论文部分内容阅读
网络视频直播由于其便捷性、实时性、交互性等特点,越来越深入到网民的日常生活中。在直播业务量级和内容都不断发展的驱使下,用户和商家都越来越注重平台所能提供的直播体验质量。视频QoE(Quality of Experience,体验质量),即用户对视频类应用或服务的主观满意程度。 视频QoE一直是视频研究中的一个热点,而目前针对视频QoE的研究主要集中于传统流媒体,较少关注直播这一新型应用。本文研究网络视频直播环境下的用户体验质量,主要工作及贡献包括以下三个方面: 1、基于大规模直播数据集,详细、深入地分析了网络视频直播体验质量。首先从时域和地域角度详细分析了网络视频直播类应用的用户参与特点,发现超过95%的用户观看时长不足视频总时长的一半。其次分别从定性和定量角度研究分析视频体验质量客观指标(启动时间,缓冲率和缓冲次数比率)对用户参与(视频观看完成率)的影响,定性分析发现网络视频直播环境下,缓冲次数比率是对用户参与影响最大的QoE指标。定量分析发现网络视频直播环境下缓冲次数比率不高于20%时,其每增加1%,视频观看完成率下降4个百分点;缓冲率不高于2%时,缓冲率每增加1%,视频观看完成率下降6个百分点,这些发现与传统视频体验质量得出的结论并不一致,这对实际系统设计以及直播平台优化有重要参考价值。 2、设计并完善视频QoE指标预测方法,解决了视频体验质量模型实际应用时QoE指标无法及时知悉的问题。系统采用Gini系数分析当前影响待预测直播流的关键特征集,基于历史数据和关键特征集,在直播开始前即可预测直播QoE指标(启动时间、缓冲率和缓冲次数比率)。基于本数据集与已有工作对比,本实验方法的相对误差率平均降低了4%。 3、提出网络视频直播QoE模型,基于视频QoE指标预测用户参与(视频观看完成率)。这部分工作包括特征工程和模型训练。特征工程部分主要通过特征选择和特征扩充等方法对特征进行预处理。模型训练部分,默认情况下,传统机器学习算法预测用户参与的最高准确率为60.74%,模型优化后,预测准确率上升至63.57%,搭建复杂的神经网络模型以提高用户参与预测准确率,最终模型预测准确率上升至73.02%,比初始模型预测准确率提高了12.28%。