[发明专利]基于三维张量高阶特征交互的云API服务质量预测方法

说明书

本发明公开了基于三维张量高阶特征交互的云API服务质量预测方法，属于服务质量预测领域，所述预测方法包括以下步骤：步骤1，获取云API服务质量数据集；步骤2，设计异常点检测模块，检测筛除云API服务质量数据集离群点；步骤3，设计空间位置信息优化模块，充分提取经纬坐标产生的信息；步骤4，构建可自适应的三维张量网络模型，将处理后的用户特征和云API特征输入三维张量网络模型中，得到高阶特征交互后产生的新特征信息；步骤5，将新特征信息输入深度神经网络层中充分学习，最后通过全连接层得到云API服务质量预测值。本发明设计的方法在多种数据密度场景下都具有更精确的预测效果和较高的鲁棒性。

技术领域

本发明涉及服务质量预测领域，尤其是基于三维张量高阶特征交互的云API服务质量预测方法。

背景技术

云API是指开发者可以使用云应用编程接口编码，而这个接口具备一项云提供商的服务能力。互联网上具有大量相似功能的云API服务，以至于用户很难选择适合自己的云API服务，因此从大量具有相似功能的云API服务中选择适合自己的服务便成为了一个极具挑战性的课题。服务质量通常用于描述云API服务的非功能特征(例如响应时间、吞吐量等)，但在实际中，单一用户很难得到所有候选API服务的服务质量值，因此API服务的服务质量预测问题便成为了服务推荐的首要挑战。

基于深度学习的算法可以对传统建模算法不能建模的数据类型进行建模，它能提取隐藏的特征信息提升推荐算法的效果。其中一种较为常用的方法就是多层感知机，通过隐藏层提取出了更多的特征信息，但传统的深度学习的方法没有显式地提取高阶特征交叉的信息。为了解决交叉特征捕获的问题，学者们便尝试在网络设计上进行探索尝试。有基于GBDT+LR的对一阶特征进行筛选后手动特征交叉提取信息的方法、又有基于FM显式的对二阶特征进行自动交叉提取信息的方法，还有基于MLP的通过隐藏层隐式提取交叉特征信息的方法。虽然以上方法很好的提取了低阶的交叉特征信息，但却都没有显式地提取出高阶特征交叉信息。

发明内容

本发明需要解决的技术问题是提供基于三维张量高阶特征交互的云API服务质量预测方法，将可自适应的三维张量和深度学习相结合，解决了现有云API服务质量预测领域技术显性高阶特征交叉存在的不足问题，能够显式地提取出高阶交叉特征信息，并且能在数据稀疏的条件下提高模型预测的精度。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于三维张量高阶特征交互的云API服务质量预测方法，包括以下步骤：

步骤1，获取云API服务质量数据集；

根据业务需求的服务质量预测目标，采集云API服务质量数据集；

步骤2，设计异常点检测模块，检测筛除云API服务质量数据集异常离群点；

当云API服务质量数据采集完成后，其中部分服务质量采集值是在网络拥塞状态下采集的，会与网络畅通状态下的服务质量表现存在较大的偏差，因此采用离群点检测技术将其从云API服务质量数据集中筛除；

步骤3，设计空间位置信息优化模块，充分提取经纬坐标产生的信息；

通常采集的数据集中表征地理位置的经纬坐标多为数值表示形式，将经纬坐标提取为具体的地理坐标信息，增强特征的可解释性；

步骤4，构建可自适应的三维张量高阶特征交互网络模型，将步骤2-3处理后的用户特征和云API特征输入网络模型中，得到高阶特征交互后产生的新特征信息；

将步骤2-3处理完的云API服务质量数据集，输入三维张量高阶特征交互模型中，生成高阶特征交互后的结果向量；

步骤5，将新特征信息输入深度神经网络层中，其结果向量通过全连接层得到云API服务质量预测值；

将步骤4的结果向量输入深度神经网络层中充分学习，再经过一个全连接层获得最终的预测结果。