申请/专利权人:南京信息工程大学
申请日:2024-02-22
公开(公告)日:2024-06-07
公开(公告)号:CN118158113A
主分类号:H04L41/147
分类号:H04L41/147;H04L41/16;H04L43/08;G06N3/0464;G06F18/25;G06F16/9536;G06Q10/04
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.25#实质审查的生效;2024.06.07#公开
摘要:本申请涉及一种基于特征增强和时间感知的自适应深度学习QoS预测方法。该方法包括:通过获取与第τ时间片时间最接近的Y个时间片的用户‑服务QoS矩阵进行非负矩阵分解,进而获得目标用户在每个时间片的用户相似特征向量以及目标服务在每个时间片的服务相似特征向量;进而获得目标用户在每个时间片的调用偏好时间特征向量和目标服务的调用偏好时间特征向量并进行特征增强后进行融合,构成Y个时间片上目标用户调用目标服务的时间特征向量输入AGRN模型中对应的AGRU单元进行处理,获得目标用户调用目标服务的时间感知特征进行预测,获得第τ个时间片上目标用户调用目标服务的QoS值。从而提高了QoS预测的准确性。
主权项:1.一种基于特征增强和时间感知的自适应深度学习QoS预测方法,其特征在于,所述方法包括:获取与第τ时间片时间最接近的Y个时间片的用户-服务QoS矩阵集合Θ,Θ={Qτ-Y,Qτ-Y+1,…,Qt,…,Qτ-2,Qτ-1},其中,Qt为第t个时间片的用户-服务QoS矩阵,t∈{τ-Y,τ-Y+1,…,τ-2,τ-1};分别对每个时间片的所述用户-服务QoS矩阵进行非负矩阵分解,获得每个时间片的用户时间特征矩阵和服务时间特征矩阵;根据每个时间片的用户时间特征矩阵,采用余弦相似度计算方法分析目标用户与其他用户之间的相关性,并将与所述目标用户最相似的I个用户的时间特征向量与所述目标用户的时间特征向量进行拼接,获得所述目标用户在每个时间片的用户相似特征向量;根据每个时间片的服务时间特征矩阵,采用余弦相似度计算方法分析目标服务与其他服务之间的相关性,并将与所述目标服务最相似的J个服务的时间特征向量与所述目标服务的时间特征向量进行拼接,获得所述目标服务在每个时间片的服务相似特征向量;将所述目标用户在每个时间片的用户相似特征向量与所述目标用户在每个时间片的时间特征向量进行融合,获得所述目标用户在每个时间片的调用偏好时间特征向量;将所述目标服务在每个时间片的服务相似特征向量与所述目标服务在每个时间片的时间特征向量进行融合,获得所述目标服务在每个时间片的调用偏好时间特征向量;将所述目标用户在每个时间片的调用偏好时间特征向量输入到特征增强模块中进行特征增强,获得所述目标用户在每个时间片的增强后调用偏好时间特征向量;将所述目标服务在每个时间片的调用偏好时间特征向量输入到特征增强模块中进行特征增强,获得所述目标服务在每个时间片的增强后调用偏好时间特征向量;将所述目标用户在每个时间片的增强后调用偏好时间特征向量与所述目标服务在每个时间片的增强后调用偏好时间特征向量进行融合,获得每个时间片上所述目标用户调用目标服务的时间特征向量,构成Y个时间片上所述目标用户调用所述目标服务的时间特征向量集合;根据每个时间片的时间先后顺序,将Y个时间片的目标用户调用目标服务的时间特征向量分别输入AGRN模型中对应的AGRU单元进行处理,获得目标用户调用目标服务的时间感知特征,其中,AGRN模型的AGRU单元个数为Y个;将所述目标用户调用目标服务的时间感知特征输入QoS预测模块进行预测,获得第τ个时间片上所述目标用户调用所述目标服务的QoS值。
全文数据:
权利要求:
百度查询: 南京信息工程大学 基于特征增强和时间感知的自适应深度学习QoS预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。