콘텐츠 캐싱 서비스를 위한 딥러닝 기반 조회수 예측 기법 (Deep Learning-Based View Count Prediction for Content Caching Services)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 48권 / 12호 / 1559 ~ 1567페이지
· 저자명 : 박용문, 김영진

초록

미디어 데이터의 소비가 늘어나면서 저지연 서비스를 위한 콘텐츠 캐싱 기술이 중요해지고 있다. 콘텐츠 캐싱의 효과를 극대화하기 위해서는 향후 높은 조회수를 가질 것으로 예상되는 콘텐츠를 찾을 수 있어야 한다. 하지만, 콘텐츠별 조회수는 시간대에 따라 변화하며 유행의 변화, 콘텐츠 간 상관관계 등과 복잡하게 얽혀있기 때문에정확한 예측이 쉽지 않다. 본 연구에서는 향후 콘텐츠들의 조회수를 높은 정확도로 예측하기 위한 딥러닝 기반의학습 기법을 제안한다. 특히, 학습모델 전후에 데이터 매핑/역매핑 방법을 새롭게 제안하여, 학습모델이 콘텐츠 조회수의 크기를 제외한 트렌드 학습에 집중할 수 있게 한다. 또한, 1DCNN-LSTM-Dense 계층 기반의 딥러닝 모델을 제안하여 다중 속성 데이터 간의 상관관계, 시간 축에서의 데이터의 상관관계를 학습할 수 있도록 한다.
YouTube 데이터셋에 기반하여 제안 학습 기법과 기존에 제안되었던 다양한 휴리스틱 알고리즘, 정규화 기법, 데이터 매핑 기법 등과 성능을 비교 평가한다. 평가 결과, 제안 학습 기법은 어떠한 미래 정보를 사전에 필요로 하지 않으면서도 가장 높은 캐싱 정답률을 달성하는 것을 확인한다.

영어초록

As media data consumption increases, content caching becomes important for low-latency services. To maximize the effect of content caching, we need to find the contents expected to be viewed frequently in the near future. However, the number of expected views for each content is hard to predict because it changes over time, and is intertwined with view trends and correlations with other contents. In this study, we propose a deep learning technique to predict the number of views of contents with high accuracy. In particular, we propose a new data mapping/demapping method before and after the learning model, allowing the learning model to focus on learning trends of view counts excluding the magnitude of view counts. In addition, we propose a deep learning model based on the 1DCNN-LSTM-Dense layers to learn the correlation among multi-attribute data and the correlation of data on the time axis. Based on the YouTube dataset, we evaluate the performance of the proposed learning technique and various previously proposed ones, including heuristic algorithms, normalization techniques, and other data mapping techniques. The results shows that the proposed learning technique achieves the highest caching performance without requiring any future information in advance.

참고자료

· 없음