Una Nueva Red de Convolución Gráfica Espaciotemporal

Los datos dinámicos de Calidad de Servicio (QoS) que capturan variaciones temporales en las interacciones usuario-servicio son una fuente esencial para la selección de servicios y la comprensión del comportamiento del usuario. Los enfoques basados en el Análisis de Características Latentes (LFA) han demostrado ser beneficiosos para descubrir patrones temporales efectivos en los datos de QoS. Sin embargo, los métodos existentes no pueden modelar bien la espacialidad y la temporalidad implicadas en las interacciones dinámicas de manera uniforme, lo que causa una pérdida de precisión abundante para la estimación de QoS faltante. Para abordar el problema, este documento presenta un nuevo estimador de QoS dinámico basado en Redes Neuronales de Convolución Gráfica (GCNs), denominado modelo GCN de Acoplamiento Espaciotemporal (SCG), con tres ideas a continuación. Primero, SCG construye sus reglas de convolución de grafo dinámico al incorporar un marco de producto tensorial generalizado, para el modelado unificado de patrones espaciales y temporales. En segundo lugar, SCG combina la capa GCN heterogénea con la factorización tensorial, para un aprendizaje de representación efectivo en gráficos bipartitos usuario-servicio. En tercer lugar, simplifica aún más la estructura GCN dinámica para reducir las dificultades de entrenamiento. Se han realizado extensos experimentos en dos conjuntos de datos de QoS a gran escala ampliamente adoptados, que describen el rendimiento y el tiempo de respuesta. Los resultados demuestran que SCG alcanza una mayor precisión en la estimación de QoS en comparación con los enfoques más avanzados, ilustrando que puede aprender representaciones poderosas para usuarios y servicios en la nube.