ترجمه فارسی مقاله GACL: یادگیری مشارکتی توجه نمودار برای پیش‌بینی QoS موقت

چکیده

Accurate prediction of temporal QoS is crucial for maintaining service reliability and enhancing user satisfaction in dynamic service-oriented environments. However, current methods often neglect high-order latent collaborative relationships and fail to dynamically adjust feature learning for specific user-service invocations, which are critical for precise feature extraction within each time slice. Moreover, the prevalent use of RNNs for modeling temporal feature evolution patterns is constrained by their inherent difficulty in managing long-range dependencies, thereby limiting the detection of long-term QoS trends across multiple time slices. These shortcomings dramatically degrade the performance of temporal QoS prediction. To address the two issues, we propose a novel Graph Attention Collaborative Learning (GACL) framework for temporal QoS prediction. Building on a dynamic user-service invocation graph to comprehensively model historical interactions, it designs a target-prompt graph attention network to extract deep latent features of users and services at each time slice, considering implicit target-neighboring collaborative relationships and historical QoS values. Additionally, a multi-layer Transformer encoder is introduced to uncover temporal feature evolution patterns, enhancing temporal QoS prediction. Extensive experiments on the WS-DREAM dataset demonstrate that GACL significantly outperforms state-of-the-art methods for temporal QoS prediction across multiple evaluation metrics, achieving the improvements of up to 38.80%.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق QoS موقتی برای حفظ قابلیت اطمینان خدمات و افزایش رضایت کاربر در محیط های پویا خدمات محور بسیار مهم است.با این حال ، روشهای فعلی غالباً از روابط مشترک نهفته مرتبه بالا غافل می شوند و در تنظیم پویا یادگیری ویژگی برای دعوت های خاص خدمات کاربر ، که برای استخراج دقیق ویژگی در هر قطعه زمانی بسیار مهم هستند ، ناکام هستند.علاوه بر این ، استفاده شایع از RNN ها برای مدل سازی الگوهای تکامل ویژگی زمانی با مشکل ذاتی آنها در مدیریت وابستگی های دوربرد محدود می شود و از این طریق تشخیص روند QOS طولانی مدت در برش های مختلف را محدود می کند.این کاستی ها به طور چشمگیری عملکرد پیش بینی QoS موقتی را کاهش می دهد.برای پرداختن به دو موضوع ، ما یک چارچوب جدید یادگیری مشارکت (GACL) برای پیش بینی QoS موقتی را پیشنهاد می کنیم.با تکیه بر یک نمودار فراخوانی خدمات کاربر پویا برای مدل سازی تعامل های تاریخی جامع ، یک شبکه توجه نمودار هدف را برای استخراج ویژگی های نهفته عمیق کاربران و خدمات در هر زمان با توجه به روابط مشترک و همجنسگرایان هدف و ارزشهای QoS تاریخی طراحی می کند.علاوه بر این ، یک رمزگذار ترانسفورماتور چند لایه برای کشف الگوهای تکامل ویژگی زمانی معرفی شده و پیش بینی QoS زمانی را افزایش می دهد.آزمایش های گسترده در مجموعه داده های WS-Dream نشان می دهد که GACL به طور قابل توجهی از روشهای پیشرفته برای پیش بینی QoS موقتی در معیارهای ارزیابی چندگانه بهتر عمل می کند و به پیشرفت های حداکثر 38.80 ٪ می رسد.