基于 β-散度的张量潜在因子分解模型用于 QoS 预测
机器学习
2022-08-20 v1
摘要
非负张量潜在因子分解（NLFT）模型能很好地建模隐藏在非负服务质量（QoS）数据中的时间模式，从而以高精度预测未观测数据。然而，现有 NLFT 模型的目标函数基于欧氏距离，而这仅是 β-散度的一个特例。因此，我们能否通过采用 β-散度构建广义 NLFT 模型来获得预测精度提升？为解决该问题，本文提出一种基于 β-散度的 NLFT 模型（β-NLFT）。其思想有两点：1）构建以 β-散度为学习目标的损失函数以获得更高预测精度；2）实现超参数的自适应以提高实用性。在两个动态 QoS 数据集上的实证研究表明，与最先进模型相比，所提出的 β-NLFT 模型对未观测 QoS 数据实现了更高的预测精度。
引用
@article{arxiv.2208.06778,
title = {$\beta$-Divergence-Based Latent Factorization of Tensors model for QoS prediction},
author = {Zemiao Peng and Hao Wu},
journal= {arXiv preprint arXiv:2208.06778},
year = {2022}
}