發(fā)布時間：2017-08-26 03:48

  本文關(guān)鍵詞：基于近鄰正規(guī)化矩陣分解的網(wǎng)絡(luò)服務(wù)質(zhì)量預(yù)測

  更多相關(guān)文章： 質(zhì)量預(yù)測 協(xié)同過濾 矩陣分解 近鄰正則化

【摘要】：互聯(lián)網(wǎng)的誕生和飛速發(fā)展給人們帶來了大量的信息,這樣的一個信息時代確實滿足著人們對各類信息的渴望,但網(wǎng)絡(luò)的發(fā)展之快讓人無法想象。大幅增長的網(wǎng)絡(luò)信息量使得用戶沒有辦法直接有效地獲得自己確實所需的信息,這使得對信息的使用效率反而降低了,也就產(chǎn)生了信息超載問題。面對大量功能類似的網(wǎng)絡(luò)服務(wù),用戶很難判斷服務(wù)符合個性化需求的程度,需要綜合比較它們的服務(wù)質(zhì)量才能做出最佳選擇。然而由于時間、成本等因素的限制,服務(wù)提供者不可能在云環(huán)境中布置大量軟件傳感器來監(jiān)測每個服務(wù)的質(zhì)量信息,用戶也不可能大規(guī)模測試服務(wù)逐一體驗其性能差異,所以研究有效的服務(wù)QOS預(yù)測及相應(yīng)的服務(wù)推薦技術(shù),輔助用戶選擇所需服務(wù),成為了現(xiàn)實的應(yīng)用需求。本文針對現(xiàn)有服務(wù)質(zhì)量預(yù)測方法的不足,在概率矩陣分解模型的基礎(chǔ)上,提出基于近鄰正則化矩陣分解的方法(即NRMF方法)。通過利用隱式近鄰關(guān)系來優(yōu)化QOS預(yù)測模型的思路,假設(shè)相似的用戶(或服務(wù))針對同一服務(wù)(用戶)傾向于觀察到相似的服務(wù)質(zhì)量,通過發(fā)現(xiàn)隱式近鄰,分別構(gòu)建基于用戶和基于服務(wù)的隱式近鄰的正則化項,并將其加入到概率矩陣分解過程,以重整其目標(biāo)優(yōu)化函數(shù),從而達到優(yōu)化預(yù)測模型參數(shù)的目標(biāo)。經(jīng)過實驗驗證,本文提出的NRMF方法優(yōu)于其它基于近鄰關(guān)系的QoS預(yù)測模型。并根據(jù)實驗分析得到如下結(jié)論：(1)利用用戶和服務(wù)的近鄰關(guān)系優(yōu)化預(yù)測模型,可以顯著提高服務(wù)質(zhì)量預(yù)測精度,且基于用戶近鄰正則化要比基于服務(wù)近鄰正則化更加重要；(2)增加近鄰數(shù)目有助于提高預(yù)測準確度,但過大近鄰數(shù)不利于預(yù)測結(jié)果；(3)對于隱含因子數(shù)的設(shè)置,較大的值可以降低預(yù)測誤差,但是容易引起優(yōu)化過程的過擬合問題。
【關(guān)鍵詞】：質(zhì)量預(yù)測 協(xié)同過濾 矩陣分解 近鄰正則化
【學(xué)位授予單位】：云南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP393.09
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 課題的研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 主要研究內(nèi)容11
• 1.4 本文的組織結(jié)構(gòu)11-13
• 第二章 推薦系統(tǒng)中的評分預(yù)測13-23
• 2.1 推薦系統(tǒng)中評分預(yù)測13-14
• 2.2 協(xié)同過濾14-19
• 2.2.1 基于用戶的協(xié)同過濾14-16
• 2.2.2 基于物品的協(xié)同過濾16-18
• 2.2.3 基于模型的協(xié)同過濾18
• 2.2.4 混合協(xié)同過濾18-19
• 2.3 矩陣分解19-22
• 2.3.1 基本思想19-20
• 2.3.2 概率矩陣分解20-21
• 2.3.3 矩陣分解的優(yōu)缺點21-22
• 2.4 本章小結(jié)22-23
• 第三章 近鄰正則化的矩陣分解23-29
• 3.1 引言23-24
• 3.2 隱式近鄰信息24-28
• 3.2.1 社交正則化24-25
• 3.2.2 利用用戶的隱式近鄰25-26
• 3.2.3 利用服務(wù)的隱式近鄰26-27
• 3.2.4 統(tǒng)一的預(yù)測模型27-28
• 3.3 本章小結(jié)28-29
• 第四章 實驗分析29-40
• 4.1 數(shù)據(jù)集29-30
• 4.2 評價指標(biāo)30
• 4.3 對比方法30-32
• 4.4 實驗分析32-39
• 4.4.1 結(jié)果比較32-33
• 4.4.2 近鄰數(shù)目K值影響分析33-34
• 4.4.3 參數(shù)α和β影響分析34-37
• 4.4.4 隱含維度影響分析37-39
• 4.5 本章小結(jié)39-40
• 第五章 總結(jié)與展望40-42
• 5.1 工作總結(jié)40-41
• 5.2 工作展望41-42
• 參考文獻42-45
• 攻讀碩士學(xué)位期間發(fā)表的論文及參與的工作45-46
• 致謝46

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學(xué);2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強變分貝葉斯矩陣分解模型[J];自動化學(xué)報;2011年09期

3 袁運祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計算機應(yīng)用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報;2013年12期

5 何朕,趙文斌,于達仁;攝動矩陣的分解[J];電機與控制學(xué)報;2004年03期

6 李華云;;F范數(shù)及矩陣分解實例研究[J];現(xiàn)代情報;2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計算機科學(xué);2014年02期

9 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國圖象圖形學(xué)報;2012年03期

10 段華杰;;考慮時間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會論文集[C];2000年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

2 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

3 郭亦鴻;利用穆勒矩陣分解定量測量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

4 胡惠軼;基于分解的系統(tǒng)辨識方法研究[D];江南大學(xué);2014年

5 陳根浪;基于社交媒體的推薦技術(shù)若干問題研究[D];浙江大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測[D];復(fù)旦大學(xué);2014年

10 吳世偉;社會網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

，

本文編號：739491