联合用户与服务多关系的服务质量预测方法

技术特征：
1.联合用户与服务多关系的服务质量预测方法，其特征在于，包括以下步骤：步骤1：根据历史数据流，将用户与用户之间的关系以用户图g
uu
来表示、服务与服务之间的关系以服务图g
ss
来表示、用户与服务之间的关系以用户服务图g
us
来表示；步骤2：基于用户图g
uu
、服务图g
ss
和用户服务图g
us
来构建全局图g，并将g中边权值小于阈值θ1的边裁剪掉，形成k个子图g1,g2,
…
g
k
；步骤3：利用k个子图对应的响应时间qos矩阵来加权原用户与服务之间的响应时间qos矩阵a，从而融合为新的响应时间qos矩阵b；步骤4：将融合的新矩阵b进行矩阵分解求得最小损失函数。2.根据权利要求1所述联合用户与服务多关系的服务质量预测方法，其特征在于：所述用户图g
uu
，g
uu
＝{v
u
,e
uu
}，v
u
为用户节点集合，e
uu
为用户u
a
与用户u
b
之间的边联系权值；网络环境自治域衡量用户相似度关系的公式如(1)所示：w
asu
(u
a
,u
b
)表示网络环境自治域下的相似权值，表示用户u
a
所在的网络环境自治域，表示用户u
b
所在的网络环境自治域；由公式(1)可知，倘若用户u
a
与用户u
b
在同一网络环境自治域下，则衡量相似度的权值为1，否则为0；采用用户所在位置的经纬度计算相似度关系，计算两个用户之间的实际距离时用公式(2)：s(u
a
,u
b
)＝r
·
arccos[cosβ1cosβ2cos(α
1-α2) sinβ1sinβ2]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，r是地球半径，用户u
a
的纬度角为β1，经度角为α1；用户u
b
的纬度角为β2，经度角为α2；归一化用户之间的距离，公式如(3)所示：w
dis
(u
a
,u
b
)表示用户a与用户b的距离相似度权值，当实际距离s(u
a
,u
b
)越小时，那么，两个用户的相似度权值w
dis
(u
a
,u
b
)就越大，其区间为[0,1]；将两者的权值进行线性加权处理，得到公式(4)：其中，λ1是调整用户所在网络环境自治域下的相似度权值占整体的权重比例，λ2是调整用户所在地理位置下的相似度权值占整体的权重比例，χ1为控制用户节点之间边的阈值，倘若加权和大于其阈值，则两节点之间存在边，否则两个用户节点之间不存在边；所述服务图g
ss
，g
ss
＝{v
s
,e
ss
}，v
s
为服务节点集合，e
ss
为服务s
a
与服务s
b
之间的边联系权值，在同一个as域系统的服务有着相似的特性，因此服务的相似性受到as域系统的影响，如公式(5)所示：
其中w
ass
(s
a
,s
b
)表示服务s
a
与服务s
b
在自治域系统下的相似权值，若服务s
a
与服务s
b
在同一自治域系统，则权值为1，否则为0；采用余弦相似度计算服务网页的相似度，如公式(6)所示：其中x
i
和y
i
分别是服务s
a
和服务s
b
的网页关键词的特征向量，取出前z个关键词形成特征向量词，得到服务网页的相似性权值，值越大就表示越相似；服务所在的网络环境自治域系统与服务网页本身的内容对服务的相似性起着关键性作用，两者线性叠加求和，如公式(7)所示：式中λ3,λ4为服务所在的网络环境自治域系统与服务网页内容所占服务关系的权重比例，χ2为决定服务之间的阈值，若加权和大于其阈值，则两个服务节点之间存在边，否则两节点之间不存在边；所述用户服务图g
us
，包括三要素：用户节点、服务节点、用户与服务交互的边，即为g
us
＝{v
u
,v
s
,e
us
}；使用吞吐量创建u
a
与s
b
之间的边信息，tp
ab
表示为用户u
a
调用服务s
b
时的吞吐量，吞吐量的处理如公式(8)所示：其中tp
ab
为归一化后的值，因此将吞吐量归一化处理如公式(9)所示：其中，tp
max
,tp
min
分别为所有用户调用所有服务时的最大吞吐量与最小吞吐量，tp
ab
'为u
a
调用s
b
的吞吐量归一化后的值，每个元素越大，意味着服务响应的用户请求越多，也就代表着用户与服务的关系越密切。3.根据权利要求1所述联合用户与服务多关系的服务质量预测方法，其特征在于：所述步骤2具体包括：全局图g：用户图、服务图、用户与服务图构建为一个完整的有权无向图g，那么g＝{g
uu
,g
ss
,g
us
}，那么g＝{v
u
,v
s
,e
uu
,e
ss
,e
us
},其中包括用户节点集合为v
u
，服务节点集合为v
s
，用户之间关系的边集合为e
uu
，服务之间关系的边集合为e
ss
，用户与服务之间关系的边集合为e
us
；边权值：归一化后的边的权值范围在[0,1]，权值越大代表节点联系越密切；噪声：权值小于阈值θ1的边，其边包括用户之间的边，服务之间的边，用户与服务之间的边；子图：将全局图g的边进行切割，形成子图g1,g2,
…
g
k
，每个子图中含有节点和边两种因素。
4.根据权利要求1所述联合用户与服务多关系的服务质量预测方法，其特征在于：所述步骤3具体包括：直接关系：用户直接调用服务为直接关系；潜在关系：包括联系密切的多个用户和同一个服务的关系，若在历史数据中，用户邻居群1中用户u1,u2,u3密切相关，服务邻居群1中服务s1，s2密切相关，仅有u2,u3调用过服务s1，那么，用户u1与服务s1存在潜在关系，用户u1,u3与服务s2也存在潜在联系；矩阵a：历史数据流中，初始的用户调用服务的响应时间qos矩阵，用户调用服务的数据整理为一个user-service矩阵，矩阵中每一行代表一个用户，而每一列则代表一个服务；若用户调用过服务，则矩阵中处在用户对应的行与服务对应的列交叉的位置表示用户调用服务的响应时间，这个user-service矩阵被称为qos矩a阵；矩阵b：将k个子图对应的响应时间qos矩阵来线性加权原用户与服务之间的响应时间qos矩阵a得到矩阵b。5.根据权利要求1所述联合用户与服务多关系的服务质量预测方法，其特征在于：所述步骤4具体包括，对于矩阵m(m*n)，视为该矩阵有k个隐性因子，那么则分解为p(m*k)、q(k*n)，此时对于响应时间矩阵a中有调用qos值的位置m
us
来说，其在分解后矩阵中对应的值如公式(10)所示：p
u,k
，q
k,s
为生成的两个低阶的随机正态矩阵，k表示隐性因子；对于整个矩阵a而言，总的损失函数如公式(11)所示：sse＝e2＝∑
u,s
(m
u,s-m'
u,s
)2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)6.根据权利要求5所述联合用户与服务多关系的服务质量预测方法，其特征在于：在求解最小损失函数过程中采用梯度下降方法逐步迭代，具体应用到目标函数，如下公式(12)所示：sse是关于p和q的多元函数，当随机选定u和s之后，需要枚举所有的k，并且对p
u,k
以及q
k,s
求偏导数，整个式子中仅有p
u,k
q
k,s
这一项与之相关，通过链式法则可知：通过链式法则可知：为了p和q中所有的值都能得到更新，按照在线学习的方式选择qos矩阵中有调用值的点对应的u、s来进行迭代。7.根据权利要求6所述联合用户与服务多关系的服务质量预测方法，其特征在于：为了防止过拟合加入正则化项，损失函数公式为：8.根据权利要求1-7任一项所述联合用户与服务多关系的服务质量预测方法，其特征在于：还包括，以平均绝对误差和均方根误差来评估多关系的服务质量预测方法性能。
9.根据权利要求8所述联合用户与服务多关系的服务质量预测方法，其特征在于：所述平均绝对误差如下式所示：其中r(u,s)为初始的响应时间矩阵，r'(u,s)为预测的响应时间矩阵，l为矩阵中元素的总个数。所述均方根误差如下式所示：其中r(u,s)为初始的响应时间矩阵，r'(u,s)为预测的响应时间矩阵，l为矩阵中元素的总个数。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至9任一项所述的服务质量预测方法的步骤。

技术总结
本发明公开了一种联合用户与服务多关系的服务质量预测方法，属于通信技术领域。步骤1：根据历史数据流，表示出用户图、服务图和用户服务图；步骤2：基于用户图、服务图和用户服务图来构建全局图G，并将G中边权值小于阈值的边裁剪掉；步骤3：利用K个子图对应的响应时间QoS矩阵来加权原QoS矩阵A，从而融合为新的响应时间QoS矩阵B；步骤4：将融合的新矩阵B进行矩阵分解求得最小损失函数；步骤5：以平均绝对误差和均方根误差来评估多关系的服务质量预测方法性能。本方法结合了图论中图和凸优化中矩阵分解和梯度下降的优势，规避了预测的噪声，通过本方法可以提高服务质量QoS预测的准确度，同时提高用户调用服务的体验感。同时提高用户调用服务的体验感。同时提高用户调用服务的体验感。


技术研发人员：郭寒 张旭 张琦涵 冯川 郭磊
受保护的技术使用者：重庆邮电大学
技术研发日：2022.09.29
技术公布日：2023/1/31