In recent years, the number of online services has grown rapidly, invoke the required services through the cloud platform has become the primary trend. How to help users choose and recommend high-quality services among huge amounts of unused services has become a hot issue in research. Among the existing QoS prediction methods, the collaborative filtering(CF) method can only learn low-dimensional linear characteristics, and its effect is limited by sparse data. Although existing deep learning methods could capture high-dimensional nonlinear features better, most of them only use the single feature of identity, and the problem of network deepening gradient disappearance is serious, so the effect of QoS prediction is unsatisfactory. To address these problems, we propose an advanced probability distribution and location-aware ResNet approach for QoS Prediction(PLRes). This approach considers the historical invocations probability distribution and location characteristics of users and services, and first use the ResNet in QoS prediction to reuses the features, which alleviates the problems of gradient disappearance and model degradation. A series of experiments are conducted on a real-world web service dataset WS-DREAM. The results indicate that PLRes model is effective for QoS prediction and at the density of 5%-30%, which means the data is sparse, it significantly outperforms a state-of-the-art approach LDCF by 12.35%-15.37% in terms of MAE.

中文翻译：

---

用于 QoS 预测的概率分布和位置感知 ResNet 方法

近年来，在线服务数量快速增长，通过云平台调用所需服务已成为主要趋势。如何帮助用户在海量未使用的服务中选择和推荐优质服务成为研究的热点问题。在现有的QoS预测方法中，协同过滤（CF）方法只能学习低维线性特征，其效果受到稀疏数据的限制。现有的深度学习方法虽然能较好地捕捉高维非线性特征，但大多只使用单一的身份特征，且网络加深梯度消失问题严重，因此QoS预测效果不尽如人意。为了解决这些问题，我们提出了一种用于 QoS 预测 (PLRes) 的高级概率分布和位置感知 ResNet 方法。这种方法考虑了用户和服务的历史调用概率分布和位置特征，首先在QoS预测中使用ResNet对特征进行重用，缓解了梯度消失和模型退化的问题。在真实世界的 Web 服务数据集 WS-DREAM 上进行了一系列实验。结果表明，PLRes 模型对于 QoS 预测是有效的，并且在 5%-30% 的密度下，这意味着数据是稀疏的，它在方面明显优于最先进的方法 LDCF 12.35%-15.37% MAE。并首先在 QoS 预测中使用 ResNet 重用特征，从而缓解梯度消失和模型退化的问题。在真实世界的 Web 服务数据集 WS-DREAM 上进行了一系列实验。结果表明，PLRes 模型对于 QoS 预测是有效的，并且在 5%-30% 的密度下，这意味着数据是稀疏的，它在方面明显优于最先进的方法 LDCF 12.35%-15.37% MAE。并首先在 QoS 预测中使用 ResNet 重用特征，从而缓解梯度消失和模型退化的问题。在真实世界的 Web 服务数据集 WS-DREAM 上进行了一系列实验。结果表明，PLRes 模型对于 QoS 预测是有效的，并且在 5%-30% 的密度下，这意味着数据是稀疏的，它在方面明显优于最先进的方法 LDCF 12.35%-15.37% MAE。