Key points are not available for this paper at this time.
Wie man die verfügbare QoS genau vorhersagt, ist zu einem grundlegenden Problem für serviceorientierte nachgelagerte Aufgaben geworden. Die meisten auf Modelllernen basierenden QoS-Vorhersagemethoden scheitern jedoch daran, die latenten Merkmalsrepräsentationen eines Benutzers und eines Dienstes diskriminierend zu erfassen, da sie entweder flache neuronale Netzwerke wie MLP verwenden oder von unzureichenden Standortinformationen profitieren. Darüber hinaus wurden die kollaborativen Beziehungen ähnlicher Nachbarschaften zusammen mit dem Lernen des Vorhersagemodells nicht vollständig berücksichtigt. Um diese Probleme zu adressieren, schlagen wir ein neuartiges Framework für adaptive QoS-Vorhersage vor, das Neighborhood-based Collaborative Residual Learning (NCRL) genannt wird. Ein standortbewusstes zweiseitiges tiefes Residualnetzwerk wurde entworfen, um neuronale QoS-Vorhersagen zu erzielen, indem latente Merkmale von Benutzern und Diensten extrahiert werden, die zur Generierung ähnlicher Nachbarschaften für kollaborative Vorhersagen basierend auf historischen QoS-Aufrufen verwendet werden. Diese werden integrativ kombiniert, um adaptive QoS-Vorhersagen durchzuführen. Umfangreiche Experimente wurden auf Basis eines großangelegten realen QoS-Datensatzes namens WS-DREAM mit fast 2.000.000 historischen QoS-Aufrufen durchgeführt. Die Ergebnisse zeigen, dass NCRL die leistungsstärksten konkurrierenden Baselines bemerkenswert übertreffen kann.
Zou et al. (Sat,) haben diese Frage untersucht.