视频缓存多播与评分预测的问题研究

发布时间：2020-09-08 17:27

　　 近年来,全球移动流量呈现爆炸式增长,视频流量在其中占了很大的比重,在高峰时段人们对于视频的请求会造成网络的拥堵,为了减轻高峰时段网络中的压力,减少视频传输对于带宽的占用是一个亟待解决的问题。随着单位存储容量硬件成本的降低,将视频的一部分或者全部提前缓存到用户本地,在高峰时段用户就可以从本地客户端当中获取请求的视频文件,这对于减轻网络中的拥堵将会是一个非常有前景的办法。如果结合多播的技术将多个用户请求的视频文件在只占用一份频谱资源的情况下发送给这些用户,那么就可以大大减轻视频对于网络传输的压力。用户要想在高峰时段从本地客户端当中获取请求的文件,就需要对用户的请求作出提前的预测,将用户喜欢的视频文件缓存到用户端。利用推荐算法预测用户对于视频文件的喜好是缓存得以发挥作用的重要基础。本论文首先以分布式编码缓存算法为理论依据,用USRP(Universal Software Radio Peripheral)硬件平台以及GNU Radio软件工具搭建了视频缓存多播系统探究该算法在无线信道当中能够给视频传输带来的增益,相比于过去的系统,该系统设计了新型的数据包结构能够使视频多播在物理层上实现,实验结果表明分布式编码缓存算法能够在很大程度上减轻视频传输对于网络中的压力,我们搭建的系统的实际增益很接近理论增益。接下来本论文针对那些完全没有得到评分的电影基于文本分析的方法对于电影的文本情节进行处理,从电影本身而不是用户对于电影的评分矩阵当中获取电影的特征。接下来采用协同过滤的方法对于这些电影进行评分预测,实验结果表明该算法相比于其他一些算法能够在一定程度上提高预测的精准性。
【学位单位】：上海交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN929.5
【部分图文】：

1.2 论文的研究背景1.2.1 缓存与多播的研究背景目前全球移动数据的流量正在急速增长，如图1 1所示，全球每年的移动数据流量将会以 47% 的比例持续增长，预计到 2021 年视频将会占据超过四分之三的移动数据流— 1 —

Fig 1 2 Caching strategy for N = 2 files and K = 2 users with cache size M = 1[2]法在无线视频传输中对于性能的提高作用。图1 2是分布式编码缓存算法原理的基本阐释，在服务器当中有 A，B 两个文件，每个文件被分为前后两个部分，在缓存放置阶段左边的用户缓存了 A 文件的前半部分1以及 B 文件的前半部分1; 右边的用户缓存了A 文件的后半部分2以及 B 文件的后半部分2。在内容发送阶段，左边的用户请求文件 B，右边的用户请求文件 A，由于在缓存放置阶段，左边的用户已经缓存了1, 只需要从服务器获取2就可以了，同理，右边的用户只要从服务器获取1就可以了。传统的方式是服务器分别把2以及1发送给这两个用户

Fig 1 2 Caching strategy for N = 2 files and K = 2 users with cache size M = 1[2]法在无线视频传输中对于性能的提高作用。图1 2是分布式编码缓存算法原理的基本阐释，在服务器当中有 A，B 两个文件，每个文件被分为前后两个部分，在缓存放置阶段左边的用户缓存了 A 文件的前半部分1以及 B 文件的前半部分1; 右边的用户缓存了A 文件的后半部分2以及 B 文件的后半部分2。在内容发送阶段，左边的用户请求文件 B，右边的用户请求文件 A，由于在缓存放置阶段，左边的用户已经缓存了1, 只需要从服务器获取2就可以了，同理，右边的用户只要从服务器获取1就可以了。传统的方式是服务器分别把2以及1发送给这两个用户

【相似文献】

相关期刊论文 前10条

1 许媛萍;;基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J];新闻研究导刊;2018年13期

2 李改;邹小青;;基于隐式反馈的协同过滤算法研究综述[J];福建电脑;2018年11期

3 胡致杰;胡羽沫;;协同过滤推荐瓶颈问题研究[J];无线互联科技;2016年09期

4 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

5 张家鑫;刘志勇;张琳;张倩;莎仁;;基于协同过滤的多维度电影推荐方法研究[J];长春理工大学学报(自然科学版);2019年02期

6 杨莉;;基于时间因子的协同过滤算法研究[J];电脑知识与技术;2019年09期

7 章宗杰;陈玮;;基于标签扩展的协同过滤算法在音乐推荐中的应用[J];软件导刊;2018年01期

8 王婵;;一种基于加权因子的混合协同过滤算法[J];电脑知识与技术;2018年09期

9 刘文佳;张骏;;改进的协同过滤算法在电影推荐系统中的应用[J];现代商贸工业;2018年17期

10 吴佳婧;贺嘉楠;王越群;董立岩;;基于项目属性分类的协同过滤算法研究[J];吉林大学学报(信息科学版);2018年04期

相关会议论文 前10条

1 孙见山;徐东;姜元春;;融合人格信息的单分类协同过滤方法研究[A];第十二届（2017）中国管理学年会论文集[C];2017年

2 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

3 陈曦;;基于二阶定时修正协同过滤系统的信息推荐算法[A];2019年第二届钢铁工业智能制造发展论坛会议论文集[C];2019年

4 骆正清;郑涛;;基于标签聚类的协同过滤推荐算法[A];第十三届（2018）中国管理学年会论文集[C];2018年

5 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

6 孙铁利;杨焱;邱春艳;;基于内容预测的协同过滤推荐[A];2005年全国理论计算机科学学术年会论文集[C];2005年

7 刘牧;杨智强;王衡;;基于普适计算的日程发现方法探讨[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

8 潘崇伦;张弛;;协同过滤的自服务模式在水务信息基础架构管理中的研究[A];大数据时代的信息化建设——2015（第三届）中国水利信息化与数字水利技术论坛论文集[C];2015年

9 陶红亮;王明文;曹瑛;;基于项目平滑和聚类的协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

10 易們;杨成;柴智;;基于重排序的新用户TOPN推荐方法研究[A];第十九届中国科协年会——分4信息新技术 东北新工业论坛论文集[C];2017年

相关重要报纸文章 前3条

1 林嘉澍;从搜索到发现[N];经济观察报;2007年

2 本报记者 沈佳;数据大了 决策准了[N];山西日报;2014年

3 林嘉澍;若邻网络：发掘网上的真实人脉[N];经济观察报;2007年

相关博士学位论文 前10条

1 符明晟;基于深度学习的智能推荐技术研究[D];电子科技大学;2019年

2 顾梁;播存结构中基于协同过滤的内容推荐技术研究[D];东南大学;2017年

3 袁卫华;面向稀疏数据的多视图个性化推荐方法研究[D];山东师范大学;2018年

4 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

5 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

6 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

7 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

8 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

10 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 章琦;基于协同过滤的全球AI挑战赛社区的设计与实现[D];北京交通大学;2019年

2 刘运冲;基于改进的时间与用户影响的协同过滤算法[D];安徽理工大学;2019年

3 任德源;基于用户分层结构的个性化推荐方法[D];合肥工业大学;2019年

4 李启序;基于协同过滤的个性化推荐系统的研究[D];安徽理工大学;2019年

5 郑涛;一种改进的协同过滤算法及其在推荐系统中的应用[D];合肥工业大学;2019年

6 张杨;基于领域知识图谱实体消歧的协同过滤推荐算法研究[D];天津师范大学;2019年

7 王茹玉;基于信息推荐的中药适应症发现方法研究[D];北京交通大学;2019年

8 张翔;个性化小说推荐系统的设计与实现[D];北京交通大学;2019年

9 祝月芳;基于协同过滤的电影票务系统设计与实现[D];北京交通大学;2019年

10 周安琪;个性化推荐的协同过滤算法探究[D];上海交通大学;2017年

本文编号：2814437