-
公开(公告)号：CN114757391A
公开(公告)日：2022-07-15
申请号：CN202210264626.8
申请日：2022-03-17
Applicant: 重庆大学
Abstract: 本发明涉及一种基于网络数据空间设计的服务质量预测方法，该方法由潜在网络空间学习和QoS预测两部分组成。第一部分旨在学习三个潜在网络空间(即用户潜在网络空间、服务潜在网络空间和交互潜在网络空间)。第二部分首先对三个潜在网络空间中的每个特征进行采样，然后通过三个不同的卷积网络融合不同的特征，实现QoS预测。该方法通过这两个创新组件，LNSL为不同位置的每个用户和业务生成潜在的网络空间，实现高精度的QoS预测。
-
Patent Agency Ranking
公开(公告)号：CN114757391B
公开(公告)日：2024-05-03
申请号：CN202210264626.8
申请日：2022-03-17
Applicant: 重庆大学
IPC: G06N3/0464 , G06N3/08 , G06F18/25
Abstract: 本发明涉及一种面向服务质量预测的网络数据空间设计与应用方法，该方法由潜在网络空间学习和QoS预测两部分组成。第一部分旨在学习三个潜在网络空间(即用户潜在网络空间、服务潜在网络空间和交互潜在网络空间)。第二部分首先对三个潜在网络空间中的每个特征进行采样，然后通过三个不同的卷积网络融合不同的特征，实现QoS预测。该方法通过这两个创新组件，LNSL为不同位置的每个用户和业务生成潜在的网络空间，实现高精度的QoS预测。
-
公开(公告)号：CN111832289B
公开(公告)日：2023-08-11
申请号：CN202010668037.7
申请日：2020-07-13
Applicant: 重庆大学
IPC: H04L67/51 , G06F40/216 , G06F40/289 , G06F40/30 , G06F16/35 , G06N3/084
Abstract: 本发明公开了一种基于聚类和高斯LDA的服务发现方法，包括如下步骤：对服务数据集进行数据解析，使用Doc2Vec和Word2Vec训练段落嵌入和词嵌入；使用修改的K‑Means算法将Doc2Vec向量集合聚类；基于词嵌入向量集扩展查询得到扩展的查询语句Qe和扩展的查询向量Vqe；基于扩展的查询语句计算其与聚类所得的每一个聚类簇的Doc2Vec矩阵的平均余弦相似度，将相似度最高的簇作为目标簇；基于所选目标簇和训练所得的词嵌入向量，构建高斯LDA模型，得到“文档‑主题分布”和“主题的高斯分布”；使用两个分布计算目标簇中的各个服务与扩展后的用户查询匹配的概率并降序排列。本方法服务匹配准确性高。
-
公开(公告)号：CN112328912B
公开(公告)日：2023-05-19
申请号：CN202011210800.8
申请日：2020-11-03
Applicant: 重庆大学
IPC: G06Q10/04 , G06F16/9537 , G06F16/9536 , G06F17/16 , G06N3/0499 , G06N3/08 , G06F18/214 , G06F18/27
Abstract: 本发明涉及通信技术领域，具体涉及一种利用地点感知的QoS预测方法。本发明以用户、服务以及他们的地点信息为特征作为预测模型的输入，预测模型将输入特征映射成为高维稠密向量，并利用特征重用的方式实现对QoS值的预测。该方法在网络深度较深的情况下缓解了梯度消失和特征丢失的问题，相比现有技术，在稀疏数据的情况下，能够更加准确的预测出用户调用服务的QoS值。
-
公开(公告)号：CN112328912A
公开(公告)日：2021-02-05
申请号：CN202011210800.8
申请日：2020-11-03
Applicant: 重庆大学
IPC: G06F16/9537 , G06F16/9536 , G06N3/04 , G06N3/08 , G06F17/16 , G06F17/18 , G06Q10/04 , G06Q10/06 , G06Q50/30
Abstract: 本发明涉及通信技术领域，具体涉及一种利用地点感知的QoS预测方法。本发明以用户、服务以及他们的地点信息为特征作为预测模型的输入，预测模型将输入特征映射成为高维稠密向量，并利用特征重用的方式实现对QoS值的预测。该方法在网络深度较深的情况下缓解了梯度消失和特征丢失的问题，相比现有技术，在稀疏数据的情况下，能够更加准确的预测出用户调用服务的QoS值。
-
公开(公告)号：CN111832289A
公开(公告)日：2020-10-27
申请号：CN202010668037.7
申请日：2020-07-13
Applicant: 重庆大学
IPC: G06F40/216 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于聚类和高斯LDA的服务发现方法，包括如下步骤：对服务数据集进行数据解析，使用Doc2Vec和Word2Vec训练段落嵌入和词嵌入；使用修改的K-Means算法将Doc2Vec向量集合聚类；基于词嵌入向量集扩展查询得到扩展的查询语句Qe和扩展的查询向量Vqe；基于扩展的查询语句计算其与聚类所得的每一个聚类簇的Doc2Vec矩阵的平均余弦相似度，将相似度最高的簇作为目标簇；基于所选目标簇和训练所得的词嵌入向量，构建高斯LDA模型，得到“文档-主题分布”和“主题的高斯分布”；使用两个分布计算目标簇中的各个服务与扩展后的用户查询匹配的概率并降序排列。本方法服务匹配准确性高。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
