时空上下文感知的云服务质量预测和推荐的研究

To improve the traditional QoS prediction accuracy which was based on the two dimension data, the project gives a solution based on three dimension tensor factorization model. Firstly, the project extracts the time and location context information from the user observed QoS records, the user evaluated records and the user feedback data, so as to construct the user-service-time/location 3-dimension data. Secondly, due to each user only invokes one or several cloud services out of the numerous candidates at each time, resulting in many missing QoS values in history records, the project proposes a tensor decomposition algorithm which is able to deal with the triadic relations of user-service-time/location model. Thirdly, to solve the high sparsity of the available QoS data, the project presents a tensor decomposition model based on the time similarity and location similarity. Lastly, two prediction models are aggregated together to get more accuracy result and the extensive experiments are conducted. Overall the project can help the service users to select best QoS-aware services and help the service providers to recommend services to the potential customers.

为解决传统二维数据下服务QoS预测精度不足的问题，本项目给出了基于三维张量分解的解决方案。首先从服务的质量感知数据、用户评价数据以及用户反馈数据中抽取出QoS感知数据的时间和空间上下文信息，构成用户-服务-时间（空间）形式的三维QoS数据；其次，由于一般用户仅对少数云服务有过使用记录，导致得到的时空上下文质量感知数据中有大量的未知值，本项目将云服务的质量预测问题转化为张量分解问题并求解。再次，为解决QoS的稀疏性问题，提出基于时间和空间相似的张量分解模型。最后，构建本项目的实验平台，将时间和空间上下文预测模型进行融合，构建多元QoS预测模型。本项目为用户选择满足QoS要求的云服务提供了基础，并为服务提供者提供了将服务推荐给潜在客户的功能。

近年来，随着云计算的兴起，利用网络将成千上万台电脑和服务器等各种资源连接在一起，为用户提供各种计算服务，用户只需要通过一个简单的终端就可以享受云服务带来的强大的处理能力，在所有计算资源都以服务的形式对外开放的时代，面对众多的服务，尤其是网络上有大量功能相同或相似的服务时所有计算资源，面对网络上众多的功能相同或相似的服务，快速、准确找到满足不同需求的服务的研究变得很重要。本项目提出时空上下文感知的云服务质量预测和推荐这个研究课题，主要研究内容包括：(1)针对用户在不同时间段对服务的质量感知不同，将用户和服务的时间特征，引入到服务质量预测模型中，设计时间感知的服务质量预测算法；(2)针对用户在不同地点对服务的质量感知不同，将用户和服务的空间特征，引入到服务质量预测模型中，设计空间感知的服务质量预测算法；(3)针对历史数据的稀疏性问题，将多维度上下文进行融合，通过采集现实世界中 Web 服务的历史,并进行实验验证。项目的创新性及意义体现在：(1)项目充分利用用户和服务的上下文环境信息，通过引入用户和服务的时空特征来提高服务质量预测精度；(2)通过分析收集的数据，设计用户-服务-时间（空间）形式的三维QoS数据，利用三维分解理论为用户提供准确的QoS预测。(3) 利用空间-空间之间的相似性缓解数据的稀疏性问题，用户和服务数量往往都是非常庞大的，而用户行为数据往往都是稀疏的，也就是说用户-服务-上下文矩阵中有大量元素是缺失的，利用用户和服务的空间关系不仅可以缓解 QoS 数据的稀疏性问题，同时也可以解决新服务或新用户的冷启动问题。项目已发表期刊论文9篇，国际会议文章2 篇, 其中SCI检索论文5篇，EI检索论文3篇。另有1篇待排版，2篇审稿中。