到不同时刻隐藏的重要特征，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
第三方面，本发明实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面中所述的基于注意力机制和循环神经网络的动态QoS预测方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面中所述的基于注意力机制和循环神经网络的动态QoS预测方法的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提供一种基于注意力机制和循环神经网络的动态QoS预测方法，一方面利用门控循环单元，基于预设时间段内的输入状态和隐藏状态来预测当前时刻的QoS，着重强调时间因素对预测的影响，即用户-服务之间的动态特征；另一方面，利用注意力机制来提取动态的QoS的全局特征，同时，为了更好的学习用户和服务的隐含特征，首先对时间段内的用户隐藏向量和服务隐藏向量进行交互，使其能够更好的体现用户和服务在时间片内的隐含关系，然后利用卷积神经网络和注意力机制提取全局特征，学习嵌入维度之间的高阶线性关系，通过该方式，可以充分挖掘用户和服务之间的隐含信息，提高Qos的预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一所提供的基于注意力机制和循环神经网络的动态QoS预测方法的流程示意图；
图2是本发明实施例一所提供的全局特征提取方法的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供一种基于注意力机制和循环神经网络的动态QoS预测方法，具体包括以下步骤：
S101：获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
在具体实施中，对QoS进行动态预测中重点考虑的因素就是时间因素。原始的输入数据集可以表示为三维空间内的一个综合的数据，即由三个不同维度的向量形成，分别为时间，用户和服务。对输入的数据进行映射，映射为用户隐藏向量、服务隐藏向量和时间隐藏向量三个不同空间的大小相同的向量，其在三个维度内相互独立，采用类似于基于文本嵌入的方法(word2vec)对其在嵌入层进行嵌入。具体地，采用以下方式对用户-服务QoS矩阵进行映射和嵌入：
其中，ui、si、ti分别表示的是用户隐藏向量、服务隐藏向量和时间隐藏向量，f(·)表示嵌入层的激活函数，
分别表示在用户、服务、时间三个维度嵌入层的权重矩阵，eu、es、et分别表示根据数据集中不同时间间隔内的用户调用服务的QoS值进行映射后的三个不同维度的固定大小的向量。
S102：利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
在具体实施中，门控循环单元(GRU)是循环神经网络(RNN)的一种特殊的变体，因其能够学习序列中的长期依赖通常被用于序列预测，循环神经网络的变体有多种结构，如长短期记忆网络(LSTM)、双向长短期记忆网络(BiLSTM)、门控循环单元(GRU)等等。对于序列预测来说常用的结构为LSTM，而GRU与LSTM相比，具有一定的优势。其在保持效果的同时结构简单，易于训练，并且能够解决LSTM中出现的梯度问题。因此为了根据时间片内的QoS动态变化进行动态的QoS预测，本实施例选择GRU来完成时间序列的处理。
GRU结构分为rt和更新门zt，存在一个输入状态xt和前一个时刻的隐藏状态ht-1，重置门的作用是决定哪些信息是与未来无关的可以丢弃的信息，只用一个重置门就可以完成其他结构体的选择和遗忘两种功能；更新门的状态是决定过去时刻内有哪些是重要的、可以遗留下来的信息。通过全面结合GRU结构中的重置门和更新门可生成一个当前时刻的输出状态yt和传递给下一个节点的隐藏状态ht，具体公式如下：
rt＝σ(Wrxt+Urht-1)
zt＝σ(Wzxt+Uzht-1)
yt1＝σ(Wy·ht)；
其中，σ代表的是sigmiod函数，Wh、Uh、Wy代表的是权重矩阵，σh表示的是tanh函数，⊙表示的哈达玛乘积，
表示的是门控循环单元全面综合重置门和更新门形成的候选状态。GRU通过当前时刻的输入和前一个时刻的隐藏信息完成对下一个时刻的预测，充分的学习用户和服务之间随着时间而变化的动态长期依赖，完成QoS的动态预测。
通过GRU在模型中解决时间因素对QoS的影响，完成QoS的动态预测，不同时间的QoS能够体现用户的兴趣变化。
将用户隐藏向量和服务隐藏向量连接起来作为门控循环单元的输入状态。时间处理部分的公式如下：
td＝ti；
其中，
表示的是将用户和服务向量连接起来，xi表示的是门控循环单元当前时刻的输入状态，td表示的是当前时刻的隐藏状态。根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列，从而得到用户-服务之间的动态特征。
作为一可选实施方式，通过计算用户隐藏向量和服务隐藏向量的外积来形成用户-服务交互图P。相比于其他的特征交互，其向量之间的各个维度相互交互，体现不同维度之间的相关性，充分的放大向量之间维度的隐含关系，具体公式如下：P＝ut*vt；
两个向量维度和维度之间交互形成交互图，交互图中隐含各个维度的不同特征，可以使用多种方法提取其中的重要特征。本实施例采用卷积神经网络进行提取，其一在于卷积神经网络的权值共享的特性，有效的减少隐藏神经元，适用于大数据集；其二在于卷积神经网络的特殊结构，能够从交互后的图中提取到重要特征。如图2所示，其中隐藏层的层数设置为6，每个隐藏层有64个特征图，步长设置为2，因此每个隐藏层的特征图的大小是前一个隐藏层的一半。输入的交互图的大小为64*64，具体公式如下：
其中，
表示的是经过l次卷积后的特征，
是一个三维张量，
表示的是第l个隐藏层的滤波器，
表示的是第一个隐藏层的滤波器，bl表示的是第l个隐藏层的偏置。经过二维卷积，得到最终向量特征，因此就得到了时间间隔内从局部到全局的特征，将每个时刻经过二维卷积得到的最终向量记为vt。
利用卷积神经网络对时间片内的特征进行提取，得到不同时间片内的特征，体现动态时间的动态特征。
进一步的，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
其中，αi表示的是目标向量q与输入向量vi之间的权重，这里，q表示的是时间t经过二维卷积得到的向量vt，vi表示的是前t-1个时间经过二维卷积得到的向量特征。
计算出每个输入向量与目标向量之间的注意力分布，通过以下公式计算出的加权分布表示的是整个时间内的不同时刻的向量之间的隐含信息的注意力分布，根据注意力分布，加权求和：
其中，a表示的是在整个时间片内根据注意力分布得到的聚合向量，通过注意力计算相关性对整个时间内的特征进行聚合得到最后的全局特征。
S103：根据所述动态特征和全局特征，预测用户对服务的Qos值。
在具体实施中，该模型对QoS预测的公式如下：
其中，
表示最终QoS预测，yt1表示动态特征，yt2表示全局特征，bz表示偏置，Wz表示权重，该模型在考虑时间因素的情况下，同时考虑了用户和服务之间在时间间隔内的隐含关系，并且对放大提取到的隐含关系进行全局注意，在动态的预测过程中学习维度之间的高阶线性关系。
在对上述模型进行训练的过程中，模型的损失计算公式如下：
其中，loss是目标函数的损失函数，λ是惩罚因子，w是权重向量，||·||2是向量的2范数，通过损失函数，使模型具有更好的预测性能。
实施例二
如图2所示，本发明实施例还提供一种基于注意力机制和循环神经网络的动态QoS预测系统，包括：
映射模块，用于获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
特征提取模块，用于利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
预测模块，用于根据所述动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。
作为一可选实施方式，所述特征提取模块具体用于利用卷积神经网络对用户-服务交互图进行二维卷积，得到不同时刻隐藏的重要特征，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
本实施例提供的基于注意力机制和循环神经网络的动态QoS预测系统用于实现前述的基于注意力机制和循环神经网络的动态QoS预测方法，因此基于注意力机制和循环神经网络的动态QoS预测系统中的具体实施方式可见前文中的基于注意力机制和循环神经网络的动态QoS预测方法的实施例部分，在此不再进行赘述。
实施例三
本发明实施例还提供一种计算机设备，所述计算机设备包括处理器、存储器和总线。所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时，可以执行如上述图1所示方法实施例中的基于注意力机制和循环神经网络的动态QoS预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
实施例四
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法实施例中所述的基于注意力机制和循环神经网络的动态QoS预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，包括：
获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
根据所述动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。
2.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，采用以下方式对用户-服务QoS矩阵进行映射和嵌入：
si＝f(Ws Tes)；
ti＝f(Wt Tet)；
其中，ui、si、ti分别表示的是用户隐藏向量、服务隐藏向量和时间隐藏向量，f(·)表示嵌入层的激活函数，
Ws T、Wt T分别表示在用户、服务、时间三个维度嵌入层的权重矩阵，eu、es、et分别表示根据数据集中不同时间间隔内的用户调用服务的QoS值进行映射后的三个不同维度的固定大小的向量。
3.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，建立门控循环单元的重置门rt和更新门zt，当前时刻的输入状态xt，前一个时刻的隐藏状态ht-1，使用如下门控循环单元的输出公式：
其中，σ代表的是sigmiod函数，Wh、Uh、Wh、Uh、Wh、Uh代表的是权重矩阵，σh表示的是tanh函数，⊙表示的哈达玛乘积，
表示的是门控循环单元全面综合重置门和更新门形成的候选状态。
4.如权利要求3所述的基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，将用户隐藏向量和服务隐藏向量连接起来作为门控循环单元的输入状态。
5.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，通过计算用户隐藏向量和服务隐藏向量的外积来形成用户-服务交互图。
6.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法，其特征在于，利用卷积神经网络对用户-服务交互图进行二维卷积，得到不同时刻隐藏的重要特征，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
7.一种基于注意力机制和循环神经网络的动态QoS预测系统，其特征在于，包括：
映射模块，用于获取预设时间段内的用户-服务QoS矩阵，所述用户-服务QoS矩阵经过映射和嵌入得到用户隐藏向量、服务隐藏向量和时间隐藏向量；
特征提取模块，用于利用门控循环单元提取用户-服务之间的动态特征，其中，根据所述用户隐藏向量和服务隐藏向量确定输入状态，根据时间隐藏向量确定隐藏状态，针对该预设时间段内的每一个时刻，根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序列；以及，根据用户隐藏向量和服务隐藏向量构建用户-服务交互图，利用卷积神经网络和注意力机制提取全局特征；
预测模块，用于根据所述动态特征和全局特征，预测该预设时间段内用户对服务的Qos值。
8.如权利要求7所述的基于注意力机制和循环神经网络的动态QoS预测系统，其特征在于，所述特征提取模块具体用于利用卷积神经网络对用户-服务交互图进行二维卷积，得到不同时刻隐藏的重要特征，利用注意力机制对预设时间段内的重要特征进行聚合，得到用户和服务的全局特征。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一项所述的基于注意力机制和循环神经网络的动态QoS预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的基于注意力机制和循环神经网络的动态QoS预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211343465.8A CN115545168A (zh) | 2022-10-31 | 2022-10-31 | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211343465.8A CN115545168A (zh) | 2022-10-31 | 2022-10-31 | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115545168A true CN115545168A (zh) | 2022-12-30 |
Family
ID=84719401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211343465.8A Pending CN115545168A (zh) | 2022-10-31 | 2022-10-31 | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545168A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117334162A (zh) * | 2023-10-11 | 2024-01-02 | 深圳市穗晶光电股份有限公司 | Led背光源控制系统及其方法 |
-
2022
- 2022-10-31 CN CN202211343465.8A patent/CN115545168A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117334162A (zh) * | 2023-10-11 | 2024-01-02 | 深圳市穗晶光电股份有限公司 | Led背光源控制系统及其方法 |
| CN117334162B (zh) * | 2023-10-11 | 2024-05-10 | 深圳市穗晶光电股份有限公司 | Led背光源控制系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
| CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
| CN112116090B (zh) | 神经网络结构搜索方法、装置、计算机设备及存储介质 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN111401557B (zh) | 智能体决策制定方法、ai模型训练方法、服务器及介质 | |
| CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| CN111582091B (zh) | 基于多分支卷积神经网络的行人识别方法 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
| CN112766496B (zh) | 基于强化学习的深度学习模型安全性保障压缩方法与装置 | |
| Karingula et al. | Boosted embeddings for time-series forecasting | |
| CN114077912A (zh) | 数据预测方法以及数据预测装置 | |
| CN114155388B (zh) | 一种图像识别方法、装置、计算机设备和存储介质 | |
| CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
| CN110232151B (zh) | 一种混合概率分布检测的QoS预测模型的构建方法 | |
| CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
| CN115953902B (zh) | 一种基于多视图时空图卷积网络的交通流预测方法 | |
| CN112232360A (zh) | 图像检索模型优化方法、图像检索方法、装置及存储介质 | |
| CN115345257B (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
| CN113655341B (zh) | 一种配电网故障定位方法及系统 | |
| CN116805384A (zh) | 自动搜索方法、自动搜索的性能预测模型训练方法及装置 | |
| CN118414621A (zh) | 使用预算感知的贝叶斯优化的超参数选择 | |
| CN115330053A (zh) | 一种基于迁移学习的蓝藻水华跨水域预测方法及装置 | |
| Wang | Motion recognition based on deep learning and human joint points |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Applicant after: Qilu University of Technology (Shandong Academy of Sciences) Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Applicant before: Qilu University of Technology Country or region before: China |