Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/18642
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorSMAHI, Mohammed Ismail-
dc.date.accessioned2022-06-22T09:11:25Z-
dc.date.available2022-06-22T09:11:25Z-
dc.date.issued2022-03-12-
dc.identifier.citationsalle des thèsesen_US
dc.identifier.otherDOC-003-35-01-
dc.identifier.urihttp://dspace.univ-tlemcen.dz/handle/112/18642-
dc.description.abstractIn this thesis, we propose a deep learning-based approach wich combines a matrix factorization model based on a deep auto-encoder (DAE) and a clustering technique. Three variants of the auto-encoder design have been used. The first one is composed of a single hidden layer that represents the vector of latent factors of users and/or services. A second architecture considers several hidden layers. A third model consists of a combination of a deep auto-encoder model and a generative adversarial network. Other problems underlying the estimation of missing QoS values were addressed in this work. The first one is related to the vulnerability of prediction systems to the data sparsity problem. To deal with this issue our proposal consists of in using a clustering algorithm based on Kohonen’s self-organising maps, where the initialization is done using location attributes. The second one that we have dealt with is the cold start problem, which occurs when adding new users/services to the prediction system. The latter one is globally managed by exploiting a spatial features as well. The conducted experiments show that our proposals can provide better performances in terms of QoS prediction, and consequently provide more guidance for users in their choice of preferred services than existing methods do. The QoS parameters on which we relied on to carry out our various experiments are response time and throughput. However, the proposed QoS prediction algorithms can be applied to other QoS factors.en_US
dc.description.sponsorshipDans cette thèse, nous proposons une approche de prédiction de QoS fondée sur le modèle d’apprentissage profond combinée avec de la factorisation matricielle, où cette dernière est basée, à la fois, sur une architecture des auto-encodeurs et une technique de classification. Trois variants du modèle d’auto-encodeur ont été utilisé. Le premier est composé d’une seule couche cachée représentant le vecteur des facteurs latents des utilisateurs et/ou services. Une deuxième architecture considère plusieurs couches cachées. Un troisième modèle consiste en une combinaison entre l’architecture d’auto-encodeur profond avec celle d’un réseau antagoniste génératif. D’autres problèmes sous-jacents à l’estimation des valeurs manquantes de QoS ont été traités dans ce travail. Le premier est relatif à la vulnérabilité des systèmes de prédiction face au problème de la rareté de données. Notre proposition pour surmonter ce dernier consiste en une utilisation d’un algorithme de partitionnement basé sur les cartes auto-organisatrices de Kohonen, où l’initialisation est faite à la base des attributs de localisation. Le second problème traité est le démarrage à froid, survenu lors de l’ajout de nouveaux utilisateurs/services au système de prédiction. Ce dernier est globalement maîtrisé en exploitant également les caractéristiques spatiales. Les différentes évaluations empiriques que nous avons menées, montrent que nos propositions de solutions sont en mesure de donner de meilleures performances en matière de prédiction des valeurs de QoS manquantes, et fournissent ainsi de meilleures orientations aux utilisateurs dans leurs choix de services préférés que les méthodes existantes. Les paramètres, en termes de QoS, sur lesquels nous nous sommes appuyés pour réaliser ces différentes expériences sont le temps de réponse et le débit. Cependant, les algorithmes de prédiction de QoS, proposés dans cette thèse, peuvent être appliqués aisément à d’autres facteurs de QoS.en_US
dc.language.isofren_US
dc.publisher22-06-2022en_US
dc.relation.ispartofseriesbfst2782;-
dc.subjectQoS Prediction, Web service, Collaborative Filtering, Deep learning, Autoencoder, Generative Adversarial Network, Self-Organizing Map.en_US
dc.subjectPrédiction de QoS, Service Web, Filtrage collaboratif, Apprentissage profond, Auto-encodeur, Réseau antagoniste génératif, Carte auto-organisatriceen_US
dc.titleEstimation de la QoS dans les services Web par apprentissage profond.en_US
dc.typeThesisen_US
Collection(s) :Doctorat LMD RSD

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
Estimation-de-la-QoS-dans-les-services-Web..pdfCD3,09 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.