传统的推荐算法通常利用矩阵分解来处理二维数据,但在云服务推荐领域,涉及用户、服务和时间等多个维度,形成了复杂的高维数据.矩阵分解在处理这种多维度数据时难以充分捕捉各维度间的复杂交互关系,因此容易出现QoS关键数据的丢失和推荐不准确等问题.为了解决这些问题,设计了基于张量分解技术的个性化云服务推荐算法.利用张量分解技术处理云服务高维数据,从用户、服务和时间等三个维度的高维和低维数据,提高推荐元素与用户需求的匹配度,避免了QoS数据的丢失.基于QoS感知技术构建云服务个性化推荐模型,将经过处理后的数据代入模型中,在模型中整合QoS信息和服务功能信息,以有效提升推荐的有效性和准确性.同时,引入文本的语义特征,进一步优化推荐模型,使其能够根据用户输入的语义信息,快速查询并推荐符合需求的服务类别.通过映射云服务空间分布向量推荐查询函数,在推荐模型中激活每一维度的推荐记录,进一步提升推荐结果的准确性.经过对实验结果进行对比验证,证明了所提出的算法在推荐准确性方面具有显著的优越性,并具备在实际生活中广泛应用的潜力.
NETL
NSTL
万方数据
