مشخصات مقاله | |
ترجمه عنوان مقاله | همسایگان شما درک نشده اند: درباره مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی |
عنوان انگلیسی مقاله | Your neighbors are misunderstood: On modeling accurate similarity driven by data range to collaborative web service QoS prediction |
انتشار | مقاله سال 2019 |
تعداد صفحات مقاله انگلیسی | 28 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
مقاله بیس | این مقاله بیس نمیباشد |
نمایه (index) | scopus – master journals – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
شاخص H_index | 85 در سال 2019 |
شاخص SJR | 0.844 در سال 2017 |
شناسه ISSN | 0167-739X |
شاخص Quartile (چارک) | Q1 در سال 2017 |
رشته های مرتبط | مهندسی فناوری اطلاعات |
گرایش های مرتبط | اینترنت و شبکه های گسترده |
نوع ارائه مقاله |
ژورنال |
مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
دانشگاه | College of Information Science and Engineering, Yanshan University, China |
کلمات کلیدی | خدمات وب، کیفیت خدمات، پیش بینی مشارکتی، محدوده داده |
کلمات کلیدی انگلیسی | Web service, quality of service, collaborative prediction, data range |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.003 |
کد محصول | E11991 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Outline Highlights Abstract Keywords 1. Introduction 2. Related work 3. Problem description and motivation 4. Method 5. Experiment 6. Conclusion and future work Acknowledgments References |
بخشی از متن مقاله: |
Abstract Quality of service (QoS) is a set of non-functional attributes of Web services for differentiating enriched Web services with same or similar functionality. Predicting the unknown QoS of Web services for service users is often required for any QoS based service computing because QoS plays a fundamental role in reliable Web service recommendation, composition and selection. Existing collaborative filtering based QoS prediction methods suffer from a serious acclimatization issue caused by the difference of QoS data range, which dramatically degrades the prediction accuracy and even impedes its adaptability. The fact that Web service QoS data exhibit large service effect with different data ranges, is verified on public real-world datasets. In this study, we aim to tackle the problem of QoS prediction while considering the influences of QoS data range in the context of collaborative filtering. In particular, a simple yet effective similarity model called JacMinMax, which is driven by QoS data range, is designed. Furthermore, two neighborhood selection strategies using JacMinMax are proposed, and the obtained neighbors are systemically integrated into neighborhood- and model-based methods for collaborative QoS predictions. Experimental results show that the proposed method efficiently alleviates the influence of the concerned QoS data ranges, and performs better than many state-of-the-art approaches with respect to accuracy. |