論文の概要: TPMCF: Temporal QoS Prediction using Multi-Source Collaborative Features
- arxiv url: http://arxiv.org/abs/2303.18201v1
- Date: Thu, 30 Mar 2023 06:49:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:20:04.184969
- Title: TPMCF: Temporal QoS Prediction using Multi-Source Collaborative Features
- Title（参考訳）: TPMCF:マルチソース協調機能を用いた時間QoS予測
- Authors: Suraj Kumar, Soumi Chattopadhyay, Chandranath Adak
- Abstract要約: 時間的予測は、時間とともに適切なサービスを特定するために不可欠である。
近年の手法は, 様々な制約により, 所望の精度が得られなかった。
本稿では,マルチソース協調機能を用いた時間予測のためのスケーラブルな戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.9921611352361905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, with the rapid deployment of service APIs, personalized service
recommendations have played a paramount role in the growth of the e-commerce
industry. Quality-of-Service (QoS) parameters determining the service
performance, often used for recommendation, fluctuate over time. Thus, the QoS
prediction is essential to identify a suitable service among functionally
equivalent services over time. The contemporary temporal QoS prediction methods
hardly achieved the desired accuracy due to various limitations, such as the
inability to handle data sparsity and outliers and capture higher-order
temporal relationships among user-service interactions. Even though some recent
recurrent neural-network-based architectures can model temporal relationships
among QoS data, prediction accuracy degrades due to the absence of other
features (e.g., collaborative features) to comprehend the relationship among
the user-service interactions. This paper addresses the above challenges and
proposes a scalable strategy for Temporal QoS Prediction using Multi-source
Collaborative-Features (TPMCF), achieving high prediction accuracy and faster
responsiveness. TPMCF combines the collaborative-features of users/services by
exploiting user-service relationship with the spatio-temporal auto-extracted
features by employing graph convolution and transformer encoder with multi-head
self-attention. We validated our proposed method on WS-DREAM-2 datasets.
Extensive experiments showed TPMCF outperformed major state-of-the-art
approaches regarding prediction accuracy while ensuring high scalability and
reasonably faster responsiveness.
- Abstract（参考訳）: 近年,サービスAPIの迅速な展開により,eコマース産業の成長において,パーソナライズされたサービスレコメンデーションが重要な役割を担っている。
サービスパフォーマンスを決定するqos(quality-of-service)パラメータは、レコメンデーションによく使用されるが、時間とともに変動する。
したがって、qos予測は、時間とともに機能的に等価なサービス間で適切なサービスを特定するために不可欠である。
現在の時間的qos予測手法では,データスパーシティや異常値の処理が不可能であり,ユーザサービス間インタラクション間の高次時間的関係を捉えるなど,さまざまな制限により所望の精度が得られなかった。
最近のリカレントニューラルネットワークベースのアーキテクチャでは、QoSデータ間の時間的関係をモデル化することができるが、他の機能(例えば協調的な機能)がないために予測精度が低下し、ユーザサービス間のインタラクション間の関係が理解される。
本稿では、上記の課題に対処し、TPMCF(Multi-source Collaborative-Features)を用いた時間的QoS予測のためのスケーラブルな戦略を提案する。
TPMCFは、グラフ畳み込みとトランスフォーマーエンコーダとマルチヘッド自己アテンションを用いて、時空間の自動抽出機能とユーザサービスの関係を利用して、ユーザ/サービスの協調機能を組み合わせる。
提案手法をWS-DREAM-2データセット上で検証した。
大規模な実験により、TPMCFは高いスケーラビリティと応答性を確保するとともに、予測精度に関する最先端のアプローチよりも優れていた。
関連論文リスト
- Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network [0.47248250311484113]
QoS(Quality-of-Service)予測は、サービスライフサイクルにおいて重要なタスクです。
従来の手法では、しばしばデータスパーシリティとコールドスタートの問題に遭遇する。
時間的予測のためのリアルタイム信頼対応フレームワークを導入する。
論文 参考訳（メタデータ） (2024-10-23T11:01:39Z) - GACL: Graph Attention Collaborative Learning for Temporal QoS Prediction [5.040979636805073]
時間的予測のための新しいグラフ協調学習(GACL)フレームワークを提案する。
動的ユーザサービスグラフ上に構築され、過去のインタラクションを包括的にモデル化する。
WS-DREAMデータセットの実験は、GACLが時間的予測のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-08-20T05:38:47Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - QoS prediction in radio vehicular environments via prior user
information [54.853542701389074]
セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。
具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
論文 参考訳（メタデータ） (2024-02-27T17:05:41Z) - Large Language Model Meets Graph Neural Network in Knowledge Distillation [7.686812700685084]
サービス指向アーキテクチャにおけるQoS(Quality of Service)を予測するための時間認識フレームワークを提案する。
提案するTOGCLフレームワークは,複数のメトリクスにわたって最先端のメソッドを著しく上回り,最大38.80%の改善を実現している。
論文 参考訳（メタデータ） (2024-02-08T18:33:21Z) - ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph
Convolution [0.16317061277456998]
我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。
ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。
ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-09-22T04:37:51Z) - Improving Text Matching in E-Commerce Search with A Rationalizable,
Intervenable and Fast Entity-Based Relevance Model [78.80174696043021]
エンティティベース関連モデル(EBRM)と呼ばれる新しいモデルを提案する。
この分解により、高精度にクロスエンコーダQE関連モジュールを使用できる。
また、ユーザログから自動生成されたQEデータによるQEモジュールの事前トレーニングにより、全体的なパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2023-07-01T15:44:53Z) - IPCC-TP: Utilizing Incremental Pearson Correlation Coefficient for Joint
Multi-Agent Trajectory Prediction [73.25645602768158]
IPCC-TPはインクリメンタルピアソン相関係数に基づく新しい関連認識モジュールであり,マルチエージェントインタラクションモデリングを改善する。
我々のモジュールは、既存のマルチエージェント予測手法に便利に組み込んで、元の動き分布デコーダを拡張することができる。
論文 参考訳（メタデータ） (2023-03-01T15:16:56Z) - An ADMM-Incorporated Latent Factorization of Tensors Method for QoS
Prediction [2.744577504320494]
Quality of Service(QoS)は、サービス消費者が要求するサービスに関して、Webサービスのパフォーマンスを動的に記述します。
テンソルの潜在因子分解は高次元およびスパーステンソルの時間的パターンを発見するのに非常に効果的である。
現在のLFTモデルは低い収束率に悩まされており、降圧器の影響をほとんど考慮していない。
論文 参考訳（メタデータ） (2022-12-03T12:35:48Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。