ترجمه فارسی مقاله پیش‌بینی کیفیت سرویس (QoS) به کمک مدل زبان بزرگ برای توصیه سرویس

چکیده

Large language models (LLMs) have seen rapid improvement in the recent years, and have been used in a wider range of applications. After being trained on large text corpus, LLMs obtain the capability of extracting rich features from textual data. Such capability is potentially useful for the web service recommendation task, where the web users and services have intrinsic attributes that can be described using natural language sentences and are useful for recommendation. In this paper, we explore the possibility and practicality of using LLMs for web service recommendation. We propose the large language model aided QoS prediction (llmQoS) model, which use LLMs to extract useful information from attributes of web users and services via descriptive sentences. This information is then used in combination with the QoS values of historical interactions of users and services, to predict QoS values for any given user-service pair. On the WSDream dataset, llmQoS is shown to overcome the data sparsity issue inherent to the QoS prediction problem, and outperforms comparable baseline models consistently.

چکیده به فارسی (ترجمه ماشینی)

مدلهای بزرگ زبان (LLM) در سالهای اخیر پیشرفت سریع داشته اند و در طیف گسترده تری از برنامه ها مورد استفاده قرار گرفته اند.پس از آموزش در متن بزرگ ، LLMS توانایی استخراج ویژگی های غنی از داده های متنی را بدست می آورد.چنین توانایی ای برای کار توصیه خدمات وب به طور بالقوه مفید است ، جایی که کاربران و خدمات وب دارای ویژگی های ذاتی هستند که می توانند با استفاده از جملات زبان طبیعی توصیف شوند و برای توصیه مفید هستند.در این مقاله ، امکان و کاربردی استفاده از LLMS برای توصیه خدمات وب را بررسی می کنیم.ما مدل بزرگ زبان به کمک QoS Prediction (LLMQOS) را پیشنهاد می کنیم ، که از LLM ها برای استخراج اطلاعات مفید از ویژگی های کاربران و خدمات وب از طریق جملات توصیفی استفاده می کنند.این اطلاعات سپس در ترکیب با مقادیر QoS تعامل تاریخی کاربران و خدمات استفاده می شود تا مقادیر QoS را برای هر جفت خدمات کاربر داده شده پیش بینی کند.در مجموعه داده WSDREAM ، LLMQOS برای غلبه بر مسئله پراکندگی داده ذاتی برای مشکل پیش بینی QoS نشان داده شده است ، و از مدل های پایه قابل مقایسه به طور مداوم بهتر است.