針對個(gè)性化服務(wù)推薦領(lǐng)域現(xiàn)有服務(wù)質(zhì)量預(yù)測技術(shù)精準(zhǔn)度不足的問題,提出一種優(yōu)化的服務(wù)質(zhì)量動(dòng)態(tài)預(yù)測模型.通過引入基線模型,將服務(wù)質(zhì)量預(yù)測問題由整體值預(yù)測轉(zhuǎn)化為偏差值預(yù)測,并結(jié)合矩陣分解技術(shù)建立了基線矩陣分解模型.通過對客戶端和服務(wù)端的時(shí)間效應(yīng)進(jìn)行分析,設(shè)計(jì)了表示時(shí)間效應(yīng)的矩陣分解模型,與基線矩陣分解模型結(jié)合形成了動(dòng)態(tài)基線矩陣分解模型.實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有服務(wù)質(zhì)量動(dòng)態(tài)預(yù)測模型相比,基線矩陣分解模型大幅度提升了服務(wù)質(zhì)量預(yù)測精準(zhǔn)度,而動(dòng)態(tài)基線矩陣分解模型又在此基礎(chǔ)上有進(jìn)一步的提高. 

【文章來源】：西安電子科技大學(xué)學(xué)報(bào). 2013,40(04)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖１服務(wù)端時(shí)間效應(yīng)其中，ｘｕ，ｍｔ是用戶ｕ和時(shí)間ｔ對應(yīng)的特征向量．

ｈｔｔｐ：／／ｗｗｗ．ｘｄｘｂ．ｎｅｔ圖１服務(wù)端時(shí)間效應(yīng)圖２客戶端時(shí)間效應(yīng)其中，ｘｕ，ｍｔ是用戶ｕ和時(shí)間ｔ對應(yīng)的特征向量．加上隨時(shí)間變化的服務(wù)端偏置項(xiàng)ｂｓｔ和客戶端偏置項(xiàng)ｂｕｔ后，預(yù)測模型如下：＾ｑｕｓｔ＝μ＋ｂｕ＋ｂｓ＋ｘＴｕ·ｍｔ＋ｙＴｓ·ｎｔ＋∑ｋｊ＝１ｇｕ［ｊ］ｌｓ［ｊ］ｈｔ［ｊ］，（１２）該式即筆者提出的服務(wù)質(zhì)量動(dòng)態(tài)預(yù)測模型，下面對其進(jìn)行訓(xùn)練優(yōu)化．２．２．３模型優(yōu)化可以通過最小化如下?lián)p失函數(shù)，來得到模型的參數(shù)：∑（ｕ，ｓ，ｔ）∈Ｄ｛（ｑｕｓｔ－＾ｑｕｓｔ）２＋λ４（ｂ２ｕ＋ｂ２ｉ＋ｘｕ２＋ｍｔ２＋ｙｓ２＋ｎｔ２＋ｇｕ２＋ｌｓ２＋ｈｔ２）｝，（１３）這里，λ４＝０．００２，需要在２．１．４節(jié)基線矩陣分解優(yōu)化方法的基礎(chǔ)上，加入ｘｕ、ｍｔ、ｙｓ、ｎｔ的迭代訓(xùn)練：ｘｕ＝ｘｕ＋β（ｅｕｓｔ·ｍｔ－λ４ｘｕ），ｍｔ＝ｍｔ＋β（ｅｕｓｔ·ｘｕ－λ４ｍｔ），ｙｓ＝ｙｓ＋β（ｅｕｓｔ·ｎｔ－λ４ｙｓ），ｎｔ＝ｎｔ＋β·（ｅｕｓｔ·ｙｓ－λ４ｎｔ）．３實(shí)驗(yàn)分析利用前文所述的包含時(shí)間維度信息的ＷＳ－Ｄｒｅａｍ數(shù)據(jù)集對上述動(dòng)態(tài)預(yù)測模型進(jìn)行驗(yàn)證測試．由于該數(shù)據(jù)集的服務(wù)質(zhì)量記錄非常密集，密度（１．３節(jié)所述三維矩陣中數(shù)據(jù)填充比例）達(dá)到了７３．５４％，

型的服務(wù)質(zhì)量預(yù)測效果進(jìn)行了對比評(píng)測，本節(jié)將深入分析模型實(shí)驗(yàn)參數(shù)對動(dòng)態(tài)基線矩陣分解模型預(yù)測精準(zhǔn)度的影響．３．２．１特征向量維度的影響特征向量維度決定了動(dòng)態(tài)基線矩陣分解模型中用來表示用戶、服務(wù)、時(shí)間特征的元素個(gè)數(shù)．筆者分別在數(shù)據(jù)集密度ｄ為５％、１０％、１５％、２０％、２５％情況下，記錄了動(dòng)態(tài)基線矩陣分解模型預(yù)測精準(zhǔn)度隨特征向量維度ｋ的變化情況．隨著特征向量維度以５為步頻逐步增加，ＭＡＥ和ＲＭＳＥ兩個(gè)指標(biāo)的變化情況分別如圖３和圖４所示．圖３ＭＡＥ隨特征向量維度變化情況圖４ＲＭＳＥ隨特征向量維度變化情況由圖３和圖４可知，從ｋ＝５開始，隨著數(shù)據(jù)集密度ｋ的逐步增加，ＭＡＥ和ＲＭＳＥ的值都逐漸減少（預(yù)測精準(zhǔn)度逐漸提高），表明過少的特征向量元素不足以獲取用戶、服務(wù)、時(shí)間的特征信息．而當(dāng)數(shù)據(jù)較為稀疏時(shí)，隨著ｋ的進(jìn)一步增加，精準(zhǔn)度又會(huì)逐漸降低．這是因?yàn)檫^多數(shù)量的特征元素會(huì)造成訓(xùn)練結(jié)果的過擬合．同時(shí)還可以發(fā)現(xiàn)，當(dāng)數(shù)據(jù)集密度ｄ＝５時(shí)，ｋ＝１５即可使ＭＡＥ和ＲＭＳＥ達(dá)到最優(yōu)值；當(dāng)ｄ＞１５時(shí)，ｋ＝３０仍未使ＲＭＳＥ指標(biāo)達(dá)到最優(yōu)．這說明，當(dāng)數(shù)據(jù)集比較稀疏時(shí)，１５個(gè)特征元素即足以獲取用戶、服務(wù)和時(shí)間的特征信息；而當(dāng)數(shù)據(jù)集較密集時(shí)，則需要更多的特征元素來表達(dá)這些特征．圖５ＭＡＥ隨數(shù)據(jù)集密度變化情況圖６ＲＭＳＥ隨數(shù)據(jù)集密度變化情況１７９第４期彭飛等：面向個(gè)性化服務(wù)推薦的ＱｏＳ動(dòng)態(tài)預(yù)測模型


本文編號(hào)：3549066