订婚模型基于用户兴趣和QoS视频系统

文摘

与高质量的移动视频服务和需求有增无减新的网络技术的发展,包括雾计算,需要有一个广义的用户体验质量(体验质量)模型,该模型可以提供各种网络优化设计。良好的体验质量,尤其是测量接触,是一个重要的优化目标对投资者和广告商。因此,许多作品都聚焦在理解的因素,尤其是服务质量(QoS)的因素,影响用户参与。然而,用户兴趣的差异通常是忽略或慎重审议地脱离QoS和/或其他客观因素。越来越趋势个性化应用程序,它是必要的和可行的考虑用户兴趣满足审美和个人需求的用户当优化用户参与。我们首先提出一个Extraction-Inference(练习)算法来估计用户的兴趣很容易获得用户的行为。基于我们的实证分析大型数据集,然后建立一个基于QoS和用户兴趣接触(QI-E)回归模型。通过实验我们的数据集,我们所建立的模型表明,达到改善准确性9.99%基线模型只考虑QoS的因素。该模型有可能设计QoE-oriented调度策略在不同的网络场景中,特别是在雾中计算上下文。

1。介绍

过去二十年目睹了视频点播(VoD)的增长和普及应用在个人电脑和移动设备,和趋势正从基本的视频提供更优质的用户体验(体验质量)在工业和学术界1]。视频流服务,传统的平均意见分(MOS)现在所取代用户参与,更直接影响投资回报的网络生态系统的利益相关者(2,3]。

好体验质量的要求优化回报已经导致了网络服务的快速发展和新技术的出现,包括雾计算可以实现大容量视频实时处理和反馈的服务和可伸缩性低带宽输出数据(4]。

第一步优化用户参与度,迫切需要有一个通用的接触模型,可以提供不同的网络环境,尤其是对最新的雾计算上下文。有几个研究理解和建模之前参与工作的服务质量(QoS)以及一些客观环境因素,如地理位置,设备,和时间属性,一直被认为是相关的基本因素参与。用户参与的关系和QoS,要么在应用程序级别(例如,启动延迟,缓冲frequency,比特率)或在网络层(例如,,信号强度)已被广泛研究相关工作。

然而,大多数相关的工作忽略了另一个重要factor-subjective人为因素,例如用户个性化兴趣在一个特定的视频。事实上,新时代的定制提高审美和个人需求的用户,特别是在移动视频服务,用户通常呈现可预测的特性和服务需求5]。因此,用户参与,反映“喜悦的程度或烦恼的用户应用程序或服务(6]”,不能满足高质量的交付。因此,会话相同的缓冲频率有时有不同的用户参与的散度用户感兴趣的视频内容。然而,大多数之前的工作忽视或排除主观因素的影响很难量化。一些工作考虑视频人气作为体验质量的主观人为因素模型(2,7,8),但视频人气只能大致描述用户的平均偏好,但没有任何个性化。只有少数的作品(9- - - - - -11)在一个宏观的评价主观人为因素为每个会话从心理和认知的角度观看。在这些作品中,主观因素是通过大量的实验和调查人口非常大的主题;然而,这样的实验和调查是昂贵的进行和不适合流媒体视频点播系统的应用程序。

基于订婚模型QoS和用户的兴趣不仅需要准确理解和预测用户参与度,也有利于优化系统资源分配和提供更好的个性化服务。一方面,发现主观因素如何影响用户参与度可以帮助设计师部署适当的带宽资源,优化用户参与度。另一方面,推荐系统(RS)可能使QoS之间的权衡决定因素和人类因素向用户推荐他们感兴趣的视频,还具有良好的QoS,最后,他们可以享受更长的时间了。因此,它是至关重要的理解之间的关系接触和人为因素以及QoS为了阐明如何最好地分配资源和定制服务。

一个挑战之前建立这样一个模型是如何量化程度的视频用户的兴趣。在推荐系统之前,用户兴趣是由用户明确评级研究或测量大致是隐式评分,例如,用户参与。然而,这位前测量方法的准确性,但不可能收集到对时间敏感的应用程序。相反,后一个是不准确的,因为用户参与有时候不是他/她的反应纯粹兴趣视频还受到其他因素的影响,例如,质量等问题启动延迟。

另一个挑战是如何描述用户参与和两个因素之间的关系在一个统一的模型,为实际应用提供洞察力。直观地说,这两个因素影响用户参与但不独立,这是超出了线性回归模型的范围。例如,用户的兴趣不仅影响用户参与本身也对QoS问题影响用户的耐心。机器学习(ML)算法,如决策树和朴素贝叶斯2,12),可以描述这样一个依赖关系而不是一个简洁的公式,因此不能为实际应用提供清晰的认识。

我们将本文应对这两个挑战。我们提出一个Extraction-Inference(练习)算法来估计用户的兴趣很容易获得用户的行为。通过测量一个真实的视频点播系统,我们分析用户参与的关系与QoS和用户兴趣。基于我们的实证分析大型数据集,我们建立一个问操作系统和用户我兴趣的基础Engagement(QI-E)回归模型。我们的实证评价表明,人为因素带来的合并基准模型在预测精度提高9.99%只基于QoS的因素。最后,我们讨论该模型的应用潜力和未来的工作。

2。相关工作

2.1。金属氧化物半导体和参与指标

用户参与,而不是意味着意见分数(MOS)被广泛应用在流媒体应用中体验质量指标。ITU-T建议作为标准度量,金属氧化物半导体是一个数字值从1到5(即。,可怜的优秀)通过用户研究或调查13]。有许多在其影响因素分析域的web服务,电子商务,多媒体等7,13,14]。然而,由于进行调查或用户研究是昂贵的,耗费时间,,没有重复性,MOS不能直接用于视频应用程序(13),特别是在雾中计算环境的实时响应(实时传感和数据处理)是必需的(5]。这些限制激励发展的客观指标,如用户参与量化用户的行为的反应体验质量的水平。在视频应用程序中,用户参与通常是衡量会话长度(8,15),放弃率(12,15),访问人数(2),或跳过率(12]。这些用户行为指标更直接相关增加广告和销售的机会,从而导致更大的收入(8]。

2.2。QoS参数

QoS参数往往学习体验质量有关的主要因素,因为他们可以控制的平台至少部分(9]。特定的QoS度量不同在不同的领域(7),包括应用程序级别上的指标,例如,启动延迟,缓冲频率、缓冲比率和比特率(2,8,16),也包括网络层上的指标,如流的吞吐量,流持续时间,交接,和信号强度12,15]。由于网络环境的不确定性,QoS度量应用程序级别捕获用户感知质量比网络上的水平更紧密。

有时QoS指标相互竞争或冲突,在系统设计中需要权衡。例如,之前的作品[17,18]指出竞争初始时间和缓冲事件之间的关系。此外,比特率之间的权衡和缓冲事件通常是在比特率适应学习计划(17]。

还有几个技术提出了在客户端调整QoS参数,在服务器或网络(19]。这些技术包括比特率适应(20.),预取(21,22),传输协议的选择(14),和缓存部署(23]。

2.3。其他影响因素

最近,它已经意识到QoS因素无法确定用户的满意度和其他潜在的“混杂”因素需要探索(7]。考虑的因素可以分为连通性等上下文信息和时间的影响(2)、内容等属性类型和受欢迎程度(2),用户属性,如位置(24),设备,和性别(8]。

然而,用户利益往往被忽视。一些工作解决人为因素(类似于本文中定义的用户兴趣本质上)(9,10从心理和认知的角度)和一些试图整合各种各样的因素,包括人类的(11,25]。然而,进行这样的工作是昂贵的,需要很长一段和两个技术人员的参与和心理学家(9]。识别人类的主观因素,适合实时流媒体应用程序仍然是一个开放的问题。

理解方面的人为因素的影响(例如,用户兴趣)在系统设计上,一项研究[26)利用个人利益在CDN优化存储资源分配。然而,这项研究没有考虑质量因素,因此它不能帮助做一个权衡决定用户兴趣和QoS。

2.4。预测用户的兴趣

预测用户的兴趣在一个特定的项目目标问题解决在个性化推荐系统(RS),这是一个热门话题,面对信息过载在过去的十年里(27,28]。作为一个受欢迎的推荐算法,协同过滤(CF)算法,如再,贝叶斯信念网络和矩阵分解,被广泛研究[27,29日- - - - - -34]。指的CF算法不需要数据项内容,他们适用于视频系统,明确项目内容描述(即。、视频)是很难获得的。

此外,如何获取和量化用户的兴趣也在研究[35]。大多数作品明确评级要求用户购买物品后,观看视频,或浏览网站。该方法是准确但不实用的在线视频点播系统等对时间敏感的应用程序。相反,用户的行为,比如一个页面所花费的时间,滚动,点击网页36,37),时间在视频38,39),和过去购买40),作为隐式评级在某些应用程序中。用户行为有时也可以作为可靠的隐式评分证明(41),但在视频点播系统中它们仍然很吵42]。例如,当我们在本文地址,用户行为不仅依赖于用户兴趣但是也QoS在看时间。据我们所知,这种噪音隐式评级尚未考虑在现有视频点播的推荐系统。

3所示。问题和定义

本节定义的范围我们关注的问题,然后提供指标的定义目标模型考虑的因素。

3.1。问题陈述

本文的主要目的是提出一个实用的基于客观QoS的接触模型因素和主观的个人利益因素VoD系统。为了清晰起见,我们忽略其他混杂因素的影响,比如视频的类型,设备,和时间属性。

因此,目标是建立一个模型表示为 在哪里 , 分别表示用户兴趣水平,用户参与的价值kth QoS度量用户在一个会话w。明确模型的实际应用,依赖函数应该是清晰、简洁的形式。

3.2。指标定义

本节定义了指标因素的模型。明确的定义,我们首先介绍图的浏览会话的术语1。

一个典型的浏览会话开始当用户发起一个请求结束时他/她完成查看内容或改变到另一个或关闭客户端代理。在刚开始的时候,大多数用户可能会经历一段时间的广告,有时启动延迟。在查看,用户可能遭受冰冻延迟由于网络拥塞或限速。同时,用户可以触发一个暂停或过程栏拖到一个新的位置。如果用户拖拽到一个新的位置的内容已经没有预取的,他/她可能会经历一个restartup延迟。

根据浏览会话的定义,我们现在定义三个因素的指标。

3.2.1之上。参与的度规

我们定义用户参与度有效的观看比在这篇文章中,衡量视频真的打了多少。它计算视频播放时间长度的比值。这里,播放时间被称为一个会话的时间不包括启动延迟,restartup延迟,缓冲,暂停,广告时间。一般来说,接触的范围值限制在0%到120%之间。

3.2.2。QoS的度规

在本文中,我们考虑的应用程序级别的QoS指标捕捉delivery-related影响客户端。具体来说,我们关注以下指标。

启动延迟。这是时间视频开始播放,用户发起一个请求后,独家拍摄的广告。它是用秒。

缓冲频率。这是缓冲事件的数量比缓冲和玩的总时间。它以每分钟的次数。

缓冲比率。在缓冲时间的比值或restartup缓冲发生在一个会话的总时间缓冲和玩。它是用百分比来衡量。

作为一个扩展的研究2),我们还要考虑另一个新的质量标准,平均缓冲区长度。

平均缓冲区长度。用户的平均时间是花在缓冲缓冲事件发生一次。这是计算的比值缓冲比率到缓冲频率。这是一个新的度量我们建议补充缓冲频率。

我们不区分缓冲和restartup缓冲事件,不讨论另一个通常使用质量度量,比特率由于数据缺失。但这遗漏不会减少我们的研究的价值,因为这里不是想研究质量指标之间的关系,但应对竞争或冲突之间的关系质量和用户兴趣。如果有必要或一旦数据是可用的,模型可以扩展。

与网络级QoS指标相比,应用程序级别的指标通常更适用于不同的网络环境。他们可以管理应用程序级别的QoS通过各自的技术指标,如服务选择内容分发网络(CDN) (2在P2P网络[],prepushing方案43,44),和缓存技术在雾计算(4,45,46),然后优化用户参与基于应用程序级别的QoS指标参与体验质量的模型。

3.2.3。用户兴趣的指标

用户兴趣是用户的主观感觉有关的和好奇心对一个特定的视频的内容。我们把用户感兴趣的1到10之间的无量纲参数。正如本文前面所讨论的,很难让用户明确评级和直接使用隐式评分衡量用户行为可能会导致不准确。因此,我们提出一个推理算法来获取用户兴趣,将部分中描述4。

3.3。数据集

构建一个数据驱动的模型,我们从客户端收集大规模数据集PPTV [47),一个典型的商业P2P流媒体系统在中国。匿名用户日志从3月23号到2011年3月28日7500万个请求覆盖超过130000个独特的视频和600万个用户。日志记录浏览会话的所有行为相关,为每一对user-item质量相关信息。

过滤其他混杂因素的影响(如设备、时间属性和类型的视频),我们只考虑会议收集的问题,在晚上7点到12点的时间和相关的视频电影类型在我们的分析。但这里的方法并不局限于这些环境和可以扩展到其他上下文,例如,移动设备或其他类型的视频。

4所示。用户兴趣推理

在本节中,通过数据集的分析,我们首先表明,用户参与度影响不仅通过用户兴趣而且QoS。这意味着将订婚时间映射到用户兴趣水平是不准确的。然后,我们开发一个Extraction -我nference (练习)利息估计算法和评估我们的数据集。

4.1。测量和分析

我们比较用户参与会话的分布有/没有缓冲事件或启动延迟(称为缓冲会话/光滑的会话,分别)。

图中给出的情节2显示,有很大差距,这表明,订婚就无法准确地描述用户的兴趣,作为用户参与度也影响质量问题。如图所示,缓冲事件使得参与更多的分布在整个范围。没有经历任何缓冲事件,大多数用户看完整个视频(占32%的会话)或放弃会话非常早期的前5%的整个视频观看(38%);相反,在缓冲阶段,这两个极端情况下一起占22%以下。

分布在图的差距2是由于质量问题,一方面,损害用户的观看体验,减少长时间接触的概率,另一方面,表明用户仍然有一定兴趣的视频而不是放弃开始的会议之前任何缓冲事件。

4.2。Extraction-Inference(练习)算法

我们提出一个启发式Extraction和我nference (练习)利益评估算法基于以下两个假设:(1)考虑到QoS和寻找状态,用户的参与时间只依赖于视频和她的兴趣水平(2)用户的偏好在短时间内保持一致,在推荐系统被广泛接受。我们开发这个算法在算法两个步骤如图所示1。

首先,在选定的会话、QoS和寻求国家决心;也就是说,all the values of the QoS metrics and the seeking state are equal to zero. Accordingly, the engagement time in these sessions is decided by users’ interest. We uniformly map user engagement in smooth sessions into 10 bins referred to the user’s interest implicit rating (where 1 represents poor and 10 excellent).

基于收集到的用户的兴趣所选择的课程,我们下一个使用矩阵分解(MF) [33,34),一个典型的协同过滤(CF)算法(35- - - - - -38在其他会话),推断出他们的兴趣。与其他一些典型的CF算法相比,例如,然而算法(35,36),曼氏金融算法擅长处理数据稀疏36),在我们的实验中,数据用于训练很稀疏。所选会话(用于训练和测试)只占23%的会议在我们的数据集。

MF算法假设,描述用户的兴趣可以解释用户和视频联合空间潜在因素。在这个空间中,用户和视频应该代表m维向量的潜在因素。对于你的用户,提供她的向量和一个视频v的向量 ,她的兴趣在这个视频可以预测这两个向量的乘积除了全球平均利息 ,用户的偏好 ,和视频的偏见 。也就是说, 。在实践中,潜在因素向量,和 ,和偏见,和 ,由随机梯度下降学习算法(SGD) (14)遍历的训练数据集最小化一个效用函数;也就是说, 。在这里代表历史兴趣的记录。

4.3。评价

我们利用光滑会话中的数据为训练和评估。通过10倍交叉验证,我们修正参数,和M,在练习算法0.05和30岁的分别。

比较,我们提出两种类型的基本方法。第一种(即基线I)修改步骤我练习的算法。它直接映射用户接触到用户兴趣所有的会话(无论质量问题)。第二种类型(即基线II)取代了推理算法,MF算法,和一些统计方法和另一个CF算法,再邻居(资讯)中定义的表1。

我们评估了参与预测精度(以均方根误差(RMSE) [39])算法的测试数据集的“选择”会议的参与记录做代表用户的纯利益。

根据表中列出的结果2练习算法提高了基线我参与预测精度18%,27% Gmean, Uavg 7.26%, 8.9% Iavg,然而UIavg 6.3%, 4.8%。我们建议的练习算法的积极成果确认有必要消除其他相关因素的影响,当我们从订婚记录中提取用户兴趣。

5。参与预测模型

在本节中,我们测量用户与用户的关系利益和QoS,分别,然后提出订婚预测模型。

5.1。用户参与度和QoS指标

5.1.1。QoS分布

我们首先观察值的分布不同的QoS指标。如图3,我们发现系统有一个良好的质量通常虽然在一些质量问题不是简单的会话。43.5%的会议在我们的数据集没有经历任何质量问题。具体地说,70%的会议没有忍受一个缓冲事件,50%的人没有经历过启动延迟。仍然有一些会话已经忍受了很差质量的情况。例如,5%的会话忍受缓冲比率超过10%。5%的会议超过5缓冲事件100秒的出场时间。

一般质量好的情况下限制使用范围的传统的接触模型,只考虑QoS。这些模型不能区分会话没有质量问题,尽管QoS指标应考虑相关因素如图所示。

5.1.2中。相关分析

接下来,我们检查用户参与度的期望条件的各种质量指标。鉴于质量值 计算的条件期望用户参与度 ,在那里 条件概率和吗接触的范围值定义节吗3.2。

条件期望的地块图所示4。在的主要范围缓冲频率([0,18%],如图3 (b)),作为一个例子,接触通常在对数线性降低的质量变得差不出所料,如图4 (b),这意味着减少速率减缓频率与一个更大的缓冲。这个结果支持用户不太敏感的直觉更糟糕的质量情况一旦遭受坏。用户参与和缓冲比率之间的关系显示了类似的特征。但更大的平均缓冲长度或启动延迟,如图4 (d)和4 (c),用户参与度降低不顺利,这意味着一个较弱的用户参与度和这两个指标之间的相关性。

此外,我们量化的相关系数对数的QoS的度量值的条件期望参与。缓解值0对数的运算符,QoS值增加1;也就是说, ,在那里是原始和QoS价值是对数的一个。我们采用相关指标皮尔逊相关系数t [36)和斯皮尔曼等级系数(39]。第一个指标可以确定一些高斯噪声的线性关系,而第二个强调变量之间的单调性。如表所示3,结果证实,在所有的QoS指标、频率和restartup缓冲缓冲比率显示对数线性相关性最强的参与,这意味着最大的重量应该分配给这两个指标的预测模型。

5.2。用户参与和用户兴趣

我们现在检查用户参与和用户兴趣之间的关系。如图5(一个),用户参与的增加线性增加的兴趣水平,除了在(1,2])和尾巴(9.7,10])。幸运的是,头和尾的范围只占0.9%的会话。因此,线性特性仍然占主导地位的关系。

此外,用户参与和用户兴趣之间的相关系数比大多数的QoS指标,如表中列出1。结果证实,个人利益有一个大致的线性依赖参与。

5.3。用户参与度和QoS和用户兴趣

凭直觉、QoS指标和用户兴趣可能不独立影响用户参与。例如,用户可能有不同的公差质量问题当他们有不同的兴趣程度对视频。

确认这个直觉,我们比较浓厚的兴趣水平下的engagement-QoS关系weak-interest水平下,分别如图5 (b)。我们使用缓冲频率是QoS度量的一个例子。在统计中,我们缓冲频率的对数的值分割成10箱,表示被缓冲的频率分数在0和10之间。时间间隔设置为1的分数统计。

强,weak-interest水平之间的边界将所有用户的兴趣水平的中值。

如图所示,当用户更感兴趣的视频,订婚对越来越缓冲频率下降更快。换句话说,用户越来越多的质量问题往往更敏感。这两种情况之间的显著差异显示的乘法效应的存在用户兴趣和用户参与度的QoS。

6。模型构建和评价

6.1。接触模型

根据上面的测量结果中,我们提出一个问操作系统和用户我兴趣的基础Engagement(QI-E)回归模型。在这个模型中,用户有兴趣评级与视频 ,我们预测他/她参与视频 在哪里 是一个QoS向量元素在哪里的对数的值吗th QoS指标;也就是说, ,在那里是原始的QoS的价值。所有的QoS指标参与向量,然后 。 重量参数学习的实验。

基于这个模型,用户接触条件的期望QoS度量的对数的值 可以是什么 在哪里用户的期望利益评级。 和的对数的值吗QoS度量而不是一。他们都是常数。为清晰起见,参数 在推导省略。

从(3),我们观察到的条件期望用户参与 是线性对数的QoS值成正比吗 ,在部分和测量结果是一致的吗5.1。此外,评级有更大的利益 ,有一个更大的斜坡, 线性关系,这部分的测量结果是一致的5.3。同样,通过用户参与条件的偏差利息评级 ,很容易证明该模型与测量的结果是一致的5.2。

6.2。模型评价

我们随机选择80%的整个数据集进行训练,其余的用于测试。通过10倍交叉验证,我们修正参数在QI-E模型中。

相比较而言,我们建议三组线性回归模型作为基线。在第一组,用BS-1模型考虑单独的QoS指标,分别。在第二个基准模型,用BS-2,我们考虑所有的QoS指标和第三个,另外用BS-3,考虑用户兴趣。

在表4第一组(a),我们首先评估基线模型。其中,模型考虑缓冲频率有最小的RMSE 3.1553这么预期指标最大的相关系数与接触如表所示3。

在表4(b),我们评估拟议的QI-E模型相比,模型,考虑所有的QoS指标。结果显示,当用户兴趣是,有3.5%的改善。当的乘法效应两种因素被认为是在QI-E模型中,改善爬到7.6%。

积极的结果证实我们提出参与预测模型的有效性和演示了解QoS的必要性因素影响用户参与和用户兴趣。虽然是在数据集上进行实验,从pc客户端应用程序,我们的方法和结果很容易扩展的背景下,移动客户端。

7所示。总结和讨论

7.1。总结

在本文中,我们表明,以优化用户参与视频点播流媒体系统直接接触的一个有效的模型将用户兴趣和感知质量因素在一个显式的函数是必需的。为此,我们提出了一个Extraction-Inference(练习)算法来估计用户的兴趣很容易获得用户的行为。此外,我们已经建立了一个基于QoS和用户兴趣接触(QI-E)回归模型基于实验分析了大规模数据集。这个模型提供了一个改善准确性9.99%基准模型只考虑QoS的因素。积极的结果表明,用户的兴趣以及QoS用户参与度的预测中起着重要的作用。

7.2。讨论影响

我们的研究对理解和建模用户参与度可以应用于大多数最新的网络环境中,包括雾计算。例如,它可以帮助设计师QoS之间做出权衡因素通过不同的用户兴趣CDN的选择,流媒体的决定,等等(48,49]。

特别是在雾中计算上下文提供了充分探讨本地化用户特性和服务需求,更可预测用户兴趣在这种情况下,可以更好地满足用户的个性化要求4,46]。基于全局优化的目标,在我们的模型中,设计师可以为用户提供更高的利息与带宽优先优化带宽有限的条件下。另外一个例子,在一个engagement-oriented推荐系统,设计者可以视频,满足用户利益之间做出权衡,提供更好的QoS。

在未来,我们将进一步扩展模型考虑更多的因素。例如,一些其他类型的用户行为,例如拖可以帮助理解用户的耐心。此外,我们可以设计调度方案专门为雾计算上下文。

数据可用性

PPTV支持的数据集,一个商业企业。不是公共的数据。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由美国国家科学基金会支持部分下的中国批准号。61572071,61271199,61301082。

引用

1. j·b·李z Wang Liu和w·朱,“二十年的互联网视频:回顾来看,”ACM交易多媒体计算、通信和应用程序(TOMCCAP)卷,9 (1)p。2013。视图:谷歌学术搜索
2. a . Balachandran诉Sekar, a . Akella珊,斯托伊卡,和h·张,“开发一个网络视频质量预测模型的经验,”ACM SIGCOMM学报2013年会议上应用,技术、体系结构、计算机通信和协议,SIGCOMM 2013,页339 - 350,中国,2013年8月。视图:谷歌学术搜索
3. m·沃森“Http自适应流媒体在实践中,”学报在ACM的多媒体会议系统(MMSys)主题美国加利福尼亚州圣何塞,2011。视图:谷歌学术搜索
4. 美国,c·李,李问:“雾的调查计算:概念、应用程序和问题,”程序移动大数据(Mobidata研讨会的15)页37-42 ACM,杭州,中国,2015年6月。视图:出版商的网站|谷歌学术搜索
5. 诉潘德,c . Marlecha和s . Kayte”审查——雾计算及其在物联网中的作用,“工程研究和应用的国际期刊》第六卷,没有。10日,2248 - 96227年,2016页。视图:出版商的网站|谷歌学术搜索
6. 建议ITU-T P.10 / G。100 Amendment 2, Std., Jul. 2008.
7. v . a . Siris k Balampekos, m . k .滨”移动质量的经验:最新进展和挑战,”学报2014年IEEE国际会议上普适计算和沟通工作坊,PERCOM车间2014匈牙利,页425 - 430年,2014年3月。视图:谷歌学术搜索
8. 克里希和r·k·Sitaraman”视频质量影响观众行为:推断因果关系采用准实验设计,即“IEEE / ACM交易网络,21卷,不。6,2001 - 2014年,2013页。视图:出版商的网站|谷歌学术搜索
9. k u r . Laghari: Crespi, b·莫利纳和c·e·帕劳,“体验质量意识到在分布式环境中,服务交付”学报》第25届IEEE国际先进信息网络与应用研讨会,会议WAINA 2011,页837 - 842,新加坡,2011年3月。视图:谷歌学术搜索
10. a . w . Wu Arefin, r·里瓦斯k . Nahrstedt r·谢泼德和z,”质量的分布式交互式多媒体环境经验:对一个理论框架,”学报17 ACM国际会议多媒体,MM的09年,共存讲习班和研讨会10月,页481 - 490,中国,2009。视图:谷歌学术搜索
11. k u r . Laghari k·康奈利,n . Crespi”向全面质量的经验:在交流中体验质量模型的生态系统,”IEEE通讯杂志,50卷,不。4,58 - 65、2012页。视图:出版商的网站|谷歌学术搜索
12. m z沙菲克,j . Erman l ., a . x刘j .彭日成和j·王,“理解网络动力学的影响手机视频用户接触,”ACM SIGMETRICS绩效评估审查,42卷,不。1,第379 - 367页,2014。视图:出版商的网站|谷歌学术搜索
13. m . Alreshoodi和j·伍兹”调查体验质量多媒体服务QoS相关性模型,”分布式和并行系统的国际期刊,4卷,不。3,2013。视图:谷歌学术搜索
14. t . Hoßfeld、r·沙茨和美国r . Krieger”体验质量的Youtube视频当前互联网传输协议,”测量、建模和评估计算系统可靠性和容错性150年,页136 -施普林格国际出版,2014年。视图:谷歌学术搜索
15. a . Balachandran诉Aggarwal,大肠Halepovic et al .,“建模web体验上的品质在蜂窝网络,”诉讼20 ACM一年一度的移动计算和网络国际会议上,MobiCom 2014,页213 - 224,美国2014年9月。视图:谷歌学术搜索
16. f . Dobrian诉Sekar, a . Awan”理解用户参与视频质量的影响,”ACM SIGCOMM会议程序(SIGCOMM 11)41卷,第373 - 362页,2011年8月。视图:出版商的网站|谷歌学术搜索
17. m . Seufert症,m . Slanina t .寻t . Hoßfeld和p . Tran-Gia”调查质量的HTTP自适应流媒体的经验,“IEEE通信调查和教程,17卷,不。1,第492 - 469页,2015。视图:出版商的网站|谷歌学术搜索
18. y气和m .戴“冰冻和帧跳过对视频质量的影响,”《智能信息隐藏和多媒体信号处理,IIH-MSP 06年。IEEE国际会议上,第426 - 423页,2006年。视图:谷歌学术搜索
19. j .江诉Sekar h·张,“改善公平、效率和稳定的基于http的自适应视频流与节日”学报》第八届国际会议在新兴网络实验和技术,第108 - 97页,2012年。视图:谷歌学术搜索
20. l·德·西科,s . Mascolo诉彭明盛,“反馈控制自适应流媒体视频直播,”《第二届ACM的多媒体会议系统,第156 - 145页,2011年。视图:谷歌学术搜索
21. y, e·奥特曼r . El-Azouzi s e . Elayoubi和m .哈达德”体验质量分析无线数据网络的流媒体”网络海德堡,页343 - 354,激飞柏林,2012年。视图:谷歌学术搜索
22. s . Khemmarat r·周d . k . Krishnappa l .高和m .辛克,“看用户生成的视频与预取”,信号处理:图像通信,27卷,不。4、343 - 359年,2012页。视图:出版商的网站|谷歌学术搜索
23. s . h .沈和a . Akella“information-aware qoe-centric移动视频缓存,”学报的第19届国际会议上移动计算网络,第412 - 401页,2013年。视图:谷歌学术搜索
24. a . Gember a . Akella j .彭日成a . Varshavsky和r·卡塞雷斯获得语境蜂窝网络性能的测量结果,”学报2012 ACM互联网测量会议,IMC 2012,页287 - 300,美国,2012年11月。视图:谷歌学术搜索
25. a . Floris l . Atzori和g . Ginesu”解决un-interoperability体验质量问题模型:是一个分层建模有效?“在学报2014年IEEE国际会议交流研讨会,2014年刑事法庭6月,页563 - 568,澳大利亚,2014年。视图:谷歌学术搜索
26. m . Verhoeyen j . d . Vriendt, d . d . Vleeschauwer”与推荐系统优化视频存储网络”,贝尔实验室技术杂志,16卷,不。4、97 - 113年,2012页。视图:出版商的网站|谷歌学术搜索
27. k . Verbert n . Manouselis x奥乔亚et al .,“上下文感知推荐系统学习:一项调查和未来的挑战,”IEEE学习技术,5卷,不。4、318 - 335年,2012页。视图:出版商的网站|谷歌学术搜索
28. A . s . Lampropoulos和g . A . Tsihrintzis”的调查方法设计推荐系统,”在智能环境中程序的多媒体服务页,7-30 Springer国际出版,2013年。视图:谷歌学术搜索
29. g . Adomavicius和a . Tuzhilin”向下一代的推荐系统:一项调查的最先进的和可能的扩展,“IEEE工程知识和数据,17卷,不。6,734 - 749年,2005页。视图:出版商的网站|谷歌学术搜索
30. l . Si和r·金”灵活的混合模型的协同过滤。”ICML,3卷,第711 - 704页,2003年。视图:谷歌学术搜索
31. x苏和t . m . Khoshgoftaar“协同过滤技术的一项调查,”人工智能的发展,卷2009,19页,2009。视图:谷歌学术搜索
32. t . n . Wang姚明,j . Wang, d . y . Yeung“概率的健壮的矩阵分解方法,”电脑Vision-ECCV 2012海德堡,页126 - 139,激飞柏林,2012年。视图:谷歌学术搜索
33. r . Mittelman和e·l·米勒,“快速高斯变换基于高阶奇异值分解的非线性滤波,”学报2007年IEEE / SP 14车间统计信号处理麦迪逊,页94 - 98年,WI,美国,2007年8月。视图:出版商的网站|谷歌学术搜索
34. y科伦,”bellkor解决netflix大奖”,Netflix大奖文档,2009年。视图:谷歌学术搜索
35. m .褐煤、b·洛佩兹和j·l·德·拉·罗萨”的分类推荐代理在互联网上,“人工智能审查,19卷,不。4、285 - 330年,2003页。视图:出版商的网站|谷歌学术搜索
36. w . Woerndl a稳住,诉普林茨”经验实现协同过滤在web 2”程序的国际研讨会上适应和个性化的Web,2卷,第129 - 120页,2009年。视图:谷歌学术搜索
37. m . Claypool p . Le, m是d·布朗,“隐性利益指标,”学报第六届国际会议上智能用户界面,33-40,2001页。视图:谷歌学术搜索
38. d . Weißj·朔伊尔m . Wenleder A . Erk m·古尔巴哈和c . Linnhoff-Popien”用户profile-based个性化数字多媒体内容,系统”学报》第三届国际会议在娱乐和数字互动媒体艺术、DIMEA 2008希腊,页281 - 288年,2008年9月。视图:谷歌学术搜索
39. 刘j·戴维森,b . Liebald j . et al .,“YouTube视频推荐系统”《第四届ACM推荐系统,第296 - 293页,2010年。视图:谷歌学术搜索
40. s . Rendle c .州长戴夫z Gantner, l . Schmidt-Thieme“BPR:贝叶斯个性化的排名从隐式反馈,”二十五日会议程序的不确定性人工智能461年,页452 - AUAI出版社,2009年。视图:谷歌学术搜索
41. d O ' sullivan, b·史密斯和d·威尔逊“显式和隐式记录案例研究在电子节目指南,”IJCAI,2003年。视图:谷歌学术搜索
42. y, y科伦,c . Volinsky“隐式反馈数据,协同过滤”《数据挖掘,ICDM 08年。第八IEEE IEEE国际会议,第272 - 263页,2008年。视图:谷歌学术搜索
43. f·林和陆x peer-assisted流媒体网络QoS保证pre-pushing计划”,中国通信,11卷,不。14日,第117 - 111页,2014年。视图:出版商的网站|谷歌学术搜索
44. f·林,x, x,和w·歌,“小说pre-pushing方案peer-assisted流媒体网络基于multi-leader multi-follower stackelberg模型,”无线个人通信,卷80,不。1,第301 - 289页,2015。视图:出版商的网站|谷歌学术搜索
45. j . Su f·林,周x, x,”斯坦纳树在雾计算最优资源缓存方案,“中国通信,12卷,不。8篇文章ID 7224698, 161 - 168年,2015页。视图:出版商的网站|谷歌学术搜索
46. t·h·烹调的菜肴,l .高z李et al .,“雾计算:专注于移动用户的优势,”计算机科学,2015年。视图:谷歌学术搜索
47. http://www.pptv.com/。
48. h·帕特里克,“在线视频质量是足够了吗?“白皮书,高级主管,在Citrix产品营销,2011年日本。
49. d . d . Vleeschauwer和k . laeven IPTV按需服务的缓存算法的性能,”IEEE广播,55卷,不。2、491 - 501年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018肖颖谭等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。