论文部分内容阅读
在线视频服务已成为互联网的主流应用。为提高视频用户的满意度和视频服务提供商的收益,如何理解、预测并提升在线视频服务中的用户体验质量(QoE)已成为研究者普遍关注的问题。
一方面,为准确预测QoE,现有工作主要关注吞吐量、缓冲率等客观服务质量(QoS)因素与QoE的相互关系,然而实际上,用户对视频内容的主观偏好与QoE也密切相关。更复杂的是,一定的用户偏好度及QoS等级还可能引发用户在观影过程中的交互行为,如拖动、暂停播放等,而这些行为也会影响QoE。为更好地理解及预测QoE,仍然需要解决以下挑战:如何获得无法直接观测的用户偏好;如何分析QoE与上述不同层次因素的映射关系并建模。
另一方面,现有的QoE优化方法主要是通过网络资源调度来适应用户需求,然而随着视频内容的极大丰富和用户个性化偏好的日益显著,视频需求分布越发不均衡,长尾效应日趋严重,这些方法已难以应对服务冷门内容的网络资源利用率不足而服务热门内容的网络资源不足的挑战。
针对以上挑战,本文进行了3方面的研究工作:1.基于大规模真实数据,从观影记录中挖掘出用户个性化偏好;2.解析QoE与用户视频偏好、QoS及交互行为等因素的相互关系,建立QoE预测模型;3.提出一个新的优化角度,通过引导用户需求,以最大化系统用户的QoE均值为目的,实现网络资源和用户需求的全局最优配置。
具体的工作和贡献如下:
第一,本文通过测量证明用户的观影行为同时被多种因素所影响,不能直接映射成用户的视频偏好,并提出一个偏好提取-推断框架,基于少量能真实反映用户偏好的行为数据,推断出用户对所有视频的个性化偏好。实验证明,相较于直接使用全部数据,该框架将推断准确度提高了4.8%。进一步地,本文通过测量证明用户对视频热度具有个性化的偏好特性,并提出利用该特性改进偏好推断算法。为更准确的利用该特性,本文还提出基于协同过滤的热度偏好修正算法,以减少高稀疏性带来的统计偏差。实验表明,所提算法在无需增加其他数据来源的条件下,既能提升稀疏场景下的用户偏好推断准确度,又能提高基于该算法的TopN推荐覆盖率。
第二,本文通过测量解析QoE与QoS、用户个性化偏好及交互行为之间的关系,分别建立了两组QoE预测模型。测量中发现,不同偏好程度下用户对QoS的敏感度不同,观影过程中可能发生的拖动等交互行为不仅影响用户参与度分布,还与用户偏好和QoS存在一定相关性。据此,本文分别构建了基于QoS和用户偏好的非线性QoE预测模型,并提出了拖动行为预测模型,以及将拖动行为作为中间变量改进的分层的QoE预测模型。实验证明相较于传统的基于QoS的QoE模型,本文所提模型能大大提高预测准确度,证明了考虑用户偏好及交互行为对准确理解QoE的重要性,并且所提模型具有解析表达式,有助于定量地指导QoE优化。
第三,本文利用推荐系统对用户需求的引导力,从一个新的优化角度,基于排队理论和QoE预测模型,提出一种基于推荐引导的QoE优化算法。该算法以提高系统中所有用户QoE的均值为优化目标,计算出不同场景下的最优推荐策略,并依此引导用户的视频选择行为。与传统的资源调度等优化方法不同,该算法同时考虑了视频内容和服务质量对QoE的影响,并考虑了推荐结果对用户行为的影响,最终实现了在系统长期运行下网络资源和用户需求的最优配置。仿真实验证明,在带宽资源一定的条件下,相较于传统推荐策略、均匀分配策略以及启发式的QoE贪婪策略,所提算法在多种实验场景下均能提升系统全局QoE均值。当视频需求不均衡时,所提算法的优势更显著。
一方面,为准确预测QoE,现有工作主要关注吞吐量、缓冲率等客观服务质量(QoS)因素与QoE的相互关系,然而实际上,用户对视频内容的主观偏好与QoE也密切相关。更复杂的是,一定的用户偏好度及QoS等级还可能引发用户在观影过程中的交互行为,如拖动、暂停播放等,而这些行为也会影响QoE。为更好地理解及预测QoE,仍然需要解决以下挑战:如何获得无法直接观测的用户偏好;如何分析QoE与上述不同层次因素的映射关系并建模。
另一方面,现有的QoE优化方法主要是通过网络资源调度来适应用户需求,然而随着视频内容的极大丰富和用户个性化偏好的日益显著,视频需求分布越发不均衡,长尾效应日趋严重,这些方法已难以应对服务冷门内容的网络资源利用率不足而服务热门内容的网络资源不足的挑战。
针对以上挑战,本文进行了3方面的研究工作:1.基于大规模真实数据,从观影记录中挖掘出用户个性化偏好;2.解析QoE与用户视频偏好、QoS及交互行为等因素的相互关系,建立QoE预测模型;3.提出一个新的优化角度,通过引导用户需求,以最大化系统用户的QoE均值为目的,实现网络资源和用户需求的全局最优配置。
具体的工作和贡献如下:
第一,本文通过测量证明用户的观影行为同时被多种因素所影响,不能直接映射成用户的视频偏好,并提出一个偏好提取-推断框架,基于少量能真实反映用户偏好的行为数据,推断出用户对所有视频的个性化偏好。实验证明,相较于直接使用全部数据,该框架将推断准确度提高了4.8%。进一步地,本文通过测量证明用户对视频热度具有个性化的偏好特性,并提出利用该特性改进偏好推断算法。为更准确的利用该特性,本文还提出基于协同过滤的热度偏好修正算法,以减少高稀疏性带来的统计偏差。实验表明,所提算法在无需增加其他数据来源的条件下,既能提升稀疏场景下的用户偏好推断准确度,又能提高基于该算法的TopN推荐覆盖率。
第二,本文通过测量解析QoE与QoS、用户个性化偏好及交互行为之间的关系,分别建立了两组QoE预测模型。测量中发现,不同偏好程度下用户对QoS的敏感度不同,观影过程中可能发生的拖动等交互行为不仅影响用户参与度分布,还与用户偏好和QoS存在一定相关性。据此,本文分别构建了基于QoS和用户偏好的非线性QoE预测模型,并提出了拖动行为预测模型,以及将拖动行为作为中间变量改进的分层的QoE预测模型。实验证明相较于传统的基于QoS的QoE模型,本文所提模型能大大提高预测准确度,证明了考虑用户偏好及交互行为对准确理解QoE的重要性,并且所提模型具有解析表达式,有助于定量地指导QoE优化。
第三,本文利用推荐系统对用户需求的引导力,从一个新的优化角度,基于排队理论和QoE预测模型,提出一种基于推荐引导的QoE优化算法。该算法以提高系统中所有用户QoE的均值为优化目标,计算出不同场景下的最优推荐策略,并依此引导用户的视频选择行为。与传统的资源调度等优化方法不同,该算法同时考虑了视频内容和服务质量对QoE的影响,并考虑了推荐结果对用户行为的影响,最终实现了在系统长期运行下网络资源和用户需求的最优配置。仿真实验证明,在带宽资源一定的条件下,相较于传统推荐策略、均匀分配策略以及启发式的QoE贪婪策略,所提算法在多种实验场景下均能提升系统全局QoE均值。当视频需求不均衡时,所提算法的优势更显著。