论文部分内容阅读
近年来,随着互联网技术的快速发展,交互式网络电视(IPTV)服务日益多元化,已成为家庭用户重要的娱乐休闲方式。为了提升用户黏度,IPTV运营商与服务商越来越关注用户体验质量(QoE)。对于QoE的感知和评价已成为当今工业界与学术界密切关注的热点研究问题。传统的通过用户打分来获知QoE的方式耗时耗力,实时性不够,不适用于IPTV运营商与服务商对用户体验质量的评估,因此迫切需要建立一套QoE预测系统,从而能够改善服务,最终提升用户体验。鉴于此,本论文设计并实现了一种在大数据环境下,基于神经网络的IPTV用户体验预测系统。本论文的主要研究工作和创新点如下:首先,本文提出了基于主客观影响因素的混合特征提取方法。一方面,从相关性分析以及信息增益两个角度出发,分析了客观指标与用户QoE的关系,去除冗余因素对后续建模的影响,从而筛选出影响用户QoE的客观特征。另一方面,从用户行为角度出发,深入分析了与用户行为相关的特征,提取出影响用户QoE的主观指标。相比较其他特征提取方法,本论文所提出的主客观影响因素的混合特征提取方法更加全面,从而可以为后续的预测打下坚实的基础。其次,本文设计了基于神经网络的IPTV用户QoE预测算法。考虑到用户QoE具有长短期依赖特性,本文选用了长短时记忆神经网络(LSTM)对用户QoE进行了建模。进一步地,针对LSTM算法的局限性,本文建立了LSTM-Attention模型。该模型通过引入注意力(Attention)机制,准确描述建模了用户QoE的前后关联,提升了原有模型的性能。实验结果表明,该模型的预测准确率比现有主流算法提高了7.8%。最后,在理论研究的基础上,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作为实时流计算,此外,选用SparkML作为机器学习库,利用SparkSQL实现交互式分析,以YARN为资源管理器、Zookeeper进行分布式服务协调,从而确保了系统稳定高效。实验结果表明,IPTV用户QoE系统可以实现对用户QoE的实时准确分析及预测。