查询推荐的目的是发掘搜索引擎用户的查询意图,并给出相关查询推荐。传统的查询推荐方法主要依靠人工提取查询的相关特征,如查询频率、查询时间、用户点击次数和停留时间等,并使用统计学习算法或排序算法给出查询推荐。近年来,深度学习方法在查询推荐问题上获得了广泛应用。现有的用于查询推荐的深度学习方法大多是基于循环神经网络,通过对查询日志中所有查询的语义特征进行建模以预测用户的下一查询。但是,现有的深度学习方法生成的查询推荐上下文感知能力较差,难以准确捕捉用户查询意图,且未充分考虑时间因素对查询推荐的影响,缺乏时效性和多样性。针对上述问题,文中提出了一种结合自编码器与强化学习的查询推荐模型(Latent Variable Hierarchical Recurrent Encoder-Decoder with Time Information of Query and Reinforcement Learning,VHREDT-RL)。VHREDT-RL引入了强化学习联合训练生成器和判别器,从而增强了生成查询推荐的上下文感知能力;利用融合查询时间信息的隐变量分层递归自编码器作为生成器,使得生成查询推荐有更好的时效性和多样性。AOL数据集上的实验结果表明,文中提出的VHREDT-RL模型获得了优于基准方法的精度、鲁棒性和稳定性。
如今,基于云计算的软件服务对自适应资源分配提出要求,这种分配可以根据需要动态调整资源,以保证良好的服务质量(QoS,Quality of Service)和低成本资源.然而,在复杂波动的负载环境下,以具有成本效益的资源量来分配资源并满足QoS是一个挑...
详细信息
如今,基于云计算的软件服务对自适应资源分配提出要求,这种分配可以根据需要动态调整资源,以保证良好的服务质量(QoS,Quality of Service)和低成本资源.然而,在复杂波动的负载环境下,以具有成本效益的资源量来分配资源并满足QoS是一个挑战.本文引入一种同时考虑当前工作负载和未来工作负载变化的自适应资源分配策略,该策略在预测资源分配操作中,以QoS预测模型为基础,使用面向负载时间窗口的方法,将当前负载以及窗口内未来的负载加入资源分配方案计算过程中,最后使用基于PSO-GA的运行时决策算法来搜索合理的资源分配方案.我们在RUBiS历史数据的基准上评估了我们的方法.实验结果表明,基于本方法的云应用资源分配的有效性有所提高.
暂无评论