Data-Aware Web Service Recommender System for Energy-Efficient Data Mining Services
Notice bibliographique
Résumé
Data analytic and data mining services are widely used these days as a result of the ever-expanding amount of data being produced from various applications. Additionally, the number of publicly available data mining and data analytic services is steadily increasing, which makes it hard for a user to select a proper service among a large number of existing candidate services. Furthermore, the quality of data mining algorithms and services implementing these algorithms can be heavily affected by the input datasets and their properties. Energy consumption is one of such QoS (Quality of Service) property. Reducing the energy consumption resulting from using web services can be beneficial to many sectors. Recommender system (RS) has been successfully used for selecting web services based on user's preferences and experiences on QoS properties. Context-aware recommender system can further improve both the recommendation accuracy and prediction accuracy by incorporating the contextual information in the recommendation process. In the existing related work, there is a limitation of not considering data properties in web service recommendation. Therefore, in this paper, we propose to add data, or more accurately, dataset properties, as a contextual information that can be integrated into the web service recommender system for data mining services. In particular, we use the matrix factorization model to implement our recommender system for recommending energy-efficient web services. Experiment results show the effectiveness of the proposed approach on our collected data. The accuracy of the QoS values prediction has been improved by 61% and the recommendation accuracy is improved by 32%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».