一种基于概率分布与位置感知ResNet的QoS预测方法
软件工程
2020-11-17 v1 机器学习
摘要
近年来，在线服务的数量快速增长，通过云平台调用所需服务已成为主要趋势。如何在海量未使用服务中帮助用户选择并推荐高质量服务已成为研究热点。在现有QoS预测方法中，协同过滤(CF)方法只能学习低维线性特征，且效果受稀疏数据限制。尽管现有深度学习方法能更好地捕捉高维非线性特征，但大多数仅使用身份的单一特征，且网络加深导致梯度消失问题严重，因此QoS预测效果不尽如人意。为解决这些问题，我们提出一种用于QoS预测的高级概率分布与位置感知ResNet方法(PLRes)。该方法考虑用户和服务的历史调用概率分布与位置特征，并首次在QoS预测中使用ResNet以复用特征，从而缓解梯度消失与模型退化问题。我们在真实Web服务数据集WS-DREAM上进行了一系列实验。结果表明，PLRes模型在5%–30%密度（即数据稀疏）下对QoS预测有效，其在MAE指标上显著优于最先进方法LDCF达12.35%–15.37%。
引用
@article{arxiv.2011.07780,
title = {A Probability Distribution and Location-aware ResNet Approach for QoS Prediction},
author = {Wenyan Zhang and Ling Xu and Meng Yan and Ziliang Wang and Chunlei Fu},
journal= {arXiv preprint arXiv:2011.07780},
year = {2020}
}