上海论文网是一家老字号代写网站,专业提供代写硕士毕业论文服务。

神经网络视角下 IPTV 用户体验预测系统设计与实现

发布时间:2020-04-05 23:02 论文编辑:若诗 价格:150 所属栏目:计算机论文 TAG: 用户行为  IPTV体验质量  

本文是计算机论文,本文设计并实现了一个 IPTV 用户 QoE 预测系统。具体地,基于大数据核心技术与可视化技术,采用 Echarts 为可视化框架,Spark 为分布式并行计算框架,辅以 Streaming 作为实时

本文是计算机论文,本文在 IPTV 用户 QoE 预测的研究应用方面取得了部分进展,但是由于实验数据,时间方面的限制,研究工作还可以进一步的优化和深入,未来的研究内容可以从以下几个方面展开:(1)用户 QoE 关键特征提取。由于 IPTV 数据的限制,IPTV 机顶盒数据并没有给出每个用户的自身背景,诸如年龄、性别、教育水平等。此外,IPTV 相关服务费用及用户观节目所用开销也没有提供,但是 IPTV 服务的收费高低及用户的背景文化一直是影响用户 QoE的重要因素。在后续研究中,可以获取 IPTV 用户基本信息与服务费用,将 IPTV 用户观记录与用户信息与费用将结合,提取影响用户 QoE 的关键性指标。(2)系统的优化与改进。本论文实现的系统功能还有待扩展,在用户 QoE 页面的基础上,结合用户观看行为,深入挖掘用户兴趣,多维度、多角度、多层次分析用户,建立用户画像,帮助运营商更好的了解用户,为用户提供更加优质的服务,动态推荐用户感兴趣的节目类型,提升用户体验。
.......

 

第一章 绪论

 

论文在现有用户 QoE 研究工作的基础上,着重关注 IPTV 用户 QoE 研究所面临的挑战,从影响用户 QoE 的主客观影响因素开展研究,提出了一种基于神经网络 IPTV 用户 QoE预测系统,本论文开展的主要工作总结如下:(1)研究基于主客观影响因素的混合特征提取方法考虑到用户 QoE 是一个多指标影响问题,本文首先通过皮尔森系数、肯达尔系数、斯皮尔曼系数三种常见的相关性分析方法以及信息增益分析 IPTV 机顶盒数据字段,筛选影响用户 QoE 的关键性指标。针对用户 QoE 主观影响因素,本文主要从用户行为分析,明确了用户切换行为、退出行为、暂停行为确实会对用户造成影响。针对这些结论,本文提出用户行为指标来量化用户的主观特征。本文提出的主客观影响因素的混合特征提取方法,基于 IPTV 用户 QoE 研究面临的特征提取量化的挑战,从主客观多角度、更全面的提取了影响用户 QoE 的关键性指标,为后续的建模与预测打下基石。(2)研究基于 LSTM 的 IPTV 用户 QoE 预测算法考虑到用户 QoE 具有一定时间序列特性,并具有长短期依赖特征,本论文采用 LSTM 长短时记忆网络对用户 QoE 进行预测。进一步,针对 LSTM 模型的局限性,引入注意力机制,提出 LSTM-Attention 神经网络模型。
..........

 

第二章 相关背景知识介绍

 

2.1IPTV 技术概述
与传统的电视相比,IPTV 的“按需观看”和“互动性”两大优点很大程度上满足了人们观看电视节目的主观需求。传统电视采用的是单向广播方式,每一位电视用户只能被动地接受电视服务提供商提供的电视节目和内容。而用户对于自己喜欢的节目,往往需要在规定的时间守候在电视机旁收看自己想看的节目,若错过,则需要等待下次才能观看。IPTV 则弥补了传统电视的不足,用户不需要因等待自己喜爱的节目而蹲守在电视机旁,可以根据自己的需求、合适的时间,随时观看节目,不会因其他原因错过相应的电视节目。IPTV 将传统电视“你播我看”的方式变成了“我选我看”的方式,解放了电视节目对用户观看时间限制。此外,IPTV 提供的点播、直播、回放等业务满足了用户多样化及个性化的观看需求。内容分发网络 CDN 是一种分布式的网络架构,构建于数据网络的应用层。CDN 采用负载均衡技术、智能分配技术,将用户请求分配到离用户最近的流媒体服务器上,以便内容更快地分发到用户终端上。CDN 主要包含两种主流方式,一种是主动分发技术 PUSH,另一种是被动分发技术 PULL。PUSH 是由内容管理系统主动发起,将资源存储库中的内容资源(一般是当前热门节目)分发到边缘节点上。PULL 是以用户请求为驱动来获取资源存储库中的节目内容资源。

 

2.2用户体验质量(QoE)概述
由于 QoE 是用户在使用多媒体服务或应用的过程中所产生的主观感受,容易受到诸多因素的影响。因此,在 QoE 建模之前,研究 QoE 的影响因素至关重要。影响因子被定义用户,系统,服务,应用程序或上下文的任何特征,这些特征的实际状态或设置可能影响用户QoE[8]。也就是说,与这些因素的有关的所有方面都有可能影响用户 QoE。而且,在这些因素中有一些因素是相关的,而不是完全独立的。通常而言,影响用户 QoE 的因素可以分为主观因素和客观因素[8][43]。主观因素就是与用户相关的影响因素,客观因素包括系统因素和环境因素。图 2.2 显示用户 QoE 的主客观影响因素分类及对应的常见典型因素。与系统相关的影响因素是指确定应用程序或服务的技术生产质量的属性和特征。与环境相的影响因素是包含任何环境属性的因素,这些属性根据物理、时间、社会、经济、任务和服务类型特征描述用户环境。与用户相关的影响因素是用户的任何变化或不变的属性或特征。这些特征可以描述人们的社会经济背景,身体和心理构成,或者用户的情绪状态。而且与用户相关的 QoE 影响因素十分复杂且内在关联性较强。

...........

 

第三章 基于主客观影响因素的混合特征提取方法.......... 17
3.1论文数据集介绍.................... 17
3.2数据预处理.................. 18
第四章 基于 LSTM 的 IPTV 用户 QoE 预测算法....... 35
4.1基于 LSTM 的用户 QoE 预测算法 ...... 35
4.2基于 LSTM-Attention 的用户 QoE 预测算法........ 39
第五章 IPTV 用户 QoE 系统设计与实现.......49
5.1IPTV 用户 QoE 系统需求分析 .............. 49
5.2IPTV 用户 QoE 系统设计 .......... 52

..........
 

第五章IPTV 用户 QoE 系统设计与实现

 

5.1IPTV 用户 QoE 系统需求分析
IPTV 用户 QoE 系统的使用人群是 IPTV 运维部门或是大数据分析部门成员,他们通过该系统,分析用户 IPTV 机顶盒数据,了解用户兴趣,用户观看行为习惯等。系统前端即可视化平台,其主要任务是为使用人员提供与后端良好交互与数据可视化展示,方便使用人员操作。系统中与用户交互的部分主要包括数据集的选择,数据处理交互与展示,数据分析页面的交互与展示,用户 QoE 预测结果的展示等部分。其中数据集的选择需要用户点击选择对应的数据,数据处理需要用户进行点击操作,后续工作由系统在后台实现,最终将对应的结果显示在前端页面,使用人员对用户情况一目了然。常见的可视化工具有 D3、Highcharts、Echarts。其对比如表 5.1 所示。由于 Echarts 图表类型丰富,其底层依赖于 SVG 与 Canvass 技术,容易上手,可以与后台架构搭配使用,在本文中采用 Echarts 构建可视化平台。
IPTV体验质量

 

5.2IPTV 用户 QoE 系统设计
根据上一小节的分析,本节中,拟采用 Echarts 可视化平台和 Spark 大数据计算框架来构建 IPTV 用户 QoE 系统。本文中 IPTV 用户 QoE 系统架构如图 5.1 所示。在本系统中,Spark 是典型的 Master/Workers 结构。主节点 Master 是通过运行 Driver 进程,负责整个系统的调度协调工作,并进行任务分发。工作节点 Workers 负责运行 Executor进程,接受 Driver 分发的任务,将数据存储于内存中。Spark 基于内存的计算方式,大大加快了计算速度。此外,为更好的提高本系统的协调管理性能,将系统的调度分配任务由 Yarn 进行管理。在本系统中,Spark 是典型的 Master/Workers 结构。主节点 Master 是通过运行 Driver 进程,负责整个系统的调度协调工作,并进行任务分发。工作节点 Workers 负责运行 Executor进程,接受 Driver 分发的任务,将数据存储于内存中。Spark 基于内存的计算方式,大加快了计算速度。此外,为更好的提高本系统的协调管理性能,将系统的调度分配任务由 Yarn 进行管理。
神经网络系统设计

............

 

第六章总结与展望

 

6.1论文总结
本文主要从用户行为分析,明确了用户切换、退出及暂停行为确实会对用户造成影响。针对这些结论,本文提出用户行为指标来量化用户的特征。本文提出的主客观影响因素的混合特征提取方法,基于IPTV用户QoE研究面临的特征提取量化的挑战,从主客观多方面、更具体的提取了影响用户QoE的关键性指标,为以后的建模与预测打下基石。研究基于LSTM的IPTV用户QoE预测算法考虑到用户QoE具有一定时间序列特性,并具有长短期依赖特征,本论文采用LSTM长短时记忆网络对用户QoE进行预测。进一步,针对LSTM模型的局限性,引入注意力机制,提出LSTM-Attention神经网络模型。在LSTM-Attention模型中,通过引入注意力分值,计算得出包含用户QoE上下文关系的变量,加强用户QoE的前后联系,有效提高了LSTM-Attention模型预测的准确度。实验结果表明,本论文提出的LSTM-Attention模型有效提高了用户QoE预测的准确度,尤其是在加入用户行为特征之后的数据集中效果更显著。

 

6.2未来的展望
本文在IPTV用户QoE预测的研究应用方面取得了部分进展,但是由于实验数据,时间方面的限制,研究工作还可以进一步的优化和深入,未来的研究内容可以从以下几个方面展开:(1)用户QoE关键特征提取。由于IPTV数据的限制,IPTV机顶盒数据并没有给出每个用户的自身背景,诸如年龄、性别、教育水平等。此外,IPTV相关服务费用及用户观看节目所用开销也没有提供,但是IPTV服务的收费高低及用户的背景文化一直是影响用户QoE的重要因素。在后续研究中,可以获取IPTV用户基本信息与服务费用,将IPTV用户观看记录与用户信息与费用将结合,提取影响用户QoE的关键性指标。(2)系统的优化与改进。本论文实现的系统功能还有待扩展,在用户QoE页面的基础上,结合用户观看行为,深入挖掘用户兴趣,多维度、多角度、多层次分析用户,建立用户画像,帮助运营商更好的了解用户,为用户提供更加优质的服务,动态推荐用户感兴趣的节目类型,提升用户体验。
参考文献(略)