發(fā)布時(shí)間：2018-03-29 06:33

  本文選題：QoS預(yù)測　切入點(diǎn)：K-means聚類算法　出處：《浙江大學(xué)》2017年碩士論文

【摘要】：Web服務(wù)的QoS預(yù)測近年來已經(jīng)成為服務(wù)計(jì)算領(lǐng)域一個(gè)熱門的研究點(diǎn),而協(xié)同過濾技術(shù)作為QoS預(yù)測方法中最常使用的技術(shù)之一,被廣泛地應(yīng)用于個(gè)性化QoS預(yù)測算法中。傳統(tǒng)的基于協(xié)同過濾的QoS預(yù)測算法有兩個(gè)主要的關(guān)鍵問題尚未得到有效解決。首先,QoS預(yù)測結(jié)果的有效性需要以歷史數(shù)據(jù)的真實(shí)可信為前提。其次,由于QoS隨時(shí)間動(dòng)態(tài)變化的特性,更需要提供時(shí)間感知的預(yù)測方法。針對(duì)以上兩個(gè)關(guān)鍵問題,本文分別針對(duì)靜態(tài)數(shù)據(jù)集和動(dòng)態(tài)數(shù)據(jù)集兩類預(yù)測場景,創(chuàng)新性地提出了兩種基于K-means聚類算法的協(xié)同過濾QoS預(yù)測方法:基于兩階段K-means聚類的靜態(tài)可信QoS預(yù)測方法和基于K-means聚類的動(dòng)態(tài)時(shí)間感知QoS預(yù)測方法。其中,方法一解決了在靜態(tài)數(shù)據(jù)集上存在不可信用戶,導(dǎo)致預(yù)測精度下降的問題。方法二解決了稀疏矩陣下動(dòng)態(tài)時(shí)間感知預(yù)測問題。最后,本文通過基于真實(shí)場景的靜態(tài)和動(dòng)態(tài)兩組數(shù)據(jù)集來分別評(píng)估兩種QoS預(yù)測方法,通過與其他經(jīng)典的QoS預(yù)測方法相比,方法一在兩個(gè)靜態(tài)數(shù)據(jù)集上的預(yù)測準(zhǔn)確度分別提升了 13%和23%,方法二在兩個(gè)動(dòng)態(tài)數(shù)據(jù)集上的預(yù)測準(zhǔn)確度分別提升了 7%和37%。
[Abstract]:In recent years, QoS prediction of Web services has become a hot research point in the field of service computing, and collaborative filtering technology is one of the most commonly used technologies in QoS prediction methods. The traditional QoS prediction algorithm based on collaborative filtering has two key problems that have not been solved effectively. First, the validity of the prediction results needs to be based on historical data. Truthfulness is a prerequisite. Secondly, Because of the dynamic change of QoS with time, it is necessary to provide time-aware prediction methods. In view of the above two key problems, this paper focuses on static data sets and dynamic datasets, respectively, for two kinds of prediction scenarios, such as static data sets and dynamic data sets. Two kinds of collaborative filtering QoS prediction methods based on K-means clustering algorithm are proposed innovatively: static trusted QoS prediction method based on two-stage K-means clustering and dynamic time-aware QoS prediction method based on K-means clustering. The first method solves the problem that there are untrusted users on the static data set, which results in the decrease of prediction accuracy. The second method solves the problem of dynamic time perception prediction under sparse matrix. In this paper, two kinds of QoS prediction methods are evaluated by static and dynamic data sets based on real scene, and compared with other classical QoS prediction methods. The prediction accuracy on two static data sets is improved by 13% and 23% respectively, and the prediction accuracy on two dynamic data sets is improved by 7% and 37% respectively.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP393.09;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐義峰;陳春明;徐云青;;一種基于分類的協(xié)同過濾算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2007年01期

2 楊風(fēng)召;;一種基于特征表的協(xié)同過濾算法[J];計(jì)算機(jī)工程與應(yīng)用;2007年06期

3 王嵐;翟正軍;;基于時(shí)間加權(quán)的協(xié)同過濾算法[J];計(jì)算機(jī)應(yīng)用;2007年09期

4 曾子明;張李義;;基于多屬性決策和協(xié)同過濾的智能導(dǎo)購系統(tǒng)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年02期

5 張富國;;用戶多興趣下基于信任的協(xié)同過濾算法研究[J];小型微型計(jì)算機(jī)系統(tǒng);2008年08期

6 侯翠琴;焦李成;張文革;;一種壓縮稀疏用戶評(píng)分矩陣的協(xié)同過濾算法[J];西安電子科技大學(xué)學(xué)報(bào);2009年04期

7 廖新考;;基于用戶特征和項(xiàng)目屬性的混合協(xié)同過濾推薦[J];福建電腦;2010年07期

8 沈磊;周一民;李舟軍;;基于心理學(xué)模型的協(xié)同過濾推薦方法[J];計(jì)算機(jī)工程;2010年20期

9 徐紅;彭黎;郭艾寅;徐云劍;;基于用戶多興趣的協(xié)同過濾策略改進(jìn)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年04期

10 焦晨斌;王世卿;;基于模型填充的混合協(xié)同過濾算法[J];微計(jì)算機(jī)信息;2011年11期

相關(guān)會(huì)議論文 前10條

1 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

2 周軍鋒;湯顯;郭景峰;;一種優(yōu)化的協(xié)同過濾推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2004年

3 董全德;;基于雙信息源的協(xié)同過濾算法研究[A];全國第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊）[C];2009年

4 張光衛(wèi);康建初;李鶴松;劉常昱;李德毅;;面向場景的協(xié)同過濾推薦算法[A];中國系統(tǒng)仿真學(xué)會(huì)第五次全國會(huì)員代表大會(huì)暨2006年全國學(xué)術(shù)年會(huì)論文集[C];2006年

5 李建國;姚良超;湯庸;郭歡;;基于認(rèn)知度的協(xié)同過濾推薦算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（B輯）[C];2009年

6 王明文;陶紅亮;熊小勇;;雙向聚類迭代的協(xié)同過濾推薦算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 胡必云;李舟軍;王君;;基于心理測量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

8 林麗冰;師瑞峰;周一民;李月雷;;基于雙聚類的協(xié)同過濾推薦算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

9 羅喜軍;王韜丞;杜小勇;劉紅巖;何軍;;基于類別的推薦——一種解決協(xié)同推薦中冷啟動(dòng)問題的方法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 黃創(chuàng)光;印鑒;汪靜;劉玉葆;王甲海;;不確定近鄰的協(xié)同過濾推薦算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集A輯一[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 紀(jì)科;融合上下文信息的混合協(xié)同過濾推薦算法研究[D];北京交通大學(xué);2016年

2 程殿虎;基于協(xié)同過濾的社會(huì)網(wǎng)絡(luò)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];中國海洋大學(xué);2015年

3 于程遠(yuǎn);基于QoS的Web服務(wù)推薦技術(shù)研究[D];上海交通大學(xué);2015年

4 李聰;電子商務(wù)推薦系統(tǒng)中協(xié)同過濾瓶頸問題研究[D];合肥工業(yè)大學(xué);2009年

5 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

6 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機(jī)研究[D];上海交通大學(xué);2011年

7 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)制研究[D];天津大學(xué);2012年

8 高e，

本文編號(hào)：1679973