-
公开(公告)号：CN118158113A
公开(公告)日：2024-06-07
申请号：CN202410197050.7
申请日：2024-02-22
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16 , H04L43/08 , G06N3/0464 , G06F18/25 , G06F16/9536 , G06Q10/04
Abstract: 本申请涉及一种基于特征增强和时间感知的自适应深度学习QoS预测方法。该方法包括：通过获取与第τ时间片时间最接近的Y个时间片的用户‑服务QoS矩阵进行非负矩阵分解，进而获得目标用户在每个时间片的用户相似特征向量以及目标服务在每个时间片的服务相似特征向量；进而获得目标用户在每个时间片的调用偏好时间特征向量和目标服务的调用偏好时间特征向量并进行特征增强后进行融合，构成Y个时间片上目标用户调用目标服务的时间特征向量输入AGRN模型中对应的AGRU单元进行处理，获得目标用户调用目标服务的时间感知特征进行预测，获得第τ个时间片上目标用户调用目标服务的QoS值。从而提高了QoS预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117274616B
公开(公告)日：2024-03-29
申请号：CN202311248410.3
申请日：2023-09-26
Applicant: 南京信息工程大学
IPC: G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种多特征融合深度学习服务QoS预测系统及预测方法，该方法包括：获取用户潜在特征矩阵及服务潜在特征矩阵，并进行初始化，将初始化后的用户潜在特征矩阵和服务潜在特征矩阵经过深度神经网络提取特征图，得到用户特征图和服务特征图；将特征图提取过程中的数据流经过特征转化块处理，与用户特征图/服务特征图归并处理，分别得到用户融合特征图/服务融合特征图；将用户融合特征图及服务融合特征图通过训练后的多特征融合QoS预测网络，得到QoS预测值，提高预测准确度。
-
公开(公告)号：CN116011662A
公开(公告)日：2023-04-25
申请号：CN202310053430.9
申请日：2023-02-02
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06F18/25 , G06F18/22 , G06F16/958
Abstract: 本发明公开基于金字塔结构的多特征提取的服务QoS预测方法，对预先获取的原始用户‑服务QoS矩阵进行非负矩阵分解，获得用户个体特征矩阵和服务个体特征矩阵，得到个体特征；用户个体特征矩阵和服务个体特征矩阵拟合，得到全局特征矩阵；在全局特征矩阵中提取相似用户对相似服务的拟合QoS值，获得局部特征矩阵；对局部特征矩阵进行特征提取，获得局部特征；对全局特征矩阵进行特征提取，得到全局特征；对个体特征、局部特征和全局特征进行特征优化和特征融合，获得优化的顶层特征、优化的中层特征和优化的底层特征，并输入服务QoS预测模型，预测输出QoS预测值。本发明考虑不同特征之间的交互，以实现准确的QoS预测。
-
公开(公告)号：CN114117945B
公开(公告)日：2022-04-15
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
公开(公告)号：CN117274616A
公开(公告)日：2023-12-22
申请号：CN202311248410.3
申请日：2023-09-26
Applicant: 南京信息工程大学
IPC: G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种多特征融合深度学习服务QoS预测系统及预测方法，该方法包括：获取用户潜在特征矩阵及服务潜在特征矩阵，并进行初始化，将初始化后的用户潜在特征矩阵和服务潜在特征矩阵经过深度神经网络提取特征图，得到用户特征图和服务特征图；将特征图提取过程中的数据流经过特征转化块处理，与用户特征图/服务特征图归并处理，分别得到用户融合特征图/服务融合特征图；将用户融合特征图及服务融合特征图通过训练后的多特征融合QoS预测网络，得到QoS预测值，提高预测准确度。
-
公开(公告)号：CN114117945A
公开(公告)日：2022-03-01
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
