面向 Web 服务推荐的 QoS 感知图对比学习
信息检索
2024-01-09 v1 机器学习
软件工程
摘要
随着 Web 服务技术的进步推动云服务快速增长，从众多选项中选择高质量服务已成为一项复杂任务。本研究旨在利用服务质量（QoS）解决 Web 服务推荐中的数据稀疏性和冷启动问题。我们提出了一种新颖的方法，称为 QoS 感知图对比学习（QAGCL）用于 Web 服务推荐。该模型利用图对比学习的能力来处理冷启动问题并有效提高推荐准确性。通过利用地理位置信息和随机性构建上下文增强图，我们的模型提供了多样化的视图。借助图卷积网络和图对比学习技术，我们从这些增强图中学习用户和服务的嵌入表示。学习到的嵌入随后被用于将 QoS 考量无缝集成到推荐过程中。实验结果表明，我们的 QAGCL 模型优于多个现有模型，突显了其在解决 QoS 感知服务推荐中数据稀疏性和冷启动问题方面的有效性。我们的研究有助于在现实场景中，即使在用户-服务交互数据有限的情况下，也能实现更准确的推荐。
引用
@article{arxiv.2401.03162,
title = {QoS-Aware Graph Contrastive Learning for Web Service Recommendation},
author = {Jeongwhan Choi and Duksan Ryu},
journal= {arXiv preprint arXiv:2401.03162},
year = {2024}
}
备注
Accepted at the 30th Asia-Pacific Software Engineering Conference (APSEC 2023)