项目名称: 时空上下文感知的云服务质量预测和推荐的研究

项目编号: No.61502212

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 自动化技术、计算机技术

项目作者: 谢春丽

作者单位: 江苏师范大学

项目金额: 20万元

中文摘要: 为解决传统二维数据下服务QoS预测精度不足的问题,本项目给出了基于三维张量分解的解决方案。首先从服务的质量感知数据、用户评价数据以及用户反馈数据中抽取出QoS感知数据的时间和空间上下文信息,构成用户-服务-时间(空间)形式的三维QoS数据;其次,由于一般用户仅对少数云服务有过使用记录,导致得到的时空上下文质量感知数据中有大量的未知值,本项目将云服务的质量预测问题转化为张量分解问题并求解。再次,为解决QoS的稀疏性问题,提出基于时间和空间相似的张量分解模型。最后,构建本项目的实验平台,将时间和空间上下文预测模型进行融合,构建多元QoS预测模型。本项目为用户选择满足QoS要求的云服务提供了基础,并为服务提供者提供了将服务推荐给潜在客户的功能。

中文关键词: 服务质量预测;时间感知;空间感知;云服务;服务推荐

英文摘要: To improve the traditional QoS prediction accuracy which was based on the two dimension data, the project gives a solution based on three dimension tensor factorization model. Firstly, the project extracts the time and location context information from the user observed QoS records, the user evaluated records and the user feedback data, so as to construct the user-service-time/location 3-dimension data. Secondly, due to each user only invokes one or several cloud services out of the numerous candidates at each time, resulting in many missing QoS values in history records, the project proposes a tensor decomposition algorithm which is able to deal with the triadic relations of user-service-time/location model. Thirdly, to solve the high sparsity of the available QoS data, the project presents a tensor decomposition model based on the time similarity and location similarity. Lastly, two prediction models are aggregated together to get more accuracy result and the extensive experiments are conducted. Overall the project can help the service users to select best QoS-aware services and help the service providers to recommend services to the potential customers.

英文关键词: QoS Prediction;Time-aware;Location-aware;Cloud Service;Service Recommendation

成为VIP会员查看完整内容
0

相关内容

WSDM 2022 | 基于图神经网络的协同过滤设计空间研究
专知会员服务
36+阅读 · 2022年1月3日
专知会员服务
16+阅读 · 2021年9月18日
专知会员服务
17+阅读 · 2021年6月12日
【WWW2021】 大规模组合K推荐
专知会员服务
42+阅读 · 2021年5月3日
专知会员服务
19+阅读 · 2021年3月12日
【WSDM2021】多交互注意力网络细粒度特征学习的CTR预测
专知会员服务
24+阅读 · 2020年12月27日
应用知识图谱的推荐方法与系统
专知会员服务
110+阅读 · 2020年11月23日
你有订阅视频平台会员服务吗?
ZEALER订阅号
0+阅读 · 2021年12月18日
基于知识图谱的推荐系统总结
机器学习与推荐算法
3+阅读 · 2021年11月11日
WSDM22 | 用户留存预测挑战赛开启
图与推荐
1+阅读 · 2021年11月4日
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
【WWW2021】面向时空图预测的神经结构搜索
【知识图谱】基于知识图谱的用户画像技术
产业智能官
102+阅读 · 2019年1月9日
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2022年4月18日
Arxiv
19+阅读 · 2019年11月23日
Domain Representation for Knowledge Graph Embedding
Arxiv
14+阅读 · 2019年9月11日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
小贴士
相关VIP内容
WSDM 2022 | 基于图神经网络的协同过滤设计空间研究
专知会员服务
36+阅读 · 2022年1月3日
专知会员服务
16+阅读 · 2021年9月18日
专知会员服务
17+阅读 · 2021年6月12日
【WWW2021】 大规模组合K推荐
专知会员服务
42+阅读 · 2021年5月3日
专知会员服务
19+阅读 · 2021年3月12日
【WSDM2021】多交互注意力网络细粒度特征学习的CTR预测
专知会员服务
24+阅读 · 2020年12月27日
应用知识图谱的推荐方法与系统
专知会员服务
110+阅读 · 2020年11月23日
相关资讯
你有订阅视频平台会员服务吗?
ZEALER订阅号
0+阅读 · 2021年12月18日
基于知识图谱的推荐系统总结
机器学习与推荐算法
3+阅读 · 2021年11月11日
WSDM22 | 用户留存预测挑战赛开启
图与推荐
1+阅读 · 2021年11月4日
KDD2021 | 基于深度图卷积网络的多样化推荐
机器学习与推荐算法
0+阅读 · 2021年8月24日
【WWW2021】 大规模组合K推荐
专知
0+阅读 · 2021年5月3日
【WWW2021】面向时空图预测的神经结构搜索
【知识图谱】基于知识图谱的用户画像技术
产业智能官
102+阅读 · 2019年1月9日
相关基金
国家自然科学基金
6+阅读 · 2017年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员