随机图上在线HodgeRank:众包QoE评估的新方法

1 下载量 193 浏览量 更新于2024-08-27 收藏 2.43MB PDF 举报
本文主要探讨了"随机图上的在线HodgeRank在可众包的QoE评估中的应用"。这篇发表在《IEEE Transactions on Multimedia》第16卷第2期,2014年2月的研究论文,由Qianqian Xu、Jiechao Xiong、Qingming Huang(IEEE高级会员)和Yuan Yao共同撰写。HodgeRank作为一种基于配对比较方法的多媒体质量评估框架,由于其随机设计的特性,特别适用于大规模互联网上的众包实验,特别是在处理实时流媒体和海量数据场景中的服务质量(Quality of Experience, QoE)评估。 传统的HodgeRank理论是基于批量处理的,但在实际的可众包环境中,由于数据的实时性和不确定性,需要开发出适应在线环境的策略。论文提出了一种新的在线排名/评级算法,它利用随机图上的HodgeRank的随机逼近方法,旨在高效地处理连续到来的评估者和评级对,同时保持与批量HodgeRank在无偏样本过程中的渐进性能一致。这种在线算法在理论上被证明对于全局排名的获取是有效的,能够在大规模、高动态性的众包环境下稳定地进行QoE评估。 论文的核心贡献在于提供了一种系统的方法,解决了在线环境下如何实时、准确地捕捉用户主观体验的问题。通过采用随机图模型和流式处理策略,该方法减少了计算复杂性,降低了对硬件资源的需求,并且能够适应不断变化的用户需求和反馈。实验结果进一步验证了该在线HodgeRank在实际应用中的有效性和实用性,为众包平台优化QoE评估流程提供了强有力的工具。 总结来说,这篇研究论文不仅深化了我们对随机图上HodgeRank的理解,还为大规模、实时的QoE评估提供了一个实用且高效的解决方案,这对于互联网服务提供商和内容分发平台具有重要意义,有助于提升用户体验并优化业务决策。