基于位置與信譽(yù)感知深度神經(jīng)網(wǎng)絡(luò)的云服務(wù)質(zhì)量預(yù)測(cè)*

朵 琳，張園園，韋貴香

（昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650504）

0 引言

隨著大數(shù)據(jù)和云計(jì)算的出現(xiàn)，萬(wàn)物即服務(wù)的理念已被廣泛接受，互聯(lián)網(wǎng)上具有類(lèi)似功能的服務(wù)激增[1]。因此，快速發(fā)現(xiàn)和選擇優(yōu)質(zhì)的服務(wù)已成為服務(wù)推薦領(lǐng)域的研究熱點(diǎn)[2]。服務(wù)推薦系統(tǒng)由于可以主動(dòng)向用戶(hù)推薦高質(zhì)量的服務(wù)，因此備受歡迎[3]。然而，由于服務(wù)通常在動(dòng)態(tài)網(wǎng)絡(luò)上運(yùn)行，一些服務(wù)質(zhì)量（Quality of Service，QoS）屬性的值，例如響應(yīng)時(shí)間、吞吐量等，會(huì)受到不同用戶(hù)的上下文（例如地理位置和網(wǎng)絡(luò)條件）的影響[4]。因此，預(yù)測(cè)與用戶(hù)相關(guān)的QoS 值對(duì)于有效地云服務(wù)推薦非常重要[5]。然而，如何獲得具有相似功能的QoS 值是服務(wù)推薦領(lǐng)域面臨的最大挑戰(zhàn)之一。一方面，實(shí)際的QoS 值通常取決于調(diào)用服務(wù)的用戶(hù)的物理位置和網(wǎng)絡(luò)狀況，也就是說(shuō)，用戶(hù)從服務(wù)提供者那里獲得服務(wù)的實(shí)際QoS 值是不現(xiàn)實(shí)的[6]。另一方面，大多數(shù)傳統(tǒng)方法直接使用用戶(hù)提供的歷史Q(chēng)oS 值來(lái)預(yù)測(cè)未知的QoS 值，而不考慮QoS 值是否可靠，如果數(shù)據(jù)是由不可信的用戶(hù)提供的，那么預(yù)測(cè)性能會(huì)受到很大影響[7]。因此，QoS 預(yù)測(cè)被認(rèn)為是獲得QoS 值的有效方法[8]。

協(xié)同過(guò)濾（Collaborative Filtering，CF）是最廣泛使用的QoS 預(yù)測(cè)方法之一[9]。協(xié)同過(guò)濾根據(jù)其實(shí)現(xiàn)原理可分為基于內(nèi)存（或鄰域）的方法和基于模型的方法兩類(lèi)?；趦?nèi)存的CF 方法[10]的關(guān)鍵步驟是計(jì)算用戶(hù)（或服務(wù)）之間的相似度，然后根據(jù)相似用戶(hù)（或服務(wù)）提供的歷史Q(chēng)oS 值來(lái)預(yù)測(cè)未知的QoS。基于模型的CF 方法[11]需要基于訓(xùn)練數(shù)據(jù)和機(jī)器學(xué)習(xí)算法構(gòu)建一個(gè)有能力的模型，整合來(lái)自相關(guān)客戶(hù)的歷史數(shù)據(jù)來(lái)預(yù)測(cè)目標(biāo)服務(wù)的質(zhì)量。最近，在基于模型的預(yù)測(cè)方法研究領(lǐng)域中，關(guān)于矩陣分解技術(shù)[12]的研究熱度明顯上升。Zhu 等人[13]通過(guò)數(shù)據(jù)轉(zhuǎn)換、在線學(xué)習(xí)和自適應(yīng)權(quán)重等新技術(shù)擴(kuò)展了傳統(tǒng)的矩陣分解模型。Ryu 等人[14]提出了一種使用偏好傳播方法的基于位置的矩陣分解，它將調(diào)用相似性和鄰域相似性整合到偏好傳播過(guò)程中以應(yīng)對(duì)數(shù)據(jù)稀缺性。

然而，基于CF 的方法的預(yù)測(cè)精度依賴(lài)于鄰居選擇效率，在數(shù)據(jù)稀少的情況下，由于與QoS 相關(guān)的數(shù)據(jù)可用性較低，鄰居選擇效率會(huì)受到限制。另外，由于相似度計(jì)算依賴(lài)于歷史Q(chēng)oS 數(shù)據(jù)，因此歷史數(shù)據(jù)的質(zhì)量對(duì)預(yù)測(cè)結(jié)果也有很大的影響，如果數(shù)據(jù)是由不可信的用戶(hù)提供的，那么預(yù)測(cè)性能會(huì)受到很大影響。因此，解決數(shù)據(jù)稀疏和用戶(hù)可信度問(wèn)題，是提高預(yù)測(cè)準(zhǔn)確度的其中一個(gè)手段。Wang 等人[7]提出了一種基于信譽(yù)感知網(wǎng)絡(luò)嵌入學(xué)習(xí)的改進(jìn)的QoS 預(yù)測(cè)方法。該方法首先過(guò)濾不可信用戶(hù)，其次利用信譽(yù)感知網(wǎng)絡(luò)嵌入來(lái)學(xué)習(xí)用戶(hù)的隱藏表示，最后用基于用戶(hù)的CF 來(lái)預(yù)測(cè)未知的QoS 值。Seyyed等人[15]結(jié)合用戶(hù)的位置信息和他們的聲譽(yù)來(lái)獲得區(qū)域聲譽(yù)，然后與矩陣分解相結(jié)合，提高了預(yù)測(cè)準(zhǔn)確度?；谀Ｐ偷腃F 方法不依賴(lài)于鄰居選擇，它們直接從服務(wù)調(diào)用中學(xué)習(xí)潛在特征；因此，在較高的數(shù)據(jù)稀疏度的條件下，基于模型的方法比基于內(nèi)存的方法能夠?qū)崿F(xiàn)更高的預(yù)測(cè)精度。然而隨著數(shù)據(jù)集大小的增加，這種方法的預(yù)測(cè)精度會(huì)下降。

近年來(lái)，深度學(xué)習(xí)在圖像處理、計(jì)算機(jī)視覺(jué)以及語(yǔ)音識(shí)別等領(lǐng)域產(chǎn)生了巨大影響[16]。深度學(xué)習(xí)比傳統(tǒng)方法更適合服務(wù)推薦系統(tǒng)的原因是，深度學(xué)習(xí)具有非線性變換、表示學(xué)習(xí)、序列建模、靈活性高[17]等特點(diǎn)。此外，深度學(xué)習(xí)可以學(xué)習(xí)多個(gè)實(shí)體之間的許多復(fù)雜關(guān)聯(lián)。服務(wù)用戶(hù)的行為可能非線性地依賴(lài)于其他用戶(hù)，因此可以使用深度學(xué)習(xí)模型有效地學(xué)習(xí)。深度學(xué)習(xí)的自動(dòng)特征設(shè)計(jì)使其可擴(kuò)展且輕松，并且支持一些流行的框架。Zou 等人[18]提出了一種基于深度學(xué)習(xí)的方法，通過(guò)特征集成來(lái)執(zhí)行時(shí)間感知服務(wù)QoS 預(yù)測(cè)的任務(wù)。He 等人[19]提出了一種基于多層感知器（Multilayer Perceptron，MLP）的神經(jīng)協(xié)同過(guò)濾（Neural Collaborative Filtering，NCF）框架。Zhang 等人[20]提出了一種基于CF和MLP 相結(jié)合的服務(wù)推薦的位置感知深度協(xié)作過(guò)濾（Location-aware Deep Collaborative Filtering for Fervice Recommendation，LDCF）方 法。NCF 和LDCF 都利用MLP 挖掘調(diào)用服務(wù)的用戶(hù)行為的潛在特征，以提高QoS 預(yù)測(cè)的準(zhǔn)確性。然而，NCF 忽略了用戶(hù)和服務(wù)的位置所起的重要作用，LDCF 也沒(méi)有很好地應(yīng)對(duì)由CF 引起的性能波動(dòng)。Yang 等人[6]不僅利用用戶(hù)和服務(wù)的QoS 信息，還利用用戶(hù)和服務(wù)鄰居的信息，并將這些地理數(shù)據(jù)組合到分解機(jī)器中進(jìn)行預(yù)測(cè)?；谏疃葘W(xué)習(xí)的方法具有整合復(fù)雜關(guān)系的能力和強(qiáng)大的高維挖掘潛在特征的學(xué)習(xí)能力，并且優(yōu)于該領(lǐng)域最先進(jìn)的方法，因此深度學(xué)習(xí)成為服務(wù)推薦應(yīng)用的更好選擇。

通過(guò)綜合考慮用戶(hù)信譽(yù)問(wèn)題與地理位置因素的影響，本文提出了一種基于位置與信譽(yù)感知深度神經(jīng)網(wǎng)絡(luò)（Cloud Service Quality Prediction Based on Location and Reputation Aware Depth Neural Network，RADNN）的云服務(wù)質(zhì)量預(yù)測(cè)方法。具體來(lái)說(shuō)，本文的主要貢獻(xiàn)如下：

（1）解決可信度問(wèn)題并提供準(zhǔn)確的預(yù)測(cè)結(jié)果。結(jié)合地理位置利用K-means 聚類(lèi)將用戶(hù)信譽(yù)考慮進(jìn)深度神經(jīng)網(wǎng)絡(luò)模型中，解決了可信度問(wèn)題，并幫助目標(biāo)用戶(hù)識(shí)別更可信和相似的鄰居。

（2）為了提取合適的鄰域信息，采用網(wǎng)絡(luò)嵌入方法來(lái)挖掘更多相似的鄰域，并利用用戶(hù)特征網(wǎng)絡(luò)和服務(wù)特征網(wǎng)絡(luò)，有效解決數(shù)據(jù)稀疏的問(wèn)題。

（3）在公共的QoS 數(shù)據(jù)集上進(jìn)行了多次實(shí)驗(yàn)，結(jié)果表明，本文提出的RADNN 模型在不同的用戶(hù)服務(wù)矩陣密度下始終表現(xiàn)良好，并且在QoS 預(yù)測(cè)的準(zhǔn)確性方面表現(xiàn)優(yōu)于現(xiàn)有的先進(jìn)方法。

1 基于位置與信譽(yù)感知的云服務(wù)質(zhì)量預(yù)測(cè)

1.1 地理位置因素影響

圖1 展示了現(xiàn)實(shí)中云服務(wù)調(diào)用的場(chǎng)景。上面是用戶(hù)所在的位置，下面是服務(wù)所在的位置，兩部分之間的虛線表示調(diào)用記錄。底部的表格顯示用戶(hù)u1調(diào)用了服務(wù)s1、s2和s4，用戶(hù)u2調(diào)用了服務(wù)s1和s3。其余QoS 值未知，例如用戶(hù)u1調(diào)用s3的值和用戶(hù)u2調(diào)用s2和s4的值。為了在這4 種服務(wù)中為用戶(hù)u1和u2找到最合適、最高效的服務(wù)，需要預(yù)測(cè)未知的QoS 值，這就是本文要解決的問(wèn)題。圖1 中顯示用戶(hù)u1和用戶(hù)u2處于具有相似位置信息的相同用戶(hù)區(qū)域中，并且它們調(diào)用的QoS 值也相似。s1和s2都位于相同服務(wù)區(qū)域，也具有類(lèi)似的QoS 值。在現(xiàn)實(shí)場(chǎng)景中，地理位置相鄰的用戶(hù)具有相似的網(wǎng)絡(luò)環(huán)境和質(zhì)量，這對(duì)不同用戶(hù)的QoS 預(yù)測(cè)起著重要作用。矩陣中不同用戶(hù)或服務(wù)之間的相似度可以通過(guò)位置信息來(lái)計(jì)算。位置信息包括用戶(hù)或服務(wù)的國(guó)家、自治區(qū)和經(jīng)緯度等。本文提出的方法可以充分利用用戶(hù)和服務(wù)的位置信息以獲得更好的預(yù)測(cè)精度。

圖1 地理位置影響

1.2 用戶(hù)信譽(yù)影響

在用戶(hù)可以對(duì)項(xiàng)目進(jìn)行評(píng)分的評(píng)分系統(tǒng)中，用戶(hù)可能會(huì)出于各種原因給出錯(cuò)誤的評(píng)分，因此在這類(lèi)系統(tǒng)中，區(qū)分可靠用戶(hù)和不可靠用戶(hù)非常重要。識(shí)別受信任用戶(hù)的一種方法是根據(jù)使用用戶(hù)的信譽(yù)來(lái)判定。用戶(hù)信譽(yù)代表了用戶(hù)在評(píng)分系統(tǒng)中的行為，決定了用戶(hù)評(píng)分的準(zhǔn)確性。文獻(xiàn)[21]對(duì)用戶(hù)信譽(yù)作了如下解釋?zhuān)涸谠u(píng)級(jí)系統(tǒng)中，用戶(hù)信譽(yù)評(píng)估用戶(hù)提供可靠、公平和值得信賴(lài)的評(píng)級(jí)的能力。它是根據(jù)用戶(hù)評(píng)分接近服務(wù)“真實(shí)”分?jǐn)?shù)的程度來(lái)衡量的。為了解決可信度問(wèn)題并獲得準(zhǔn)確的云服務(wù)質(zhì)量預(yù)測(cè)，本文采用K-means 聚類(lèi)來(lái)識(shí)別不可信用戶(hù)，并排除這些用戶(hù)提供的數(shù)據(jù)。

表1 地理位置影響

2 RADNN 模型框架

本文結(jié)合用戶(hù)位置信息，如國(guó)家和經(jīng)緯度等，來(lái)建模涉及位置屬性的深度神經(jīng)網(wǎng)絡(luò)，并使用網(wǎng)絡(luò)嵌入學(xué)習(xí)，提出一種基于位置與信譽(yù)感知深度神經(jīng)網(wǎng)絡(luò)云服務(wù)質(zhì)量的預(yù)測(cè)方法。首先采用K-means 聚類(lèi)來(lái)識(shí)別不可信用戶(hù)；其次在考慮用戶(hù)信譽(yù)的同時(shí)，在可信用戶(hù)和服務(wù)之間構(gòu)建一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型，采用信譽(yù)感知網(wǎng)絡(luò)嵌入來(lái)學(xué)習(xí)用戶(hù)的潛在表示，深度神經(jīng)網(wǎng)絡(luò)又分為用戶(hù)特征網(wǎng)絡(luò)和服務(wù)特征網(wǎng)絡(luò)，兩個(gè)子網(wǎng)絡(luò)通過(guò)全連接層輸出用戶(hù)特征向量和服務(wù)特征向量；再次通過(guò)矩陣點(diǎn)乘求和對(duì)兩者進(jìn)行融合；最后輸出預(yù)測(cè)值。其主要框架如圖2 所示。RADNN 架構(gòu)是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)，包括三個(gè)特定的功能層，即輸入層、中間層和輸出層。在其前向傳播過(guò)程中，每一層的輸出都作為下一層的輸入。中間層用于集中訓(xùn)練以獲得高維和非線性特征。

圖2 RADNN 總體模型框架

2.1 輸入層

輸入層主要用于處理原始輸入。為了讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)額外的數(shù)據(jù)特征，將用戶(hù)ID、用戶(hù)位置信息、服務(wù)ID 和服務(wù)位置信息輸入嵌入層，并可以將其視為一個(gè)特殊的無(wú)偏差項(xiàng)的完全連接層。通過(guò)該操作，將類(lèi)別特征映射到高維密集嵌入向量。映射過(guò)程如下：

式中：iu和is分別為用戶(hù)和服務(wù)的ID 標(biāo)識(shí)符；gu和gs為用戶(hù)和服務(wù)位置的原始輸入；P1為用戶(hù)的嵌入權(quán)重矩陣；Q1為服務(wù)的嵌入權(quán)重矩陣；b1為初始化為零的偏差項(xiàng)；f1為該層的激活函數(shù)；分別為k維用戶(hù)的ID 嵌入向量和位置嵌入向量；和分別為k維服務(wù)的標(biāo)識(shí)符嵌入向量和位置嵌入向量。

然后，將標(biāo)識(shí)符特征向量和相應(yīng)的位置特征向量相結(jié)合，分別得到用戶(hù)特征向量和服務(wù)特征向量。最后，將這兩個(gè)特征向量連接起來(lái)，得到中間層所需的輸入向量。具體的計(jì)算公式為：

式中：Φ表示合并操作；U和S為用戶(hù)和服務(wù)的嵌入向量；x為輸入向量。

2.2 中間層

中間層用于處理輸入層的輸入向量，以捕獲非線性特征。采用全連接MLP 結(jié)構(gòu)來(lái)學(xué)習(xí)用戶(hù)與服務(wù)之間的高維非線性關(guān)系。為了讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更多的特征，網(wǎng)絡(luò)架構(gòu)為底部神經(jīng)元多、頂層神經(jīng)少的結(jié)構(gòu)[19]。最后，對(duì)權(quán)重使用L2 正則化來(lái)防止過(guò)擬合。中間層中輸入向量的正向傳播過(guò)程定義為：

2.3 輸出層

輸出層主要用于生成最終預(yù)測(cè)結(jié)果。RADNN通過(guò)構(gòu)建用戶(hù)特征網(wǎng)絡(luò)和服務(wù)特征網(wǎng)絡(luò)為用戶(hù)和服務(wù)進(jìn)行建模，兩個(gè)子網(wǎng)絡(luò)通過(guò)全連接層輸出用戶(hù)特征向量和服務(wù)特征向量，然后通過(guò)矩陣點(diǎn)乘求和對(duì)兩者進(jìn)行融合，最后通過(guò)單層神經(jīng)網(wǎng)絡(luò)生成最終預(yù)測(cè)。本文將相似性輸出oAC與omlp相結(jié)合，構(gòu)造了一個(gè)新的輸出向量。該層的參數(shù)初始化使用高斯分布，計(jì)算方式為：

式中：Q^u,s為調(diào)用服務(wù)s 的用戶(hù)u 的預(yù)測(cè)QoS 值；fn為該層最后一層的激活函數(shù)的標(biāo)準(zhǔn)標(biāo)識(shí)函數(shù)。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)使用的數(shù)據(jù)集為Zheng 等人[2]收集的公共真實(shí)世界web 服務(wù)QoS 數(shù)據(jù)集WSDream，包含調(diào)用5 825 個(gè)web 服務(wù)的339 個(gè)用戶(hù)的QoS 信息。該數(shù)據(jù)集包括web 服務(wù)的響應(yīng)時(shí)間（Response Time，RT）和吞吐量（Throughput，TP）記錄。用戶(hù)響應(yīng)時(shí)間的范圍是0～20 s，吞吐量的范圍是0～1 000 kbit/s。此外，用戶(hù)信息包括用戶(hù)ID、IP 地址、IP 號(hào)碼、國(guó)家、自治系統(tǒng)、緯度和經(jīng)度。對(duì)于每一個(gè)web 服務(wù)，除了上述信息，還有web 服務(wù)的提供者名稱(chēng)和網(wǎng)絡(luò)服務(wù)描述語(yǔ)言（Web Services Description Language，WSDL）地址。

3.2 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)的軟硬件環(huán)境：操作系統(tǒng)為基于x64的處理器的Windows 11，CPU 為11th Gen Intel(R)Core(TM) i5-11320H @ 3.20 GHz，內(nèi)存為16.0 GB，處理軟件為Pycharm 2018 和Python 3.8。

3.3 評(píng)價(jià)指標(biāo)

本文中采用平均絕對(duì)誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Square Error，RMSE）來(lái)衡量預(yù)測(cè)性能。MAE 不僅根據(jù)等待預(yù)測(cè)的值的數(shù)量確定平均差異，還計(jì)算真實(shí)值與預(yù)測(cè)值之間的絕對(duì)差異。RMSE 對(duì)異常值非常敏感，并賦予它們相對(duì)較高的權(quán)重。因此，采用MAE 和RMSE來(lái)評(píng)估RADNN 的QoS 預(yù)測(cè)性能。直觀地說(shuō)，MAE和RMSE的值越小，RADNN 模型對(duì)QoS 預(yù)測(cè)的準(zhǔn)確度就越高。MAE和RMSE的定義如下：

式中：q為實(shí)際的QoS 值；q^ 為QoS 的預(yù)測(cè)值；N為預(yù)測(cè)的QoS 值的數(shù)量。

3.4 基線模型

為了驗(yàn)證所提模型的效果，本實(shí)驗(yàn)在預(yù)測(cè)任務(wù)上選擇了10種先進(jìn)模型作為本文方法的基線模型。這10 種先進(jìn)模型的介紹如下：

（1）用戶(hù)平均值（User Mean，UMEAN）：此方法使用用戶(hù)對(duì)所用web 服務(wù)的平均QoS 值來(lái)推薦web 服務(wù)。

（2）服務(wù)平均值（Item Mean，IMEAN）：此方法使用其他服務(wù)用戶(hù)觀察到的web 服務(wù)的平均QoS 值來(lái)進(jìn)行服務(wù)推薦。

（3）通過(guò)協(xié)同過(guò)濾對(duì)web 服務(wù)進(jìn)行個(gè)性化QoS 預(yù)測(cè)（Personalized QoS prediction for web services via collaborative filtering，UPCC）[22]：該方法通過(guò)皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient，PCC）計(jì)算不同用戶(hù)之間的相似性，并利用相似用戶(hù)的歷史調(diào)用經(jīng)驗(yàn)預(yù)測(cè)未知的QoS 值。

（4）基于項(xiàng)目的協(xié)同過(guò)濾推薦算法（Item-based collaborative filtering recommendation algorithms，IPCC）[23]：通過(guò)挖掘服務(wù)之間的相似性來(lái)預(yù)測(cè)QoS缺失值。

（5）通過(guò)協(xié)同過(guò)濾提供QoS 感知的web 服務(wù)推薦（QoS-aware web service recommendation by collaborative filtering，UIPCC）[2]：結(jié) 合UPCC 和IPCC 中分別采用的相似用戶(hù)和相似web 服務(wù)進(jìn)行QoS 預(yù)測(cè)的一種混合協(xié)同過(guò)濾方法。

（6）基于QoS 服務(wù)推薦的位置感知協(xié)同過(guò)濾（Location-Aware Collaborative Filtering for QoSbased service recommendation，LACF）[24]：該方法同時(shí)使用用戶(hù)和服務(wù)的位置進(jìn)行服務(wù)推薦，這是最先進(jìn)的位置感知方法。

（7）用于個(gè)性化服務(wù)質(zhì)量預(yù)測(cè)的位置和信譽(yù)感知矩陣分解方法（A location and reputation aware matrix factorization approach for personalized quality of service prediction，LRMF）[25]：該方法是一種基于矩陣分解（Matrix Factorization，MF）的方法，它利用用戶(hù)的信譽(yù)和位置信息進(jìn)行QoS 預(yù)測(cè)。

（8）基于區(qū)域信譽(yù)矩陣分解的web 服務(wù)質(zhì)量預(yù)測(cè)（web service quality of service prediction via regional reputation-based matrix factorization，RRMF）[26]：該方法定義了一個(gè)區(qū)域矩陣分解的概念，先結(jié)合用戶(hù)的位置信息和他們的聲譽(yù)，再與矩陣分解相結(jié)合，提高預(yù)測(cè)的準(zhǔn)確性，并對(duì)不可靠用戶(hù)提供的數(shù)據(jù)更加持久。

（9）神經(jīng)協(xié)同過(guò)濾（Neural Collaborative Filtering，NCF）[20]：作為一種新穎的神經(jīng)網(wǎng)絡(luò)方法，NCF 結(jié)合了MLP 和矩陣分解進(jìn)行服務(wù)推薦。

（10）概率矩陣分解（Probabilistic Matrix Factorization，PMF）[11]：該方法是一種基于模型的方法，使用概率MF 來(lái)預(yù)測(cè)web 服務(wù)的QoS 值。

3.5 實(shí)驗(yàn)結(jié)果與分析

在現(xiàn)實(shí)世界的場(chǎng)景中，實(shí)際觀察到的QoS 值非常稀疏。為了使實(shí)驗(yàn)更加真實(shí)，將調(diào)用矩陣QoS 數(shù)據(jù)隨機(jī)去除掉一定密度作為訓(xùn)練矩陣，然后將去除的數(shù)據(jù)作為期望值或測(cè)試矩陣來(lái)研究預(yù)測(cè)性能。實(shí)驗(yàn)研究了6 種不同的基質(zhì)密度，范圍從0.05 到0.30，步長(zhǎng)為0.05。對(duì)11 種方法的響應(yīng)時(shí)間的實(shí)驗(yàn)比較結(jié)果如表2 所示。實(shí)驗(yàn)比較充分地證明了本文所提模型RADNN 不僅在稀疏數(shù)據(jù)上表現(xiàn)得非常好，而且與其他10 種方法相比實(shí)現(xiàn)了更好的QoS 預(yù)測(cè)精度。

表2 RADNN 與其他方法在RT 上的比較

如表2 所示，隨著矩陣密度降低，11 種方法的QoS 預(yù)測(cè)精度均逐漸降低。隨著密度值從0.05 增加到0.30，11 種方法的響應(yīng)時(shí)間的MAE和RMSE的值呈現(xiàn)下降趨勢(shì)。這是因?yàn)椋c低密度的用戶(hù)服務(wù)矩陣相比，高密度的矩陣意味著相應(yīng)的訓(xùn)練集包含更多有用的信息、更多可用的數(shù)據(jù)和更多可以提取的潛在特征，說(shuō)明當(dāng)收集到的QoS 數(shù)據(jù)越多時(shí)，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)的特征就越多，就可以實(shí)現(xiàn)更高的預(yù)測(cè)精度。在相同稀疏度條件下，與其他方法相比，所提的方法獲得了更小的MAE和RMSE，表明所提的方法具有更高的QoS 預(yù)測(cè)精度。

3.5.1 性能比較

如圖3 所示，為了比較各種方法的性能高低，為它們?cè)O(shè)置相同的矩陣密度0.1 進(jìn)行比較。通過(guò)觀察圖3（a）發(fā)現(xiàn)傳統(tǒng)的CF 方法在稀疏度較大時(shí)推薦準(zhǔn)確率較差，而基于深度學(xué)習(xí)的方法表現(xiàn)良好。這是因?yàn)閭鹘y(tǒng)的CF方法只能學(xué)習(xí)低維和線性特征，因此其特征學(xué)習(xí)能力受到很大限制，而深度學(xué)習(xí)可以捕捉高維非線性特征，有效彌補(bǔ)數(shù)據(jù)稀疏性對(duì)CF 特征學(xué)習(xí)的限制。

通過(guò)觀察圖3（b），當(dāng)數(shù)據(jù)稀疏時(shí)，RRMF 表現(xiàn)相對(duì)較好，但它只使用用戶(hù)位置信息，不能很好地學(xué)習(xí)用戶(hù)和服務(wù)的潛在特征。NCF 表現(xiàn)也不錯(cuò)，但它只使用標(biāo)識(shí)符信息。本文方法不僅可以學(xué)習(xí)用戶(hù)和服務(wù)的非線性特征，還可以結(jié)合位置信息來(lái)彌補(bǔ)CF 方法和NCF 方法的缺陷。因此在相同密度下，所提方法的RMSE都優(yōu)于其他方法。綜上，與現(xiàn)有的推薦方法相比，RADNN 可以有效地處理數(shù)據(jù)稀疏性，獲得更好的推薦性能。

圖3 同一密度下的性能對(duì)比

3.5.2 基質(zhì)密度影響

矩陣密度表示訓(xùn)練數(shù)據(jù)的稀疏性。本文方法在不同稀疏度下的響應(yīng)時(shí)間變化如圖4 所示。實(shí)驗(yàn)發(fā)現(xiàn)MAE和RMSE隨著矩陣密度的增加而降低。本文實(shí)驗(yàn)將密度矩陣從0.05 改為0.30，步長(zhǎng)為0.05。當(dāng)訓(xùn)練矩陣的密度從0.05 增加到0.30 時(shí)，MAE和RMSE都迅速下降，這意味著預(yù)測(cè)結(jié)果有很大提高。隨著密度的進(jìn)一步增加，MAE開(kāi)始緩慢下降。這表明隨著矩陣密度的增加，訓(xùn)練集包含的項(xiàng)目越多，預(yù)測(cè)準(zhǔn)確率會(huì)越高。

圖4 RADNN 在不同稀疏度下的響應(yīng)時(shí)間變化

3.5.3 維度的影響

模型中利用神經(jīng)網(wǎng)絡(luò)時(shí)，主要超參數(shù)是嵌入層的維度。維度決定了潛在因素的數(shù)量，為了清楚地觀察維度對(duì)QoS 預(yù)測(cè)的影響，本文比較了RADNN方法在不同潛在因子矩陣維度下的預(yù)測(cè)精度。實(shí)驗(yàn)設(shè)置維度范圍從8 到128 每次乘以2，比較0.05，0.1和0.15 這3 種密度下隨不同維度變化的響應(yīng)時(shí)間的MAE和RMSE值。比較結(jié)果如圖5 所示，當(dāng)維數(shù)接近32 時(shí)，MAE和RMSE的值最小，隨著維度增大，MAE和RMSE的值增大。此外，對(duì)于不同密度的MAE和RMSE，它們的值隨著維度的增加而下降。

圖5 RADNN 在不同嵌入維度下的響應(yīng)時(shí)間變化

4 結(jié)語(yǔ)

本文提出了一種基于位置與信譽(yù)感知深度神經(jīng)網(wǎng)絡(luò)的云服務(wù)質(zhì)量的預(yù)測(cè)方法，首先結(jié)合地理位置利用K-means 聚類(lèi)將用戶(hù)信譽(yù)考慮進(jìn)深度神經(jīng)網(wǎng)絡(luò)模型中，解決了可信度問(wèn)題，幫助目標(biāo)用戶(hù)識(shí)別更可信和相似的鄰居；其次采用網(wǎng)絡(luò)嵌入方法來(lái)挖掘更多相似的鄰域，利用用戶(hù)特征網(wǎng)絡(luò)和服務(wù)特征網(wǎng)絡(luò)，有效解決數(shù)據(jù)稀疏的問(wèn)題；再次兩個(gè)子網(wǎng)絡(luò)通過(guò)全連接層輸出用戶(hù)特征向量和服務(wù)特征向量，通過(guò)矩陣點(diǎn)乘求和對(duì)兩者進(jìn)行融合；最后通過(guò)單層神經(jīng)網(wǎng)絡(luò)生成最終預(yù)測(cè)。實(shí)驗(yàn)表明，本文所提的方法比其他方法更準(zhǔn)確、更可靠。未來(lái)，將考慮使用更新的深度學(xué)習(xí)模型，結(jié)合除用戶(hù)服務(wù)位置信息外的其他用戶(hù)服務(wù)的更多輔助信息，進(jìn)一步考慮時(shí)間因素對(duì)預(yù)測(cè)的影響。