基于异常值检测矩阵分解的服务质量预测张园园，朵琳**，韦贵香(昆明理工大学信息工程与自动化学院，云南昆明650500)摘要：基于QoS感知的Web服务推荐是帮助用户找到高质量服务的解决方案之一.为了准确预测候选服务的QoS值，通常需要收集用户的历史QoS数据.然而，现有的方法大多忽略了历史数据中的异常值会导致预测准确度降低.为了解决这一问题，提出一种基于异常值检测矩阵分解的服务质量预测方法.首先，使用基于K-means的隔离森林算法先对历史QoS数据进行聚类，将历史数据中的异常值剔除；然后，将其用于改进的矩阵分解模型中对未知值进行预测；最后，利用柯西损失来评估观察值与预测值之间的差异.实验采用WSDream数据集进行测试，结果表明，提出的异常值检测模型的响应时间的MAE与RMSE指标平均提高了19.11%和39.59%，吞吐量的MAE与RMSE指标平均提高了9.82%和29.89%，证明所提模型有效改进了预测准确度.关键词：K-means聚类；异常值检测；矩阵分解；柯西损失；服务质量中图分类号：TP311文献标志码：A文章编号：0258−7971(2024)02−0255−10Web服务是面向服务的架构、云计算和物联网等技术的关键组成部分.近年来，互联网上Web服务数量急剧增加，因此在许多具有几乎相同功能的Web服务中选择最优的Web服务是用户面临的挑战之一[1].一般来说，服务质量（qualityofser-vice，QoS）包括响应时间、吞吐量等参数，是评价服务推荐性能的重要非功能性指标[2].QoS可以区分具有相同功能的不同Web服务，并且可以在一定方面反映Web服务的质量信息.因此可以根据用户的QoS偏好和候选Web服务的QoS值选择最合适的服务[3].近年来，针对基于QoS的个性化服务推荐的研究越来越受到关注.研究者针对服务质量预测提出了许多种方法.其中，协同过滤（collaborativefiltering，CF）技术[4]是使用最广泛的方法之一.协同过滤根据其实现原理可分为两类：基于内存（或邻域）的方法和基于模型的方法.基于邻域的QoS预测算法[5]的关键步骤是计算用户（或服务）之间的相似度，然后根据相似用户（或服务）提供的历史QoS值预测未知的QoS.基于模型的QoS预测算法[6]需要基于训练数据和机器学习算法构建一个有能力的模型，整合来自相关用户的历史数据预测目标服务的质量.基于模型的QoS预测算法主要有矩阵分解（matrixfactorization，MF）[7-8]等技术，近年来基于矩阵分解的方法广泛应用于QoS预测领域.Zhang等[9]通过将原始矩阵分解与集成的用户聚类正则化项相结合，设计了一种个性化推荐方...
