多源特征融合的两阶段云服务QoS预测方法

本文提出了一种多源特征融合的两阶段云服务QoS预测方法（MFTL），旨在解决因用户评估或提供商数据不足导致的QoS值缺失问题。背景方面，随着云服务的广泛应用，QoS成为区分功能同质化服务的关键指标，但传统协同过滤方法在稀疏数据集和冷启动情况下表现不佳。研究目的上，MFTL结合历史调用记录、用户分类信息及邻域影响等多源特征，通过两阶段学习框架（邻域集成矩阵分解和深度神经网络）提升预测精度。实验结果表明，MFTL在WS-Dream数据集上的响应时间预测性能优于主流方法，尤其在稀疏数据集中表现突出。结论指出，MFTL通过融合多源特征和两阶段学习，显著提高了QoS预测的准确性和鲁棒性。