مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی
ترجمه نشده

مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی

عنوان فارسی مقاله: همسایگان شما درک نشده اند: درباره مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی
عنوان انگلیسی مقاله: Your neighbors are misunderstood: On modeling accurate similarity driven by data range to collaborative web service QoS prediction
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: خدمات وب، کیفیت خدمات، پیش بینی مشارکتی، محدوده داده
کلمات کلیدی انگلیسی: Web service, quality of service, collaborative prediction, data range
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.01.003
دانشگاه: College of Information Science and Engineering, Yanshan University, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 28
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E11991
فهرست انگلیسی مطالب

Abstract


1. Introduction


2. Related work


3. Problem description and motivation


4. Method


5. Experiment


6. Conclusion and future work


Acknowledgments


References

نمونه متن انگلیسی مقاله

Abstract


Quality of service (QoS) is a set of non-functional attributes of Web services for differentiating enriched Web services with same or similar functionality. Predicting the unknown QoS of Web services for service users is often required for any QoS based service computing because QoS plays a fundamental role in reliable Web service recommendation, composition and selection. Existing collaborative filtering based QoS prediction methods suffer from a serious acclimatization issue caused by the difference of QoS data range, which dramatically degrades the prediction accuracy and even impedes its adaptability. The fact that Web service QoS data exhibit large service effect with different data ranges, is verified on public real-world datasets. In this study, we aim to tackle the problem of QoS prediction while considering the influences of QoS data range in the context of collaborative filtering. In particular, a simple yet effective similarity model called JacMinMax, which is driven by QoS data range, is designed. Furthermore, two neighborhood selection strategies using JacMinMax are proposed, and the obtained neighbors are systemically integrated into neighborhood- and model-based methods for collaborative QoS predictions. Experimental results show that the proposed method efficiently alleviates the influence of the concerned QoS data ranges, and performs better than many state-of-the-art approaches with respect to accuracy.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها