Estimation de la QoS dans les services Web par apprentissage profond

Abstract

Dans 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.