QoS预测邻居选择通过深层传输视频流P2P网络的协同过滤

文摘

扩大服务器容量,减少带宽,P2P技术是近年来广泛应用于视频系统。P2P流媒体网络的每个客户端应该选择一群邻居通过评估其他节点的QoS。不幸的是,视频流P2P网络的大小通常是非常大的,和评估所有其他节点的QoS耗费资源。一个有吸引力的方法是,我们可以预测一个节点的QoS利用过去的使用经验的少数其他客户评估这个节点。因此,协同过滤(CF)方法可以用于QoS评价选择邻居。然而,我们可能会使用不同的QoS属性不同的视频流的政策。如果一个新的视频热气腾腾的政策需要评估一个新的QoS属性,但历史的经验包括很少这个QoS属性的评价数据,CF方法会造成严重的过度拟合问题,然后客户会不满意的推荐结果。在本文中,我们提出了一个新颖的神经基于迁移学习的协同过滤方法,可以评估QoS和其他一些历史数据通过评估不同的QoS特性丰富的历史数据。我们进行大量真实数据集实验,获得的QoS的值从339客户评估5825年其他客户。综合实验研究表明,我们的方法提供了预测精度高于传统的协同过滤方法。

1。介绍

近年来,视频内容占全球互联网的大部分消费。视频蒸正逐渐成为最具吸引力的服务1- - - - - -3]。然而,网络不提供任何视频内容交付的服务质量保证。扩大服务器容量,减少视频带宽,P2P技术被广泛采用的许多内容交付系统(4- - - - - -7]。在P2P网络中,对等不仅下载媒体数据从网络还上传下载数据到其他客户端在同一网络。得到一个更好的用户体验的观看视频,每个客户端(或节点)在P2P网络应该选择一些其他节点作为邻国的这个客户的服务质量(QoS) (8- - - - - -10]。例如,客户可能更愿意选择节点高带宽。由于不同位置和网络条件下,不同的客户可能有不同的QoS体验相同的节点。得到最好的邻居QoS,可能想要评估每个客户的所有其他节点的QoS。不幸的是,视频流P2P网络通常包括一个极其大量的用户,并评估所有节点的QoS耗时、耗费资源。

一个有吸引力的方式,我们可以预测的QoS值节点利用过去使用少量的其他客户的经验评估这个节点。这指的是一个著名的技术,协同过滤(CF),已极其在推荐系统研究11- - - - - -13]。CF方法的帮助下,每个客户端只需要知道少量的QoS的其他节点值选择邻居。的核心思想是,如果两个客户有类似的评估值的一个特定的QoS一些已知的节点,他们可能也有类似的QoS评价其他未知节点的值。

然而,邻居选择策略可能需要更改为提高视频内容的质量交货。如果新政策使用新的QoS属性选择邻居,但历史用户体验包括很少新的QoS属性数据,CF方法会造成严重的过度拟合问题,然后每个客户端可能会变得更糟的邻居推荐列表。转移学习旨在适应模型训练源领域丰富的标签数据中使用的目标域与不带安全标签的数据时,在源和目标域通常是相关但不同分布下(14- - - - - -16]。最近,深层神经网络有许多应用取得了显著的成就,尤其是在计算机视觉、语音识别和自然语言处理。深层神经网络强大的学习一般可转让的功能。有两个主要转移学习场景,微调pretrained网络或治疗pretrained网络作为一个固定的特性勒索者。而不是随机初始化,我们可以初始化网络pretrained网络,或者我们可以冻结层的权重的网络17- - - - - -19]。

与许多监督转移学习任务,我们不能简单地调整或冻结网络的权重。唯一的视频流P2P网络中的节点信息是他们的标识符(id)和QoS评估历史经验。为每个节点没有原始特性,我们需要精益抽象特性使用嵌入的节点。冻结的嵌入特性似乎不合理。范围,此外,不同的QoS属性有不同的价值和微调将最终的权重有很大的不同从初始权重pretrained源域。由于目标域的稀疏带安全标签的数据时,微调太多会招致严重的过度拟合问题。

在本文中,我们提出了一个新颖的神经风格协同过滤方法,DTCF(深转移协同过滤)。我们可以先使用QoS训练模型评估数据的源域,然后适应模型在目标域不同QoS属性。的核心思想是,我们只使用第一个几层的权重相同初始化层的模型在目标域,和剩余随机初始化层。控制程度的微调,我们最大的意思差异(MMD)测量融入损失函数(20.- - - - - -22]。我们工作的主要贡献如下:(我)我们提出一个新颖的神经QoS协同过滤模型预测使用学习技术转让。(2)我们提供了一个新的交互层代表潜在嵌入因素的节点之间的关系。(3)我们采用局部微调和多党民主运动测量训练目标域模型来实现域调整。

本文的其余部分组织如下:我们在节介绍相关工作2。部分3介绍了我们的方法的设计细节。部分4描述了我们的实验和部分5本文总结道。

2。相关工作

分布式用户生成视频交付对大规模流媒体系统构成了新的挑战。流住用户生成的视频,许多现有视频系统依赖于一个集中的网络架构(23- - - - - -25]。即使这些流媒体系统使用视频交付内容分发网络(CDN),这样一种解决方案是不划算的26- - - - - -28]。单价的内容交付网络近年来显著下降。然而,有更高的要求的分辨率,帧率,比特率。因此,每个用户的带宽消耗的数量增长速度。降低带宽或成本,提高用户体验,可以采用P2P架构。

协同过滤是一个理性的QoS预测技术来为每个客户端选择邻居在P2P流媒体视频网络(29日- - - - - -31日]。选择最好的邻居交付高质量客户,CF应该预测客户之间的QoS值,然后选择最好的邻居的QoS的价值观。每个客户端只知道部分信息网络中所有节点的QoS值。基于内存的CF方法某些广义k-nearest-neighbors(资讯)算法32,33),有两种模型:基于用户和基于项目。基于模型的CF方法更受欢迎,就像广义回归和分类算法,但他们处理抽象特性不具体或原始功能。在许多基于模型的CF方法,矩阵分解已经成为最受欢迎的技术来处理这样的问题(34- - - - - -40]。概率矩阵分解(及模型认为QoS值服从高斯分布正常,和潜在的因素应该从零均值高斯分布(41]。非负矩阵分解(NMF)可以学习用户或项目的负的潜在因素,但它通常处理隐式反馈(42- - - - - -44]。

然而,即使矩阵分解CF算法取得非凡的成功,他们有困难在处理跨域学习任务如果源和目标域的输出值有不同的范围。深层神经网络可以很容易地学习通用和可转让的特性。越来越多的跨域的应用程序采用深度学习技术,取得了显著的性能45- - - - - -47]。然而,探索深层神经网络在推荐系统或QoS预测获得了相对较少的吸引力。最近,一些研究已经提出了一些基于深度学习协同过滤模型。两个令人印象深刻的技术是谷歌的宽与深(48)和微软的深度交叉(49]。这些模型的输入信息,用户和项目之间的相互作用。神经协同过滤(NCF)模型是纯粹为用户和产品交互设计(50]。然而,没有一个是为跨域的QoS的预测。

3所示。DTCF模型

的跨域视频流P2P网络QoS的预测,我们给出了一个源域 与的例子,它的特点是概率分布和一个目标域 与特点是概率的例子 。通常的例子在目标域的大小非常小, 。我们的工作目标是构建一个深层神经网络学习转移特性,桥这两个领域的差异。

3.1。模型体系结构概述

我们提出一个新颖的神经结构,概述了在图1。源域和目标域共享相同的网络体系结构。模型的输入是标识符的节点数量。例如,如果P2P网络中节点的大小 ,每个节点的ID是一个整数数字从1到 。模式的QoS的输出节点的值评估的节点上 。

因为我们不使用任何具体功能为每个节点,我们需要学习抽象特性。在这里,我们学习使用嵌入层连续潜伏向量/因素为每个节点。中描述的细节设计嵌入层部分3.1。

如果我们有两个潜在的向量和 , 和 ,也许有人会认为,我们应该将这两个向量,然后使用仿射函数 将潜在的向量转换成另一个隐层的输入。然而,没有潜在的因素之间的交互作用,但只有元素的向量的加权求和。一些研究使用向量的点积代表互动,描述如下。

不幸的是,它太简单,完全代表节点之间的复杂的相互作用。在本文中,我们提出一个新颖的交互层来解决这个问题,有强大的表现能力。我们将提供设计细节部分3.2。

在交互层,我们使用ReLU隐藏层。我们可能需要多个ReLU层。ReLU激活函数如下。

最后,我们使用一个完全连接层生成输出。训练模型在源域时,我们使用回归的损失。然后我们使用的所有层pretrained模型但最后FC层构造模型为目标域。这些层的重量作为目标域模型的初始化权重,但是最终的FC层随机初始化。为了避免overadaptation问题,我们使用域损失和回归损失训练目标域模型。我们将描述如何设计域损失部分3.3。

3.2。嵌入层

因为我们可以分配一个唯一的整数作为网络中的每个节点的标识符,我们可以使用一个炎热的向量来表示标识符。如果我们有最多网络中的节点,节点可以表示如下。 我们嵌入层定义如下: 在哪里是一个 矩阵。扩大公式 ,我们可以看到以下。

因此,是th列的矩阵 。由于节点标识符数字转换为一个炎热的向量,矩阵乘法的结果是完全特定的潜在的为每个节点向量。这个权重矩阵联合训练与整个网络的其他参数。

3.3。交互层

有两个输入层的交互,和 。假设任何一个向量是一个列向量,连接长两输入会得到一个向量。这个连接将转化为另一个向量,向量编码之间交互信息这两个输入。图中概述的转换过程2。

假设交互层的输出是一个矢量 ,它的长度 。的th元素的向量定义如下。

如果的长度是 , 是一个 方阵。是一个标量,由矩阵决定是哪一个和偏见 。如果的长度是 ,我们需要权重矩阵和偏见。

包括所有可能的相互作用之间的关系和 。表示 ,我们可以看到这一点 ,在哪里的元素吗th行和列的矩阵

3.4。域损失

最后的输出ReLU层模型的源域是表示 ,最后的输出ReLU层模型在目标域的表示 。如果我们想避免overadaptation问题,一个可能的方法是减少分布之间的差异 和 ,在哪里 和 。

让 是一个度量空间, , 。让是一个类的功能 : ,和最大的差异(MMD)是(22] 在哪里 和 。

表示 和 。有偏见的实证估计的多党民主运动的定义如下。

如果函数类太大,是不实际的有限样本中使用这个丰富的函数类设置。理性选择函数的类是一个普遍的再生核希尔伯特空间 ,命名再生核希尔伯特空间理论普遍。因此,我们有 ,在哪里 。内核函数 等于 。

表示 ,我们可以得到平均分布的嵌入 ;也就是说, 。从[22),我们可以获得以下。

同样,实证估计现在可以定义如下。

在本文中,我们使用的经验估计域的损失。我们需要做的是选择合适的通用内核函数。在这里,我们采用高斯核函数,定义如下。

3.5。算法

目标领域包括回归的总损失损失和多党民主运动的损失。我们使用minibatch训练模型。只有一小群的例子是用于计算每个训练迭代损失。表示一组minibatch例子的源域的设置minibatch例子在目标域 。的损失函数模型在源域定义如下。 然而,模型的损失函数在目标域被定义为 在哪里 。

为了优化我们的模型,我们需要计算每个重量的梯度。对于任何体重的回归和相关领域损失,其梯度计算如下。

请注意,不用于计算梯度,因为我们只训练目标域模型在pretraining源域。培训过程描述如下:(我)我们首先训练使用损失函数模型的源域 。每个重量的梯度计算根据公式(13)。(2)培训之后,我们使用这个模型的权重来初始化模型在目标域除了最后FC层的权重。最后FC层模型的目标域的随机初始化。(3)在培训目标域的模型,我们使用损失函数 。(iv)对于每个训练迭代,我们随机选择示例数据集,并根据公式计算出梯度(14)和(15)。(v)我们用亚当(自适应时刻估计)作为优化器。

4所示。实验结果

4.1。数据集和评价指标

我们进行我们的实验在一家大型数据集,WS-DREAM集# 1,从339年获得主机做QoS评价5825年其他主机。有两种类型的QoS属性在这个数据集:响应时间和吞吐量。在这里,我们使用响应时间作为源域,和吞吐量为目标域。

源域,我们随机抽取30%(密度)的数据作为训练集来源。为目标域,我们构建5个不同的训练集不同密度的0.5%,1%,1.5%,2%,2.5%,3%。因此,剩余的测试数据集。

我们采用一个共同的评价指标:平均绝对误差(MAE),被广泛用来测量QoS预测质量。

4.2。性能比较

我们比较我们与一些传统的协同过滤方法方法:UPCC, IPCC, UIPCC [34),和矩阵分解(MF)。UPCC是一个基于用户的CF方法,它使用PCC(皮尔逊相关系数)来计算用户之间的相似性。IPCC UPCC类似,除了它计算项目之间的相似度。UIPCC结合了这两种方法的优势通过平衡的比例在最后的结果。UPCC, IPCC, UIPCC不同权衡参数 (上面的参数相似的用户或服务)都试过了,最后我们选择 。MF和DTCF潜在因素的大小也设为10。DTCF,不同的隐藏ReLU层和隐藏的单元尺寸。在这里,隐藏层的最大数量是有限的,5。我们测试的批量大小128,256,512,1024 ,的学习速率0.0001,0.0005,0.001,0.005 ,和培训的时代10年,20年,30、40、50、60、70、80 。带宽将中间两两距离训练数据的来源。

我们为每个模型进行10实验和每个稀疏级别,然后平均预测精度值。

报告的结果数据3和4。我们可以做以下的观察:(我)随着稀疏水平增加,梅斯的所有模型减少。(2)DTCF方法优于其他传统的协同过滤方法,尤其是当训练集是非常稀少的。(3)DTCF模型更有重量,需要训练比其他模型,但它得到最好的性能,这表明节点之间的关系非常复杂,和浅模型不能捕获这些结构。

虽然浅模型目标领域时不容易过度拟合训练数据集非常稀疏,他们不能传递丰富的信息从源域。深模型可能很容易造成过度拟合的问题,但他们可以学习常见的潜在特性从源域。平衡这一困境,我们需要控制程度的微调深度模型。这个实验表明,多域损失控制的适应程度的一种有效的方式。

4.3。网络的影响深度

网络深度通常对预测性能有着重要的影响。这里,每个ReLU神经元的数量设置为128,我们添加ReLU层的数量从1到6的美价值观改变。实验结果图中概述5,我们可以看到以下几点:(我)添加更多ReLU层可以得到更好的预测性能,但深度超过一定值时,性能开始变得更糟。(2)尽管增加ReLU层可以提高性能,扩大训练数据的大小似乎会更有帮助。(3)有时,添加更多的层将不再提高性能,但它也不会恶化预测性能。这表明深层神经网络具有某种正则化属性。

实际上,如果训练数据集非常大,添加更多的层通常不会造成过度拟合问题,但是对于跨领域学习,目标域有很少的数据,所以网络深度需要控制。

4.4。高斯核带宽的影响

另一个我们需要确定的hyperparameter是高斯内核带宽。默认情况下,它被设置为中值两两距离训练数据的来源。我们默认值从0.25到2.0,勾勒出实验结果图6。(我)显然,默认值是一个理性的选择,和扩展太小或太大恶化预测性能。(2)如果带宽太大,内核将约等于1,节点会看起来一样。我们不能对他们提出个人的建议。(3)如果带宽太小,内核将约等于0,节点无法找到类似的邻居跟随他们的过去的经验。

5。结论

选择邻居的QoS的有效途径提供视频流P2P网络的高质量内容。由于异构网络条件,QoS任何一对节点之间是不同的。然而,评估所有节点为每个用户的QoS耗费资源。一个有吸引力的方式是采用协同过滤技术,这只使用少量的过去的使用经验。

不幸的是,视频内容提供商可能会经常选择不同的QoS属性选择邻居。传统的CF方法不能解决跨域QoS预测问题。提出了一种新型神经风格基于转移的CF方法学习。我们首先概述了我们的模型体系结构,然后介绍了该模型的重要部分的细节。为了避免overadaptation问题,我们结合域损失和预测损失一起训练的目标域模型。我们采用了多党民主运动距离域损失,我们还提供其原理以及如何计算梯度。最后,我们进行了一个真实的实验公共数据集。实验结果表明,我们的DTCF模型可以为跨域QoS预测优于其它模型。

数据可用性

WS-Dream数据用于支持本研究的发现属于第三方,这是一个开放的数据集,并存入”https://github.com/wsdream/wsdream-dataset”。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(61602399号和61502410号)。

引用

1. b . e .马达思班、m . Bagaa和t·塔勒布”高效的代码转换和流机制在多个云领域,”学报2017年IEEE全球通讯大会(2017年GLOBECOM)2017年12月,页1 - 6、新加坡。视图:出版商的网站|谷歌学术搜索
2. h·杜问:郑、w . Zhang和x高,“Pattern-Differentiated带宽变化的速度适应对于HTTP自适应流媒体在一个LTE手机网络,”IEEE访问》第六卷,第9569 - 9554页,2017年。视图:出版商的网站|谷歌学术搜索
3. m . w . j . Li Chen, f .蜀和刘x”高效视频在异构网络定价和缓存,”IEEE车辆技术,卷65,不。10日,8744 - 8751年,2016页。视图:出版商的网站|谷歌学术搜索
4. x, y, h . Li y . Liu c·杨和l .太阳,“基于区块链真实激励机制对于分布式P2P应用程序,”IEEE访问》第六卷,第27335 - 27324页,2018年。视图:谷歌学术搜索
5. 工程学系。林,r .朋友,在公元前。王,l . Golubchik”以市场为导向的混合p2p流媒体视频,”IEEE多媒体,19卷,不。5,984 - 998年,2017页。视图:出版商的网站|谷歌学术搜索
6. 黄g . y .高、l .香港和k . Wu”激励计划基于比特率适应cloud-assisted P2P流媒体视频点播系统”学报2018年IEEE第三国际会议上云计算和大数据分析(ICCCBDA)成都,页404 - 408年,2018年4月。视图:出版商的网站|谷歌学术搜索
7. j .来美国运输代理、诉Sekar和h·张,”皮西亚斯:使数据驱动的质量的经验优化使用基于组的exploration-exploitation”第14届USENIX学报》研讨会上网络系统设计和实现,第406 - 393页,2017年。视图:谷歌学术搜索
8. d . l . Wang张、杨和h”Qos-Awareness变量邻居选择基于网格的P2P流媒体直播系统,”学报2013年IEEE第三国际会议信息科技、ICIST 2013,页1197 - 1201,中国,2013年3月。视图:谷歌学术搜索
9. a . t . Liem I.-S。黄,a . Nikoukar C.-Z。杨,m . s . Ab-Rahman和学术界。,“P2P直播感知应用程序架构的QoS增强环氧树脂,”IEEE系统杂志,12卷,不。1,第658 - 648页,2018。视图:出版商的网站|谷歌学术搜索
10. 李j . y .白:扎曼,v . c . m .梁“分散的可信上下文和QoS-Aware服务发现物联网框架,“IEEE访问5卷,第19166 - 19154页,2017年。视图:出版商的网站|谷歌学术搜索
11. h . k . Wang阴、w .关丽珍和g . Min”使计算软件定义车载网络协作优势,”IEEE网络,没有。99年,页1 - 6,2018。视图:出版商的网站|谷歌学术搜索
12. 刘郭x, y, y, h . Steck”社会基于协同过滤的推荐系统的调查,“计算机通信41卷,1 - 10,2014页。视图:出版商的网站|谷歌学术搜索
13. j .魏j .他k·陈,y,和z,“协同过滤和基于深度学习的推荐系统冷启动项目,“专家系统与应用程序卷。69年,29-39,2017页。视图:谷歌学术搜索
14. p .彭,y, t, y, m .铁棒和t .黄”联合语义和潜在属性建模阶级转移学习,”IEEE模式分析与机器智能,40卷,不。7,1625 - 1638年,2018页。视图:谷歌学术搜索
15. h . Chang j .汉钟,a . m . Snijders黄永发。毛,“无监督学习通过转移多尺度卷积稀疏编码为生物医学应用,”IEEE模式分析与机器智能,40卷,不。5,1182 - 1194年,2018页。视图:出版商的网站|谷歌学术搜索
16. 郭y, g .丁、j·汉和y高,“Zero-shot学习与样品转移,”IEEE图像处理,26卷,不。7,3277 - 3290年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. m·a·w·g . Wang Li Zuluaga et al .,“交互式医学图像分割使用深度学习和特定于映像的微调,”IEEE医学成像,37卷,不。7,1562 - 1573年,2018页。视图:谷歌学术搜索
18. 周x, x, x, f·林和l .杨”样本选择极端学习机建立入侵检测计算和MEC的雾,“无线通信和移动计算卷,2018篇文章ID 7472095, 10页,2018。视图:出版商的网站|谷歌学术搜索
19. 柳井正k和y .【“食物图像识别使用深卷积网络训练前和微调,”学报2015年IEEE国际会议多媒体和世博会工作坊,ICMEW 2015意大利的都灵,页1 - 6,,2015年7月。视图:谷歌学术搜索
20. m . j . Gangeh h . Tadayyon l . Sannachi a . Sadeghi-Naini w·t·Tran和g . j . Czarnota“计算机辅助Theragnosis使用定量超声波光谱和最大平均差异在局部晚期乳腺癌,”IEEE医学成像,35卷,不。3、778 - 790年,2016页。视图:出版商的网站|谷歌学术搜索
21. h .严,y叮,p . Li问:Wang y,和w·左,“心灵类的重量偏差:加权平均最大差异为无监督领域适应,”《30 IEEE计算机视觉与模式识别会议,CVPR 2017,页945 - 954,美国,2017年7月。视图:谷歌学术搜索
22. 答:车载信息,k . m . Borgwardt m·j·拉希et al .,“一个内核两个示例测试”,机器学习研究期刊》的研究(JMLR)13卷,第773 - 723页,2012年。视图:谷歌学术搜索|MathSciNet
23. 在线》2018。http://www.twitch.tv/。
24. 在线》2018。http://www.ustream.tv。
25. 在线》2018。http://www.livestream.com/。
26. a . o . Al-Abbasi和诉Aggarwal EdgeCache: CDN-based言过其实的视频流服务的一种优化算法,”IEEE INFOCOM学报》2018年IEEE计算机通讯大会上车间(INFOCOM WKSHPS)火奴鲁鲁,页202 - 207年,美国,2018年4月,你好。视图:出版商的网站|谷歌学术搜索
27. r·丹尼斯·s . Matias r . Juergen et al .,“从云服务迁移到多层雾节点与体验质量支持,多媒体传播”传感器,18卷,不。2、2018。视图:谷歌学术搜索
28. 美国德恩巴赫:塔夫脱,j . Kurose Weinsberg, c . Diot和a . Ashkan“缓存content-selection流媒体视频服务政策,”学报》第35届IEEE国际会议上计算机通信、IEEE INFOCOM 20162016年4月,美国,。视图:谷歌学术搜索
29. 吴x、b . Cheng和j·陈,“协同过滤推荐服务基于一本小说相似性计算方法,”IEEE服务计算,10卷,不。3、352 - 365年,2017页。视图:出版商的网站|谷歌学术搜索
30. m . j . Liu, z, x,和美国律,“位置感知和个性化的web服务的协同过滤推荐,“IEEE服务计算,10卷,不。3、686 - 699年,2016页。视图:出版商的网站|谷歌学术搜索
31. d . Margaris c Vassilakis, p .皮质,”一个集成框架采用ws - bpel场景执行使用QoS和协同过滤技术,”科学的计算机编程卷,98年,第734 - 707页,2015年。视图:出版商的网站|谷歌学术搜索
32. A . Bellogin p·卡斯特,i Cantador”邻居选择和加权的基于用户的协同过滤:性能预测方法,”ACM网上交易(TWEB),8卷,不。2、外墙面,2014页。视图:出版商的网站|谷歌学术搜索
33. y z,杨、w·高和x陈,“基于用户的协同过滤推荐的旅游景点,”《IEEE计算机情报和通信技术国际会议(CICT 15)2015年2月,页22日至25日,。视图:出版商的网站|谷歌学术搜索
34. z郑、h·马·m·r·律,即国王,“协作web服务Qos预测通过社区综合矩阵分解,“IEEE服务计算》第六卷,没有。3、289 - 299年,2013页。视图:出版商的网站|谷歌学术搜索
35. p . j .朱他,郑z和m . r .律”网络QoS预测运行时服务适应通过自适应矩阵分解,“IEEE并行和分布式系统,28卷,不。10日,2911 - 2924年,2017页。视图:出版商的网站|谷歌学术搜索
36. 李和z, r·朱d妞妞,“健壮的web服务通过分位数矩阵分解,建议”学报2017年IEEE计算机通讯大会上,一家2017年美国,2017年5月。视图:谷歌学术搜索
37. 郑张y, z, m . r .律”探索潜在的基于内存的QoS特性预测云计算,”学报30 IEEE国际研讨会上可靠的分布式系统(阶跃恢复二极管的11),页1 - 10,IEEE,马德里,西班牙,2011年10月。视图:出版商的网站|谷歌学术搜索
38. d . Yu, y, y, y阴,“个性化QoS预测web服务使用潜在因素模型,”学报》第11届IEEE国际会议服务计算,(SCC的14)2014年7月,页107 - 114。视图:出版商的网站|谷歌学术搜索
39. y科伦,”分解符合社区:一个多方面的协同过滤模型,”第14届ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 08),页426 - 434,纽约,纽约,美国,2008年8月。视图:出版商的网站|谷歌学术搜索
40. j . w . Lo阴,邓,y,和z,”一个扩展矩阵分解方法QoS预测在服务选择,”学报2012年9日IEEE国际会议服务计算(SCC)火奴鲁鲁,页162 - 169年,美国,2012年6月,你好。视图:出版商的网站|谷歌学术搜索
41. r . Salakhutdinov和a . Mnih“概率矩阵分解,”诉讼进展的神经信息处理系统(捏' 07),第1264 - 1257页,2007年。视图:谷歌学术搜索
42. d·丹尼尔·h·李,塞巴斯蒂安,“非负矩阵分解算法,”诉讼进展的神经信息处理系统(捏' 00),第562 - 556页,2000年。视图:谷歌学术搜索
43. 夏罗x, m .周y,问:朱,“一个有效的非负matrix-factorization-based方法协同过滤推荐系统,”IEEE工业信息,10卷,不。2、1273 - 1284年,2014页。视图:出版商的网站|谷歌学术搜索
44. 答:Hernando, j . Bobadilla f·奥尔特加,”一个非负矩阵分解的协同过滤推荐系统基于贝叶斯概率模型,”以知识为基础的系统卷,97年,第202 - 188页,2016年。视图:出版商的网站|谷歌学术搜索
45. h . Shin h·r·罗斯·m·高et al .,“深卷积神经网络计算机辅助检测:CNN架构,数据集特征和转移学习,”IEEE医学成像,35卷,不。5,1285 - 1298年,2016页。视图:出版商的网站|谷歌学术搜索
46. m . Oquab l . Bottou。拉普帖夫海,j . Sivic“学习使用卷积神经网络和传输图像中层表示,”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)IEEE,页1717 - 1724年,哥伦布,哦,美国,2015年。视图:出版商的网站|谷歌学术搜索
47. h . Chen窦,d .倪et al .,“自动胎儿超声标准平面检测递归神经网络,知识转移”《医学影像计算国际会议上与计算机辅助干预,第514 - 507页,2015年。视图:谷歌学术搜索
48. H.-T。程,k . Levent h·耶利米et al .,“宽&深学习推荐系统”一日学报推荐系统的深度学习研讨会,7-20,2016页。视图:谷歌学术搜索
49. y, t·r·霍恩j .焦h . Wang和毛j . c, d . Yu”深穿越:网络级建模没有手工精心组合特性,”22 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,知识发现(KDD) 2016美国,页255 - 262年,2016年8月。视图:谷歌学术搜索
50. 张x, l .廖h . l .聂x,和t .蔡“神经协同过滤”第26届国际研讨会论文集,页173 - 182,珀斯,澳大利亚,2017年4月。视图:出版商的网站|谷歌学术搜索

版权

版权©2019马雯et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。