Machine Learning,Information Retrieval,یادگیری ماشین , بازیابی اطلاعات ,
توضیحات
Submitted 12 September, 2024; v1 submitted 20 August, 2024; originally announced August 2024. , Comments: This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible , MSC Class: 68T99 ACM Class: H.4.0; I.2.0
توضیحات به فارسی
ارسال شده 12 سپتامبر 2024 ؛V1 ارسال شده در 20 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این کار برای انتشار احتمالی به IEEE ارسال شده است.کپی رایت ممکن است بدون اطلاع قبلی منتقل شود ، پس از آن ممکن است این نسخه دیگر در دسترس نباشد ، کلاس MSC: 68T99 ACM کلاس: H.4.0 ؛I.2.0
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
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.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
