1.基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，方法包括以下步骤：使用概率矩阵分解法对时间片上的用户‑服务原始QoS矩阵进行分解，获得时间片上用户和服务潜在特征矩阵，从而获得时间片上用户和服务的潜在特征向量；

所述获得时间片上用户和服务的潜在特征向量的过程包括以下步骤：设定时间片为[τ‑M,τ‑1]，设 为第t个时间片上的用户‑服务原始QoS矩阵，t其中m和n分别为用户和服务的数量，对Q进行概率矩阵分解，分别得到第t个时间片上的用t户和服务的潜在特征矩阵 和 其中U的每一列 代表用户i在第t个t

时间片上的潜在特征向量，S中的每一列 代表服务j在第t个时间片上的潜在特征向量，d为用户/服务潜在特征向量的维度；

设定用户i在第t个时间片上对服务j的QoS值 是由 和 的内积决定，即：t t

式(1)中， 为用户i在第t个时间片上对服务j的QoS值，N()表示正态分布，U和S 为第2

t个时间片上的用户和服务的潜在特征矩阵，T为转置符号，σ为原始QoS矩阵的方差，则用户‑服务原始QoS矩阵的条件概率为：t

式(2)中，Iij是指示函数，Q 为第t个时间片上的用户‑服务原始QoS矩阵，若 已知，则指示函数的函数值为1，否则指示函数的函数值为0，再假设 和 也都服从正态分布，即：式(3)和式(4)中，σU和σS为用户潜在特征向量以及服务潜在特征向量的标准差；

t t

由于后验概率等于先验概率乘似然概率，可以得出U，S的后验概率如式(5)所示：对式(5)两边取对数得到式(6)：

最大后验概率等价最大化目标函数如式(7)所示：式(7)中，E为最大后验概率等价最大化目标函数， 利用随机梯度下降法来更新 和 如式(8)和式(9)所示：式(8)和式(9)中η为迭代过程中控制梯度下降快慢的学习率；

将获得的用户的潜在特征向量构成用户的时间特征集，将获得的服务的潜在特征向量构成服务的时间特征集；

将深度门控循环网络DGRN作为生成器，将用户和服务的时间特征集分别输入进DGRN，分别输出用户的基于时间感知的用户特征和服务的基于时间感知的服务特征；

对QoS矩阵训练集进行概率矩阵分解，获得用户和服务的基准用户特征；

利用多层全连接层作为判别器，并且将获得的服务的基于时间感知的服务特征输入判别器，得出第一服务判别结果，且利用第一服务判别结果计算生成器损失，利用生成器损失对生成器网络参数进行训练；

将获得的服务的基于时间感知的服务特征和服务的基准用户特征分别输入判别器，得出第二服务判别结果和第三服务判别结果，且利用第二服务判别结果和第三服务判别结果计算判别器损失，利用判别器损失对判别器网络参数进行训练；

将获得的用户的基于时间感知的用户特征输入判别器的过程与获得的服务的基于时间感知的服务特征输入判别器的过程相同；

利用训练完的生成器获得最终用户和服务的基于时间感知的特征，并将最终用户的基于时间感知的特征和最终服务的基于时间感知的特征进行点乘，获得最后的QoS预测值。

2.根据权利要求1所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，基于利用概率矩阵分解获得时间片[τ‑M,τ‑1]上的用户/服务潜在特征向量之后，将这M个时间片上用户i的潜在特征向量构成用户i的时间特征集，记为 即服务j的潜在特征向量构成服务j的时间特征集，记为即

3.根据权利要求1所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，所述深度门控循环网络DGRN的构建过程如下：给定用户i在时间片[τ‑M，τ‑1]上调用服务j，充分利用用户i和服务j的时间特征集，并对用户i和服务j的时间特征集进行时间感知，以服务j在时间片[τ‑M，τ‑1]上的服务时间特征集 为输入，DGRN结构如下：式中，DGRN结构由M个深度门控循环单元DRGU组成， 为第k个DGRU的输入，记作DGRUk，即为第τ+k‑1个时间片中服务j的潜在特征向量；hk‑1为上一个节点传递下来的隐τ‑M+k‑1状态，包含上一个节点的相关信息，结合Sj 和hk‑1，DGRU会得到传递给下一节点的隐状态hk，第M个节点输出的隐状态hM作为最后的结果，且隐状态的初始值h0设置为0。

4.根据权利要求3所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，利用构建得到的DRGN，将用户和服务的时间特征集分别输入进DGRN，分别输出用户的基于时间感知的用户特征和服务的基于时间感知的服务特征的过程包括以下步骤：τ‑M+k‑1

通过第(k‑1)节点传递下来的隐状态hk‑1和节点k的输入，即Sj ，来获得两个门控的状态：重置门控如式(10)所示：rk＝sigmoid(r′k×γr+αr)    (10)τ‑M+k‑1

式(10)中，r′k＝ReLU(hk‑1×γhr+Sj ×γxr+αrr)，γhr、γxr、γr为权重矩阵，αrr和αr为偏置矩阵；

令zk为节点k的更新门控，如式(11)所示：zk＝sigmoid(z′k×γz+αz)    (11)式(11)中， γhz、γxz、γz为权重矩阵，αzz和αz为偏置矩阵；

得到rk和zk两个门控信号之后，使用重置门控得到hk‑1重置之后的数据hk‑1rk，再与xk一起获得包含当前节点信息的 如式(12)所示：式(12)中， γxh、γhh、γh为

权重矩阵，αhh和αh为偏置矩阵；

使用更新门控来进行更新，得到节点k的隐状态hk，并将hk送入第(k+1)节点，如式(13)所示；

经过M个节点，输出结果作为服务j的基于时间感知的服务特征 用户i的基于时间感知的服务特征 的获取与服务j的基于时间感知的服务特征的获取过程相同。

5.根据权利要求1所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，所述计算生成器损失和判别器损失的过程包括：生成器损失：

利用生成器生成基于时间感知的服务特征；

1

将基于时间感知的服务特征输入到判别器，得到第一服务判别结果ε ；

1 1

利用第一服务判别结果ε 计算生成器损失LG＝MSE(ε)；

利用生成器损失LG对生成器网络参数进行训练；

判别器损失：

2

在判别器中输入基准服务特征，得到第二服务判别结果ε ；

2 2

利用第二服务判别结果ε 计算损失LD1＝MSE(ε)；

3

在判别器中输入基于时间感知的服务特征，得到第三服务判别结果ε ；

3 2

利用第三服务判别结果ε 计算损失LD2＝MSE(ε)；

计算判别器损失LD＝LD1+LD2；

利用判别器损失LD对判别器网络参数进行训练。

6.根据权利要求5所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，所述网络参数进行训练的过程中采用均方方差MSE作为损失函数，MSE计算过程如下：式(14)中，n为通过训练过程中输入的服务数， 是判别器对服务j的判别结果， 为训练时判别结果标签，且采用梯度下降法进行训练，如式(15)～式(18)所示，首先，基于式(17)、式(18)利用生成器损失对网络中的参数进行训练：式(15)、式(16)中，λ为迭代过程中控制梯度下降快慢的学习率，γG为生成器网络中所有权重矩阵的集合，αG为生成器网络中所有偏置矩阵的集合，然后通过式(17)、式(18)利用判别器损失对网络中的参数进行训练：式(17)中，YD为判别器网络中所有权重矩阵的集合；

式(18)中，αD为生成器网络中所有偏置矩阵的集合。

7.根据权利要求1所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法，其特征在于，所述获得最后的QoS预测值的过程包括以下步骤：将用户i和服务j在时间片[τ‑M，τ‑1]上的时间特征向量集分别输入进DGRN中，通过时间感知进行特征优化，然后分别输出最终用户i的基于时间感知的用户特征 和最终服务j的基于时间感知的服务特征 和 的乘积即为时间片τ上用户i对服务j的QoS预测值计算过程如式(19)所示：

8.一种设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如权利要求1‑7中任一所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法。

9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1‑7中任一所述的基于时间感知面向特征优化的服务QoS预测的深度学习方法。