-
公开(公告)号：CN109120961B
公开(公告)日：2020-11-03
申请号：CN201810803152.3
申请日：2018-07-20
Applicant: 南京邮电大学
IPC: H04N21/258 , H04N21/466 , H04N17/00 , G06N3/00 , G06N3/04 , G06N3/08 , H04L12/24
Abstract: 本发明提出了一种基于PNN‑PSO算法的IPTV不平衡数据集的用户体验质量(QoE)的预测方法。该方法包括如下步骤：首先从IPTV的机顶盒记录中提取与用户的体验质量有关联的影响因素，得到PNN‑PSO模型的特征输入，并进行相关概念的定义及数据的提取和预处理；接着分析各个特征与用户体验质量(QoE)的关联；而后基于PNN‑PSO神经网络建立用户体验质量(QoE)预测模型，利用IPTV数据集来实现用户体验质量(QoE)的预测。采用该方法，克服了PNN算法中存在的局部极小问题以及数据不均衡所带来的问题，学习收敛过程更快，预测更加精确、高效；充分利用了IPTV机顶盒的数据集，能够帮助IPTV运营商及时地做出调整措施，以提高用户体验质量。
-
公开(公告)号：CN113468413B
公开(公告)日：2023-05-16
申请号：CN202110630879.8
申请日：2021-06-07
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/735 , G06F16/783
Abstract: 本发明公开了一种面向多用户共享的多媒体网络视频推荐方法，首先，在多用户共享的环境下，利用收集的节目信息构建多用户特征，根据节目特征的相似性、用户观看行为的连续性，构建主导用户标签，实现多用户混合日志的分离，并进行未来会话的周期性多用户识别预测；其次，基于时变LinUCB算法建立用户兴趣挖掘模型来学习用户对每个节目主题的兴趣变化，从并行式计算、自适应控制探索系数、基于LSTM的增量更新三个角度，来增强推荐系统的个性化能力与效率；最后，基于非时变LinUCB算法建立物品质量模型以进一步确保节目质量，并采用交叉加权策略将上述的两个算法集成为最终的推荐系统模型，形成最终的节目推荐列表。本发明保证推荐结果的新颖性与准确性。
-
公开(公告)号：CN113468413A
公开(公告)日：2021-10-01
申请号：CN202110630879.8
申请日：2021-06-07
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/735 , G06F16/783
Abstract: 本发明公开了一种面向多用户共享的多媒体网络视频推荐方法，首先，在多用户共享的环境下，利用收集的节目信息构建多用户特征，根据节目特征的相似性、用户观看行为的连续性，构建主导用户标签，实现多用户混合日志的分离，并进行未来会话的周期性多用户识别预测；其次，基于时变LinUCB算法建立用户兴趣挖掘模型来学习用户对每个节目主题的兴趣变化，从并行式计算、自适应控制探索系数、基于LSTM的增量更新三个角度，来增强推荐系统的个性化能力与效率；最后，基于非时变LinUCB算法建立物品质量模型以进一步确保节目质量，并采用交叉加权策略将上述的两个算法集成为最终的推荐系统模型，形成最终的节目推荐列表。本发明保证推荐结果的新颖性与准确性。
-
公开(公告)号：CN109120961A
公开(公告)日：2019-01-01
申请号：CN201810803152.3
申请日：2018-07-20
Applicant: 南京邮电大学
IPC: H04N21/258 , H04N21/466 , H04N17/00 , G06N3/00 , G06N3/04 , G06N3/08 , H04L12/24
Abstract: 本发明提出了一种基于PNN-PSO算法的IPTV不平衡数据集的用户体验质量(QoE)的预测方法。该方法包括如下步骤：首先从IPTV的机顶盒记录中提取与用户的体验质量有关联的影响因素，得到PNN-PSO模型的特征输入，并进行相关概念的定义及数据的提取和预处理；接着分析各个特征与用户体验质量(QoE)的关联；而后基于PNN-PSO神经网络建立用户体验质量(QoE)预测模型，利用IPTV数据集来实现用户体验质量(QoE)的预测。采用该方法，克服了PNN算法中存在的局部极小问题以及数据不均衡所带来的问题，学习收敛过程更快，预测更加精确、高效；充分利用了IPTV机顶盒的数据集，能够帮助IPTV运营商及时地做出调整措施，以提高用户体验质量。
-
-
-
Search Results
4
records
(took 0.02 seconds)
