CN116668351A - 服务质量预测方法、装置、计算机设备及存储介质 - Google Patents
服务质量预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116668351A CN116668351A CN202310636766.8A CN202310636766A CN116668351A CN 116668351 A CN116668351 A CN 116668351A CN 202310636766 A CN202310636766 A CN 202310636766A CN 116668351 A CN116668351 A CN 116668351A
- Authority
- CN
- China
- Prior art keywords
- node
- feature vector
- vector
- current node
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 225
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000004931 aggregating effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本申请涉及互联网技术领域,公开了一种服务质量预测方法、装置、计算机设备及存储介质,所述方法包括基于GAT模型、第一嵌入向量、第二嵌入向量以及权重矩阵,聚合邻居节点信息的特征,获得当前节点的特征向量;基于特征向量迭代更新权重矩阵,得到加权特征向量;基于多层神经网络,对加权特征向量进行训练,获得服务质量的预测结果。通过上述方式,本申请通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种服务质量预测方法、装置、计算机设备及存储介质。
背景技术
QoS(Quality of Service,服务质量)预测方法的研究对于网络服务质量的保证非常重要。它可以实现在网络拓扑结构发生变化或者网络流量出现变化的情况下,对网络中的QoS参数进行准确预测和有效管理。
随着边缘云计算、5G网络和物联网服务的蓬勃发展,QoS预测方法的研究变得越来越重要。在上述的应用场景中,任何人都能成为云服务的提供者或者用户,对于用户而言,边缘云网络环境的动态特性、服务可用性和性能可能会影响云服务集成应用的表现,即在大型边缘云中,确保网络服务能在快速变化的环境中保持高质量、高效率,是用户使用过程中的优先需求。
精确的QoS预测能够为客户带来更加优质的云服务使用体验,但受限于时间和成本,获取精确的QoS值并不容易。为降低获得精确的QoS值的时间和成本限制,需要通过用户之间的合作,即在实践中,用户将观察到的个性化的QoS值上传到服务器,服务器存储并计算出基于历史记录的预测QoS值。当用户询问最佳候选服务时,服务器会返回预先计算的Qos值。通过这种方式,用户可以根据收到的值做出决定,而不是在直接访问服务器后再做决定。因此,如何提高对服务质量的预测精度成为亟待解决的技术问题。
发明内容
本申请提供了一种服务质量预测方法、装置、计算机设备及存储介质,以提高对服务质量的预测精度。
第一方面,本申请提供了一种服务质量预测方法,所述方法包括:
获取目标二部图中当前节点的邻居节点信息;
基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
进一步地,基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量,包括:
基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重;
基于所述当前节点与对应的各所述邻居节点之间的注意力权重,对所述当前节点的特征向量以及所述邻居节点的特征向量进行加权求和计算,获得所述当前节点的加权特征向量。
进一步地,基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重,包括:
基于全连接层注意力网络,对用户节点的特征向量和服务节点的特征向量进行拼接,获得注意力权重修正向量;
基于所述注意力权重修正向量,对所述注意力权重进行修正,获得修正后的注意力权重并将所述修正后的注意力权重确定为所述注意力权重。
进一步地,基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果,还包括:
基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度。
进一步地,基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度,包括:
所述预设损失函数为
其中,i和j分别表示所述二部图中的节点,Xij表示节点i和节点j之间的所述第一嵌入向量,表示节点i和节点j之间的所述加权特征向量,G为所述目标二部图。
进一步地,获取目标二部图中当前节点的邻居节点信息之前,包括:
基于用户特征信息、服务特征信息和上下文特征信息,生成所述目标二部图;
通过图卷积将所述目标二部图嵌入低维空间,生成所述嵌入向量;
其中,所述嵌入向量包括所述第一嵌入向量和所述第二嵌入向量。
进一步地,基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果之前,包括:
检测所述目标二部图中的全部节点是否全部参与迭代计算所述预设权重矩阵;
在所述全部节点完成所述迭代计算后,停止所述迭代计算预设权重矩阵。
第二方面,本申请还提供了一种服务质量预测装置,所述装置包括:
邻居节点信息获取模块,用于获取目标二部图中当前节点的邻居节点信息;
特征向量获取模块,用于基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
加权特征向量获取模块,用于基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
预测模块,用于基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如上述的服务质量预测方法。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如上述的服务质量预测方法。
本申请公开了一种服务质量预测方法、装置、计算机设备及存储介质,所述方法包括获取目标二部图中当前节点的邻居节点信息;基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。通过上述方式,本申请通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。
附图说明
为了更清楚地说明本申请实施例技术方案,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是本申请的第一实施例提供的一种服务质量预测方法的示意流程图;
图2是本申请的第二实施例提供的一种服务质量预测方法的示意流程图;
图3为本申请的实施例提供的一种服务质量预测装置的示意性框图;
图4为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请的实施例提供了一种服务质量预测方法、装置、计算机设备及存储介质。其中,该服务质量预测方法可以应用于服务器中,通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。其中,该服务器可以为独立的服务器,也可以为服务器集群。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,图1是本申请的第一实施例提供的一种服务质量预测方法的示意流程图。该服务质量预测方法可应用于服务器中,用于通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。
如图1所示,该服务质量预测方法具体包括步骤S10至步骤S40。
步骤S10、获取目标二部图中当前节点的邻居节点信息;
具体地,二部图中所有顶点可以分为两类,并且每条边所连接的两个顶点各属于这两类中不同的一类,通常用于表示两组对象之间的关系,在本文总共制定了两个图:用户-上下文信息二部图和服务-上下文信息二部图,能够表示用户/服务及其上下文信息,通过用户和上下文之间的边缘,,任何节点都能够访问他们的邻居,从而获得捕获邻居信号、更新自身信息的渠道。
输入相关的用户和服务信息,包括用户自治系统(AS)、服务自治系统、用户国家、服务国家、用户IP地址、服务IP地址以及服务提供者等上下文特征,并将上述特征嵌入至低维空间中,即在目标二部图的基础上,通过图卷积嵌入的方法得到低维的嵌入矩阵。
步骤S20、基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
具体地,单纯的节点嵌入向量并不能完全描述节点的上下文信息和与其他节点的关系。因此,本实施例通过消息传递的方式来为节点聚合邻居信息。首先,从图数据中获取每个节点的邻居节点,将它们的嵌入向量作为输入,使用可学习的权重矩阵进行线性变换,并应用激活函数获得聚合后的结果。这一步骤可以看做是节点之间相互传递信息的过程,而每个节点最终获得的聚合结果则能够反映出它与邻居节点的关系和上下文信息。在深度k中为节点v聚合来自邻居节点的信息:
其中函数N(v)表示返回给定节点的邻域节点集合的函数,t节点的整体嵌入记为E=e1,e2,...,et。
本实施例通过转换已提取消息的特征,得到用户/服务的特征向量:
其中Wk和σ(·)表示可训练的权重和激活函数LeakyReLU,k表示并行计算单元信息,LeakyReLU的表达式如下:
y=max(0,x)+leak*min(0,x)。
通过每个节点与它的邻居节点相互传递信息,进行多层传递以获取更丰富的特征信息。接着,为了从高阶邻居节点中获取更丰富的信息,本实施例引入了多头注意力机制。通过构造多个注意力头来学习不同的邻居节点的重要度,并将它们加权平均作为节点i的上下文向量,e理解为从阶邻居中提取出与当前节点相关的最有用的信息,并实现精细的特征表达,以获得更具有区分度的节点嵌入向量。
步骤S30、基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
具体地,在反向传播阶段,根据节点更新导数和误差函数,可以更新每个节点嵌入向量和权重向量,使它们逐步收敛于最优解。
步骤S40、基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
本实施例公开了一种服务质量预测方法、装置、计算机设备及存储介质,所述方法包括获取目标二部图中当前节点的邻居节点信息;基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。通过上述方式,本申请通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。
请参阅图2,图2是本申请的第二实施例提供的一种服务质量预测方法的示意流程图。该服务质量预测方法可应用于服务器中,用于通过GAT模型计算得到当前节点与邻居节点的权重矩阵,通过权重矩阵修正第一嵌入向量与第二嵌入向量,得到包含信息更多维的加权特征向量,同时对权重矩阵进行迭代计算,最终通过多层神经网络对加权特征向量,提高GAT模型的输出精度,获取服务质量的预测结果,提高了对服务质量的预测精度。
基于图1所示实施例,本实施例如图2所示,所示步骤S20包括步骤S201至步骤S202。
步骤S201、基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重;
具体地,首先用户端和服务端连接的图可以表示为Gu=<Vu,Eu>和Gu=<Vs,Es>,其中V是节点(用户/服务节点和上下文节点)的集合,E是节点之间关联关系(即节点之间带权值信息的边)的集合,在这个图中,每个节点Vi都有一个d维特征向量hi。
步骤S202、基于所述当前节点与对应的各所述邻居节点之间的注意力权重,对所述当前节点的特征向量以及所述邻居节点的特征向量进行加权求和计算,获得所述当前节点的加权特征向量。
具体实施例中,在用户/服务二部图中,分别计算用户与用户、服务与服务中每对节点之间的注意力权重。a注意力权重是通过将两个节点的特征向量进行拼接并经过一个神经网络层得到的,它代表了两个节点之间的相似度或重要程度。
其中ui和sj分别是节点i的用户的特征向量和节点j服务的特征向量,aij表示用户节点之间的注意力权重,表示服务节点之间的注意力权重,W是可学习的权重矩阵,||表示向量拼接的过程,LeakyReLU是一个激活函数,其表达式如下:
y=max(0,x)+leak*min(0,x)。
基于图2所示实施例,本实施例中,步骤S201包括:
基于全连接层注意力网络,对用户节点的特征向量和服务节点的特征向量进行拼接,获得注意力权重修正向量;
基于所述注意力权重修正向量,对所述注意力权重进行修正,获得修正后的注意力权重并将所述修正后的注意力权重确定为所述注意力权重。
具体地,将每个节点的特征向量与它的邻居节点的特征向量进行加权求和,得到该节点的新特征向量。注意力权重被用作邻居节点的权重,以控制信息从不同节点流向当前节点的程度。
其中是每个头的注意力权重向量,是一个激活函数。
基于图1所示实施例本实施例中,步骤S40包括:
基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度。
进一步地,上述实施例包括:
所述预设损失函数为
其中,i和j分别表示所述二部图中的节点,Xij表示节点i和节点j之间的所述第一嵌入向量,表示节点i和节点j之间的所述加权特征向量,G为所述目标二部图。
基于图1所示实施例,本实施例中,所示步骤S10之前,包括:
基于用户特征信息、服务特征信息和上下文特征信息,生成所述目标二部图;
通过图卷积将所述目标二部图嵌入低维空间,生成所述嵌入向量;
其中,所述嵌入向量包括所述第一嵌入向量和所述第二嵌入向量。
基于上述全部实施例,本实施例中,步骤S40之前包括:
检测所述目标二部图中的全部节点是否全部参与迭代计算所述预设权重矩阵;
在所述全部节点完成所述迭代计算后,停止所述迭代计算预设权重矩阵。
请参阅图3,图3是本申请的实施例提供一种服务质量预测装置的示意性框图,该服务质量预测装置用于执行前述的服务质量预测方法。其中,该服务质量预测装置可以配置于服务器。
如图3所示,该服务质量预测装置400,包括:
邻居节点信息获取模块10,用于获取目标二部图中当前节点的邻居节点信息;
特征向量获取模块20,用于基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
加权特征向量获取模块30,用于基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
预测模块40,用于基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
进一步地,所述特征向量获取模块20,包括:
注意力权重更新单元,用于基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重;
加权特征向量获取单元,用于基于所述当前节点与对应的各所述邻居节点之间的注意力权重,对所述当前节点的特征向量以及所述邻居节点的特征向量进行加权求和计算,获得所述当前节点的加权特征向量。
进一步地,所述注意力权重更新单元包括:
注意力权重修正向量子单元,用于基于全连接层注意力网络,对用户节点的特征向量和服务节点的特征向量进行拼接,获得注意力权重修正向量;
注意力权重修正子单元,用于基于所述注意力权重修正向量,对所述注意力权重进行修正,获得修正后的注意力权重并将所述修正后的注意力权重确定为所述注意力权重。
进一步地,所述预测模块40包括:
训练单元,用于基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度。
进一步地,所述服务质量预测装置还包括:
二部图生成模块,用于基于用户特征信息、服务特征信息和上下文特征信息,生成所述目标二部图;
嵌入向量生成模块,用于通过图卷积将所述目标二部图嵌入低维空间,生成所述嵌入向量;其中,所述嵌入向量包括所述第一嵌入向量和所述第二嵌入向量。
进一步地,所述服务质量预测装置还包括:
检测模块,用于检测所述目标二部图中的全部节点是否全部参与迭代计算所述预设权重矩阵;
停止迭代模块,用于在所述全部节点完成所述迭代计算后,停止所述迭代计算预设权重矩阵。
需要说明的是,所属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模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图4,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种服务质量预测方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种服务质量预测方法。
该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4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。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取目标二部图中当前节点的邻居节点信息;
基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
在一个实施例中,基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量,用于实现:
基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重;
基于所述当前节点与对应的各所述邻居节点之间的注意力权重,对所述当前节点的特征向量以及所述邻居节点的特征向量进行加权求和计算,获得所述当前节点的加权特征向量。
在一个实施例中,基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重,用于实现:
基于全连接层注意力网络,对用户节点的特征向量和服务节点的特征向量进行拼接,获得注意力权重修正向量;
基于所述注意力权重修正向量,对所述注意力权重进行修正,获得修正后的注意力权重并将所述修正后的注意力权重确定为所述注意力权重。
在一个实施例中,基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果,还用于实现:
基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度。
在一个实施例中,获取目标二部图中当前节点的邻居节点信息之前,用于实现:
基于用户特征信息、服务特征信息和上下文特征信息,生成所述目标二部图;
通过图卷积将所述目标二部图嵌入低维空间,生成所述嵌入向量;
其中,所述嵌入向量包括所述第一嵌入向量和所述第二嵌入向量。
在一个实施例中,基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果之前,用于实现:
检测所述目标二部图中的全部节点是否全部参与迭代计算所述预设权重矩阵;
在所述全部节点完成所述迭代计算后,停止所述迭代计算预设权重矩阵。
本申请的实施例中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存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项服务质量预测方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种服务质量预测方法,其特征在于,包括:
获取目标二部图中当前节点的邻居节点信息;
基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
2.根据权利要求1所述的服务质量预测方法,其特征在于,所述基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量,包括:
基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重;
基于所述当前节点与对应的各所述邻居节点之间的注意力权重,对所述当前节点的特征向量以及所述邻居节点的特征向量进行加权求和计算,获得所述当前节点的加权特征向量。
3.根据权利要求2所述的服务质量预测方法,其特征在于,所述基于所述当前节点的特征向量和所述邻居节点的特征向量,通过所述预设GAT模型更新所述当前节点与对应的各邻居节点之间的注意力权重,包括:
基于全连接层注意力网络,对用户节点的特征向量和服务节点的特征向量进行拼接,获得注意力权重修正向量;
基于所述注意力权重修正向量,对所述注意力权重进行修正,获得修正后的注意力权重并将所述修正后的注意力权重确定为所述注意力权重。
4.根据权利要求1所述的服务质量预测方法,其特征在于,所述基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果,还包括:
基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度。
5.根据权利要求4所述的服务质量预测方法,其特征在于,所述基于预设损失函数、所述第一嵌入向量与所述加权特征向量,对所述预设GAT模型进行训练以提高通过所述预设GAT模型对所述服务质量的预测精度,包括:
所述预设损失函数为
其中,i和j分别表示所述二部图中的节点,Xij表示节点i和节点j之间的所述第一嵌入向量,fT(i,j|ΘT)表示节点i和节点j之间的所述加权特征向量,G为所述目标二部图。
6.根据权利要求1所述的服务质量预测方法,其特征在于,所述获取目标二部图中当前节点的邻居节点信息之前,包括:
基于用户特征信息、服务特征信息和上下文特征信息,生成所述目标二部图;
通过图卷积将所述目标二部图嵌入低维空间,生成所述嵌入向量;
其中,所述嵌入向量包括所述第一嵌入向量和所述第二嵌入向量。
7.根据权利要求1至6任一项所述的服务质量预测方法,其特征在于,所述基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果之前,包括:
检测所述目标二部图中的全部节点是否全部参与迭代计算所述预设权重矩阵;
在所述全部节点完成所述迭代计算后,停止所述迭代计算预设权重矩阵。
8.一种服务质量预测装置,其特征在于,包括:
邻居节点信息获取模块,用于获取目标二部图中当前节点的邻居节点信息;
特征向量获取模块,用于基于预设GAT模型、所述当前节点的第一嵌入向量、所述当前节点的邻居节点的第二嵌入向量以及预设权重矩阵,聚合所述邻居节点信息,并提取所述邻居节点信息的特征,获得所述当前节点的特征向量;
加权特征向量获取模块,用于基于所述当前节点的特征向量、所述邻居节点的特征向量,迭代更新所述预设权重矩阵,得到所述当前节点的加权特征向量;
预测模块,用于基于多层神经网络,对所述加权特征向量进行训练,获得服务质量的预测结果。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器;
所述存储器用于存储计算机程序;
所述处理器,用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的服务质量预测方法。
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存储有计算机程序,所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的服务质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636766.8A CN116668351A (zh) | 2023-05-31 | 2023-05-31 | 服务质量预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310636766.8A CN116668351A (zh) | 2023-05-31 | 2023-05-31 | 服务质量预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116668351A true CN116668351A (zh) | 2023-08-29 |
Family
ID=87716675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310636766.8A Pending CN116668351A (zh) | 2023-05-31 | 2023-05-31 | 服务质量预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116668351A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117419427A (zh) * | 2023-12-19 | 2024-01-19 | 广东蓝海净化节能技术有限公司 | 一种基于智慧车间的恒温恒湿风柜控制方法及系统 |
-
2023
- 2023-05-31 CN CN202310636766.8A patent/CN116668351A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117419427A (zh) * | 2023-12-19 | 2024-01-19 | 广东蓝海净化节能技术有限公司 | 一种基于智慧车间的恒温恒湿风柜控制方法及系统 |
CN117419427B (zh) * | 2023-12-19 | 2024-03-12 | 广东蓝海净化节能技术有限公司 | 一种基于智慧车间的恒温恒湿风柜控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6806412B2 (ja) | パターン認識に適用可能なモデルを最適化するための方法および装置ならびに端末デバイス | |
US11836576B2 (en) | Distributed machine learning at edge nodes | |
WO2019090954A1 (zh) | 一种预测方法及终端、服务器 | |
WO2019111118A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
US11928583B2 (en) | Adaptation of deep learning models to resource constrained edge devices | |
CN114116198A (zh) | 一种移动车辆的异步联邦学习方法、系统、设备及终端 | |
JP7009020B2 (ja) | 学習方法、学習システム、学習装置、方法、適用装置、及びコンピュータプログラム | |
US20220164666A1 (en) | Efficient mixed-precision search for quantizers in artificial neural networks | |
CN112925637A (zh) | 用于一边缘运算网络的负载平衡装置及方法 | |
WO2022090803A1 (en) | Methods and apparatus for network delay and distance estimation, computing resource selection, and related techniques | |
CN116668351A (zh) | 服务质量预测方法、装置、计算机设备及存储介质 | |
JPWO2016125500A1 (ja) | 特徴変換装置、認識装置、特徴変換方法及びコンピュータ読み取り可能記録媒体 | |
WO2020237689A1 (zh) | 网络结构搜索的方法及装置、计算机存储介质和计算机程序产品 | |
CN115955685A (zh) | 多智能体协同路由方法、设备及计算机存储介质 | |
CN115660116A (zh) | 基于稀疏适配器的联邦学习方法及系统 | |
CN112116700B (zh) | 基于单目视图的三维重建方法与装置 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
EP4349055A2 (en) | Dimensioning of telecommunication infrastructure | |
CN115688042A (zh) | 模型融合方法、装置、设备及存储介质 | |
Oh et al. | A hybrid cloud resource clustering method using analysis of application characteristics | |
CN113836438B (zh) | 用于帖子推荐的方法、电子设备和存储介质 | |
CN115842744B (zh) | 节点部署方法、装置、设备及存储介质 | |
WO2022247878A1 (en) | System, method, and computer-readable media for leakage correction in graph neural network based recommender systems | |
US20220284293A1 (en) | Combining compression, partitioning and quantization of dl models for fitment in hardware processors | |
CN112348162B (zh) | 用于生成识别模型的方法和装置 |
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 |