基于制造云服务QoS序列特性的缺失值估计算法

针对目前采用的传统时间序列缺失值估计算法对制造云服务QoS中时间序列缺失数据填补效果不佳的现状,提出了一种新算法。该算法通过考虑制造云服务QoS序列的指标关联性与候选服务间的指标数据相似性,构建了基于服务内部QoS指标关联性的缺失值估计算法和基于候选服务之间指标数据相似性的缺失值估计算法,并将这两种算法通过折衷系数进行融合,得到QoS时间序列缺失值的最优估计值。与传统的时间序列缺失值估计算法进行分析比较,实验结果表明了所提算法的有效性。

基于粗糙集的旅游服务推荐算法

以Web服务为基础,利用粗糙集原理生成Web服务的约简规则,同时根据粗糙集属性约简功能生成Web服务并应用于遗传算法中。实验证实,该方法的高效性和可行性,进而实现旅游服务的推荐算法。

基于改进TOPSIS法的物流云服务选择研究

针对传统TOPSIS法在物流云服务选择中主观指标权重的不确定性,以及不能完全反映出各方案优劣性的问题,提出基于熵值法和改进相对接近度算法的TOPSIS法.在分析传统TOPSIS法基本原理的基础上,构建出改进的TOPSIS法评价模型,并结合具体算例对此评价模型进行实验验证:A公司为了有效控制供应链成本、提高客户满意度,决定使传统TOPSIS法和改进TOPSIS法在服务质量(Qo S)指标参数相同的情况下,对相同物流云服务提供商选择进行比较.评价结果表明,改进的TOPSIS法可以消除主观因素对结果造成的影响,用于物流云服务提供商选择更具客观性与合理性,为物流云服务的选择提供了参考与借鉴.

基于ISA联合聚类的组推荐算法研究

【目的】避免在组推荐群组划分阶段对群组个数k值的经验依赖,提高推荐算法的准确率及扩展性。【方法】应用ISA联合聚类算法,从用户、项目两个维度同时聚类,获取精准的重叠兴趣群组;在各群组内结合用户专业度构建出代表群组共同偏好的虚拟用户;最后基于虚拟用户进行协同过滤推荐。【结果】通过ISA联合聚类摆脱了k值依赖,基于ISA联合聚类的组推荐算法在FilmTrust数据集200和500群组规模的MAE值分别为0.697和0.693, MovieLens数据集上RMSE值为1.022,与其他算法相比准确率有所提升。【局限】基于ISA的群组划分算法具有一定的随机性,需多次重复实验。【结论】本文算法能够摆脱传统聚类算法对k值的经验依赖,有效提高协同过滤推荐算法的准确率及扩展性。