مقاله انگلیسی رایگان در مورد مدل سازی شباهت دقیق با محدوده داده ها به منظور پیش بینی QoS سرویس وب مشارکتی – الزویر ۲۰۱۹

elsevier

 

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 ۲۰۱۹
تعداد صفحات مقاله انگلیسی  ۲۸ 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  PDF
ایمپکت فاکتور(IF)
۵٫۳۴۱ در سال ۲۰۱۷
شاخص H_index ۸۵ در سال ۲۰۱۹
شاخص SJR ۰٫۸۴۴ در سال ۲۰۱۷
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۷
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
۱٫ Introduction
۲٫ Related work
۳٫ Problem description and motivation
۴٫ Method
۵٫ Experiment
۶٫ 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.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *