[发明专利]基于多重双层栈式降噪自编码器的QoS预测方法及系统

说明书

本发明属于通信技术领域，提供了基于多重双层栈式降噪自编码器的QoS预测方法及系统，其根据用户位置和改进Jaccard相似系数获取目标用户的可信相似邻居，并利用可信邻居对初始的用户‑服务QoS矩阵进行数据预填充，解决数据稀疏问题对模型训练的影响，并利用用户调用服务的信息，获取用户偏好作为预填充QoS矩阵的辅助信息，提高预测精度。将含有辅助信息的预填充QoS矩阵，通过多重双层栈式降噪自编码器的学习训练，得到高准确度预测的QoS值，且能够突出QoS数据间的关联特征，避免了传统模型过拟合现象。

技术领域

本发明属于通信技术领域，尤其涉及基于多重双层栈式降噪自编码器的QoS预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

传统的Web服务推荐方法局限在满足用户功能需求方面，却忽略了Web服务的非功能属性(QoS)，使得推荐结果并不能很好的满足用户需求。实际上，QoS(如响应时间、吞吐量、可靠性等)是服务选择和推荐的一个关键标准。

在现实网络环境中，与庞大的Web服务集相比，用户所调用的服务数量非常少，导致所产生的历史QoS值严重缺乏。以往的QoS预测方法虽在数据稀疏问题的解决上略有成效，但却忽略了数据特征之间的关联以及噪声数据对QoS预测准确率的影响，进而降低了服务推荐的质量。另外，现有的深度学习模型往往只关注充分挖掘数据的潜在特征来提高QoS预测准确率，而很少关注用户或服务的上下文信息(位置信息)以及用户本身所有的属性特点。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供基于多重双层栈式降噪自编码器的QoS预测方法及系统，其根据用户位置和改进Jaccard相似系数获取目标用户的可信相似邻居，并利用可信邻居对初始的用户-服务QoS矩阵进行数据预填充，解决数据稀疏问题对模型训练的影响，并利用用户调用服务的信息，获取用户偏好作为预填充QoS矩阵的辅助信息，提高预测精度。将含有辅助信息的预填充QoS矩阵，通过多重双层栈式降噪自编码器的学习训练，得到高准确度预测的QoS值，且能够突出QoS数据间的关联特征，避免了传统模型过拟合现象。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供基于多重双层栈式降噪自编码器的QoS预测方法，包括如下步骤：

获取互联网用户和用户调用服务的位置信息；

基于互联网用户和用户调用服务的位置信息，在计算用户和服务QoS向量之间的整体相似度时，引入用户之间调用服务交集中的QoS值差距，得到目标用户和服务的相似邻居；

采用目标用户相似邻居对初始用户-服务QoS矩阵进行数据预填充，并利用服务的相似邻居的信息获取用户偏好信息，得到含有用户偏好信息的预填充QoS矩阵；

基于含有用户偏好信息的预填充QoS矩阵和训练好的多重双层栈式降噪自编码器，进行多次不同加噪率操作并进行多次编码和解码得到QoS预测值。

本发明的第二个方面提供基于多重双层栈式降噪自编码器的QoS预测系统，包括：

信息获取模块，用于获取互联网用户和用户调用服务的位置信息；

相似邻居获取模块，用于基于互联网用户和用户调用服务的位置信息，在计算用户和服务QoS向量之间的整体相似度时，引入用户之间调用服务交集中的QoS值差距，分别得到目标用户和服务的相似邻居；

预填充QoS矩阵模块，用于采用目标用户相似邻居对初始用户-服务QoS矩阵进行数据预填充；并利用服务的相似邻居的信息获取用户偏好信息，得到含有用户偏好信息的预填充QoS矩阵；