移动互联网中基于机器学习的用户个性化QoE评估
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 研究背景 | 第11-19页 |
| 1.2.1 QoE概念 | 第11-13页 |
| 1.2.2 QoE的影响因素 | 第13-15页 |
| 1.2.3 QoE的评估方法 | 第15-17页 |
| 1.2.4 QoE的评估模型 | 第17-19页 |
| 1.3 研究内容及章节安排 | 第19-22页 |
| 第二章 数据收集平台和个性化QoE评估模型 | 第22-36页 |
| 2.1 引言 | 第22页 |
| 2.2 数据收集平台架构 | 第22-29页 |
| 2.2.1 前端 | 第23-27页 |
| 2.2.2 后台 | 第27-29页 |
| 2.3 个性化QoE评估模型 | 第29-36页 |
| 2.3.1 QoE与QoS关系 | 第30-32页 |
| 2.3.2 QoE与用户偏好的关系 | 第32-35页 |
| 2.3.3 关于个性化QoE模型的讨论 | 第35-36页 |
| 第三章 用于预测用户偏好的贝叶斯图模型 | 第36-54页 |
| 3.1 引言 | 第36页 |
| 3.2 问题描述 | 第36页 |
| 3.3 问题分析 | 第36-38页 |
| 3.4 模型描述 | 第38-40页 |
| 3.5 模型训练 | 第40-44页 |
| 3.5.1 训练目标 | 第40页 |
| 3.5.2 EM算法及蒙特卡罗法 | 第40-42页 |
| 3.5.3 贝叶斯图模型的训练算法 | 第42-44页 |
| 3.6 模型预测 | 第44页 |
| 3.7 实验验证 | 第44-52页 |
| 3.7.1 数据集 | 第44-45页 |
| 3.7.2 实验方法 | 第45-46页 |
| 3.7.3 实验结果 | 第46-52页 |
| 3.8 本章小结 | 第52-54页 |
| 第四章 预测用户偏好的RBM模型 | 第54-64页 |
| 4.1 引言 | 第54页 |
| 4.2 限制波兹曼机 | 第54-57页 |
| 4.2.1 RBM的结构 | 第54-55页 |
| 4.2.2 RBM的对数似然梯度 | 第55-56页 |
| 4.2.3 对比散度 | 第56-57页 |
| 4.3 协作滤波模型 | 第57-60页 |
| 4.3.1 模型结构 | 第57-58页 |
| 4.3.2 模型训练 | 第58-59页 |
| 4.3.3 用户偏好预测 | 第59-60页 |
| 4.4 扩展模型 | 第60-61页 |
| 4.5 实验 | 第61-63页 |
| 4.5.1 实验设置 | 第61页 |
| 4.5.2 实验结果 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结和展望 | 第64-66页 |
| 5.1 全文总结及主要贡献 | 第64-65页 |
| 5.2 下一步研究建议及未来研究方向 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士期间的研究成果 | 第74页 |
