論文の概要: Goal-Driven Context-Aware Next Service Recommendation for Mashup Composition

• arxiv url: http://arxiv.org/abs/2210.14127v1
• Date: Tue, 25 Oct 2022 16:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 16:25:43.073254
• Title: Goal-Driven Context-Aware Next Service Recommendation for Mashup Composition
• Title（参考訳）: ゴール駆動型コンテキスト認識によるマッシュアップ合成のための次のサービス推奨
• Authors: Xihao Xie, Jia Zhang, Rahul Ramachandran, Tsengdar J. Lee and Seungwon Lee
• Abstract要約: サービス発見とレコメンデーションは、学術と産業の両方で大きな勢いを惹きつけてきた。 本稿では, 建設中のマッシュアップのコンテキストに基づいて, 新たなリコメンデーション・アズ・ユー・ゴー手法を提案する。
• 参考スコア（独自算出の注目度）: 6.17189383632496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As service-oriented architecture becoming one of the most prevalent techniques to rapidly deliver functionalities to customers, increasingly more reusable software components have been published online in forms of web services. To create a mashup, it gets not only time-consuming but also error-prone for developers to find suitable services from such a sea of services. Service discovery and recommendation has thus attracted significant momentum in both academia and industry. This paper proposes a novel incremental recommend-as-you-go approach to recommending next potential service based on the context of a mashup under construction, considering services that have been selected to the current step as well as its mashup goal. The core technique is an algorithm of learning the embedding of services, which learns their past goal-driven context-aware decision making behaviors in addition to their semantic descriptions and co-occurrence history. A goal exclusionary negative sampling mechanism tailored for mashup development is also developed to improve training performance. Extensive experiments on a real-world dataset demonstrate the effectiveness of our approach.
• Abstract（参考訳）: サービス指向アーキテクチャが顧客に機能を迅速に提供するための最も一般的なテクニックの1つとなり、より再利用性の高いソフトウェアコンポーネントがWebサービス形式でオンラインで公開されている。 マッシュアップを作成するには、時間を要するだけでなく、開発者がそのようなサービスから適切なサービスを見つけるのもエラーになりがちです。 サービス発見とレコメンデーションは、学術と産業の両方で大きな勢いを増している。 本稿では,現在段階に選定されたサービスとマッシュアップの目標を考慮し,建設中のマッシュアップのコンテキストに基づいて,次の潜在サービスを推薦する新しいインクリメンタル・アズ・ア・ユー・ゴー・アプローチを提案する。 中心となるテクニックは、サービス埋め込みを学習するアルゴリズムであり、意味的記述と共起履歴に加えて、過去の目標駆動型コンテキスト認識による意思決定行動を学ぶ。 マッシュアップ開発に適した目標排他的負サンプリング機構も開発され、トレーニング性能が向上した。 実世界のデータセットに関する広範な実験は、このアプローチの有効性を示しています。

関連論文リスト

• Learning Service Selection Decision Making Behaviors During Scientific Workflow Development [3.341965553962658]
  本稿では、ワークフロー開発プロセスにおける次のサービスを推奨するために、コンテキスト対応の新しいアプローチを提案する。 次のサービスのレコメンデーションの問題は、次のワード予測にマップされます。 実単語リポジトリの実験では、このアプローチの有効性が実証されている。
  論文  参考訳（メタデータ） (2024-03-30T16:58:42Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• QoS-Aware Graph Contrastive Learning for Web Service Recommendation [3.130026754572506]
  本研究は,Quality of Service (QoS) を用いたWebサービスレコメンデーションにおける,データの分散性の課題とコールドスタート問題に対処することを目的とする。 本モデルは,コールドスタート問題に対処し,精度を効果的に向上するために,グラフコントラスト学習の力を利用する。 我々の研究は、ユーザとサービスのインタラクションデータに制限がある場合でも、現実世界のシナリオにおいてより正確なレコメンデーションの可能性を示唆している。
  論文  参考訳（メタデータ） (2024-01-06T08:36:04Z)
• A Survey on Service Route and Time Prediction in Instant Delivery: Taxonomy, Progress, and Prospects [58.746820564288846]
  Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。 これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。 提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
  論文  参考訳（メタデータ） (2023-09-03T14:43:33Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Exploring Attention-Aware Network Resource Allocation for Customized Metaverse Services [69.37584804990806]
  我々は、カスタマイズされたMetaverseサービスを実現するために、アテンション対応ネットワークリソース割り当てスキームを設計する。 目的は、ユーザーがより興味を持つ仮想オブジェクトにより多くのネットワークリソースを割り当てることである。
  論文  参考訳（メタデータ） (2022-07-31T06:04:15Z)
• Learning Context-Aware Service Representation for Service Recommendation in Workflow Composition [6.17189383632496]
  本稿では,ワークフロー開発プロセス全体でのサービス推奨に対して,NLPにインスパイアされた新たなアプローチを提案する。 ワークフロー構成プロセスは、ステップワイドでコンテキスト対応のサービス生成手順として形式化される。 サービス埋め込みは、NLPフィールドからディープラーニングモデルを適用することで学習される。
  論文  参考訳（メタデータ） (2022-05-24T04:18:01Z)
• Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data Programming [77.38174112525168]
  私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
  論文  参考訳（メタデータ） (2022-03-02T19:57:32Z)
• A Deep Reinforcement Learning Approach for Composing Moving IoT Services [0.12891210250935145]
  本稿では,移動領域としてモデル化されたクラウドソース型サービスモデルを提案する。 動作中のIoTサービスを選択し,構成するための,深層強化学習に基づく合成手法を提案する。 2つの実世界のデータセットに対する実験は、深層強化学習に基づくアプローチの有効性と効率性を検証する。
  論文  参考訳（メタデータ） (2021-11-06T22:02:31Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。