論文の概要: Fuzzy Information Entropy and Region Biased Matrix Factorization for Web Service QoS Prediction

• arxiv url: http://arxiv.org/abs/2501.04063v2
• Date: Fri, 10 Jan 2025 07:44:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 12:07:30.598759
• Title: Fuzzy Information Entropy and Region Biased Matrix Factorization for Web Service QoS Prediction
• Title（参考訳）: Web サービス QoS 予測のためのファジィ情報エントロピーと領域バイアス行列分解
• Authors: Guoxing Tang, Yugen Du, Xia Chen, Yingwei Luo, Benchi Ma,
• Abstract要約: 本稿では,ユーザ情報エントロピーと領域バイアスに基づく行列分解手法を提案する。 ユーザとサービス間の領域バイアスを行列分解に線形に組み込んで、ユーザとサービス間の非インタラクティブな特徴をキャプチャします。 提案手法は, 行列密度が5%から20%の分野において, 最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.0475265337665336
• License:
• Abstract: Nowadays, there are many similar services available on the internet, making Quality of Service (QoS) a key concern for users. Since collecting QoS values for all services through user invocations is impractical, predicting QoS values is a more feasible approach. Matrix factorization is considered an effective prediction method. However, most existing matrix factorization algorithms focus on capturing global similarities between users and services, overlooking the local similarities between users and their similar neighbors, as well as the non-interactive effects between users and services. This paper proposes a matrix factorization approach based on user information entropy and region bias, which utilizes a similarity measurement method based on fuzzy information entropy to identify similar neighbors of users. Simultaneously, it integrates the region bias between each user and service linearly into matrix factorization to capture the non-interactive features between users and services. This method demonstrates improved predictive performance in more realistic and complex network environments. Additionally, numerous experiments are conducted on real-world QoS datasets. The experimental results show that the proposed method outperforms some of the state-of-the-art methods in the field at matrix densities ranging from 5% to 20%.
• Abstract（参考訳）: 現在、インターネット上には多くの類似のサービスが利用可能であり、QoS(Quality of Service)がユーザにとって重要な関心事となっている。 ユーザ呼び出しによるすべてのサービスのQoS値の収集は現実的ではないため、QoS値の予測はより現実的なアプローチである。 行列分解は効果的な予測法であると考えられる。 しかし、既存の行列分解アルゴリズムの多くは、ユーザーとサービス間のグローバルな類似点を捉え、ユーザーと類似した隣人のローカルな類似点や、ユーザーとサービス間の非インタラクティブな効果を見渡すことに重点を置いている。 本稿では,ファジィ情報エントロピーに基づく類似度測定手法を用いて,ユーザ情報エントロピーと領域バイアスに基づく行列分解手法を提案する。 同時に、各ユーザとサービス間の領域バイアスを行列分解に統合し、ユーザとサービス間の非インタラクティブな特徴をキャプチャします。 本手法は,より現実的で複雑なネットワーク環境における予測性能の向上を実証する。 さらに、実世界のQoSデータセット上で多数の実験が実施されている。 実験の結果,提案手法は,行列密度5%から20%の範囲で,最先端の手法よりも優れていた。

関連論文リスト

• Understanding and Scaling Collaborative Filtering Optimization from the Perspective of Matrix Rank [48.02330727538905]
  協調フィルタリング(CF)手法は現実世界のレコメンデーションシステムを支配している。 本研究では,異なる学習戦略下での埋め込みテーブルの特性について検討する。 ユーザの安定なランクとアイテムの埋め込みを規則化する,効率的なウォームスタート戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T21:54:13Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Initializing Services in Interactive ML Systems for Diverse Users [29.445931639366325]
  異種データ分布を持つ複数のサブポピュレーションにまたがるユーザから対話的に学習するMLシステムについて検討する。 そこで本稿では,サービスセットを初期化しながら,ごく少数のユーザの好みデータ収集を適応的に行うランダム化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-19T04:26:12Z)
• TPMCF: Temporal QoS Prediction using Multi-Source Collaborative Features [0.5161531917413706]
  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。
  論文  参考訳（メタデータ） (2023-03-30T06:49:53Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)
• A Soft Recommender System for Social Networks [1.8275108630751844]
  最近のソーシャルレコメンデーションシステムは、正確なレコメンデーションを行うために友情グラフの恩恵を受けている。 われわれはさらに一歩進んで、もっとリアルなリコメンデーションをする真の友達を特定した。 ユーザ間の類似度と,ユーザとアイテム間の依存関係を計算した。
  論文  参考訳（メタデータ） (2020-01-08T13:38:09Z)

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。