(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211343465.8 (22)申请日 2022.10.31 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 鲁芹　王迎雪　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李琳 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于注意力机制和循环神经网络的动态 QoS 预测方法及系统 (57)摘要 本发明提供一种基于注意力机制和循环神 经网络的动态QoS预测方法及系统， 涉及网络服 务QoS预测技术领域， 该方法包括： 获取预设时间 段内的用户 ‑服务QoS矩阵， 用户 ‑服务QoS矩阵经 过映射和嵌入 得到用户隐藏向量、 服务隐藏向量 和时间隐藏向量； 利用门控循环单元提取用户 ‑ 服务之间的动态特征； 以及， 根据用户隐藏向量 和服务隐藏向量构建用户 ‑服务交互图， 利用卷 积神经网络和注意力机制提取全局特征； 根据动 态特征和全局特征， 预测该预设时间段内用户对 服务的Qo s值。 通过该方式， 可以充分挖掘用户和 服务在预设时间段内的隐含关系， 提高QoS的预 测精度。 权利要求书2页 说明书7页 附图2页 CN 115545168 A 2022.12.30 CN 115545168 A 1.一种基于注意力机制和循环神经网络的动态Q oS预测方法， 其特 征在于， 包括： 获取预设时间段内的用户 ‑服务QoS矩阵， 所述用户 ‑服务QoS矩阵经过映射和嵌入得到 用户隐藏向量、 服 务隐藏向量和时间隐藏向量； 利用门控循环单元提取用户 ‑服务之间的动态特征， 其中， 根据 所述用户隐藏向量和服 务隐藏向量确定输入状态， 根据时间隐藏向量确定隐藏状态， 针对该预设时间段内的每一 个时刻， 根据当前时刻的输入状态和前一时刻的 隐藏状态预测时间序列； 以及， 根据用户隐 藏向量和 服务隐藏向量构建用户 ‑服务交互图， 利用卷积神经网络和注意力机制提取全局 特征； 根据所述动态特 征和全局特 征， 预测该 预设时间段内用户对服 务的Qos值。 2.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法， 其特征在 于， 采用以下 方式对用户 ‑服务QoS矩阵进行映射和嵌入： si＝f(WsTes)； ti＝f(WtTet)； 其中， ui、 si、 ti分别表示的是用户隐藏向量、 服务隐藏向量和时间隐藏向量， f( ·)表示 嵌入层的激活函数， WsT、 WtT分别表示在用户、 服务、 时间三个维度嵌入层的权重矩阵， eu、 es、 et分别表示根据数据集中不同时间间隔内的用户调用服务的QoS值进行映射后的三 个不同维度的固定大小的向量。 3.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法， 其特征在 于， 建立门控循环单元的重置门rt和更新门zt， 当前时刻的输入状态xt， 前一个时刻的隐藏 状态ht‑1， 使用如下门控循环单 元的输出公式： 其中， σ 代表的是sigmiod函数， Wh、 Uh、 Wh、 Uh、 Wh、 Uh代表的是权重矩阵， σh表示的是tanh函 数，⊙表示的哈达玛乘积， 表示的是门控循环单元全面综合重置门和更新门形成的候选 状态。 4.如权利要求3所述的基于注意力机制和循环神经网络的动态QoS预测方法， 其特征在 于， 将用户隐藏向量和服 务隐藏向量连接起 来作为门控循环单 元的输入状态。 5.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法， 其特征在 于， 通过计算用户隐藏向量和服 务隐藏向量的外积来形成用户 ‑服务交互图。 6.如权利要求1所述的基于注意力机制和循环神经网络的动态QoS预测方法， 其特征在 于， 利用卷积神经网络对用户 ‑服务交互图进行二维卷积， 得到不同时刻隐藏的重要特征， 利用注意力机制对预设时间段内的重要特 征进行聚合， 得到用户和服 务的全局特 征。 7.一种基于注意力机制和循环神经网络的动态Q oS预测系统， 其特 征在于， 包括： 映射模块， 用于获取预设时间段内的用户 ‑服务QoS矩阵， 所述用户 ‑服务QoS矩阵经过 映射和嵌入得到用户隐藏向量、 服 务隐藏向量和时间隐藏向量；权　利　要　求　书 1/2 页 2 CN 115545168 A 2特征提取模块， 用于利用门控循环单元提取用户 ‑服务之间的动态特征， 其中， 根据所 述用户隐藏向量和服务隐藏向量确定输入状态， 根据时间隐藏向量确定隐藏状态， 针对该 预设时间段内的每一个时刻， 根据当前时刻的输入状态和前一时刻的隐藏状态预测时间序 列； 以及， 根据用户隐藏向量和服务隐藏向量构建用户 ‑服务交互图， 利用卷积神经网络和 注意力机制提取全局特 征； 预测模块， 用于根据所述动态特征和全局特征， 预测该预设时间段内用户对服务的Qos 值。 8.如权利要求7所述的基于注意力机制和循环神经网络的动态QoS预测系统， 其特征在 于， 所述特征提取模块具体用于利用卷积神经网络对用户 ‑服务交互图进 行二维卷积， 得到 不同时刻隐藏的重要特征， 利用注意力机制对预设时间段内的重要特征进行聚合， 得到用 户和服务的全局特 征。 9.一种计算机设备， 其特征在于， 包括： 处理器、 存储器和总线， 所述存储器存储有所述 处理器可执行 的机器可读指令， 当计算机设备运行时， 所述处理器与所述存储器之间通过 总线通信， 所述机器可读指 令被所述处理器执行时执行如权利要求 1至6任一项 所述的基于 注意力机制和循环神经网络的动态Q oS预测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器运行时执行如权利要求 1至6任一项 所述的基于注意力机制 和循环神经网络的动态Q oS预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115545168 A 3