本發(fā)明涉及服務(wù)質(zhì)量預(yù)測(cè)，尤其是一種用于物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)的多屬性聯(lián)合預(yù)測(cè)方法。

背景技術(shù)：

1、物聯(lián)網(wǎng)應(yīng)用通常由各種傳感設(shè)備、邊緣服務(wù)器或云服務(wù)器提供的大量異構(gòu)服務(wù)組成。例如，智能交通系統(tǒng)使用到的物聯(lián)網(wǎng)服務(wù)包括但不限于目標(biāo)檢測(cè)、交通流量預(yù)測(cè)和旅行路線(xiàn)規(guī)劃等。5g技術(shù)為物聯(lián)網(wǎng)服務(wù)提供了更高的帶寬(吞吐量)、更低的延遲(響應(yīng)時(shí)間)和更可靠的連接(穩(wěn)定性)，促進(jìn)了物聯(lián)網(wǎng)服務(wù)數(shù)量的顯著增加。然而，隨著其數(shù)量的增加，物聯(lián)網(wǎng)服務(wù)功能同質(zhì)化現(xiàn)象也變得越來(lái)越嚴(yán)重。對(duì)于物聯(lián)網(wǎng)應(yīng)用開(kāi)發(fā)者(即用戶(hù))來(lái)說(shuō)，其很難從大量功能相似的候選服務(wù)中快速選擇高質(zhì)量的服務(wù)。因此，研究人員提出了服務(wù)質(zhì)量的概念，從非功能角度區(qū)分功能相似的服務(wù)。服務(wù)質(zhì)量代表了物聯(lián)網(wǎng)服務(wù)在某一方面的質(zhì)量信息，包括響應(yīng)時(shí)間、吞吐量和穩(wěn)定性等。服務(wù)質(zhì)量可以幫助用戶(hù)區(qū)分功能相似的服務(wù)，并幫助服務(wù)提供商改善服務(wù)性能。然而，通過(guò)調(diào)用所有候選服務(wù)來(lái)確定其服務(wù)質(zhì)量是不可行的，因?yàn)檫@既耗時(shí)又耗資源。物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)方法，憑借其資源開(kāi)銷(xiāo)少，以及能夠?qū)崿F(xiàn)高效的服務(wù)推薦等優(yōu)勢(shì)，得到了學(xué)術(shù)界和工業(yè)界的廣泛研究。

2、目前流行的基于深度學(xué)習(xí)的服務(wù)質(zhì)量預(yù)測(cè)方法利用神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)用戶(hù)和服務(wù)的潛在特征或用戶(hù)與服務(wù)之間的交互特征，并使用上述兩種特征來(lái)進(jìn)行預(yù)測(cè)。根據(jù)特征輸入到模型方式的不同，基于深度學(xué)習(xí)的方法大致可以分為兩類(lèi)，(1)交互塔方法：用戶(hù)和服務(wù)的特征聯(lián)合輸入模型；(2)雙塔方法：用戶(hù)和服務(wù)的特征分別輸入模型。雖然上述兩種方法可以實(shí)現(xiàn)高精度的服務(wù)質(zhì)量預(yù)測(cè)，但交互塔方法和雙塔方法都忽略了不同服務(wù)質(zhì)量之間潛在有益的關(guān)聯(lián)關(guān)系。此外，雙塔方法的延遲交互策略導(dǎo)致用戶(hù)和服務(wù)之間的交互特征丟失，影響其預(yù)測(cè)準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明需要解決的技術(shù)問(wèn)題是提供一種用于物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)的多屬性聯(lián)合預(yù)測(cè)方法，實(shí)現(xiàn)了高精度的物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)，有效滿(mǎn)足了物聯(lián)網(wǎng)應(yīng)用開(kāi)發(fā)過(guò)程中開(kāi)發(fā)者對(duì)高質(zhì)量物聯(lián)網(wǎng)服務(wù)推薦的客觀(guān)需要。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：

3、一種用于物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)的多屬性聯(lián)合預(yù)測(cè)方法，包括以下步驟：

4、s1、獲取物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量數(shù)據(jù)集；

5、s2、對(duì)用戶(hù)和服務(wù)的上下文特征進(jìn)行預(yù)處理；

6、s3、將處理好的上下文特征輸入到第一多視角殘差交互網(wǎng)絡(luò)mrinrt和第二多視角殘差交互網(wǎng)絡(luò)mrintp中，分別執(zhí)行響應(yīng)時(shí)間預(yù)測(cè)和吞吐量預(yù)測(cè)；

7、s4、分別計(jì)算響應(yīng)時(shí)間預(yù)測(cè)值和吞吐量預(yù)測(cè)值與相應(yīng)真實(shí)值之間的損失函數(shù)，并通過(guò)加權(quán)運(yùn)算得到聯(lián)合損失函數(shù)，使用聯(lián)合損失函數(shù)訓(xùn)練預(yù)測(cè)模型；

8、s5、使用訓(xùn)練好的預(yù)測(cè)模型進(jìn)行物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量的預(yù)測(cè)。

9、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在s1中，獲取物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量數(shù)據(jù)集，具體包括：

10、利用服務(wù)質(zhì)量監(jiān)測(cè)工具采集物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量數(shù)據(jù)，除必須的用戶(hù)標(biāo)號(hào)idu、物聯(lián)網(wǎng)服務(wù)標(biāo)號(hào)ids和服務(wù)質(zhì)量值外，選取有益的用戶(hù)和物聯(lián)網(wǎng)服務(wù)的上下文特征加入數(shù)據(jù)集中；最終，用戶(hù)上下文特征fu和物聯(lián)網(wǎng)服務(wù)上下文特征fs表示為：

11、fu＝[idu,asu,longitudeu,latitudeu,countryu,provinceu,cityu]

12、fs＝[ids,providers,ass,longitudes,latitudes,countrys,provinces,citys]

13、其中，asu表示用戶(hù)ip地址所屬網(wǎng)絡(luò)自治域，latitudeu和longitudeu分別表示用戶(hù)的經(jīng)度和緯度信息，countryu，provinceu和cityu分別表示用戶(hù)所在的國(guó)家、省份和城市；providers表示服務(wù)提供商，ass表示服務(wù)ip地址所屬網(wǎng)絡(luò)自治域，latitudes和longitudes分別表示服務(wù)的經(jīng)度和緯度信息，countrys，provinces和citys分別表示服務(wù)所在的國(guó)家、省份和城市。

14、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在s2中，對(duì)用戶(hù)和服務(wù)的上下文特征進(jìn)行預(yù)處理，具體包括以下步驟：

15、s2.1、采用獨(dú)熱編碼技術(shù)onehot，將用戶(hù)和物聯(lián)網(wǎng)服務(wù)的上下文特征轉(zhuǎn)換為稀疏特征向量；

16、

17、其中，fu,i表示用戶(hù)的第i個(gè)特征，fs,j表示物聯(lián)網(wǎng)服務(wù)的第j個(gè)特征；xu,i表示用戶(hù)第i個(gè)特征的稀疏特征向量，xs,j表示物聯(lián)網(wǎng)服務(wù)第j個(gè)特征的稀疏特征向量；oi表示用戶(hù)第i個(gè)稀疏特征向量的維數(shù)，也表示用戶(hù)第i個(gè)特征的有效值個(gè)數(shù)，oj表示物聯(lián)網(wǎng)服務(wù)第j個(gè)稀疏特征向量的維數(shù)，也表示物聯(lián)網(wǎng)服務(wù)第j個(gè)特征的有效值個(gè)數(shù)；

18、s2.2、采用嵌入技術(shù)embedding將用戶(hù)和物聯(lián)網(wǎng)服務(wù)的稀疏特征向量轉(zhuǎn)化為共享特征空間中的嵌入向量；

19、(cu,i)e＝embedding(xu,i)＝wi·xu,i

20、(cs,j)e＝embedding(xs,j)＝wj·xs,j

21、其中，cu,i表示用戶(hù)第i個(gè)特征的嵌入向量，cs,j表示物聯(lián)網(wǎng)服務(wù)第j個(gè)特征的嵌入向量；e表示嵌入向量的維數(shù)；w表示特征嵌入層的權(quán)重矩陣；

22、s2.3、將用戶(hù)和物聯(lián)網(wǎng)服務(wù)的嵌入向量進(jìn)行連接φ，分別生成用戶(hù)特征cu、物聯(lián)網(wǎng)服務(wù)特征cs，以及用戶(hù)和物聯(lián)網(wǎng)服務(wù)的聯(lián)合特征cu,s：

23、

24、其中，m表示用戶(hù)上下文特征的個(gè)數(shù)，n表示物聯(lián)網(wǎng)服務(wù)上下文特征的個(gè)數(shù)。

25、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在s3中，具體包括以下步驟：

26、s3.1、將用戶(hù)特征cu、物聯(lián)網(wǎng)服務(wù)特征cs，以及用戶(hù)和物聯(lián)網(wǎng)服務(wù)的聯(lián)合特征cu,s輸入到第一多視圖殘差交互網(wǎng)絡(luò)mrinrt中，執(zhí)行響應(yīng)時(shí)間預(yù)測(cè)；

27、

28、其中，表示響應(yīng)時(shí)間的最終預(yù)測(cè)值；

29、第一多視圖殘差交互網(wǎng)絡(luò)mrinrt由第一用戶(hù)塔第一服務(wù)塔和第一交互塔組成；

30、使用第一用戶(hù)塔第一服務(wù)塔來(lái)學(xué)習(xí)第一用戶(hù)潛在特征和第一服務(wù)潛在特征使用第一交互塔來(lái)補(bǔ)充學(xué)習(xí)第一用戶(hù)塔第一服務(wù)塔丟失的用戶(hù)與服務(wù)之間的第一交互特征

31、

32、其中，第一用戶(hù)塔第一服務(wù)塔以及第一交互塔均是由殘差塊resblock堆疊而成；

33、將用戶(hù)和服務(wù)之間的第一交互特征輸入到一個(gè)殘差塊resblock中，得到第一響應(yīng)時(shí)間預(yù)測(cè)值

34、

35、將第一用戶(hù)潛在特征以及第一服務(wù)潛在特征執(zhí)行內(nèi)積運(yùn)算，得到第二響應(yīng)時(shí)間預(yù)測(cè)值

36、

37、其中，t表示向量轉(zhuǎn)置運(yùn)算；

38、對(duì)第一響應(yīng)時(shí)間預(yù)測(cè)值和第二響應(yīng)時(shí)間預(yù)測(cè)值執(zhí)行加權(quán)運(yùn)算，得到響應(yīng)時(shí)間的最終預(yù)測(cè)值

39、

40、其中，α表示視圖權(quán)重，決定了第一響應(yīng)時(shí)間預(yù)測(cè)值的重要性，而1-α決定了第二響應(yīng)時(shí)間預(yù)測(cè)值的重要性；

41、s3.2、將用戶(hù)特征cu、物聯(lián)網(wǎng)服務(wù)特征cs，以及用戶(hù)和物聯(lián)網(wǎng)服務(wù)的聯(lián)合特征cu,s輸入到第二多視圖殘差交互網(wǎng)絡(luò)mrintp中，執(zhí)行吞吐量預(yù)測(cè)：

42、

43、其中，表示吞吐量的最終預(yù)測(cè)值；

44、第二多視圖殘差交互網(wǎng)絡(luò)mrintp由第二用戶(hù)塔第二服務(wù)塔以及第二交互塔組成；

45、使用第二用戶(hù)塔第二服務(wù)塔來(lái)學(xué)習(xí)第二用戶(hù)潛在特征和第二服務(wù)潛在特征使用第二交互塔來(lái)補(bǔ)充學(xué)習(xí)第二用戶(hù)塔和第二服務(wù)塔丟失的用戶(hù)與服務(wù)之間的第二交互特征

46、

47、其中，由第二用戶(hù)塔第二服務(wù)塔以及第二交互塔也均是由殘差塊resblock堆疊而成；

48、將用戶(hù)和服務(wù)之間的第二交互特征輸入到一個(gè)殘差塊resblock中，得到第一吞吐量預(yù)測(cè)值

49、

50、將第二用戶(hù)潛在特征以及第二服務(wù)潛在特征執(zhí)行內(nèi)積運(yùn)算，得到第二吞吐量預(yù)測(cè)值

51、

52、對(duì)第一吞吐量預(yù)測(cè)值和第二吞吐量預(yù)測(cè)值執(zhí)行加權(quán)運(yùn)算，得到吞吐量的最終預(yù)測(cè)值

53、

54、其中，α表示視圖權(quán)重，決定了第一吞吐量預(yù)測(cè)值的重要性，而1-α決定了第二吞吐量預(yù)測(cè)值的重要性。

55、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在s3.1和s3.2中，殘差塊resblock結(jié)構(gòu)，以第一用戶(hù)塔的堆疊進(jìn)行說(shuō)明如下：

56、

57、其中，k表示殘差塊的數(shù)量；

58、每個(gè)殘差塊則是由兩種類(lèi)型的第一殘差單元resunit1和第二殘差單元resunit2堆疊而成：

59、

60、其中，d表示每個(gè)殘差塊中殘差單元的總數(shù)；第一殘差單元resunit1的數(shù)量為1，第二殘差單元resunit2的數(shù)量為d-1；第一殘差單元resunit1在學(xué)習(xí)特征之間交互的同時(shí)，能夠降低輸入向量的維數(shù)：

61、

62、第二殘差單元resunit2只學(xué)習(xí)特征之間的交互，而不改變輸入向量的維數(shù)：

63、

64、其中，d表示當(dāng)前殘差塊中的第d個(gè)殘差單元，其最大不超過(guò)d；x和y分別表示殘差塊中兩個(gè)全連接層的輸出向量；w和b分別表示全連接層的權(quán)重矩陣以及偏置項(xiàng)；gelu表示激活函數(shù)，bn表示批量歸一化操作；表示第d個(gè)殘差單元的輸出向量，同時(shí)也作為第d+1個(gè)殘差單元的輸入向量。

65、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在s4中，具體包括以下步驟：

66、s4.1、根據(jù)huber損失函數(shù)，分別計(jì)算第一響應(yīng)時(shí)間預(yù)測(cè)值第二響應(yīng)時(shí)間預(yù)測(cè)值和相應(yīng)真實(shí)值yrt之間的第一損失函數(shù)第二損失函數(shù)其中，huber損失函數(shù)的閾值設(shè)為1；

67、根據(jù)第一損失函數(shù)計(jì)算第一響應(yīng)時(shí)間預(yù)測(cè)值與真實(shí)值yrt之間的損失：

68、

69、根據(jù)第二損失函數(shù)計(jì)算第二響應(yīng)時(shí)間預(yù)測(cè)值與真實(shí)值yrt之間的損失：

70、

71、s4.2、根據(jù)huber損失函數(shù)，分別計(jì)算第一吞吐量預(yù)測(cè)值第二吞吐量預(yù)測(cè)值和相應(yīng)真實(shí)值ytp之間的第三損失函數(shù)第四損失函數(shù)其中，huber損失函數(shù)的閾值設(shè)為1；

72、根據(jù)第三損失函數(shù)計(jì)算第一吞吐量預(yù)測(cè)值與真實(shí)值ytp之間的損失：

73、

74、根據(jù)第四損失函數(shù)計(jì)算第二吞吐量預(yù)測(cè)值與真實(shí)值ytp之間的損失：

75、

76、s4.3、將第一損失函數(shù)第二損失函數(shù)第三損失函數(shù)第四損失函數(shù)進(jìn)行加權(quán)運(yùn)算，得到聯(lián)合損失函數(shù)l，使用聯(lián)合損失函數(shù)l訓(xùn)練預(yù)測(cè)模型：

77、

78、其中，β表示屬性權(quán)重，決定了響應(yīng)時(shí)間損失函數(shù)的重要性，1-β決定了吞吐量損失函數(shù)的重要性；α表示視圖權(quán)重，決定了交互塔損失函數(shù)的重要性，1-α決定了雙塔損失函數(shù)的重要性。

79、由于采用了上述技術(shù)方案，本發(fā)明取得的技術(shù)進(jìn)步是：

80、1、本發(fā)明所提供的用于物聯(lián)網(wǎng)服務(wù)服務(wù)質(zhì)量預(yù)測(cè)的多屬性聯(lián)合預(yù)測(cè)方法，首先對(duì)用戶(hù)和服務(wù)的上下文特征進(jìn)行預(yù)處理；之后將處理好的特征輸入到兩個(gè)多視角殘差交互網(wǎng)絡(luò)中，分別執(zhí)行響應(yīng)時(shí)間預(yù)測(cè)和吞吐量預(yù)測(cè)；最后根據(jù)預(yù)測(cè)值計(jì)算聯(lián)合損失函數(shù)，使用聯(lián)合損失函數(shù)訓(xùn)練預(yù)測(cè)模型；考慮了不同服務(wù)質(zhì)量之間潛在有益的關(guān)聯(lián)關(guān)系，這種關(guān)聯(lián)關(guān)系提高了模型的預(yù)測(cè)精度。

81、2、本發(fā)明中通過(guò)對(duì)共享特征空間中的嵌入向量進(jìn)行多屬性聯(lián)合訓(xùn)練，提高了嵌入向量的泛化性，進(jìn)而提高了預(yù)測(cè)模型在冷啟動(dòng)情況下的泛化能力，比單屬性預(yù)測(cè)方法具有更高的效率。

82、3、本發(fā)明中在雙塔的基礎(chǔ)上增設(shè)交互塔，使用交互塔來(lái)補(bǔ)充學(xué)習(xí)雙塔丟失的用戶(hù)和服務(wù)之間的交互特征。

83、4、本發(fā)明中設(shè)計(jì)的殘差塊結(jié)構(gòu)，可以顯著增強(qiáng)預(yù)測(cè)模型的特征交互學(xué)習(xí)能力。