本文研究在线视频传播中的受欢迎程度预测问题,证明可以使用深度神经网络结构,将其作为分类任务来解决。我们提出了一种基于长期循环卷积网络 (LRCN) 的新方法来提取视频中的视觉线索,并将信息的时序性纳入模型。在 Facebook 上发布的超过 37,000 个视频数据集上表明,我们的方法的预测性能比传统浅层方法提高了 30%以上,并为内容创建者提供了有价值的见解。
Jul, 2017
利用图像信息和层次化数据结构,预测基于图像的社交媒体内容的流行度,通过 Google Cloud Vision API 提取关键图像和颜色信息,相比于单独使用非图像协变量,精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型,对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。
May, 2024
本文探讨了预测 YouTube 视频在校园网络中的流行度的方法,提出了一种融合视频到达时间和社交扩散模型的缓存方法,通过学习网络中用户之间分享的概率和使用数学流行病学的病毒传播模型来预测未来视频访问次数,并取得了 14% 的命中率提高。
Aug, 2013
通过结合 Grad-CAM 可视化方法和软注意力机制,本研究提出了更直观的内容影响视频受欢迎程度的解释方法,并在预测准确性方面取得了竞争性的结果。
Apr, 2018
在没有人工标注标签的前提下,本文提出了一种自我监督学习方法来学习视频的时空特征,通过回归时空维度上的外观和运动统计量来提取视觉特征,并在视频分类任务中验证了其有效性。
Apr, 2019
本文旨在利用机器学习和人工智能技术,通过一些特征来识别和估计 YouTube 视频的观看量,同时使用排名系统来确定哪些视频是热门的,从而帮助内容创作者判断他们的内容是否可靠,鼓励其进行更健康的竞争以提升其影响力。
Nov, 2022
提出算法对云存储仓库中不同视频流的受欢迎程度进行预测,根据预测结果决定是否从云存储中删除某些视频以降低存储成本,结果表明与保存所有视频流相比,云服务的成本降低了 15%。
Oct, 2022
研究表明,我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度,同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好,并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上,我们的实验获得了令人信服的结果,并得出了一些有意义的社会学结论。
Oct, 2015
该研究通过进行大规模的实证研究,针对视频帧预测问题,提出了一种不同于以往手工设计架构的方法:尽可能地降低归纳偏差,同时最大化网络容量,该方法表现良好并在三个不同数据集上进行了验证:建模物体交互、建模人类运动和建模汽车驾驶。
Nov, 2019
本研究使用多种视觉和场景信息,提出了一个新的多模态框架用于全面预测舞蹈挑战的传播趋势。使用金字塔骨骼图卷积网络(PSGCN)模拟身体动作,并引入关系时间卷积网络(RTCN)来利用非局部时间关系进行外观动态建模。提出了一种关注融合方法,最终从不同模态自适应聚合预测。对大规模病毒舞蹈视频数据集进行了实验验证,证明了我们模型的有效性。另外,展示了该模型的多维度推荐和行动反馈等应用。
Nov, 2021