论文部分内容阅读
随着云服务,微服务,移动服务,物联网服务等服务在互联网上的大范围部署,互联网迎来了“一切都是服务”时代。在Internet上部署的各种服务资源严重增加了用户寻找合适服务的难度。为此,如何向用户推荐符合其差异化需要的服务成为服务计算领域极具挑战性的研究课题之一。在面向服务架构(Service-Oriented Architecture,SOA)的推荐系统中,用户的个性化需求(或喜好)是以服务质量(Quality of Service,QoS)的表现形式呈现的。QoS从本质上是对Web服务非功能属性描述的集合(例如响应时间、可靠性等)。因此,服务推荐亟待处理的关键任务即对QoS进行预测。在现有的服务推荐方法中,协同过滤(Collaborative Filtering,CF)和深度学习(Deep Learning,DL)是应用于QoS预测任务的两种典型范例。基于CF的方法利用用户行为的交互记录来预测未知的服务质量,相似度计算是其关键步骤。近年来,越来越多的工作将位置、时间、信用等上下文信息纳入相似度计算中,从而提高了预测精度。然而,基于CF的方法依然存在如下缺陷:(1)仅学习到用户与服务间的低维度且线性关系;(2)现实数据稀疏性问题极大限制了其预测能力。为解决基于CF的方法存在的问题,许多工作开始致力于探索深度学习技术在服务推荐中的应用。基于DL的方法通过深层神经网络模型能够学习用户与服务之间的高维度且非线性关系模式,因而,一定程度上能够缓解实际的数据稀疏性问题。因此,本文基于深度学习提出时间、空间感知的两种服务推荐方法,主要贡献如下:(1)本文提出一种时间感知的循环张量分解(Time-aware Recurrent Tensor Factorization,RTF)方法。该方法创新性地集成了循环神经网络与泛化张量分解,旨在结合深度学习技术与张量分解技术记忆用户与服务之间长期、短期的依赖模式。具体来说,本文首先将用户-服务-时间的三维交互张量粒化成三个固定大小的嵌入稠密向量,其次,本文提出的子方法——个性化门控循环单元(Personalized Gated Recurrent Unit,PGRU)与泛化张量分解(Generalized Tensor Factorization,GTF)协同作用于共享的嵌入稠密向量上以分别记忆用户与服务之间的长期、短期依赖模式。再其次,本文首次提出整合L1范式损失函数与L2范式损失函数的双精度混合损失函数,极大增强了模型在多个评估指标上的拟合能力。最后,实验结果表明RTF明显优于6种最先进的服务推荐方法。(2)本文提出一种空间感知的深度协同过滤(Location-aware Deep Collaborative Filtering,LDCF)方法。该方法创新性地集成了多层感知机(Multi-Layer-Perceptron,MLP)与位置相似度自适应校正器(similarity Adaptive Corrector,AC),旨在结合深度学习技术与协同过滤技术学习用户与服务之间高维度且非线性的关系。具体来说,首先本文将位置特征映射成高维度的稠密嵌入向量,其次本文引入Huber损失函数,该损失函数具有强大的鲁棒性,并使模型在所有评估指标上具备突出的表现。最后,实验结果表明LDCF明显优于9种最先进的服务推荐方法。(3)为验证本文所提方法的有效性和可行性,本文在现实世界Web服务数据集WS-Dream上(包括QoS Dataset#1和QoS Dataset#2)进行了丰富的实验。为符合实际情况,本文在多种数据密度下对原始数据集稀疏化,并最终对响应时间和吞吐量两种QoS属性预测。大量实验结果表明,本文所提方法的推荐性能显著优于多种最先进的服务推荐方法。