[发明专利]基于多源特征学习的云服务QoS预测方法

权利要求书

1.一种基于多源特征学习的云服务QoS预测方法，其特征在于，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；

将所述用户和服务的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，学习得到所述多源特征矩阵的局部特征组合，基于所述局部特征组合学习多源特征间的全局特征组合，根据所述多源特征间的全局特征组合得到用户对云服务的QoS预测；

所述的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，包括：

将上下文数据中用户-服务的环境特征划分为包含多个显式特征的显式字段，所述环境特征包括地理位置和网络状态，利用独热编码对环境特征进行编码，通过嵌入层网络将编码后的环境特征映射为嵌入向量，将每条用户-服务调用记录表示为由显式特征构成的嵌入矩阵；

利用Doc2Vec算法学习服务描述文档中的语义信息，从而获得每个服务的语义向量，并用于对服务嵌入向量的初始化。

2.根据权利要求1所述的方法，其特征在于，所述的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，包括：

对用户-服务矩阵进行概率矩阵分解获得用户和服务的隐因子矩阵，该隐因子矩阵中的用户向量和服务向量的因子表示了用户偏好特征和服务属性特征，所述用户偏好特征和服务属性特征构成了用户服务的隐式特征，利用独热编码对所述用户服务的隐式特征进行编码，通过嵌入层网络将编码后的用户服务的隐式特征映射为嵌入向量，将每条用户-服务调用记录表示为隐式特征矩阵。

3.根据权利要求1所述的方法，其特征在于，将所述用户和服务的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，包括：

针对每条用户-服务调用记录，分别获得表示用户-服务环境特征的显示特征矩阵表示，以及表示用户偏好特征和服务属性特征的隐式特征矩阵表示，拼接显式特征矩阵与隐式特征矩阵，使每条用户-服务调用记录通过一个多源特征矩阵表示。

4.根据权利要求1或者2所述的方法，其特征在于，所述的利用基于卷积神经网络的联合深层网络，学习得到所述多源特征矩阵的局部特征组合，包括：

构建基于卷积神经网络的联合深层网络，该联合深层网络包括单隐层神经网络、卷积神经网络和多层感知机，所述单隐层神经网络用于降低不同特征序列对卷积神经网络的影响，将多源特征矩阵P转化为一维向量再将一维向量P₁输入至单隐层网络中自适应学习新的特征序列，表达式如下：

其中表示激活函数RELU，和分别表示权重矩阵和偏置向量，再将P′₁重塑回原始维度，获得新序列下的多源特征矩阵P′；

将所述多源特征矩阵P′扩展为表示为输入至第一层卷积层中的特征总数，利用卷积操作学习新序列下多源特征间的局部特征组合，卷积操作如下所示：

其中*表示卷积操作，W¹和b¹分布表示第一层的卷积核和偏置，表示激活函数RELU，利用卷积核对多源特征矩阵进行一维列卷积，保证特征维度不变，其中pⁱ，1，qⁱ分别表示卷积核的高度、宽度及数量，利用池化操作捕捉重要特征组合，池化操作如下所示：

其中i表示层数，hⁱ表示第i个池化层的高度，f_r表示为特征总数，d表示嵌入向量维度，表示为第i-1层卷积层输出的特征总数；通过多次卷积操作和池化操作获得多源特征间的局部特征组合D^*。

5.根据权利要求4所述的方法，其特征在于，所述的基于所述局部特征组合学习多源特征间的全局特征组合，根据所述多源特征间的全局特征组合得到用户对云服务的QoS预测，包括：

引入了多层感知机，利用多层感知机学习多源特征间的全局特征组合，将局部特征组合重塑为再与原始的多源特征矩阵P拼接生成混合特征：

其中表示卷积-池化层的个数，利用多层感知器从多源特征矩阵P和局部特征组合P^*的组合中学习出全局特征组合，所述多层感知器由多个隐藏层堆叠实现：

R⁰＝flatten(Q)…

其中Xⁱ和zⁱ分别是第i个隐藏层的权重矩阵和偏置向量，R⁰表示混合特征的一维化向量，即多层感知机的输入，Rⁱ表示第i个隐藏层的输出；

设共有λ个隐藏层，则最终预测的用户对云服务的QoS值R^*可以由第λ层得到：