基于异常值检测矩阵分解的服务质量预测

作者：张园园; 朵琳^*; 韦贵香

来源：云南大学学报(自然科学版), 2023, 1-10.

• K-Means聚类
• 异常值检测
• 矩阵分解
• 柯西损失
• 服务质量

基于Qo S感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值，通常需要收集用户的历史QoS数据.然而，现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题，提出一种基于异常值检测矩阵分解的服务质量预测方法.首先，使用基于K-means的隔离森林算法先对历史QoS数据进行聚类，将历史数据中的异常值剔除；然后，将其用于改进的矩阵分解模型中对未知值进行预测；最后，利用柯西损失来评估观察值与预测值之间的差异.实验采用WSDream数据集进行测试，结果表明，提出的异常值检测模型的响应时间的MAE与RMSE指标平均提高了19.11%和39.59%，吞吐量的MAE与RMSE指标平均提高了9.82%和29.89%，证明所提模型有效改进了预测准确度.

• 出版日期2023
• 单位昆明理工大学; 自动化学院