物联网环境下基于协同过滤的QoS预测方法研究

发布时间：2024-02-07 00:06

　　随着物联网接入用户以及终端设备的飞速增长,用户需求的差异化越来越明显,用户对网络的服务质量(Quality of Service,QoS)也提出了更高的要求。如何通过QoS预测来实现物联网资源的合理分配以及对用户进行个性化服务推荐,逐渐成为学者们研究的热点。推荐系统可以通过行为数据挖掘用户之间的关联性,并且具有解释性强的优点,已经被广泛应用在QoS预测中。然而传统的QoS预测算法未考虑物联网环境下QoS的实时变化性,通过单一的相似度计算方法的改进来进行预测,导致预测精度不高。为了提高QoS预测效果,论文运用协同过滤和人工智能方法,研究物联网环境下的QoS预测方法。具体研究工作如下:(1)基于Service2vec的QoS预测方法研究。首先通过阈值将服务项划分为高响应服务项以及非高响应服务项,针对非高响应服务项集合,设计了一种Service2vec方法,挖掘用户动态调用服务项的潜在特征,构建服务项向量;对调用高响应服务项的用户计算其用户相似性。最后对非高响应服务项采用基于服务项协同过滤的QoS预测方法,对高响应服务项采用基于用户协同过滤的QoS预测方法。(2)基于AutoEncoder的...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图1.1本文内容架构图

计算非高响应服务项之间的相似性，进行基于服务项协同过滤的QoS用户调用高响应服务项的QoS预测，基于用户相似性进行预测。（2）研究基于AutoEncoder的QoS预测方法针对物联网环境下QoS数据实时获取困难，导致用户-服务项矩阵的稀将AutoEncoder....

图2.1用户-物品评分矩阵

图2.1用户-物品评分矩阵Fig2.1User-ItemScoringMatrix通常基于内存的协同过滤算法可以分为以下步骤[33]：（1）用户或物品相似性计算。依据用户的反馈信息、历史操作行为以及物品自身的特征，来对用户和物品分别进行归类，形成不同的集合。（2）邻近....

图3.1基于Service2vec的QoS预测方法框架

图3.1基于Service2vec的QoS预测方法框架Fig3.1QoSpredictionmethodframeworkbasedonService2vece2vec方法出的Service2vec方法是为了通过用户多次调用服务项的Q项之间的关联，物....

图3.2CBOW模型

图3.2CBOW模型Fig3.2CBOWmodel为深度神经网络的训练方法是通过将输入层通过非线性映射到隐含算量会非常大，所以基于霍夫曼树的训练方法中舍弃了这种方式，得平均向量数值的方式来进行计算，且在隐藏层到输出层的映射中有词的softmax概率，采用霍夫曼树来....

本文编号：3896424