移动互联网中基于机器学习的用户个性化QoE评估

发布时间：2017-05-20 10:04

  本文关键词：移动互联网中基于机器学习的用户个性化QoE评估，，由笔耕文化传播整理发布。

【摘要】：移动通信技术、互联网技术和智能终端设备的共同发展促进了移动互联网业务的兴起。如今移动互联网已经成为人们生活中不可或缺的一部分,并且保持了高速发展势头。而良好的用户体验质量(Quality of Experience, QoE)将会是支撑移动互联网发展的重要条件。关于QoE评估的研究吸引了众多专家学者,并有很多优秀的研究成果。然而大多数研究所考虑的因素都局限在便于观察测量的客观因素,而很少研究QoE与用户主观因素的关系,这就导致QoE的评估是基于用户群体的统计,其粒度难以精细到单用户单业务。针对这一研究现状,本文提出了个性化QoE评估,并对具体的评估方法进行研究。具体研究内容包括： 首先,本搭建了一个用于搜集个性化QoE相关数据的数据搜集平台。此平台可以提供在线视频播放服务,并同时搜集相关的用户数据,这些数据可以为个性化QoE评估提供研究基础。 其次,本文研究了用户主观特征中最重要的因素之一——用户偏好与QoE的关系,根据已有的研究成果总结出三条性质,并建立了与之相符合的数学模型。此QoE模型与传统模型的最大区别在于考虑了用户的主观特征,由此可以体现出用户的个性化差别。 个性化QoE评估模型中的核心部分是用户对业务的偏好,在实际的应用中,靠用户反馈得到用户针对业务的偏好是不现实的,因此需要对用户偏好进行合理预测。而这需要依靠机器学习技术来完成。在分析研究了不同的预测模型和算法后,本文建立了一个三层贝叶斯图模型,从下到上依次是可观察特征层,隐藏特征层,偏好预测层。由于此模型的训练算法没有解析最优解,且包含隐藏特征,所以采用期望最大化(Expectation Maximization)算法进行训练,其中在求期望的步骤用了蒙特卡罗(Monte Carlo)法进行简化。随后本文使用MovieLens数据集对所建模型进行了验证,并从各方面分析了模型中各参数变化对模型带来的影响。实验结果表明,贝叶斯图模型的性能较经典的矩阵分解模型有显著的提升。其均方根误差(Root MeanSquare Error, RMSE)相比矩阵分解模型降低了13%。 考虑到受限波兹曼机(Restricted Boltzmann Machine, RBM)有较强的隐藏特征抽取能力,本文随后建立了基于RBM的协同过滤模型对用户偏好进行预测。模型的训练使用了经典的对比散度(Contrastive Divergence, CD)算法。为了解决冷启动问题并进一步提高模型效果,本文对模型进行了扩展,将用户可观测特征作为额外的可见节点融合到模型中。通过实验,本文分析了不同参数对RBM协同过滤模型的影响,对比了扩展前的模型与扩展后的模型。实验结果表明,对模型进行扩展后,模型的性能得到显著的提升。
【关键词】：用户体验质量 个性化 机器学习 贝叶斯图模型 受限波兹曼机
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP181;TP393.01;TN929.5
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-22
• 1.1 选题背景10-11
• 1.2 研究背景11-19
• 1.2.1 QoE概念11-13
• 1.2.2 QoE的影响因素13-15
• 1.2.3 QoE的评估方法15-17
• 1.2.4 QoE的评估模型17-19
• 1.3 研究内容及章节安排19-22
• 第二章 数据收集平台和个性化QoE评估模型22-36
• 2.1 引言22
• 2.2 数据收集平台架构22-29
• 2.2.1 前端23-27
• 2.2.2 后台27-29
• 2.3 个性化QoE评估模型29-36
• 2.3.1 QoE与QoS关系30-32
• 2.3.2 QoE与用户偏好的关系32-35
• 2.3.3 关于个性化QoE模型的讨论35-36
• 第三章 用于预测用户偏好的贝叶斯图模型36-54
• 3.1 引言36
• 3.2 问题描述36
• 3.3 问题分析36-38
• 3.4 模型描述38-40
• 3.5 模型训练40-44
• 3.5.1 训练目标40
• 3.5.2 EM算法及蒙特卡罗法40-42
• 3.5.3 贝叶斯图模型的训练算法42-44
• 3.6 模型预测44
• 3.7 实验验证44-52
• 3.7.1 数据集44-45
• 3.7.2 实验方法45-46
• 3.7.3 实验结果46-52
• 3.8 本章小结52-54
• 第四章 预测用户偏好的RBM模型54-64
• 4.1 引言54
• 4.2 限制波兹曼机54-57
• 4.2.1 RBM的结构54-55
• 4.2.2 RBM的对数似然梯度55-56
• 4.2.3 对比散度56-57
• 4.3 协作滤波模型57-60
• 4.3.1 模型结构57-58
• 4.3.2 模型训练58-59
• 4.3.3 用户偏好预测59-60
• 4.4 扩展模型60-61
• 4.5 实验61-63
• 4.5.1 实验设置61
• 4.5.2 实验结果61-63
• 4.6 本章小结63-64
• 第五章 总结和展望64-66
• 5.1 全文总结及主要贡献64-65
• 5.2 下一步研究建议及未来研究方向65-66
• 参考文献66-72
• 致谢72-74
• 攻读硕士期间的研究成果74

【共引文献】

中国期刊全文数据库 前4条

1 李超;李昂;朱耿良;;基于限制性玻尔兹曼机的微博主题分类[J];电信网技术;2014年07期

2 张春霞;姬楠楠;王冠伟;;受限波尔兹曼机[J];工程数学学报;2015年02期

3 胡胜红;贾玉福;谭生龙;;基于内容优化动态自适应HTTP流传输主观质量[J];计算机辅助设计与图形学学报;2014年10期

4 张建明;詹智财;成科扬;詹永照;;深度学习的研究与发展[J];江苏大学学报(自然科学版);2015年02期

中国博士学位论文全文数据库 前3条

1 张月莹;基于QoE的无线资源管理算法研究[D];北京邮电大学;2013年

2 马文敏;未来移动通信系统资源分配与调度策略研究[D];北京邮电大学;2013年

3 李抵非;基于云框架的科学仪器深度知识服务方法研究[D];吉林大学;2015年

中国硕士学位论文全文数据库 前3条

1 刘飞;多业务无线网络性能优化与分析[D];北京邮电大学;2013年

2 刘振;无线视频传输优化及其质量评价方法研究[D];北京邮电大学;2013年

3 张晓莉;基于QoE的无线网络优化与设计[D];北京邮电大学;2015年

  本文关键词：移动互联网中基于机器学习的用户个性化QoE评估，由笔耕文化传播整理发布。

本文编号：381280