GACL：用于时序 QoS 预测的图注意力协作学习
机器学习
2024-10-23 v2 信息检索
摘要
准确预测时序 QoS 对维持服务可靠性和提高用户满意度至于动态服务导向环境至关重要。然而，当前方法常常忽视高阶潜在协作关系，无法为特定用户-服务调用动态调整特征学习，这些都是每个时间切片中精确特征提取的关键因素。此外，流行使用 RNN 来建模时序特征演化模式的做法受其固有的难以管理长程依赖的限制，从而限制了跨多个时间切片检测长期 QoS 趋势的能力。这些局限性显著降低了时序 QoS 预测的性能。为解决上述两个问题，我们提出了一种 novel 的图注意力协作学习（GACL）框架，用于时序 QoS 预测。基于动态用户-服务调用图全面建模历史交互，设计了目标提示图注意力网络，在每个时间切片中提取用户和服务的深层特征，考虑隐式目标邻域协作关系和历史 QoS 值。此外，引入多层 Transformer 编码器来揭示时序特征演化模式，增强时序 QoS 预测。大量实验在 WS-DREAM 数据集上表明，GACL 在多个评估指标上显著优于最先进的方法，提高幅度最高可达 38.80%。
引用
@article{arxiv.2408.10555,
title = {GACL: Graph Attention Collaborative Learning for Temporal QoS Prediction},
author = {Shengxiang Hu and Guobing Zou and Bofeng Zhang and Shaogang Wu and Shiyi Lin and Yanglan Gan and Yixin Chen},
journal= {arXiv preprint arXiv:2408.10555},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication