基于注意力机制的多场景QoS预测与服务推荐模型研究与实现
这是一篇关于注意力机制,QoS预测,服务推荐,因式分解机,深度学习的论文, 主要内容为云计算技术的普及,向用户提供了便捷高效的各类服务,也为服务的开发者提供了透明可靠的基础设施。而移动互联网的兴起,又大大提升了用户对服务的需求,使得Web服务的数量不断激增。面对海量的服务,用户难以及时从中选择出优质的符合需求的服务。并且随着服务数量不断增长,服务功能逐渐趋于饱和,出现了大批功能相同或接近的服务,只考虑服务的功能难以有效区分服务的优劣,代表服务非功能属性的QoS就成为衡量服务的关键指标。然而用户难以调用所有的服务获取对应的QoS并从中选取最优的服务进行访问,因此需要开展基于QoS预测的服务推荐模型的相关研究。本文通过利用注意力机制等深度学习算法,构建了多场景下基于QoS预测的服务推荐模型,提升QoS预测准确性的同时,满足了不同服务推荐场景的需求,主要研究内容如下:针对用户初始的冷启动场景,提出了基于注意力机制的多阶特征交互学习服务推荐模型。在特征处理上,利用历史调用记录及距离权重得到Topk的相似用户和服务,同时引入了位置、网络等多种静态上下文特征缓解冷启动。在特征学习上,一方面构建了位置感知注意力因式分解机,通过注意力机制实现对不同的特征交互使用个性化的隐向量权重,以学习线性和低阶特征交互。另一方面又引入了基于多头注意力机制的高阶特征学习算法,进一步学习特征之间的高阶组合。最终整合两者实现对不同的特征以及组合的多阶交互学习,并以此为基础实现对未知QoS的预测,进行相关服务的推荐。在时间感知的服务推荐场景下,构建了基于时间感知动态QoS预测的服务推荐模型。首先通过时间相关的Time2Vec对时间序列的数据进行编码,保留序列数据本身的周期特性。其次基于LSTM以及自注意力机制对前k个时间片的QoS数据进行学习,捕获它们之间的潜在联系,得到最终的序列表达。最后再结合用户和服务信息生成的个性化分数权重,生成对当前时间片下的QoS预测值,同时通过将数据回传不断迭代优化模型,提升了时间感知场景下QoS预测及服务推荐的准确性。针对提出的多场景QoS预测与服务推荐模型,基于公开的数据集进行大量的实验,通过对比经典和最新的服务推荐模型,验证本文所提出模型在预测与推荐精度上优于其它方法,并能应用于初始冷启动及时间感知的场景中。还进一步通过对模型的不同参数及组件的实验,验证了模型各部分组件的有效性,分析了相关参数对QoS预测与服务推荐效果的影响。最后,本文构建了基于注意力机制的多场景QoS预测与服务推荐系统原型,验证了模型能够在系统中被有效应用,进行不同场景下高效的QoS预测及服务推荐。
基于因式分解机模型的上下文感知推荐系统研究
这是一篇关于推荐系统,协同过滤,上下文感知推荐系统,矩阵分解,因式分解机,上下文层次化,贝叶斯推理的论文, 主要内容为推荐系统是一门涵盖了多个学科内容,始于90年代中期关于协同过滤算法研究,之后便开始作为一门独立的研究领域走进研究者的视野。目前,关于传统的推荐系统已经有很充分的研究,根据推荐系统产生的方法差异,将其分为基于内容的推荐,协同过滤推荐和混合推荐三大类别。不同的项目可使用不同的推荐方法,或者是混合使用,这得到了越来越多的研究者的共识。同时,研究者发现了推荐系统的冷启动问题、数据稀疏问题、推荐解释等问题,分别提出了诸如:标签法、社交网络法、矩阵分解法、贝叶斯推理法等方法。然而,伴随着个性化需求的不断发展,如何针对每一个用户给出合理、适当的推荐,成为推荐系统任务的重中之重。因此,上下文感知推荐应运而生。上下文感知推荐,在拥有传统推荐系统的优点的同时,考虑时间、地点、同伴等上下文信息,这些改进措施提高了推荐预测的准确度,更好地满足了用户的个性化需求,提高了推荐系统的信任度,近几年也渐渐受到研究者的重视。在前人的基础上,本文做了以下工作:(1)提出上下文层次化因式分解机模型,该模型对因式分解机模型进行改进,考虑上下文信息的同时,对上下文进行层次化处理,增强了评分数据之间的整体关系,更有效的提高评分预测。(2)提出混合logistic函数和贝叶斯方法的因式分解机模型。该模型在对因式分解机模型贝叶斯处理的基础上,进一步的对伽马函数的形状参数进行logistic函数处理,更好的区分不同特征参数,从而提高评分预测精度。(3)在多个数据集上做了对比实验,实验证实了本文提出的改进的因式分解机模型具有线性的时间复杂度,较高的预测精度,以及较好的适应数据稀疏性的优点。
基于注意力机制的多场景QoS预测与服务推荐模型研究与实现
这是一篇关于注意力机制,QoS预测,服务推荐,因式分解机,深度学习的论文, 主要内容为云计算技术的普及,向用户提供了便捷高效的各类服务,也为服务的开发者提供了透明可靠的基础设施。而移动互联网的兴起,又大大提升了用户对服务的需求,使得Web服务的数量不断激增。面对海量的服务,用户难以及时从中选择出优质的符合需求的服务。并且随着服务数量不断增长,服务功能逐渐趋于饱和,出现了大批功能相同或接近的服务,只考虑服务的功能难以有效区分服务的优劣,代表服务非功能属性的QoS就成为衡量服务的关键指标。然而用户难以调用所有的服务获取对应的QoS并从中选取最优的服务进行访问,因此需要开展基于QoS预测的服务推荐模型的相关研究。本文通过利用注意力机制等深度学习算法,构建了多场景下基于QoS预测的服务推荐模型,提升QoS预测准确性的同时,满足了不同服务推荐场景的需求,主要研究内容如下:针对用户初始的冷启动场景,提出了基于注意力机制的多阶特征交互学习服务推荐模型。在特征处理上,利用历史调用记录及距离权重得到Topk的相似用户和服务,同时引入了位置、网络等多种静态上下文特征缓解冷启动。在特征学习上,一方面构建了位置感知注意力因式分解机,通过注意力机制实现对不同的特征交互使用个性化的隐向量权重,以学习线性和低阶特征交互。另一方面又引入了基于多头注意力机制的高阶特征学习算法,进一步学习特征之间的高阶组合。最终整合两者实现对不同的特征以及组合的多阶交互学习,并以此为基础实现对未知QoS的预测,进行相关服务的推荐。在时间感知的服务推荐场景下,构建了基于时间感知动态QoS预测的服务推荐模型。首先通过时间相关的Time2Vec对时间序列的数据进行编码,保留序列数据本身的周期特性。其次基于LSTM以及自注意力机制对前k个时间片的QoS数据进行学习,捕获它们之间的潜在联系,得到最终的序列表达。最后再结合用户和服务信息生成的个性化分数权重,生成对当前时间片下的QoS预测值,同时通过将数据回传不断迭代优化模型,提升了时间感知场景下QoS预测及服务推荐的准确性。针对提出的多场景QoS预测与服务推荐模型,基于公开的数据集进行大量的实验,通过对比经典和最新的服务推荐模型,验证本文所提出模型在预测与推荐精度上优于其它方法,并能应用于初始冷启动及时间感知的场景中。还进一步通过对模型的不同参数及组件的实验,验证了模型各部分组件的有效性,分析了相关参数对QoS预测与服务推荐效果的影响。最后,本文构建了基于注意力机制的多场景QoS预测与服务推荐系统原型,验证了模型能够在系统中被有效应用,进行不同场景下高效的QoS预测及服务推荐。
融合隐含关系的推荐方法研究
这是一篇关于推荐系统,隐含关系,因式分解机,生成对抗网络的论文, 主要内容为近年来,随着数字经济时代的来临,“信息过载”日益凸显。为了解决这个问题,个性化推荐系统得到了飞速的发展。在目前的推荐系统中,研究人员通常从用户和项目的直接交互出发,依赖于神经网络或图神经网络等非线性推理技术挖掘用户和项目的深层嵌入表示。然而,这些研究忽略了对间接交互进行直接建模的重要性,导致无法较好地捕捉隐含关系中蕴含的交互信息,从而降低了推荐系统的性能和可解释性。为了充分利用隐含关系及其交互信息,本文提出以下主要研究内容:(1)针对因式分解机中存在的隐含关系及其交互信息应用不充分以及推荐性能不佳等问题,采用可达矩阵来直接建模用户-项目二部图中的隐含关系,通过可达矩阵与因式分解机的有机融合,构建了融合隐含关系与因式分解机的推荐方法。在Amazon-Book,Last-FM和Yelp2018数据集上的多组实验表明,该方法在性能上超过了大量的基于知识图谱的推荐方法,这充分证明隐含关系不仅能在一定程度上缓解推荐系统中存在的数据稀疏问题,而且能够提升推荐模型对交互信息的捕捉能力,还有助于提升推荐的准确性和可解释性。(2)针对因式分解机无法充分挖掘出隐含关系中蕴含的交互信息的问题,有机地整合生成对抗网络、图神经网络及强化学习等技术或思想,构建了融合隐含关系与生成对抗网络的推荐方法(GANRec)。在六个公共数据集上的多组实验表明,GANRec的推荐性能不仅超过了现有的基于知识图谱的推荐方法,而且优于最新的基于负采样的推荐方法。此外,当没有外部知识可用时,GANRec也能探索出具有知识感知的、高质量的负例项目且推荐性能优于许多基于用户-项目二部图的推荐方法。同时,通过实验还验证了GANRec模型在负采样方面的优势以及出色的推荐性能和可解释性。
融合隐含关系的推荐方法研究
这是一篇关于推荐系统,隐含关系,因式分解机,生成对抗网络的论文, 主要内容为近年来,随着数字经济时代的来临,“信息过载”日益凸显。为了解决这个问题,个性化推荐系统得到了飞速的发展。在目前的推荐系统中,研究人员通常从用户和项目的直接交互出发,依赖于神经网络或图神经网络等非线性推理技术挖掘用户和项目的深层嵌入表示。然而,这些研究忽略了对间接交互进行直接建模的重要性,导致无法较好地捕捉隐含关系中蕴含的交互信息,从而降低了推荐系统的性能和可解释性。为了充分利用隐含关系及其交互信息,本文提出以下主要研究内容:(1)针对因式分解机中存在的隐含关系及其交互信息应用不充分以及推荐性能不佳等问题,采用可达矩阵来直接建模用户-项目二部图中的隐含关系,通过可达矩阵与因式分解机的有机融合,构建了融合隐含关系与因式分解机的推荐方法。在Amazon-Book,Last-FM和Yelp2018数据集上的多组实验表明,该方法在性能上超过了大量的基于知识图谱的推荐方法,这充分证明隐含关系不仅能在一定程度上缓解推荐系统中存在的数据稀疏问题,而且能够提升推荐模型对交互信息的捕捉能力,还有助于提升推荐的准确性和可解释性。(2)针对因式分解机无法充分挖掘出隐含关系中蕴含的交互信息的问题,有机地整合生成对抗网络、图神经网络及强化学习等技术或思想,构建了融合隐含关系与生成对抗网络的推荐方法(GANRec)。在六个公共数据集上的多组实验表明,GANRec的推荐性能不仅超过了现有的基于知识图谱的推荐方法,而且优于最新的基于负采样的推荐方法。此外,当没有外部知识可用时,GANRec也能探索出具有知识感知的、高质量的负例项目且推荐性能优于许多基于用户-项目二部图的推荐方法。同时,通过实验还验证了GANRec模型在负采样方面的优势以及出色的推荐性能和可解释性。
基于注意力机制的多场景QoS预测与服务推荐模型研究与实现
这是一篇关于注意力机制,QoS预测,服务推荐,因式分解机,深度学习的论文, 主要内容为云计算技术的普及,向用户提供了便捷高效的各类服务,也为服务的开发者提供了透明可靠的基础设施。而移动互联网的兴起,又大大提升了用户对服务的需求,使得Web服务的数量不断激增。面对海量的服务,用户难以及时从中选择出优质的符合需求的服务。并且随着服务数量不断增长,服务功能逐渐趋于饱和,出现了大批功能相同或接近的服务,只考虑服务的功能难以有效区分服务的优劣,代表服务非功能属性的QoS就成为衡量服务的关键指标。然而用户难以调用所有的服务获取对应的QoS并从中选取最优的服务进行访问,因此需要开展基于QoS预测的服务推荐模型的相关研究。本文通过利用注意力机制等深度学习算法,构建了多场景下基于QoS预测的服务推荐模型,提升QoS预测准确性的同时,满足了不同服务推荐场景的需求,主要研究内容如下:针对用户初始的冷启动场景,提出了基于注意力机制的多阶特征交互学习服务推荐模型。在特征处理上,利用历史调用记录及距离权重得到Topk的相似用户和服务,同时引入了位置、网络等多种静态上下文特征缓解冷启动。在特征学习上,一方面构建了位置感知注意力因式分解机,通过注意力机制实现对不同的特征交互使用个性化的隐向量权重,以学习线性和低阶特征交互。另一方面又引入了基于多头注意力机制的高阶特征学习算法,进一步学习特征之间的高阶组合。最终整合两者实现对不同的特征以及组合的多阶交互学习,并以此为基础实现对未知QoS的预测,进行相关服务的推荐。在时间感知的服务推荐场景下,构建了基于时间感知动态QoS预测的服务推荐模型。首先通过时间相关的Time2Vec对时间序列的数据进行编码,保留序列数据本身的周期特性。其次基于LSTM以及自注意力机制对前k个时间片的QoS数据进行学习,捕获它们之间的潜在联系,得到最终的序列表达。最后再结合用户和服务信息生成的个性化分数权重,生成对当前时间片下的QoS预测值,同时通过将数据回传不断迭代优化模型,提升了时间感知场景下QoS预测及服务推荐的准确性。针对提出的多场景QoS预测与服务推荐模型,基于公开的数据集进行大量的实验,通过对比经典和最新的服务推荐模型,验证本文所提出模型在预测与推荐精度上优于其它方法,并能应用于初始冷启动及时间感知的场景中。还进一步通过对模型的不同参数及组件的实验,验证了模型各部分组件的有效性,分析了相关参数对QoS预测与服务推荐效果的影响。最后,本文构建了基于注意力机制的多场景QoS预测与服务推荐系统原型,验证了模型能够在系统中被有效应用,进行不同场景下高效的QoS预测及服务推荐。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/56321.html
