推导潜在社会脉冲以确定长寿命视频

在线视频网站每天接收来自世界各地用户的大量视频。如何为观众提供有价值的推荐，对于视频网站及相关第三方（如搜索引擎）而言是一项重要任务。以往的工作对视频观看次数进行了大量分析，以此衡量视频的流行度价值。然而，在线视频的持久价值（即长寿命性）隐藏在视频随时间积累其“流行度”的历史背后。一般而言，长寿命视频倾向于持续吸引社会关注。本文以领先的视频网站 YouTube 为重点，提出了一种量化视频长寿命性的评分机制。评估视频的长寿命性不仅可以改进视频推荐系统，还有助于我们发现具有更高广告价值的视频，并调整视频网站的视频存储策略以缩短响应时间。为了准确量化长寿命性，我们引入了潜在社会脉冲的概念及其测量视频长寿命性的方法。为了推导潜在社会脉冲，我们将视频网站视为数字信号滤波器，并将该任务构建为凸最小化问题。所提出的长寿命性计算基于推导出的社会脉冲。不幸的是，推导社会脉冲所需的信息并非总是公开的，这使得第三方无法直接评估每个视频的长寿命性。为解决这一问题，我们利用部分已知长寿命性评分的视频来预测未知的长寿命性评分，从而构建了一个半监督学习任务。我们提出了一种带有循环信念传播的高斯随机马尔可夫模型来解决此问题。在 YouTube 上进行的实验表明，与基线相比，所提出的方法显著提高了预测结果。