기계학습을 이용한 동영상 서비스의 검색 편의성 향상 = Machine Learning Assisted Information Search in Streaming Video

다국어 초록 (Multilingual Abstract)

Information search in video streaming services such as YouTube is replacing traditional information search services. To find desired detailed information in such a video, users should repeatedly navigate several points in the video, resulting in a waste of time and network traffic. In this paper, we propose a method to assist users in searching for information in a video by using DBSCAN clustering and LSTM. Our LSTM model is trained with a dataset that consists of user search sequences and their final target points categorized by DBSCAN clustering algorithm. Then, our proposed method utilizes the trained model to suggest an expected category for the user’s desired target point based on a partial search sequence that can be collected at the beginning of the search. Our experiment results show that the proposed method successfully finds user destination points with 98% accuracy and 7s of the time difference by average.

국문 초록 (Abstract)

유튜브와 같은 동영상 스트리밍 서비스에서의 정보 검색은 전통적인 정보 검색 서비스를 대체하고 있다. 이러한 동영상 안에서 원하는 세부적인 정보를 찾기 위해서는 사용자가 여러 부분을 반복해서 탐색하며 시간과 네트워크 대역폭을 낭비해야 하는 문제점이 있다. 본 논문에서는 클러스터링과 LSTM을 이용하여 이러한 사용자의 동영상 내 정보 검색을 보조하는 방법을 제안한다. 제안하는 방법은 사용자의 정보 검색을 위한 탐색 지점 순서와 DBSCAN이 범주화한 최종 목적 지점 범주를 이용하여 LSTM 모델을 학습하고, 이 모델을 이용하여 사용자가 검색을 시작할 때 선택한 탐색 지점 순서에 기반을 둔 사용자의 예상 목적 지점 범주를 제시한다. 실험 결과, 제안하는 방법이 사용자가 원하는 목적 지점을 평균적으로 98%의 정확도와 7초의 시간 오차로 찾아내는 것을 보였다.

참고문헌 (Reference)

1 C. Moldovan, "User Behavior and Engagement of a Mobile Video Streaming User from Crowdsourced Measurements" 2019

2 Z. Li, "User Behavior Characterization of a Large-scale Mobile Live Streaming System" 2015

3 colah’s blog, "Understanding LSTM Networks"

4 Sandvine, "The Mobile Internet Phenomena Report 1H 2020"

5 F. Laiche, "Springer Wireless Personal Communications" Springer 2020

6 D. Gao, "Recurrent Hierarchical Topic-Guided RNN for Language Generation" 2020

7 W. Wang, "Probabilistic seeking prediction in P2P VoD systems" 5866 : 676-685, 2009

8 Nasmedia, "Netizen Profile Research"

9 A. Katiyar, "Nested Named Entity Recognition Revisited" 2018

10 A. Lobo, "Modeling Video on Demand services taking into account statistical dependences in user behavior" 31 : 96-115, 2013

11 S. Hochreiter, "Long short-term memory" 9 (9): 1735-1780, 1997

12 "Keras"

13 I. Goodfellow, "Deep Learning" MIT Press 180-184, 2016

14 E. Schubert, "DBSCAN Revisited, Revisited: Why and How You Should (Still) Use DBSCAN" 42 : 2017

15 Vaddempudi Srinidhi, "Classification of User Behaviour in Mobile Internet" 사단법인 미래융합기술연구학회 2 (2): 9-18, 2016

16 A. Brampton, "Characterising and exploiting workloads of highly interactive video-on-demand" 15 : 3-17, 2009

17 J. Almeida, "Analysis of educational media server workloads" 2001

18 D. Kingma, "ADAM : A Method for Stochastic Optimization" 2015