引言

QoS预测是服务计算中非常热门的话题，随着研究的深入，越来越多高效、准确的QoS预测方法被提出。但众多方法实现标准各异，这导致了当一个新方法提出时，很难在同一尺度下与先前的方法进行公平地竞争。本项目旨在复现历来被人熟知的QoS预测方法，并统一初始化参数、统一训练数据结构、统一训练方法，构建一个内容丰富、使用简单的QoS预测算法库。

代办事项

Memory-Based	完成情况	论文	公式
UMEAN	✅
IMEAN	✅
UPCC	✅	Shao L, Zhang J, Wei Y, et al. Personalized qos prediction forweb services via collaborative filtering[C]//Ieee international conference on web services (icws 2007). IEEE, 2007: 439-446.
IPCC	✅	MLASarwar B, Karypis G, Konstan J, et al. Item-based collaborative filtering recommendation algorithms[C]//Proceedings of the 10th international conference on World Wide Web. 2001: 285-295.
WSRec(UIPCC)
NRCF
RACF

Model-Based	完成情况	论文	公式
MF	✅	Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8): 30-37.	$ \min {\mathbf{p}, \mathbf{q}} \frac{1}{2} \sum{(u, i) \in \mathbf{O}}\left|r_{u, i}-\mathbf{p}{u} \mathbf{q}{i}^{T}\right|^{2}+\frac{1}{2} \lambda\left(\left|\mathbf{p}{u}\right|^{2}+\left|\mathbf{q}{i}\right|^{2}\right)$
PMF	✅		$E=\frac{1}{2} \sum_{i=1}^{N} \sum_{j=1}^{M} I_{i j}\left(R_{i j}-U_{i}^{T} V_{j}\right)^{2}+\frac{\lambda_{U}}{2} \sum_{i=1}^{N}\left|U_{i}\right|{F r o}^{2}+\frac{\lambda{V}}{2} \sum_{j=1}^{M}\left|V_{j}\right|_{F r o}^{2}$
NMF	✅	Lee D D, Seung H S. Learning the parts of objects by non-negative matrix factorization[J]. Nature, 1999, 401(6755): 788-791.	$ \begin{aligned} &\min {\mathbf{p}, \mathbf{q}} \frac{1}{2} \sum{(u, i) \in \mathbf{O}}\left|r_{u, i}-\mathbf{p}{u} \mathbf{q}{i}^{T}\right|^{2} \ &\text { s.t. } \mathbf{p}{u, \cdot}>0, \mathbf{q}{i, \cdot}>0 \end{aligned}$
MLP
NewMF
GMF

Federated-Based	完成情况	算法介绍/论文/公式
FedMF	✅
FedNMF

杂项	完成情况
注释
训练日志
复杂度优化	⏱️
训练数据保存	✅
支持GPU	✅
训练可视化	⏱️

Baseline

Reference

pytorch-styleguide