论文阅读笔记1
2017-11-29 15:40
267 查看
作者信息:XinYu Wang, Jiangke Zhu, Zibin Zheng, 分别是浙江大学和中山大学,Zibin Zheng的主要研究方向就是web service recommendation。他已经是IEEE transaction on computer service的审稿人,并且在ICWS等A类会议、IEEE Transaction on web service期刊以一作身份发表了20多篇学术论文,每篇文章的索引量都超过100。
发表日期:2016,1
发表期刊/会议:ACM transaction on web(SCI期刊,录取率低)。
主要内容:web服务的质量会随着时间、网络状态和网络环境的改变而变,传统服务质量都是基于历史的QoS信息来预测用户-服务矩阵中的缺失值,而作者提出了一种新的时空模型来预测QoS,把服务质量预测问题转换成为了一个拉索回归的问题。为了有效选择最近的邻居,论文根据web服务的地理位置来减少搜索范围来提高预测的准确率。实验结果表示该方法比传统的方法提升率10%的准确率。
预测模型如图1的方式:
![](https://img-blog.csdn.net/20171129153852389?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvd2VpeGluXzM2OTE5ODky/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
图 1 基于时空的QoS预测模型
阅读心得: 作者突出的拉索回归的方式是一种很普通的思路,就是利用lasso回归构造一个预测QoS模型,然后通过做大量的实验来分析和解释这个模型的优点和缺点,事实上,在我们上的高等数学和机器学习的课程中这些是书本上的知识,只是没有人想到用这个写论文然后发表出来。作者思路并不新颖,只是采用了一个大家都没有用过的方式来做预测,主要的贡献是:提供了另外一种思维方式,并且做了很多实验来佐证。因此我发现,并不是所有的文章都是有特别新的idea才能发,也不是实验有多难做,只要有一个good story,并且实验结果来证明这个实验是有价值的,这就可以了。基于时间序列的预测方式在已有的文献中比较少提及,大多数的文章都在讲怎么预测矩阵中的缺失值,以及如果利用预测值进行服务选择和服务推荐。因此,基于时间序列的预测是比较有希望发文章的。作者做实验的方式和写作的方式也是可以借鉴的,按照论文思路怎么来的,如何验证,实验结果,以及如何解释模型,都做出了仔细的分析,也提供了一种比较好的行文思路和实验思路。
发表日期:2016,1
发表期刊/会议:ACM transaction on web(SCI期刊,录取率低)。
主要内容:web服务的质量会随着时间、网络状态和网络环境的改变而变,传统服务质量都是基于历史的QoS信息来预测用户-服务矩阵中的缺失值,而作者提出了一种新的时空模型来预测QoS,把服务质量预测问题转换成为了一个拉索回归的问题。为了有效选择最近的邻居,论文根据web服务的地理位置来减少搜索范围来提高预测的准确率。实验结果表示该方法比传统的方法提升率10%的准确率。
预测模型如图1的方式:
图 1 基于时空的QoS预测模型
阅读心得: 作者突出的拉索回归的方式是一种很普通的思路,就是利用lasso回归构造一个预测QoS模型,然后通过做大量的实验来分析和解释这个模型的优点和缺点,事实上,在我们上的高等数学和机器学习的课程中这些是书本上的知识,只是没有人想到用这个写论文然后发表出来。作者思路并不新颖,只是采用了一个大家都没有用过的方式来做预测,主要的贡献是:提供了另外一种思维方式,并且做了很多实验来佐证。因此我发现,并不是所有的文章都是有特别新的idea才能发,也不是实验有多难做,只要有一个good story,并且实验结果来证明这个实验是有价值的,这就可以了。基于时间序列的预测方式在已有的文献中比较少提及,大多数的文章都在讲怎么预测矩阵中的缺失值,以及如果利用预测值进行服务选择和服务推荐。因此,基于时间序列的预测是比较有希望发文章的。作者做实验的方式和写作的方式也是可以借鉴的,按照论文思路怎么来的,如何验证,实验结果,以及如何解释模型,都做出了仔细的分析,也提供了一种比较好的行文思路和实验思路。
相关文章推荐
- 论文阅读笔记(一)
- 【论文阅读笔记】Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 论文阅读笔记之ICML2012::The Landmark Selection Method for Multiple Output Prediction 基于代表性特征选取的多维度回归方法
- 论文阅读笔记 - Paxos made live
- 论文阅读笔记---1
- 【论文阅读笔记】CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning
- 论文阅读笔记 (2007-06-09)
- Category-Specific Object Image Denoising论文阅读笔记
- Linux根文件系统裁剪 论文阅读笔记
- 1705.IAN- The Individual Aggregation Network for Person Search 论文阅读笔记
- 【转】Deep MANTA论文阅读笔记
- 论文阅读笔记- Dremel
- 论文阅读笔记3
- 论文阅读笔记:Xception: Deep Learning with Depthwise Separable Convolutions
- 关于 AlphaGo 论文的阅读笔记
- 论文阅读笔记-图像识别分类
- 论文阅读笔记:A 3D Coarse-to-Fine Framework for Automatic Pancreas Segmentation
- cuDNN: efficient Primitives for Deep Learning 论文阅读笔记
- 论文阅读笔记之ICML2012::The Landmark Selection Method for Multiple Output Prediction 基于代表性特征选取的多维度回归方法