[发明专利]基于双向LSTM-Attention的IPTV用户体验预测方法

摘要

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。

主权项

1.基于双向LSTM‑Attention的IPTV用户体验预测方法，其特征在于，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—Attention机制层—输出层结构；其中，双向LSTM层，从前向和后向两个方向对输入层送来的数据进行训练，建模当前用户QoE与之前时刻及之后下一时刻的依赖关系；Attention机制层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，送给输出层；步骤2：训练双向LSTM‑Attention模型：双向LSTM‑Attention模型的训练数据集为：D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)},y_k＝(1,2,3,4,5)，其中，输入数据x_k含i个客观特征和j个主观特征，即x_k＝(x_k1；x_k2；…；x_ki；x_k(i+1)；…；x_k(i+j))，输出数据y_k含1,2,3,4,5共5种MOS值，在经过设置的迭代次数的迭代之后，得到训练好的双向LSTM‑Attention模型；步骤3：预测双向LSTM‑Attention模型训练完成后，将要预测的特征:x′_k1；x′_k2；…；x′_ki；x′_k(i+1)；…；x′_k(i+j)输入模型，即可得到预测的QoE值其中f为训练好的双向LSTM‑Attention模型。