[論文レビュー] Personalized QoS Prediction of Cloud Services via Learning Neighborhood-based Model

Hao Wu, Jun He+2 more|arXiv (Cornell University)|Aug 19, 2015

Recommender Systems and Techniques参考文献 27被引用数 6

ひとこと要約

本稿では、クラウドサービスにおけるパーソナライズドQoS予測のための学習ベースの近隣モデルを提案し、精度と耐障害性を向上させるために、共同フィルタリングをグローバル最適化で形式化している。この手法は、行列分解やヒューリスティックなCFと比較して、実世界のQoSデータ上で優れたMAEおよびRMSEを達成する。また、近隣推論による説明可能性を維持している。

ABSTRACT

The explosion of cloud services on the Internet brings new challenges in service discovery and selection. Particularly, the demand for efficient quality-of-service (QoS) evaluation is becoming urgently strong. To address this issue, this paper proposes neighborhood-based approach for QoS prediction of cloud services by taking advantages of collaborative intelligence. Different from heuristic collaborative filtering and matrix factorization, we define a formal neighborhood-based prediction framework which allows an efficient global optimization scheme, and then exploit different baseline estimate component to improve predictive performance. To validate the proposed methods, a large-scale QoS-specific dataset which consists of invocation records from 339 service users on 5,825 web services on a world-scale distributed network is used. Experimental results demonstrate that the learned neighborhood-based models can overcome existing difficulties of heuristic collaborative filtering methods and achieve superior performance than state-of-the-art prediction methods.

研究の動機と目的

• 希なユーザー評価と主観的な評価による、クラウドサービスにおけるパーソナライズドQoS予測の課題に対処すること。
• ヒューリスティックな共同フィルタリングや行列分解の限界（形式的最適化の欠如、説明可能性の低さ）を克服すること。
• グローバル最適化を可能にする形式的近隣ベースのフレームワークを構築し、予測の耐障害性を向上させること。
• 多様なサービスおよびユーザー相互作用を含む大規模で実世界のQoSデータセット上で、モデルの性能を検証すること。
• top-k近隣選択および行列の密度が予測精度に与える影響を調査すること。

提案手法

• ベースライン推定と学習可能な要素を統合した、形式的近隣ベースの予測フレームワークを提案し、QoS予測の精度を向上させること。
• 異なるベースライン推定戦略を用いた3つの近隣モデルの変種（NbModel1、NbModel2、NbModel3）を導入すること。
• 近隣重みとベースライン成分を同時に学習するグローバル最適化方式を採用し、モデルの耐障害性を向上させること。
• 5,825のWebサービスと339人のユーザーを含む実世界のQoSデータセットを用いて、モデルの学習と評価を実施すること。
• 過学習を防ぐために、近隣接続を正則化に活用し、特に希なデータ環境下でも有効にすること。
• 標準的な指標（MAEおよびRMSE）を用いて、異なる行列密度およびtop-k近隣構成の下でのモデル性能を評価すること。

実験結果

リサーチクエスチョン

• RQ1 グローバル最適化を組み込んだ形式的近隣ベースのモデルは、従来のヒューリスティックな共同フィルタリングを上回るQoS予測性能を示せるか？
• RQ2 本稿で提案する学習ベースの近隣モデルは、希なデータにおいて行列分解と比較して、精度と耐障害性の面で優れているか？
• RQ3 top-k近隣選択の影響は、異なるデータの希疎度レベルにおいて予測性能にどのように現れるか？
• RQ4 行列の密度は、QoS予測における近隣ベースのモデルの性能にどのように影響するか？
• RQ5 提案されたモデルは、既存手法よりも高い予測精度を達成しながらも、説明可能性を維持できるか？

主な発見

• 提案された学習ベースの近隣モデルは、最先端の手法を上回る性能を示し、希なデータおよび密度の高いデータの両方でMAEおよびRMSEが低かった。
• 希なデータ（5％の行列密度）では、NMFや他の近隣モデルと比較してRMSEが優れており、すべてのバージョンでRMSEが1.65未満であった。
• 密度の高いデータ（15％の密度）では、NbModel2およびNbModel3のRMSEはkの増加に伴い低下し、k=80で最適な性能を示した。
• MAE指標はkに対してU字型のカーブを示し、k=80が精度と過学習リスクのバランスを最も良く保っていた。
• ユーザーの類似性と近隣推論を活用することで、ブラックボックスな行列分解とは異なり、説明可能性を維持している。
• 学習された重み（例：b_ui）を有するベースライン成分は、特に希なデータ環境下で予測精度を顕著に向上させた。