[发明专利]基于双向LSTM-Attention的IPTV用户体验预测方法

说明书

本发明提出了一种基于双向LSTM‑Attention的IPTV用户体验预测方法，该方法将影响用户体验的主观特征和客观特征相结合，通过在双向LSTM网络中引入Attention机制实现对IPTV用户体验的预测；本发明分成建模、训练、预测三个部分；在建模过程中通过在双向LSTM网络中加入Attention机制，计算每个时序的权重，然后将所有时序输出的向量进行加权和作为输出向量，加强用户QoE的前后关联性；在训练的过程中，首先随机初始化网络中的权重与阈值，使用交叉熵损失函数，使用梯度下降的方法对权重进行更新；在模型训练完后，使用用户体验的主客观特征对用户体验进行预测；测试结果表明，本发明较其他方法，具有更高的预测准确率。

技术领域

本发明涉及一种基于双向LSTM-Attention的IPTV用户体验预测方法，属于数据处理与应用的技术领域。

背景技术

随着IPTV用户规模的激增，用户对IPTV应用服务的要求不断增加，并越来越渴望得到极佳的服务体验。与之对应的是，面对如此庞大的用户群体，运营商在运营方面的压力与日俱增。各大运营商竞争日益激烈，为了在竞争中争得一席之地，运营商希望提供高质量的视听服务，增加极具诱惑力和竞争力的内容，其迫切的需要寻找一种更加合适的质量评价指标，用来反映和刻画用户对当前提供的IPTV服务质量的评价与体验。现有的用户评价方法通常有两大类：一是主观评价方法；二是基于关键性影响指标的客观QoE的评价方法。主观评价方法是在客观实验环境中，通过要求实验者在观看视频内容的同时对视频内容进行打分的方式来获得用户QoE的定量表示，虽然该方法被认为是反映用户QoE的最准确方法，但该方法存在很大的局限性。一、主观评价方法经济成本过高，耗时耗力；二、主观评价方法是在特定的实验环境中，实验视频、实验人员有限，不具有普遍性；三、在整个视频播放过程中、QoE是随着时间而变化的，主观评价方法并不适用于实时QoE评估。客观QoE评价方法是为了寻找影响用户主观感受的客观QoS特征参数，并刻画QoS和用户QoE的映射关系，虽然客观评价方法有效地将QoS参数与用户QoE相结合，实用性更好，但是客观评价方法忽略了用户背景与用户相关的影响因素对用户QoE的影响，这些影响因素恰恰是区分用户QoE与系统质量QoS的关键性因素，因此在客观QoE评价方法中，考虑环境因素与用户因素尤为重要。

针对客观评价方法的局限，越来越多的研究学者关注用户主观因素对用户QoE的影响，其工作难点在于如何量化用户主管指标，提取影响用户QoE的关键性指标，建立QoE模型。因此，本专利所提出的方法正是为了解决这一问题，从主客观多角度、更全面的提取了影响用户QoE的关键性指标，考虑用户QoE具有长期和短期的依赖特性，基于LSTM模型，并引入注意力机制，建立了双向LSTM-Attention用户体验质量预测模型，通过引入注意力分值α，加强用户QoE的前后联系，能有效提高预测的准确度。

发明内容

本发明的目的是提供一种基于双向LSTM-Attention的IPTV用户体验预测方法，使其具有更高的预测准确率。

本发明的目的是这样实现的：基于双向LSTM-Attention的IPTV用户体验预测方法，包括以下步骤：

步骤1：建立双向LSTM-Attention模型

构建双向LSTM-Attention模型，其包含输入层-双向LSTM层-Attrntion层-输出层三层结构，用户QoE具有前后依赖关系特点，即用户当前的QoE与前一时刻的QoE，甚至与前多个时刻的QoE有关；用户当前QoE也会影响到用户下一时刻的QoE；LSTM适用于从经验中学习分类，处理具有时间序列特征的问题由于其特有的“记忆”特性，LSTM在具有长短期依赖关系的特征问题上表现出极强的学习能力，双向LSTM神经网络，可以从前向和后向两个方向对输入数据进行训练，能有效提高模型性能；Attention机制是先计算每个时序的权重，然后将所有时序输出的向量进行加权和作为输出向量，能够加强用户QoE的前后关联性；

步骤2：训练双向LSTM-Attention模型：