[论文解读] 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 6

一句话总结

本文提出了一种基于学习邻域的个性化QoS预测模型，通过全局优化形式化协同过滤，提升了准确性和鲁棒性。该方法在真实世界QoS数据上优于最先进方法（包括矩阵分解），实现了更低的MAE和RMSE，同时通过邻域推理保持了可解释性。

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.

研究动机与目标

• 为解决由于用户评价稀疏且主观而导致的云服务中个性化QoS预测挑战。
• 克服启发式协同过滤和矩阵分解的局限性，如缺乏正式优化和可解释性差。
• 开发一种形式化的基于邻域的框架，实现全局优化并提升预测鲁棒性。
• 在大规模真实世界QoS数据集上验证模型性能，涵盖多样化的服务与用户交互。
• 探究top-k邻域选择和矩阵密度对预测准确率的影响。

提出的方法

• 提出一种形式化的基于邻域的预测框架，整合基线估计与学习组件，以提升QoS预测性能。
• 提出三种邻域模型变体（NbModel1、NbModel2、NbModel3），采用不同的基线估计策略。
• 采用全局优化方案，同时学习邻域权重和基线组件，增强模型鲁棒性。
• 使用包含5,825个Web服务和339名用户的现实世界QoS数据集进行模型训练与评估。
• 通过邻域关联施加正则化，防止过拟合，尤其在稀疏数据场景下。
• 采用标准指标（MAE和RMSE）评估模型性能，覆盖不同矩阵密度和top-k邻域配置。

实验结果

研究问题

• RQ1 具有全局优化的形式化邻域模型是否能优于传统启发式协同过滤在QoS预测中的表现？
• RQ2 在稀疏数据上，所提出的基于学习的邻域模型与矩阵分解相比，在准确性和鲁棒性方面表现如何？
• RQ3 top-k邻域选择对不同数据稀疏度水平下的预测性能有何影响？
• RQ4 矩阵密度如何影响邻域模型在QoS预测中的性能？
• RQ5 所提出的模型是否能在实现更高预测准确率的同时保持可解释性，优于现有方法？

主要发现

• 所提出的基于学习的邻域模型在稀疏和密集数据上均优于最先进方法，实现了更低的MAE和RMSE。
• 在稀疏数据（5%矩阵密度）下，所有变体的RMSE均低于1.65，优于NMF和其他邻域模型。
• 在密集数据（15%密度）下，NbModel2和NbModel3的RMSE随k增加而降低，k=80时达到最优性能。
• MAE指标呈现U型曲线，表明k=80在准确率与过拟合风险之间提供了最佳平衡。
• 通过利用用户相似性和邻域推理，模型保持了可解释性，而矩阵分解则为黑箱方法。
• 采用学习权重的基线组件（如b_ui）显著提升了预测准确率，尤其在稀疏数据环境下。