[论文解读] Towards QoS-Aware Recommendations

Pavlos Sermpezis, Savvas Kastanakis+5 more|arXiv (Cornell University)|Jul 15, 2019

Caching and Content Delivery参考文献 36被引用 7

一句话总结

本文提出了一种QoS感知的推荐系统，将网络服务质量（QoS）整合到内容推荐中，以提升用户体验和参与度。通过在测试平台上开展的真实用户实验，研究结果表明，将QoS与内容相关性（QoR）及用户兴趣相结合，能显著提升感知的用户体验质量，其中最低QoS和最低兴趣是预测用户满意度的最关键因素。

ABSTRACT

In this paper we propose that recommendation systems (RSs) for multimedia services should be "QoS-aware", i.e., take into account the expected QoS with which a content can be delivered, to increase the user satisfaction. Network-aware recommendations have been very recently proposed as a promising solution to improve network performance. However, the idea of QoS-aware RSs has been studied from the network perspective. Its feasibility and performance performance advantages for the content-provider or user perspective have only been speculated. Hence, in this paper we aim to provide initial answers for the feasibility of the concept of QoS-aware RS, by investigating its impact on real user experience. To this end, we conduct experiments with real users on a testbed, and present initial experimental results. Our analysis demonstrates the potential of the idea: QoS-aware RSs could be beneficial for both the users (better experience) and content providers (higher user engagement). Moreover, based on the collected dataset, we build statistical models to (i) predict the user experience as a function of QoS, relevance of recommendations (QoR) and user interest, and (ii) provide useful insights for the design of QoS-aware RSs. We believe that our study is an important first step towards QoS-aware recommendations, by providing experimental evidence for their feasibility and benefits, and can help open a future research direction.

研究动机与目标

• 探究QoS感知推荐系统在多媒体服务中的可行性和优势。
• 理解QoS、内容相关性（QoR）与用户兴趣如何共同影响用户体验和参与度。
• 提供实证证据，证明QoS感知推荐可同时提升用户满意度和内容提供者的参与度。
• 构建基于QoS、QoR和用户兴趣的用户体验预测统计模型。
• 为包含网络性能作为关键维度的上下文感知推荐系统开辟新的研究方向奠定基础。

提出的方法

• 在受控测试平台上开展真实用户实验，评估在不同QoS和推荐相关性条件下用户的体验表现。
• 收集用户在5分制量表上对不同QoS（1–5）与内容相关性（1–5）组合下的感知服务质量（QoE）评分。
• 构建有序回归模型，以QoS、用户兴趣和QoR为输入，预测QoE，并利用特征权重评估其相对重要性。
• 将QoS与用户兴趣的最小值作为关键特征，反映任一维度表现不佳均会严重降低用户体验。
• 通过可视化模型预测结果，对比不同{QoS, 兴趣}组合下的QoE表现，突出其中的权衡关系。
• 分析特征权重，确定QoS、兴趣及其最小值对用户满意度的相对影响。

实验结果

研究问题

• RQ1 QoS感知推荐能否提升视频流媒体服务中的用户体验？
• RQ2 用户在评估推荐视频时，如何权衡QoS、内容相关性（QoR）和个人兴趣？
• RQ3 QoS与内容相关性对感知服务质量的影响相比如何？
• RQ4 统计模型能否基于QoS、QoR和用户兴趣准确预测用户QoE？
• RQ5 是否存在阈值或交互效应，使得低QoS或低相关性对用户满意度产生同等程度的负面影响？

主要发现

• QoS与用户兴趣的最小值是用户体验的最重要预测因子，其特征权重为0.53，表明高相关性和高QoS对用户满意度均至关重要。
• 仅QoS的影响中等（权重0.17），而用户兴趣的影响较强（权重0.30），表明相关性比孤立的QoS更为关键。
• 模型预测显示，{4,3}推荐（QoS=4，兴趣=3）的QoE与{3,4}相似，但{4,2}显著劣于{2,4}，凸显了用户感知中的非对称性。
• 当QoS或相关性任一维度较低时，用户表现出强烈不满，表明较差的传输质量与无关内容具有同等破坏性。
• 结果为QoS感知推荐可提升用户体验和参与度提供了实证支持，验证了所提范式的可行性。
• 本研究证明，将QoS整合到推荐系统中可带来用户满意度和内容提供者参与度的可测量提升。