2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩129頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、在基于QoS的Web服務推薦系統(tǒng)中,準確的預測出Web服務的QoS屬性值對Web服務選擇及發(fā)現(xiàn)顯得特別重要。協(xié)同過濾技術是進行Web服務QoS屬性值預測的一種有效手段。協(xié)同過濾技術(Collaborative filtering(CF) algorithm)主要包括兩大類:基于內存的協(xié)同過濾技術(memory-based CF algorithms)和基于模型的協(xié)同過濾技術(model-basedCF algorithms)?;趦却娴?/p>

2、協(xié)同過濾技術通過尋找活動用戶的類似用戶,或者通過尋找目標Web服務的類似Web服務來進行預測。該類方法預測準確度較高,但是,該類方法的主要缺點是可擴展性差、無法克服數(shù)據(jù)稀疏性問題。基于模型的協(xié)同過濾技術利用數(shù)據(jù)挖掘或機器學習等技術來獲得一個模型,然后利用該模型進行預測。基于模型的協(xié)同過濾技術的優(yōu)點是算法的可擴展性高,能有效的克服數(shù)據(jù)稀疏性問題,但是該類方法的預測準確度較低、算法難于實現(xiàn)、模型的構建及更新時間復雜度普遍較高。由于基于Web

3、服務的應用環(huán)境具有大規(guī)模及高度動態(tài)性等特點,導致現(xiàn)有的協(xié)同過濾算法不能很好的勝任基于Web服務的應用環(huán)境。
  本文的工作主要是設計出能勝任基于Web服務的應用環(huán)境的Web服務QoS屬性值預測技術。為此,本文的研究主要關注于提高協(xié)同過濾算法的預測準確度,并在此基礎之上,進一步的提高協(xié)同過濾算法的可擴展性及克服數(shù)據(jù)稀疏性的能力,同時降低該算法中涉及的模型的構建及更新時間復雜度。
  本文的研究重點包括以下幾個部分:
  

4、提高協(xié)同過濾技術的預測準確度。為了提高預測準確度,本文分別引入了3種不同的環(huán)境因素來改進類似度計算公式及預測公式。這三種環(huán)境因素分別是時間、負載及用戶輸入和Web服務的時間復雜度。本文將用戶輸入及Web服務的時間復雜度看成一個有機整體,并利用它們來改進類似度計算公式及預測公式。就我們所知,目前還沒有協(xié)同過濾技術利用時間信息、負載信息來提高協(xié)同過濾算法的預測準確度。也沒有協(xié)同過濾技術引入Web服務的時間復雜度,更別提將用戶輸入及Web服務

5、的時間復雜度看做一個有機整體來改進類似度計算公式及預測公式。除此之外,影響權重被用來組合基于用戶的預測值和基于服務的預測值。一般地,調節(jié)參數(shù)λ被用來組合基于用戶的預測值和基于服務的預測值。調節(jié)參數(shù)λ的取值對最終的預測準確度有非常大的影響。并且計算調節(jié)參數(shù)λ的最優(yōu)值的時間復雜度非常高。因此,影響權重與常用的可調節(jié)參數(shù)λ相比,實現(xiàn)簡單、可用性更好。
  提高協(xié)同過濾算法的可擴展性。本文利用網(wǎng)絡距離來對用戶及Web服務進行分類。然后通過

6、在用戶群(Web服務群)中尋找活動用戶(目標Web服務)的類似用戶(類似Web服務)來提高協(xié)同過濾算法的可擴展性。本文嘗試使用地理位置或AS來衡量網(wǎng)絡距離。該分類方法的優(yōu)點在于用戶群及Web服務群的構建及更新時間復雜度較低。
  提高協(xié)同過濾算法克服數(shù)據(jù)稀疏性能力。為了提高協(xié)同過濾算法克服數(shù)據(jù)稀疏性的能力,本文首先將用戶和Web服務進行分類,獲得用戶群及Web服務群。分類算法既可以是傳統(tǒng)的分類算法,如K-Means分類方法,也可以

7、是本文中提出的根據(jù)網(wǎng)絡距離來進行分類的方法。然后根據(jù)用戶群及Web服務群,將用戶-服務矩陣轉換成用戶群-服務矩陣及用戶-服務群矩陣。由于用戶、Web服務的數(shù)量要遠遠大于用戶群、Web服務群的數(shù)量,因此,用戶群-服務矩陣和用戶-服務群矩陣的數(shù)據(jù)密度要遠遠大于用戶-服務矩陣的密度。最后,利用用戶群-服務矩陣來計算Web服務之間的類似度,利用用戶-服務群矩陣來計算用戶之間的類似度。根據(jù)實驗結果,可以發(fā)現(xiàn)該技術可以明顯地提高協(xié)同過濾算法在用戶-

8、服務矩陣的數(shù)據(jù)密度非常低的情況下的預測準確度。
  獲得測試數(shù)據(jù)集。由于目前可用的真實的Web服務QoS屬性值數(shù)據(jù)集中,沒有給出用戶調用某個Web服務時觀察到該QoS屬性值時該Web服務的負載信息、用戶輸入信息及該Web服務的時間復雜度信息,因此為了驗證本文所提方法的有效性,本文開發(fā)了一些Web服務,并將這些Web服務部署在亞馬遜彈性計算云平臺中。由于測試數(shù)據(jù)集中收集的QoS屬性值中,需要記錄來自不同地理位置的用戶調用位于不同地理

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論