用于动态 QoS 预测的偏置非负块项张量分解模型
机器学习
2026-05-07 v1
摘要
随着云计算和 Web 服务的快速发展，服务质量（QoS）已成为服务选择和推荐的关键标准。张量潜在特征分析为多维 QoS 数据建模提供了一种有效途径，而现有大多数 QoS 预测方法主要基于 Canonical Polyadic（CP）分解或 Tucker 分解。然而，受其固有结构特性的限制，这些方法无法准确捕捉用户-服务交互中复杂且动态的依赖关系，从而限制了其预测性能。为了解决这一问题，本文提出了一种基于偏置非负块项张量分解模型的动态 QoS 预测框架，称为 BNBT。具体而言，所提出的框架从三个方面进行构建：（1）采用块项张量分解以增强潜在特征学习的表示能力；（2）引入线性偏置项以进一步提高预测精度；（3）设计了一种面向张量的单元素依赖非负乘性更新算法，称为 SLF-NMUT，用于高效的参数估计。在真实 QoS 数据集上的大量实验表明，所提出的 BNBT 框架在预测精度上始终优于几种最先进的 QoS 预测方法。
引用
@article{arxiv.2605.04813,
title = {A Biased Nonnegative Block Term Tensor Decomposition Model for Dynamic QoS Prediction},
author = {Wenjing Liu and Yujia Lei and Qu Wang},
journal= {arXiv preprint arXiv:2605.04813},
year = {2026}
}