A Novel Incremental Deep Learning Technique for QoS Interpretation and QoE Prediction for Top Social Media Platforms

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Telecom Service Providers (TSP) face challenges in predicting Quality of Experience (QoE) as they strive to meet customer demands. Machine Learning (ML) has become a powerful tool for predicting QoE and helping TSPs exceed customer expectations. However, most existing ML algorithms for QoE prediction are batch learning-based, lacking real-time capabilities. To address this issue, a research study proposes an Incremental Discriminant based Support Vector Machine (IDSVM) model. The IDSVM model combines global and local variants using a maximum margin- based and discriminant-based approach. Unlike traditional methods, it utilizes the input space instead of the feature space to generate the variance-covariance matrix. This incremental classifier is well-suited for real-time QoE prediction, aligning with the needs of TSPs. To train the IDSVM model, the researchers utilized a dataset obtained from the Bahraini telecom regulator. This dataset, the first of its kind in deploying the novel classifier, contained technical data on the webpage accessibility of Facebook, Twitter, and Instagram. The dataset underwent several preparation phases, including data cleansing, output insertion, output balancing, and attribute selection using an autoencoder. The autoencoder generated deep features from the latent space, which served as inputs to the IDSVM model. By developing the IDSVM model and leveraging the unique dataset, this research aims to improve QoE prediction in the telecom industry, enabling TSPs to enhance customer satisfaction and maintain a positive brand image. The evaluation of the novel classifier was done using multiple performance measures, including F1 score, false positive rate, and the area under the receiver operating characteristic (ROC) curve. The training time was also considered in the evaluation. Considering the ROC measure, IDSVM outperformed the other classifiers in Twitter (0.6744) and Instagram (0.6169) datasets and scored the second lowest training time (14.66 seconds). In general, IDSVM model performance is marginally good, and it is considered a fast classifier. Therefore, it is well suited for the real-time applications.

روابط وملفات

التعريف والنوع

رقم الوثيقة

faf4a33d-c46c-4831-89b5-324189bdf18f

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf image

أسماء الملفات

faf4a33d-c46c-4831-89b5-324189bdf18f_1.pdf

بيانات النشر

ترجمة العنوان

تقنية تعلم عميق تزايدي مبتكرة لتفسير جودة الخدمة وتوقع جودة الاستخدام لأهم منصات التواصل الاجتماعي

ألقاب المؤلفين

[{"name_ar":" Isa Yasser Isa Ajlan AlHeddi","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":" Riadh Bin Mohammad Ksantini","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

A Novel Incremental Deep Learning Technique for QoS Interpretation and QoE Prediction for Top Social Media Platforms

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

يسعى مزودي خدمات الاتصالات لتقديم خدمات أفضل وتلبية طلبات عملائهم المتزايدة باستمرار، وعلى الرغم من جهودهم إلا أنهم يواجهون تحديات كبيرة في ضمان جودة التجربة والتنبؤ فيها. ففي سوق شديد التنافسية، يكون لدى العملاء توقعات عالية بأن يكون الاتصال موثوق وسريع. ويعد ضمان جودة التجربة العالية أمراً في بالغ الأهمية للاحتفاظ بالعملاء والحفاظ على صورة إيجابية للعلامة التجارية. ومع ذلك، فإن التنبؤ بجودة التجربة مهمة معقدة تتضمنها عوامل مختلفة. ولحسن الحظ، ظهر تعلم الآلة كأداة فعالة للتنبؤ بجودة التجربة لمساعدة مزودي خدمات الاتصالات على أن يلبو ويفوقو توقعات عملائهم. لذلك، وجد أنه من الممكن إجراء بحث ضمن مجال التنبؤ بجودة التجربة خاصة مع محدودية البحوث في هذا المجال. وبالتالي، كان لدينا الدافع لتجربة نموذج مبتكر يتكون من التحليل التمييزي Discriminant Analysis ودعم آلة المتجه Support Vector Machine . حيث أن هذا النموذج أن يجمع بين كل المتغيرات القريبة والبعيدة التي يوفرها الحد الأقصى للهامش والقائمة على توجهات التمييز. بالإضافة إلى ذلك، فإنه يستخدم مساحة الإدخال بدلا من فراغ المتجهات لإنشاء مصفوفة التباين والتغايير. وعلى العكس من النماذج الأخرى، فقد تم تدريب هذا النموذج على البيانات بشكل تدريجي بدل تدريبه على البيانات كلها في آن واحد، وهو ما يناسب طبيعة حاجة مزودي خدمات الاتصالات للتنبؤ بجودة التجربة بشكل أني. تم الحصول على بيانات التدريب من هيئة تنظيم الاتصالات البحرينية. هذا البحث هو أول من استخدم مجموعة البيانات هذه واستعان بالنموذج الجديد في مجال التنبؤ بجودة التجربة. احتوت مجموعة البيانات هذه على البيانات الفنية حول تجربة الوصول إلى صفحة الويب الخاصة ب Facebook و Twitter و Instagram مجموعة البيانات قد مرت بمراحل من الإعداد، تبدأ بنقية البيانات وإدراج وموازنة المخرجات وانتهت باختيار السمات الأكثر علاقة بالمخرجات عن طريق Autoencoder تم تقييم النموذج المبتكر باستخدام المنطقة تحت منحنى ROC كما أنه تم اعتبار الوقت المستهلك في التدريب من ضمن أدوات التقييم تفوق النموذج المبتكر في قدرته على التنبؤ الصحيح بالمخرجات بالمقارنة مع نماذج أخرى لبيانات Twitter و Instagram كما حل بالمركز الثاني من ناحية النموذج الأقل استهلاكاً للوقت المطلوب للتدريب . بشكل عام، يمكن اعتبار أداء النموذج المبتكر جيد نسبياً كما يمكن اعتباره نموذج سريع الأداء. وبالتالي، يمكن استخدام النموذج المبتكر للتطبيقات التي تتطلب سرعة آنية في اتخاذ القرار

إشراف وإعداد

الإشراف

Riadh Bin Mohammad Ksantini

الإعداد

Isa Yasser Isa Ajlan AlHeddi

الاقتباسات الببليوغرافية