论文部分内容阅读
在过去几年里网络视频服务得到了迅速的普及。接入网络速度的提高和便利性也是大量的用户选择观看网络视频原因之一。网络视频的流量在网络总流量的占比从2012年的57%增加到2017年的69%。为了留住已有用户并且吸引更多的新用户,视频服务提供商尝试满足用户的期望并确保用户有满意的观看体验。提供满意服务的第一步就是能够量化用户对当前服务水平的感受。视频体验质量QoE是一个可以对用户体验质量进行全面评价的指标。本文从四个方面对网络视频体验质量QoE开展了研究工作。(1)我们经过研究和讨论之后确立了 14个本文研究中所需要的视频体验质量参数指标并且确立了收集这些参数的思路。这些参数指标包括:视频的总时长、视频的播放时长、拖动次数、拖动总时长、拖动频率、暂停次数、暂停总时长、暂停频率、缓冲次数、缓冲总时长、缓冲率、视频开始时间、视频结束时间和用户评分。(2)针对已经确立的14个体验指标,我们使用Spring框架、SpringMVC框架、MyBatis框架和HTML5等技术开发了一个用于测量网络视频播放参数的系统软件。在该测量系统中最核心的工作是通过HTML5技术、JavaScript技术和jQuery技术开发了一个可以在后台自动测量14个QoE参数的网络视频播放器。该体系的测量过程对于用户来说是透明的并且该过程不会影响网络视频播放的质量。(3)为了研究我们所确立的14个视频体验质量参数指标之间的关系,我们设计了新的主客观结合评价流程。在该流程中采用多元线性回归方法创建了网络视频体验质量QoE评价模型。该评价模型反映了多个客观QoE参数和用户体验质量之间的线性关系。(4)为了能够帮助视频服务提供商了解用户观看视频的行为。我们利用机器学习方法中的梯度提升决策树方法创建了用户观看行为的预测模型。该预测模型可以对用户的评分行为、关闭视频行为和拖动视频进度行为三个方面的行为进行预测。经过大量实验结果表明我们所提出的网络视频体验质量评价模型的准确率达到了79.9%,我们提出的用户观看行为预测模型的准确率达到了 94.2%。本文提出的评价模型和预测模型更加接近视频用户的真实反馈。本文的研究有助于网络视频服务提供商改善其服务质量从而吸引更多的用户。