公开(公告)号：CN111553401A

公开(公告)日：2020-08-18

申请号：CN202010322193.8

申请日：2020-04-22

Applicant: 北京交通大学

Inventor： 丁丁 ,  畅振华 ,  李浥东 ,  夏有昊

IPC: G06K9/62

Abstract: 本发明提供了一种应用在云服务推荐中基于图模型的QoS预测方法。该方法包括：构建包含多源信息的全图模型，该全图模型包括代表用户和服务的节点，以及使用用户之间的相似度、服务之间的相似度和用户与服务之间的相似度作为权重的边；将全图模型切分成若干个子图模型；对全图模型与子图模型分别进行优化的概率矩阵分解算法得到全局和局部预测的QoS；对全局和局部预测的QoS进行自适应融合处理，得到最终预测的QoS。本发明的方法充分考虑多源信息对于QoS的影响，自适应地融合局部与全局的特征，以提高QoS的预测精度。能够准确地预测缺失的QoS值，进而将稀疏矩阵进行填充，提高了矩阵的稠密程度，一定程度上解决了云服务推荐领域QoS稀疏的问题。

公开(公告)号：CN117827611A

公开(公告)日：2024-04-05

申请号：CN202311763399.4

申请日：2023-12-20

Applicant: 北京交通大学

Inventor： 丁丁 ,  修宇婷 ,  李浥东 ,  赵宏伟 ,  武子腾

IPC: G06F11/34 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/096 ,  G06N5/02

Abstract: 本发明提供了一种基于图知识蒸馏的Web服务的服务质量预测方法。该方法包括：获取Web服务的QoS数据集，利用所述QoS数据集构建融合多种特征的异质图结构；根据图神经网络和所述异质图结构构建教师模型，利用所述教师模型学习所述QoS数据集中的用户与服务之间的交互知识以及上下文知识；构建基于多层感知机的学生模型，利用所述预训练的教师模型做知识蒸馏，结合所述QoS数据集中的QoS矩阵,通过两阶段的训练得到训练好的学生模型，利用训练好的学生模型预测所述QoS数据集中的缺失QoS值。本发明方法利用基于异质图神经网络的教师模型学习Web服务场景中的交互知识和上下文知识，并通过知识蒸馏将知识迁移至一个轻量级的学生模型，实现高效准确的QoS预测。

公开(公告)号：CN111553401B

公开(公告)日：2024-02-13

申请号：CN202010322193.8

申请日：2020-04-22

Applicant: 北京交通大学

Inventor： 丁丁 ,  畅振华 ,  李浥东 ,  夏有昊

IPC: G06F18/22

Abstract: 本发明提供了一种应用在云服务推荐中基于图模型的QoS预测方法。该方法包括：构建包含多源信息的全图模型，该全图模型包括代表用户和服务的节点，以及使用用户之间的相似度、服务之间的相似度和用户与服务之间的相似度作为权重的边；将全图模型切分成若干个子图模型；对全图模型与子图模型分别进行优化的概率矩阵分解算法得到全局和局部预测的QoS；对全局和局部预测的QoS进行自适应融合处理，得到最终预测的QoS。本发明的方法充分考虑多源信息对于QoS的影响，自适应地融合局部与全局的特征，以提高QoS的预测精度。能够准确地预测缺失的QoS值，进而将稀疏矩阵进行填充，提高了矩阵的稠密程度，一定程度上解决了云服务推荐领域QoS稀疏的问题。

公开(公告)号：CN111541570B

公开(公告)日：2021-05-07

申请号：CN202010322208.0

申请日：2020-04-22

Applicant: 北京交通大学

Inventor： 丁丁 ,  夏有昊 ,  李浥东 ,  畅振华

IPC: H04L12/24 ,  H04L29/08 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供了一种基于多源特征学习的云服务QoS预测方法。该方法包括：利用用户和服务的上下文数据提取用户和服务的显式特征；基于矩阵分解和神经网络相结合的隐式因子嵌入方法，从用户‑服务矩阵中提取用户和服务的深层隐式特征；将显式特征与隐式特征拼接，得到用户‑服务调用记录对应的多源特征矩阵；利用基于卷积神经网络的联合深层网络，学习得到多源特征矩阵的局部‑全局特征组合，进而得到用户对云服务的QoS预测。本发明实现了从多源信息中学习高阶特征组合，并充分考虑了特征序列对特征组合学习的影响，从而有效的提高了QoS预测精度。

公开(公告)号：CN111541570A

公开(公告)日：2020-08-14

申请号：CN202010322208.0

申请日：2020-04-22

Applicant: 北京交通大学

Inventor： 丁丁 ,  夏有昊 ,  李浥东 ,  畅振华

IPC: H04L12/24 ,  H04L29/08 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供了一种基于多源特征学习的云服务QoS预测方法。该方法包括：利用用户和服务的上下文数据提取用户和服务的显式特征；基于矩阵分解和神经网络相结合的隐式因子嵌入方法，从用户-服务矩阵中提取用户和服务的深层隐式特征；将显式特征与隐式特征拼接，得到用户-服务调用记录对应的多源特征矩阵；利用基于卷积神经网络的联合深层网络，学习得到多源特征矩阵的局部-全局特征组合，进而得到用户对云服务的QoS预测。本发明实现了从多源信息中学习高阶特征组合，并充分考虑了特征序列对特征组合学习的影响，从而有效的提高了QoS预测精度。