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

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

通过对 Youtube 和 Digg 传播的内容进行考虑，本研究提出了一种从初步用户访问数据中准确预测在线内容长期受欢迎程度的方法。

Nov, 2008

本研究提出了一个基于内容的推荐引擎，通过使用机器学习算法为用户提供视频建议，该引擎基于用户先前的兴趣和选择。我们将使用 TF-IDF 文本向量化方法来确定文档中单词的相关性，然后通过计算它们之间的余弦相似度来找出每个内容之间的相似度。最后，根据获取的相似度分数值，引擎将向用户推荐视频。此外，我们将通过计算所提出系统的准确率、召回率和 F1 得分来评估引擎的性能。

Aug, 2023

Mobile streaming video is often affected by the unstable bandwidth of modern wireless networks resulting in playback interruptions; this paper proposes a machine learning framework called Video ATLAS, which combines several quality-related features to predict users' quality of experience and provides improved performance over existing metrics while generalizing well on different datasets, enabling cost-effective adaptive network strategies.

Mar, 2017

本文研究如何从 MOOC 的点击记录中提取反映学习者行为的意义特征，通过建立视频和点击的相关性模型，提高了对学习者退课预测的准确性。

Feb, 2020

本文回顾了用于视频序列预测的深度学习方法，定义了视频预测的基础知识、强调其对表示学习的潜在能力和现有的方法，并提供了数据集和实验结果，以评估其在定量基础上的最新技术进展。最后，总结了这一领域的一般结论、未来的研究方向和挑战。

Apr, 2020

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

利用深度学习模型对 YouTube 视频的 MR（Most Replayed）数据进行预测，并通过评估多个模型在 YTMR500 数据集上的性能，显示出这是困难的任务，但所有模型都优于随机预测，并且超过了人类水平准确度。鼓励研究社区使用我们的基准数据集进一步研究自动 MR 数据预测。

Sep, 2023

本文提出了一种基于元学习和机器学习的视口预测范式，旨在减少 360 度全景视频的资源消耗，提高视口预测的鲁棒性，该模型通过迅速适应每个用户，可以显着提高预测准确性。

Dec, 2022