视频点播系统用户生命周期和视频活跃期的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第13-22页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 用户生命周期研究现状 | 第15-17页 |
| 1.2.2 视频活跃期研究现状 | 第17-19页 |
| 1.3 本论文的主要研究内容 | 第19-20页 |
| 1.4 本论文的主要贡献 | 第20-21页 |
| 1.5 本论文的组织结构 | 第21-22页 |
| 2 技术背景 | 第22-35页 |
| 2.1 视频点播系统 | 第22页 |
| 2.2 机器学习介绍 | 第22-25页 |
| 2.2.1 分类和回归 | 第23页 |
| 2.2.2 分类问题机器学习性能评估方法 | 第23-25页 |
| 2.2.3 回归问题机器学习性能评估方法 | 第25页 |
| 2.3 机器学习算法 | 第25-31页 |
| 2.3.1 决策树算法 | 第26-27页 |
| 2.3.2 随机森林算法 | 第27-28页 |
| 2.3.3 逻辑回归算法 | 第28-29页 |
| 2.3.4 k近邻算法 | 第29-30页 |
| 2.3.5 神经网络 | 第30-31页 |
| 2.4 开发平台 | 第31-33页 |
| 2.4.1 Anaconda简介 | 第31页 |
| 2.4.2 Scikit-Learn库 | 第31-32页 |
| 2.4.3 Keras开源软件库 | 第32-33页 |
| 2.5 Python爬虫技术 | 第33页 |
| 2.6 缓存替换算法 | 第33-34页 |
| 2.7 本章小结 | 第34-35页 |
| 3 PPTV用户生命周期研究 | 第35-48页 |
| 3.1 问题描述 | 第35页 |
| 3.2 数据集 | 第35-38页 |
| 3.2.1 数据集介绍 | 第36页 |
| 3.2.2 用户生命周期定义 | 第36-37页 |
| 3.2.3 数据预处理 | 第37-38页 |
| 3.3 用户生命周期特征量分析 | 第38-42页 |
| 3.3.1 行为特征量提取 | 第39页 |
| 3.3.2 兴趣偏好特征提取 | 第39-41页 |
| 3.3.3 特征量与用户生命周期的相关性分析 | 第41-42页 |
| 3.4 用户生命周期预测模型 | 第42-46页 |
| 3.4.1 模型构建 | 第43-44页 |
| 3.4.2 模型性能评估 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 4 PPTV视频活跃期研究 | 第48-64页 |
| 4.1 问题描述 | 第48-49页 |
| 4.2 数据集介绍及预处理 | 第49-50页 |
| 4.3 视频活跃期 | 第50-53页 |
| 4.3.1 视频活跃期模式 | 第50-51页 |
| 4.3.2 视频生命周期 | 第51页 |
| 4.3.3 视频活跃期 | 第51-53页 |
| 4.4 视频活跃期模式特征量分析 | 第53-57页 |
| 4.4.1 初始点击 | 第54页 |
| 4.4.2 视频评分分值 | 第54-55页 |
| 4.4.3 视频评分人数 | 第55-56页 |
| 4.4.4 视频类型 | 第56-57页 |
| 4.5 视频活跃期预测模型 | 第57-59页 |
| 4.5.1 模型构建 | 第57-58页 |
| 4.5.2 模型性能评估 | 第58-59页 |
| 4.5.3 阈值讨论 | 第59页 |
| 4.6 基于视频活跃期的缓存替换策略应用 | 第59-62页 |
| 4.6.1 基于视频活跃期的缓存替换策略 | 第59-60页 |
| 4.6.2 实验设置 | 第60页 |
| 4.6.3 基于视频活跃期的缓存替换策略的性能 | 第60-62页 |
| 4.7 本章小结 | 第62-64页 |
| 5 总结及展望 | 第64-67页 |
| 5.1 本文工作总结 | 第64-66页 |
| 5.1.1 PPTV用户生命周期的预测研究 | 第64-65页 |
| 5.1.2 PPTV视频活跃期的研究 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-73页 |
| 学位论文数据集 | 第73页 |
