ترجمه فارسی مقاله یک شبکه کانولوشنال نمودار جفت فضایی-زمانی جدید

چکیده

Dynamic Quality-of-Service (QoS) data capturing temporal variations in user-service interactions, are essential source for service selection and user behavior understanding. Approaches based on Latent Feature Analysis (LFA) have shown to be beneficial for discovering effective temporal patterns in QoS data. However, existing methods cannot well model the spatiality and temporality implied in dynamic interactions in a unified form, causing abundant accuracy loss for missing QoS estimation. To address the problem, this paper presents a novel Graph Convolutional Networks (GCNs)-based dynamic QoS estimator namely Spatiotemporal Coupling GCN (SCG) model with the three-fold ideas as below. First, SCG builds its dynamic graph convolution rules by incorporating generalized tensor product framework, for unified modeling of spatial and temporal patterns. Second, SCG combines the heterogeneous GCN layer with tensor factorization, for effective representation learning on bipartite user-service graphs. Third, it further simplifies the dynamic GCN structure to lower the training difficulties. Extensive experiments have been conducted on two large-scale widely-adopted QoS datasets describing throughput and response time. The results demonstrate that SCG realizes higher QoS estimation accuracy compared with the state-of-the-arts, illustrating it can learn powerful representations to users and cloud services.

چکیده به فارسی (ترجمه ماشینی)

داده های پویا کیفیت سرویس (QoS) ضبط تغییرات زمانی در تعامل خدمات کاربر ، منبع ضروری برای انتخاب خدمات و درک رفتار کاربر است.رویکردهای مبتنی بر تجزیه و تحلیل ویژگی نهفته (LFA) برای کشف الگوهای زمانی مؤثر در داده های QoS مفید است.با این حال ، روشهای موجود نمی توانند به خوبی از فضایی و زمانی که در تعامل پویا به شکل یکپارچه دلالت دارد ، الگوبرداری کند و باعث از دست رفتن دقت فراوانی برای برآورد QoS گم شده شود.برای پرداختن به مشکل ، این مقاله یک مدل جدید شبکه های حلقوی (GCNS) مبتنی بر برآوردگر QoS مبتنی بر مدل جفت اتصال فضایی و مکانی GCN (SCG) را با ایده های سه برابر به شرح زیر ارائه می دهد.اول ، SCG قوانین Convolution Dynamic Graph خود را با درج چارچوب محصول تانسور تعمیم یافته ، برای مدل سازی یکپارچه از الگوهای مکانی و زمانی می سازد.دوم ، SCG برای یادگیری مؤثر در نمودارهای خدمات کاربر دو طرفه ، لایه GCN ناهمگن را با فاکتورسازی تانسور ترکیب می کند.سوم ، بیشتر ساختار GCN پویا را برای کاهش مشکلات آموزش ساده تر می کند.آزمایش های گسترده ای در دو مجموعه داده QoS در مقیاس بزرگ انجام شده است که عملکرد توان و زمان پاسخ را توصیف می کنند.نتایج نشان می دهد که SCG در مقایسه با پیشرفته ، دقت تخمین QoS بالاتر را تحقق می بخشد ، و نشان می دهد که می تواند بازنمایی های قدرتمندی را به کاربران و خدمات ابری بیاموزد.