[Sigcom13]Developing a Predictive Model of Quality of Experience for Internet Video

第一次讲组会的ppt，话说这篇论文断断续续的也准备了一个月的。主要是相关的知识比较多，还是花了挺大功夫去补知识的，尽管在讲的时候，还是感觉自己讲的不怎么好。

对于关键的几个点还是没有重点的想清楚。论文的学习，就是分析它的二叉树的过程，越来越觉得老师说的这句话很对了。

论文到达每个问题的决策点的时候，都有充分的理由的，如果这个地方理解解释的不清楚，或者不充分，那么就有我们改进，进一步去做的地方。

整体的二叉树或者说n叉树的结构，将会是我们很好的一个借鉴的地方。

另外，我猛然发现自己演讲的时候，经常会语塞，或者说词穷。   经常会有无法与言语表达自己的想法的时候，脑子一直在转，但是却始终无法找到合适的表达。

真是囧。。

因此说，此次论文presentation需要总结的话，有以下几点，下次应当进一步改进的：

1、学习论文之前，总体浏览，搜集所有需要补充的知识，并一次性补充好。否则，到了需要的时候再看，就会有点力不从心，或者容易分神，很难把握住论文整体的思路；

2、论文二叉树的每个决策点，都应当仔细推敲。 其实，一篇论文来说，需要仔细推敲的就是两个点，决策点和具体实现。  一般具体实现都不会有问题，关键是分析决策点；

3、解决词穷的问题。额。。这个问题，の，应当多看文学名著么，还是该把成语词典过一遍？  好吧，多看百家讲坛吧。= =这个最囧了。

ok。心路历程完成之后，就是本篇论文的正文内容，随后会附上相关的参考资料。 以供后期需要的时候，进一步学习。

Reference

====================================================================================================================================

1、将从以下几个模块来介绍本篇论文。

首先是为什么要做qoe。
互联网视频企业的盈利模式有两种：
    付费点播 和 广告。

通过这两种模式，你看得越多，时间越长，盈利就越多。
那么如何让视频对用户有吸附力呢？
就是提高 qoe

2、那么提高qoe有哪些challenge呢？

首先，时代的改变，使得用户的需求提高，评估qoe的工业标准也变化了。
视频质量的标准变了， 用户体验的标准也变了。（由主观评分，变成客观的观看数据）


视频质量的几个标准解释一下：
平均比特率：理解成高清、中清、低清视频。
join time：就是视频载入时间。
缓冲比例： 缓冲占所有用户观看的比例。
缓冲频率： 每次播放的缓冲次数。

由于这些变化，导致如下3个方面的挑战，但其中最关键的问题，是最后一个：

首先：视频质量之间存在相互的影响关系。

（高清视频 导致载入时间变长，高清视频导致更频繁的 缓冲）

其次：利用视频质量推测用户参与度时，他们之间的关系非线性。

（并不是视频越高清用户吸附力越大，网络状况等因素会降低体验；缓冲频率到达一定程度，用户都会离开。）

最后、也是最为重要的：混淆条件影响视频质量之间，视频与用户参与度之间的关系。

（不同类型的视频有不同影响，数据中看出，点播服务的用户可以忍受更长时间的载入时间；使用无线网络的用户，可以忍受更多次数的缓冲）

3、为了解决以上challenge，该如何做呢？

首先，比较当前的不同方法，可以总结出一个好的视频qoe系统应当具有的特性：（ 这块没有很好的理解。）
以用户参与为核心进行分析； 预测结果具有可操作性。


那么，对于以用户为核心分析的预测模型，应当解决以下问题。
    能够处理视频质量之间依赖关系；
    能够处理混淆条件，提高预测准确率。

作者通过实现比较不同的算法，发现在不处理混淆条件的情况下，决策树的准确率最高，而且可解释性强。

那么如何处理混淆条件，提高进一步提高准确率呢？ 这里就是作者关键的地方，和其他不一样的地方。

首先是辨认混淆条件，作者在列举所有的混淆条件之后，利用三种方法，依次筛选出能够影响准确率的混淆条件。

【1】通过计算信息增益，筛选混淆条件中，对用户参与度和视频质量影响大的部分。

不同的视频类型，用户直接的参与度有很大差别；    不同的视频类型，影响用户对载入时间，视频清晰程度的忍耐度。

【2】比较不同条件下的compact 决策树。

那么为什么要构造compact呢？ 直观的比较，构造compact之后，能够获得更为直观的数据分布，如下面的图。
这个时候只要把exception剪枝就可以获得high-level的观测，从而发现不同。


那么如何构造呢？
算法是这样的。比如右边的决策树，还有上面的数据分布图，数字对应决策树分类的叶子节点。

首先，从A1点出发，递归寻找high-level的规则。

该算法通过卡方测试来评估规则significant。
计算两个条件下的卡方测试的值，0表示该规则对于当前所有数据分布独立，是sig的。
因此确定推导圆圈的为high-level规则。
另一个，因为是叶子节点，也作为high-level规则。

接着，从A2点出发，寻找Exception。

寻找Exception有三个条件，当前节点的主要分类与前面不一样。
比如到4号A1点，是圆圈，直接不考虑，继续递归寻找。
来到7号A1点，主要分类方块；接着计算卡方测试，为0，符合；
计算该节点下不同类别的方块数，方块2，圆圈1. 满足当前分类 >= 前述分类+1的条件。因此此点为sub-rule。


这个时候的叶子节点不再作为rule判定条件，如果与前述分类一样，则去掉；不一样，设置为exception。


之后的处理类似。


接着就按照如图的标记，去掉多余的部分，得到compact 决策树。


这是实际处理之后，不同视频类型的compact 决策树结构，接着又筛选点一部分混淆条件。

【3】直接统计不同混淆条件下的数据图，直观的看，来找出有明显误差的。

最终统计如图。


因此可以看出，本论文中，核心的创新点，就是compact决策树部分，利用high-level的结构差异，来找出混淆条件，提高决策树预测准确率。


接下来是解决混淆条件。论文对比了两种方法。
一种： 直接将混淆条件作为特征属性之一，在决策树中进行建模；
另一种： 根据不同混淆条件，分别构造决策树；最终结果就是不同决策树的集合。
最后测试效果是这样的。


第二种效果要好。

4、最后就是对可操作性的证明以及评估。

作者直接简单的枚举所有可能的参数配置，比如不同的CDN、 bitrate等， 观测最终qoe 预测的结果。
直到调试出最佳的方法。
接着喝其他方法比较，smart qoe效果比较好。就这样。

谢谢。