时序行为数据广泛存在于各类应用系统中。如何挖掘时序行为数据中有意义的行为模式,捕捉用户潜在需求,进而提出更好的预测、推荐或运营策略受到了研究者们的广泛关注。本文提出的面向时序行为的潜在状态学习方法致力于实现离散稀疏行为数据的特征表达,在此基础上对用户的潜在状态及其复杂的时序依赖关系进行建模和学习,从而实现更好的时序推荐。然而,时序行为的状态建模和表征学习主要面临着以下三个挑战:(1)用户真实的行为状态往往是隐形的,如何根据显性的行为数据捕捉和推断行为的隐状态是其中的一个挑战;(2)行为事件空间是高维的,这意味在固定的时间段内可以观察到的事件样本往往是稀疏的,如何以较低的时间复杂度学习状态表征是另一个挑战;(3)行为伴随时间变化的模式往往具有个性化的差异,如何对用户状态的变化模式进行学习是一个挑战。针对以上挑战,本论文从用户行为潜在状态这一独特视角出发,将用户行为的动态变化分别建模成周期之间和周期内部两种依赖模式,进而利用基于模板的图神经网络结构来捕捉时序行为的状态变化。具体来说,本文提出了深度结构化状态学习系列方法,包括:基于层级表示的结构化状态学习(Structure State Learning based on Hierarchical Representation,HR-SSL)和基于变分推断的结构化状态学习(Structure State Learning based on Variational Inference,VI-SSL)。论文的主要工作包括:1)为了解决时序推荐中固定时间段内的行为稀疏和复杂行为依赖问题,提出了一种HR-SSL模型。根据时间段划分用户对项目的时序行为,然后采用最大池化层次结构学习项目的低维表示来表征行为序列的潜在状态。2)为了有效地提高时序行为的状态建模效果,从时序数据的状态表征角度来看,提出了VI-SSL模型。与基于学习项目表示的HR-SSL模型不同的是,VI-SSL模型假设状态的先验分布服从标准高斯分布,它直接学习时序行为在不同时间段的状态,并且联合学习基于协同过滤的VAE和基于GNN的状态依赖网络,同时在状态依赖网络引入个性化信号。3)从理论上分析了所提方法的时间复杂度,可应用于高维的时序数据中,并从实验结果分析了所提算法在各项评估指标上的优势,验证了所提出算法在时序推荐任务上相比于现有基准算法具有显著的优势。
视频流媒体已经成为目前因特网的主要应用,为了给视频用户提供更好的网络服务,运营商有必要了解并保障用户的观看体验。用户的观看体验,即体验质量QoE(Quality of Experience),是用户对视频服务质量的主观感受。如果没有终端用户的配合...
详细信息
视频流媒体已经成为目前因特网的主要应用,为了给视频用户提供更好的网络服务,运营商有必要了解并保障用户的观看体验。用户的观看体验,即体验质量QoE(Quality of Experience),是用户对视频服务质量的主观感受。如果没有终端用户的配合,运营商无法得知用户的主观QoE,即便是应用层的客观QoE参数(视频帧率、码率、初始时延、卡顿等),运营商也难以获得。因此,运营商通常采用监测网络流量来推测视频用户的QoE。然而,目前这种解决方法也因HTTP自适应流媒体传输技术(HAS)的使用和加密视频流的逐渐普及,而面临新的挑战。HAS机制中码率自适应请求算法(ABR)能够自适应网络变化,而选取匹配网络状况的视频块进行传输,从而会模糊掉网络流量波动所带来的用户QoE信息。这样会使得运营商无法判断用户QoE得以改善的原因是ABR自适应的结果还是网络状况改善带来的结果。与此同时,目前越来越多的HAS视频流开始采用加密传输服务,使得运营商无法继续采用深度解析包的方法进行网络流量分析。本文工作注意到视频客户端ABR算法所造成的流量特征模糊的问题,同时也注意到ABR算法是以视频块为基本单位进行自适应码率调整。因此,与传统方法以“包”为颗粒度不同,本论文提出以视频“块”为颗粒度进行视频流量分析和挖掘,进而评估用户QoE。具体地,论文包括以下两个部分工作。第一部分工作,研究了如何从加密的HAS视频流量中重建视频块序列。本文首先基于网络测量的方法对HAS加密视频流的传输特性进行分析,然后基于视频流量传输模式的分析结果,提出一种HAS视频流的块序列重建算法。实验结果表明,采用我们算法从网络流量中重建的视频块序列,均方根误差不高于0.132,具有很好的拟合精确度。由于播放器的演播状态直接影响到用户QoE,播放器的演播状态又可以采用应用层客观的QoE参数来表征,因此第二部分工作基于视频块序列的特征来推断播放器的演播状态。具体地,论文工作首先为此提出一种新的应用层客观QoE度量指标:缓冲区综合状态,用来表征播放器的演播状态。接着,利用HAS客户端与服务器之间的双向视频流量,重建视频块序列,使用时间序列数据挖掘技术,建立了网络流量特征与新的应用层客观QoE指标之间的预测模型,用于实时估测视频的演播状态,从而实现视频用户QoE的跨层感知和预测。实验结果表明,采用我们的方法能够获得较好的实时预测效果。
暂无评论