Recomendação de Conteúdo e QoE: Um Experimento Quantificando o Papel da QoS nas Preferências por Vídeos

• Felipe Assis UFRJ
• Mateus S. Nogueira UFRJ
• Daniel S. Menasché UFRJ
• João Ismael Pinheiro UFRJ
• Pavlos Sermpezis FORTH
• Savvas Kastanakis FORTH
• Thrasyvoulos Spyropoulos EURECOM
• Carla Delgado UFRJ

DOI: https://doi.org/10.5753/wperformance.2019.6463

Resumo

Sistemas de recomendação estão cada vez mais presentes na rotina dos usuários da Internet. Portanto, plataformas como Youtube e Netflix procuram melhorar suas recomendações para fornecer uma melhor experiência aos seus usuários. No entanto, a experiência dos usuários depende de diversos fatores. Em particular, sistemas de cache têm uma grande influência na qualidade de experiência (QoE), visto que eles impactam métricas de qualidade de serviço (QoS), como atraso e vazão, experenciadas pelos usuários. Nosso objetivo é estudar a viabilidade de um sistema de recomendação sensível a QoS que maximize a QoE. Para tal, nós conduzimos experimentos com usuários reais com perfis distintos. Cada usuário é solicitado a avaliar diferentes vídeos, que variam em termos de conteúdo e de QoS. Dadas nossas descobertas quanto à relação entre QoS e QoR (quality of recommendation), investigamos seus impactos no modelo de sistema de recomendação. Um classificador baseado em árvore de decisão alcançou acurácia de 77% usando validação cruzada, e nos permite entender melhor o processo de tomada de decisão do usuário.

Palavras-chave: recomendação de conteúdo, qualidade de serviço, qualidade de experiência, video streaming

Referências

Chatzieleftheriou, L. E., Karaliopoulos, M., and Koutsopoulos, I. (2017). Caching-aware recommendations: Nudging user preferences towards better caching performance. In INFOCOM, pages 1–9. IEEE.

de Freitas, R. G., Menasché, D., Delgado, C., and Ziviani, A. (2017). Recomendação de conteúdo e desempenho de sistemas de cache.

Dehghan, M., Massoulie, L., Towsley, D., Menasche, D., and Tay, Y. C. (2016). A utility optimization approach to network cache design. In INFOCOM2016, pages 1–9. IEEE. Gomez-Uribe, C. A. and Hunt, N. (2016). The netflix recommender system: Algorithms, business value, and innovation. ACM Transactions on Management Information Sys- tems (TMIS), 6(4):13.

Hutto, C. J. and Gilbert, E. (2014). Vader: A parsimonious rule-based model for sentiment analysis of social media text. In AAAI. Krishnan, S. S. and Sitaraman, R. K. (2013). Video stream quality impacts viewer beha- vior: inferring causality using quasi-experimental designs. IEEE/ACM Transactions on Networking, 21(6):2001–2014.

Liu, D. and Yang, C. (2018). A learning-based approach to joint content caching and recommendation at base stations. arXiv preprint arXiv:1802.01414.

Mok, R. K., Chan, E.W., and Chang, R. K. (2011). Measuring the quality of experience of http video streaming. In IFIP/IEEE Integrated Network Management, pages 485–492.

Nam, H., Kim, K.-H., and Schulzrinne, H. (2016). Qoe matters more than qos: Why people stop watching cat videos. In INFOCOM 2016, pages 1–9. IEEE.

Sammut, C. andWebb, G. I. (2017). Encyclopedia ofMachine Learning and Data Mining. Springer Publishing Company, Incorporated, 2nd edition. Sermpezis, P., Spyropoulos, T., Vigneri, L., and Giannakas, T. (2017). Femto-caching with soft cache hits. In GLOBECOM, pages 1–7. IEEE.

Turnbull, D. (2017). High-quality recommendation systems with elasticsearch. https: //tinyurl.com/elasticc.

Véras, D., Prudêncio, R., Ferraz, C., Bispo, A., and Prota, T. (2015). Context-aware techniques for cross-domain recommender systems. In 2015 Brazilian Conference on Intelligent Systems (BRACIS), pages 282–287. IEEE.