计算机论文范文哪里有？本文提出了一种Bi-LSTM和FM的并行结构来同时捕捉高阶和低阶特征QoS信息。该模型不仅可以对服务的时间信息进行建模，还可以将重点放在抽象特征组合上，从而提高了服务推荐的质量。为了促进服务推荐的多样性，使用了一对软-硬性注意力机制，将位置信息和权重信息结合，使模型能够考虑基于时间信息的位置信息。
第 1 章 绪论
1.2 国内外研究现状
作为服务推荐的重点，基于 QoS 的服务推荐被广泛研究。在现有的 QoS 预测方法中，协作过滤（Collaborative Filtering, CF）是使用频率最高的算法[7-10]，主要思想是给目标用户匹配有共同偏好的用户，根据匹配到的用户信息为目标用户推荐，其中求解相似度是其核心过程。如今 CF 算法已被各界应用，自 Shao 等人[11]应用 CF 算法以来，研究者们陆续提出了许多不同的 CF 方法。例如，Fu 等人[12]提出了新的基于深度学习的 CF 模型，通过预先对用户和物品的了解来进行有效的智能推荐；郭彩云等人[13]提出了改进的基于标签的 CF 模型。以上所列出的几个模型主要利用评分矩阵进行预测，却忽视了系统中的外部环境、空间等上下文信息。通常，CF 方法可划分为：基于内存与基于模型两个大方向。
(1) 基于内存的协同过滤推荐方法
基于内存的 CF 推荐算法包括基于项目[14]，基于用户[15]以及两者的组合[16]。首先，整个模型的主要思想是求解用户或服务的相似度，之后根据相似度预测服务，最后生成目标用户的前 K 个推荐。例如，Manochandar S.等人[17]提出了一种新的相似度度量方法，引入一种改进的近似-影响-流行度(MPIP)相似度量，提出了一种改进的预测表达式，通过结合用户和物品相关组件来预测可用和不可用评级。Wu 等人[18]提出一种基于比率的算法来改进相似度计算。Jiang 等人[19]提出了基于亚一准范数的 CF 预测方法，其提出的衡量相似度的方法更容易利用目标对象间的差别信息，来降低用户之间的相似性。以上列出得模型都对相似度加以改进，却很少关注外部环境中产生上下文信息的影响。
计算机论文范文
............................
第 3 章 面向 Web 服务 QoS 预测的双层服务过滤模型
3.1 引言
服务推荐技术是实现智能服务个性化的关键。服务推荐任务简单的来说，就是推荐出能够迎合用户功能需求的服务，同时要求该服务必须满足非功能需求(服务质量，简称 QoS)，例如，时间、价格、可靠性等，特别是具有相同或类似功能的服务。在实际的服务调用场景中，能否从基于用户的 QoS 属性的服务中找出最优选择是非常重要的。然而，大规模的 Web 服务评估是一项复杂的任务，用户历史调用的服务数量通常非常有限，导致严重缺乏历史的 QoS 值。这种情况在服务计算环境中是一个亟待解决的问题，因此，为了进行智能的服务推荐，对基于服务 QoS 值进行高精度的服务预测成为了一项不可避免的任务。
在如此复杂环境下，研究者们不断研究基于 QoS 的 Web 服务推荐方法，QoS成为候选服务的重要参考指标。在推荐的过程中，一方面受到庞大的服务规模的影响，推荐效率有所下降。因此，提高服务的推荐效率是一个急需解决的重要问题，而对服务的处理可以作为前期准备，解决后期服务的可靠性和推荐效率的问题。另一方面，要在考虑上下文信息的基础上有重点的结合用户和服务的相关性的问题进行推荐。综合来看为了提高服务推荐质量，本文采取了双层过滤的服务推荐策略。首先通过判断服务 QoS 值的稳定性，将不稳定的无效服务进行过滤。该操作一定程度上降低了服务规模，排除了无效服务的出现对服务推荐产生的干扰，提高了推荐的效率。为了缓解上下文对服务推荐产生的影响以及用户和服务的相关性问题，对用户和服务的地理位置进行考虑，通过对服务和用户的特征求解相似性实现过滤。进一步地，考虑到服务推荐环境的稀疏性和噪声影响问题，采用因子分解机进行解决。最后，为了进一步增强模型的推荐效果，增加了注意力机制进行计算处理，它能有效地区分不同交互特征的重要性。
...........................
第 4 章 基于动态和静态 QoS 的多任务服务推荐模型
4.1 引言
在论文第 3 章中，解决了服务前期产生的影响以及用户和服务之间的联系性等问题。但是在服务推荐的复杂环境下，QoS 的变化也是在推荐过程中应该考虑的重要因素。因为在实际情况中，QoS 往往是动态改变的。那么考虑到静态 QoS或者动态 QoS 都会对服务推荐的结果产生影响，本章在静态 QoS 服务推荐的基础上，考虑到 QoS 的动态变化，也就是时间因素，形成一种基于动态和静态 QoS 的多任务服务推荐模型。
想要同时考虑动静态 QoS，这其中最关键的挑战是如何有效地对特征交互进行建模。为了更精准地进行服务推荐，最关键的过程是对目标对象的潜在活动信息进行特征组合。在一般的研究中，模型获取用户的潜在特征（隐藏特征）是相对困难的。当维度过高时，模型甚至无法获取用户的潜在特征。当数据稀疏时，很难对特征组合进行训练。为了解决这一问题，基于 QoS 数据值提出一个同时考虑高低阶（动静态）特征组合的服务推荐模型。
在本章模型中，使用双向长短时记忆网络（Bi-LSTM）和因子分解机（FM）来完成更加个性化的服务推荐。首先，利用 Bi-LSTM 来捕捉高阶服务特征。它不仅能灵活的处理上下文信息，还能够记忆用户的长短时偏好。其次，考虑到服务推荐环境的稀疏性，选择因子分解机来学习服务之间的低阶特征组合。它能够解决数据中从未出现或很少出现的特征交互，同时也缓解了冷启动问题。最后，使用注意力机制来进一步增强模型的预测能力。通过软注意力和硬注意力相结合的方式，将位置信息和权重信息结合，既考虑全局的权重，又能够考虑局部信息。
图 2.2 Web 服务的 QoS 指标
............................
4.2 基于动态和静态 QoS 的多任务服务推荐模型
4.2.1 动态 QoS 模块
为了进行更精准的服务推荐，在本章中考虑了 QoS 各种情况的动态变化，即：用户产生的上下文信息（时间、地点、行为）会影响 QoS 的变化。用户后期的服务选择会被早先产生的 QoS 信息所引导，也就是前时间段的 QoS 状态会影响到用户后时间段的选择。对同一个服务而言，处于不同地点的用户在某个相同的时间域内，会感受到不同的 QoS 状态。基于以上考虑，采用 Bi-LSTM 来完成这一任务，并在此基础上通过注意力机制进一步的优化这一动态学习过程。
Bi-LSTM 是 LSTM 的变体，是由前向 LSTM 与后向 LSTM 构成。其主要思想是利用前向和后向的 LSTM 获取过去和未来的隐藏信息，最后将获取到的总信息进行整合输出。LSTM 在训练学习的过程中，不会随着神经元的增多而产生信息遗忘的问题，它的梯度也会保持在一个正常的水平。这种对时间的考量使得模型具有动态化效应，进而使得用户偏好的服务在模型中能够得到个性化更新。但是其缺点是无法获得当前状态之后的状态信息，那么为了更多的考虑上下文信息，本节采用一个双向的 LSTM（Bi-LSTM）的结构来解决此问题。
.............................
第 5 章 总结与展望
5.2 展望
迄今为止，基于 QoS 的 Web 服务预测与主动推荐技术仍在不断发展，研究者对此不断深入研究。与此同时，随着 Web 服务应用场景的不断延伸和被广泛使用，用户对此产生新的需求。作为当下流行的研究方向和应用领域，针对本文所提出的方法，基于 QoS 的 Web 服务预测推荐还有以下问题可以继续进行深入的研究。
在未来，可以进一步考虑研究其他大规模 QoS 数据集中用户和服务的潜在特征，并考虑用户决策对推荐产生的影响，充分从多角度分析和识别用户行为中的有效信息，为用户提供更好的决策支持。
本文通过实验证明了提出的两种基于 QoS 服务预测推荐方法有着优异的表现，有很大的应用前景，后期可以通过对模型算法的进一步完善，将理论变为现实。在现实环境中，从目前服务数据量的大小来看，服务数量呈爆炸式增长，过量的数据会导致服务领域出现一系列的问题，所以将目前的研究方法逐步应用于实际的系统平台中可以作为下一步实践操作的重点内容。
本文提供的服务建议侧重于推送给目标对象 QoS 优质的服务。在这种情况下，如果可以将用户的功能需求整合到论文的服务建议中，这些服务既保证了高质量又满足了目标对象的功能需求，给后期的服务推荐提供双重保障，未来将会提高用户的整体体验。
参考文献（略）
