用于视频推荐系统的卷积协同过滤网络

本分析探讨了电影预告片中物体的时间排序。电影预告片中物体的时间排序（例如，对某物体的长镜头与间歇短镜头）能够传达关于电影类型、情节、主要角色作用以及电影制作者的摄影选择的信息。当与历史客户数据结合时，排序分析可用于改进对客户行为的预测。例如，某客户购买了新电影的票，或许该客户过去看过的电影中包含类似的序列。为探索电影预告片中的物体排序，我们提出了一种视频卷积网络，以捕捉可预测客户偏好的动作与场景。该模型学习不同类型物体（例如汽车与面孔）序列的具体特征，以及序列在预测客户未来行为中的作用。我们展示了这种时间感知模型如何优于我们先前工作中提出的简单特征池化方法，并且重要的是，展示了该模型所提供的额外可解释性。