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

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

本文对长尾视频识别进行了研究，提出了新的视频基准数据集和一种名为 Long-Tail Mixed Reconstruction 的方法，可显著减少过拟合并取得了最新的平均分类精度。

Apr, 2023

通过视频信息的音频、文字、帧和元数据等特征，预测视频的相关度，以提供个性化的推荐，并解决推荐系统中的新视频问题，其中 Hulu 在 ACM Multimedia Conference 2018 主办了挑战赛，提供了海量视频资源和基于真实系统的相关数据来评估算法表现。

Jun, 2018

本文介绍了针对 YouTube-8M 数据集进行多标签视频分类的深度神经网络模型，包括帧编码器、分类层、标签处理层和损失函数，并讨论了现有模型在该数据集上的效果及其成功或失败的原因，所提出的模型的大部分性能都高于基线模型，并且最终的模型集合在 Kaggle 比赛中排名第 8。

Jun, 2017

该论文介绍了我们的解决方案，用于 Google Cloud 和 YouTube-8M 视频理解挑战的视频识别任务，我们通过各种时间建模方法对帧级特征进行聚合以提高多标签视频识别的准确性，并在 Kaggle 的公共测试集上取得了 82.75% 的性能提升。

Jul, 2017

通过使用机器学习模型及百万曲目数据集，本文提出了一个音乐推荐系统，旨在优化为用户推荐喜欢的歌曲。

Sep, 2023

本文提出了一种基于模式识别的深度学习方法，旨在利用计算机视觉架构和培训过程来预测农业作物收成的连续产量信息，并与 MLCAS2021 的一些顶级模型进行比较。通过简单的训练过程，我们实现了 4.394 的 MAE，5.945 的 RMSE 和 0.861 的 R ^ 2。

Feb, 2022

该论文介绍了一个由 4800 个可视实体组成，由 8 百万个视频（500k 小时的视频）组成的最大多标签视频分类数据集 YouTube-8M，并通过训练各种分类模型和评估它们来作为基准。

Sep, 2016