基于非负张量雪花分解的动态 QoS 预测
机器学习
2025-04-29 v1 人工智能
摘要
动态质量服务(QoS)数据在用户-服务交互中展现出丰富的时序模式，这对于全面理解 Web 服务中的用户行为和服务条件至关重要。随着用户数和服务数的增加，大量未观测到的 QoS 数据会显著影响用户的服务选择。为预测未观测到的 QoS 数据，我们提出了一种基于非负雪花分解(tensors)模型的方法。该方法设计雪花核心张量以增强模型的学习能力。此外，它采用基于单一潜在因子的非负乘法更新张量(SLF-NMUT)进行参数学习。实证结果表明，所提模型更准确地学习了动态的用户-服务交互模式，从而提高了对缺失 QoS 数据的预测精度。
引用
@article{arxiv.2504.18588,
title = {Dynamic QoS Prediction via a Non-Negative Tensor Snowflake Factorization},
author = {YongHui Xia and Lan Wang and Hao Wu},
journal= {arXiv preprint arXiv:2504.18588},
year = {2025}
}