QoS预测是服务计算中非常热门的话题，随着研究的深入，越来越多高效、准确的QoS预测方法被提出。但众多方法实现标准各异，这导致了当一个新方法提出时，很难在同一尺度下与先前的方法进行公平地竞争。本项目旨在复现历来被人熟知的QoS预测方法，并统一初始化参数、统一训练数据结构、统一训练方法，构建一个内容丰富、使用简单的QoS预测算法库。
| Model-Based |
完成情况 |
论文 |
公式 |
| MF |
✅ |
Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8): 30-37. |
$ \min {\mathbf{p}, \mathbf{q}} \frac{1}{2} \sum{(u, i) \in \mathbf{O}}\left|r_{u, i}-\mathbf{p}{u} \mathbf{q}{i}^{T}\right|^{2}+\frac{1}{2} \lambda\left(\left|\mathbf{p}{u}\right|^{2}+\left|\mathbf{q}{i}\right|^{2}\right)$ |
| PMF |
✅ |
|
$E=\frac{1}{2} \sum_{i=1}^{N} \sum_{j=1}^{M} I_{i j}\left(R_{i j}-U_{i}^{T} V_{j}\right)^{2}+\frac{\lambda_{U}}{2} \sum_{i=1}^{N}\left|U_{i}\right|{F r o}^{2}+\frac{\lambda{V}}{2} \sum_{j=1}^{M}\left|V_{j}\right|_{F r o}^{2}$ |
| NMF |
✅ |
Lee D D, Seung H S. Learning the parts of objects by non-negative matrix factorization[J]. Nature, 1999, 401(6755): 788-791. |
$ \begin{aligned} &\min {\mathbf{p}, \mathbf{q}} \frac{1}{2} \sum{(u, i) \in \mathbf{O}}\left|r_{u, i}-\mathbf{p}{u} \mathbf{q}{i}^{T}\right|^{2} \ &\text { s.t. } \mathbf{p}{u, \cdot}>0, \mathbf{q}{i, \cdot}>0 \end{aligned}$ |
| MLP |
|
|
|
| NewMF |
|
|
|
| GMF |
|
|
|
|
|
|
|
| Federated-Based |
完成情况 |
算法介绍/论文/公式 |
| FedMF |
✅ |
|
| FedNMF |
|
|
|
|
|
| 杂项 |
完成情况 |
|
| 注释 |
|
|
| 训练日志 |
|
|
| 复杂度优化 |
⏱️ |
|
| 训练数据保存 |
✅ |
|
| 支持GPU |
✅ |
|
| 训练可视化 |
⏱️ |
|
|
|
|
pytorch-styleguide