| 中文摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语 | 第14-15页 |
| 第1章 绪论 | 第15-29页 |
| 1.1 选题背景 | 第15-17页 |
| 1.2 研究现状 | 第17-22页 |
| 1.2.1 在线视频系统中QoE的理解与建模 | 第18-19页 |
| 1.2.2 在线视频系统中用户偏好获取及推断 | 第19-20页 |
| 1.2.3 在线视频系统的QoE优化机制 | 第20-22页 |
| 1.3 论文的研究目的和意义 | 第22-24页 |
| 1.4 论文的主要工作和贡献 | 第24-26页 |
| 1.5 论文的章节安排 | 第26-29页 |
| 第2章 数据集及术语定义 | 第29-35页 |
| 2.1 数据集 | 第29-30页 |
| 2.2 术语定义 | 第30-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 在线视频系统中的用户偏好提取 | 第35-43页 |
| 3.1 研究背景 | 第35-36页 |
| 3.2 问题提出 | 第36-37页 |
| 3.3 干扰因素的测量分析 | 第37-39页 |
| 3.4 用户偏好提取与推断框架 | 第39-40页 |
| 3.5 实验评估 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第4章 稀疏场景下的用户偏好推断 | 第43-69页 |
| 4.1 研究背景 | 第43-45页 |
| 4.2 热度偏好的个性化特性 | 第45-50页 |
| 4.2.1 问题描述 | 第45-46页 |
| 4.2.2 热度偏好统计分析 | 第46-50页 |
| 4.3 视频热度偏好汇聚 | 第50-52页 |
| 4.4 用户热度偏好修正 | 第52-59页 |
| 4.4.1 问题描述 | 第52-53页 |
| 4.4.2 热度偏好修正算法 | 第53-56页 |
| 4.4.3 实验评估 | 第56-59页 |
| 4.5 基于视频热度偏好的视频偏好推断算法 | 第59-66页 |
| 4.5.1 问题描述 | 第60-61页 |
| 4.5.2 基于用户PP改进的kNN用户偏好推断算法 | 第61-62页 |
| 4.5.3 基于用户PP偏差的矩阵分解算法 | 第62-63页 |
| 4.5.4 实验与评估 | 第63-66页 |
| 4.6 本章小结 | 第66-69页 |
| 第5章 基于QOS、用户偏好及拖动行为的QOE预测模型 | 第69-89页 |
| 5.1 研究背景 | 第69-70页 |
| 5.2 问题描述 | 第70-72页 |
| 5.3 基于QoS和用户视频偏好的参与度预测模型 | 第72-79页 |
| 5.3.1 测量分析 | 第72-77页 |
| 5.3.2 模型建立 | 第77-79页 |
| 5.4 基于QoS、用户偏好和拖动行为的参与度预测模型 | 第79-85页 |
| 5.4.1 测量分析 | 第80-83页 |
| 5.4.2 模型建立 | 第83-85页 |
| 5.5 实验评估 | 第85-86页 |
| 5.6 本章小结 | 第86-89页 |
| 第6章 基于推荐引导的QoE优化算法 | 第89-113页 |
| 6.1 研究背景 | 第89-90页 |
| 6.2 基本思想 | 第90-92页 |
| 6.3 问题建模 | 第92-97页 |
| 6.4 基于推荐引导的QoE优化算法 | 第97-101页 |
| 6.5 仿真实验评估 | 第101-111页 |
| 6.5.1 实验设置 | 第101-102页 |
| 6.5.2 基准策略与启发式策略 | 第102-103页 |
| 6.5.3 实验评估 | 第103-111页 |
| 6.6 本章小结 | 第111-113页 |
| 第7章 总结与展望 | 第113-117页 |
| 7.1 论文总结 | 第113-114页 |
| 7.2 研究展望 | 第114-117页 |
| 参考文献 | 第117-127页 |
| 作者简历及攻读博士期间取得的研究成果 | 第127-131页 |
| 学位论文数据集 | 第131页 |
