论文题目：
Xia Y, Ding D, Chang Z, et al. Joint deep networks based multi-source feature learning for QoS Prediction[J]. IEEE Transactions on Services Computing, 2021, 15(4): 2314-2327.
问题：
云环境的多样性和动态性给服务推荐中的QoS预测带来了诸多挑战。其中一个挑战是如何从多源信息中提取和学习用户/服务的深度特征，以提高预测精度。
解决办法：
本文提出了一种新的基于多源特征学习的联合深度网络（Joint Deep Networks based Multi-source Feature Learning）来进行QoS预测。
网络有两个部分：多源特征提取和特征交互学习。
在第一部分中，首先，提出了一种潜在因素嵌入方法，用来从QoS矩阵中捕获隐式特征，然后，基于矩阵分解和神经网络的组合，提取多源特性+来自Web服务描述语言文档、上下文数据以及隐式特征的显式特征。
在第二部分中，建立了基于CNN（卷积神经网络）的联合深度网络，以学习局部和全局的高阶特征的交互，并完成基于混合特征的最终QoS预测。
结果：
实验结果表明，网络不仅可以提取和集成各种多源数据的隐式和显式特征，还可以学习特征序列和特征交互，从而提高稀疏数据QoS预测的精度。
细节：