fect on user engagement and user ex

fect on user engagement and user experience [7, 13]. For
instance, Davidson et al. [13] show that co-visitation based
video suggestions more than double the click-through rate,
compared to a baseline that does not take the watch video
into account.
Video suggestions can be either based on the watch video
alone [7], or can be personalized by incorporating information
about the user (e.g., search history [11]). Current stateof-the-art
video suggestion systems are based on the collaborative
filtering analysis. Most generally, videos suggested
by these systems are likely to be co-viewed with the watch
video by the majority of the users [7, 11, 13].
While this approach works well for popular and often
watched videos, it is less applicable to fresh videos or tail
videos with few views, since they have very sparse and noisy
co-view data. For these videos, collaborative filtering analysis
based solely on co-views may yield either low-quality
suggestions or no suggestions at all.
To address the problem of tail content in other domains
such as recommendations based on textual information, researchers
developed hybrid approaches [10] that combine information
about the item content with the collaborative filtering
information to improve recommendation. While there
have been some small scale studies on hybrid recommendation
systems for video suggestion [31], this paper, to the best
of our knowledge, is the first published research study of a
large scale deployment of such a system.
To achieve the goal of content-based video representation,
we first model a video as a set of topics that are mined from
a variety of sources including the video metadata, frequently
used uploader keywords, common search queries, playlist
names, Freebase entities and Wikipedia articles. These topics
are then used to retrieve related videos for suggestion.
Thus, our approach to content-based video suggestion is
akin to the standard information retrieval scenario. The
topical representation of the watch video is the query that
is issued to the inverted index that stores the topical video
representations as documents. Since we cast the video suggestion
problem as a retrieval over an inverted index, we can
use query optimization algorithms [8, 14] to efficiently find
the optimal video suggestions even in a very large corpus.
The highest ranked documents retrieved in response to
the query are returned as content-based video suggestions.
These suggestions can be either directly shown to the user,
or used to augment the output of the co-view based video
suggestion system.

ผลลัพธ์ (ไทย) 1:

fect ผู้ใช้ประสบการณ์หมั้นและผู้ใช้ [7, 13] สำหรับอินสแตนซ์ Davidson et al. [13] แสดงที่ใช้การออกตรวจร่วมแนะนำวีดีโอมากกว่าคู่คลิกผ่านเมื่อเทียบกับพื้นฐานที่ไม่มีการชมวิดีโอเข้าบัญชีแนะนำวีดีโอได้อย่างใดอย่างหนึ่งตามดูวีดีโอคนเดียว [7], หรือสามารถเป็นส่วนตัวอีกทั้งยังมีข้อมูลเกี่ยวกับผู้ใช้ (เช่น ประวัติการค้นหา [11]) ปัจจุบัน stateof สมัยระบบแนะนำวิดีโอขึ้นอยู่กับการทำงานร่วมกันกรองวิเคราะห์ มากที่สุดโดยทั่วไป วิดีโอแนะนำโดยระบบเหล่านี้มักจะใช้ร่วมกับนาฬิกาวิดีโอ โดยส่วนใหญ่ผู้ใช้ [7, 11, 13]ในขณะที่วิธีการนี้ทำงานได้ดีนิยม และมักจะดูวิดีโอ มันเป็นน้อยวิดีโอสดหรือหางวิดีโอวิวน้อย เนื่องจากมีเสียงดัง และเบามากร่วมดูข้อมูล สำหรับวิดีโอเหล่านี้ กรองวิเคราะห์ร่วมกันตามแต่เพียงผู้เดียวที่ร่วมมองอาจผลผลิตคุณภาพต่ำอย่างใดอย่างหนึ่งคำแนะนำหรือไม่แนะนำเลยเพื่อแก้ไขปัญหาของหางเนื้อหาในโดเมนอื่นเช่นคำแนะนำตามรายละเอียดข้อความ นักวิจัยวิธีผสมพัฒนา [10] ที่รวมข้อมูลกรองเกี่ยวกับรายการเนื้อหา ด้วยการทำงานร่วมกันข้อมูลการปรับปรุงคำแนะนำ ในขณะที่มีมีบางการศึกษาขนาดเล็กแนะนำไฮบริดระบบวิดีโอแนะนำ [31], กระดาษนี้ การดีที่สุดความรู้ มีการศึกษาวิจัยเผยแพร่ครั้งแรกใช้ขนาดใหญ่ของระบบดังกล่าวเพื่อให้บรรลุเป้าหมายของเนื้อหาที่ใช้แสดงวิดีโอเราแรกรุ่นวิดีโอเป็นชุดของหัวข้อที่ขุดจากแหล่งรวมข้อมูลเมตาวิดีโอ บ่อยใช้คำสำคัญอัพโหลด สอบถามการค้นหาทั่วไป รายการที่เล่นชื่อ เอนทิตี Freebase และบทความวิกิพีเดีย หัวข้อเหล่านี้แล้วใช้การดึงข้อมูลวิดีโอที่เกี่ยวข้องสำหรับคำแนะนำวิธีการของเรากับเนื้อหาตามคำแนะนำวิดีโอจึงเหมือนกับสถานการณ์สมมติเรียกข้อมูลมาตรฐาน ที่ดูวีดีโอแสดงเฉพาะคือ แบบสอบถามที่ออกดัชนีกลับที่เก็บวิดีโอเฉพาะนำเสนอเป็นเอกสาร ตั้งแต่เราหล่อแนะนำวิดีโอปัญหาเป็นเรียกผ่านดัชนีกลับ เราสามารถใช้แบบสอบถามปรับอัลกอริทึม [8, 14] หาได้อย่างมีประสิทธิภาพแนะนำวีดีโอที่ดีที่สุดแม้ในคอร์พัสคริมากดึงเอกสารอันดับสูงสุดในการตอบสนองแบบสอบถามจะส่งกลับเป็นเนื้อหาตามคำแนะนำวิดีโอคำแนะนำเหล่านี้สามารถทำโดยตรงแสดงผู้ใช้หรือใช้แนมของวิดีโอใช้ดูร่วมระบบแนะนำ

ผลลัพธ์ (ไทย) 2:

ส่การมีส่วนร่วมของผู้ใช้และประสบการณ์ของผู้ใช้ [7, 13]
สำหรับตัวอย่างเช่นเดวิดสันและอัล [13] แสดงให้เห็นว่าผู้ร่วมการสำรวจตามคำแนะนำวิดีโอมากกว่าสองเท่าของอัตราการคลิกผ่านที่เมื่อเทียบกับพื้นฐานที่ไม่ใช้วิดีโอนาฬิกาที่เข้าบัญชี. ข้อเสนอแนะวิดีโอได้ตามอย่างใดอย่างหนึ่งในวิดีโอนาฬิกาเพียงอย่างเดียว [7] หรือ สามารถส่วนบุคคลโดยผสมผสานข้อมูลเกี่ยวกับผู้ใช้(เช่นประวัติการค้นหา [11]) ปัจจุบัน stateof ศิลปะระบบข้อเสนอแนะของวิดีโอจะขึ้นอยู่กับการทำงานร่วมกันในการวิเคราะห์การกรอง ส่วนใหญ่โดยทั่วไปวิดีโอแนะนำโดยระบบเหล่านี้มีแนวโน้มที่จะร่วมดูด้วยนาฬิกาวิดีโอโดยส่วนใหญ่ของผู้ใช้[7, 11, 13]. ในขณะที่วิธีการนี้ทำงานได้ดีสำหรับความนิยมและมักจะวิดีโอดูก็มีผลบังคับใช้น้อยที่จะวิดีโอสดหรือหางวิดีโอที่มีมุมมองที่ไม่กี่เนื่องจากพวกเขามีมากเบาบางและมีเสียงดังร่วมมุมมองข้อมูล สำหรับวิดีโอเหล่านี้ในการวิเคราะห์การกรองการทำงานร่วมกันแต่เพียงผู้เดียวในมุมมองร่วมอาจให้อย่างใดอย่างหนึ่งที่มีคุณภาพต่ำข้อเสนอแนะหรือข้อเสนอแนะที่ทุกคน. การแก้ไขปัญหาของเนื้อหาหางในโดเมนอื่น ๆเช่นคำแนะนำบนพื้นฐานของข้อมูลที่เกี่ยวกับใจนักวิจัยพัฒนาวิธีการไฮบริด [10 ] ที่รวมข้อมูลเกี่ยวกับเนื้อหารายการที่มีการทำงานร่วมกันกรองข้อมูลข้อเสนอแนะในการปรับปรุง ในขณะที่มีมีบางการศึกษาขนาดเล็กในคำแนะนำไฮบริดระบบสำหรับข้อเสนอแนะวิดีโอ[31], กระดาษนี้ที่ดีที่สุดของความรู้ของเราคือการศึกษาวิจัยที่ตีพิมพ์ครั้งแรกของการใช้งานขนาดใหญ่ของระบบดังกล่าว. เพื่อให้บรรลุเป้าหมายของ วิดีโอการแสดงเนื้อหาตามที่เราแบบวิดีโอแรกเป็นชุดของหัวข้อที่จะขุดจากความหลากหลายของแหล่งที่มารวมทั้งเมตาดาต้าวิดีโอมักใช้คำหลักที่อัพโหลด, การค้นหาที่พบบ่อย, เพลงชื่อหน่วยงานFreebase และบทความวิกิพีเดีย หัวข้อเหล่านี้ถูกนำมาใช้เพื่อดึงวิดีโอที่เกี่ยวข้องสำหรับข้อเสนอแนะ. ดังนั้นวิธีการของเรากับวิดีโอเนื้อหาตามข้อเสนอแนะที่เป็นคล้ายกับสถานการณ์การดึงข้อมูลมาตรฐาน ตัวแทนเฉพาะของวิดีโอนาฬิกาเป็นแบบสอบถามที่จะออกให้แก่ดัชนีคว่ำที่เก็บวิดีโอเฉพาะการแสดงเอกสาร เนื่องจากเราโยนข้อเสนอแนะวิดีโอปัญหาเป็นดึงมากกว่าดัชนีกลับเราสามารถใช้ขั้นตอนวิธีการเพิ่มประสิทธิภาพการค้นหา[8, 14] ได้อย่างมีประสิทธิภาพหาคำแนะนำวิดีโอที่ดีที่สุดแม้จะอยู่ในคลังข้อมูลขนาดใหญ่มาก. เอกสารอันดับสูงสุดที่ดึงมาเพื่อตอบสนองต่อการค้นหาจะกลับมาเป็นข้อเสนอแนะวิดีโอเนื้อหาตาม. ข้อเสนอแนะเหล่านี้สามารถแสดงให้เห็นว่าทั้งโดยตรงให้กับผู้ใช้หรือนำไปใช้เพื่อเพิ่มการส่งออกของผู้ร่วมมุมมองตามวิดีโอระบบข้อเสนอแนะ

ผลลัพธ์ (ไทย) 3:

สมบูรณ์ ในวันหมั้นผู้ใช้ประสบการณ์ [ 7 , 13 ) สำหรับ
อินสแตนซ์ , Davidson et al . [ 13 ] แสดงให้เห็นว่าการเยี่ยม Co ตาม
คำแนะนำวิดีโอมากกว่าสองครั้งที่คลิกผ่านอัตรา
เมื่อเทียบกับพื้นฐานที่ไม่ใช้ดูวีดีโอ

คำแนะนำวิดีโอลงในบัญชี สามารถตามดูวิดีโอ
คนเดียว [ 7 ] หรือสามารถเป็นส่วนบุคคลโดยผสมผสานข้อมูลผู้ใช้ (
เกี่ยวกับ เช่นค้นหาประวัติ [ 11 ] ) ปัจจุบันสภาพปะ
ข้อเสนอแนะระบบวิดีโอจะขึ้นอยู่กับความร่วมมือ
กรองการวิเคราะห์ ส่วนใหญ่โดยทั่วไปวิดีโอแนะนำ
โดยระบบเหล่านี้มีแนวโน้มที่จะร่วมดูด้วยวิดีโอดู
โดยส่วนใหญ่ของผู้ใช้ [ 7 , 11 , 13 ] .
ในขณะที่วิธีการนี้ทำงานได้ดีสำหรับความนิยมและมักจะ
ดูวิดีโอ มันสามารถใช้ได้น้อยวิดีโอสดหรือหาง
วิดีโอที่มีมุมมองที่น้อย เนื่องจากพวกเขามีมากขึ้นและเสียงดัง
ข้อมูล Co มุมมอง สำหรับวิดีโอเหล่านี้ ร่วมกันคัดกรองการวิเคราะห์
ขึ้นอยู่เพียงผู้เดียวในมุมมองที่จำกัดอาจผลผลิตทั้งคุณภาพต่ำ
ข้อเสนอแนะหรือข้อเสนอแนะที่ไม่ทั้งหมด .
เพื่อแก้ไขปัญหาเนื้อหาติดตามโดเมนอื่น
เช่นแนะนำตามข้อมูลเดิม นักวิจัย
พัฒนาไฮบริดแนวทาง [ 10 ] ที่
ข้อมูลรวมเกี่ยวกับรายการที่มีเนื้อหาการกรองเพื่อปรับปรุงร่วมกัน
ข้อมูลแนะนำ ในขณะที่มี
มีขนาดเล็ก การศึกษาในระบบคำแนะนำ
ไฮบริดสำหรับวิดีโอแนะนำ [ 31 ] , กระดาษนี้ที่ดีที่สุด
ความรู้ของเรา เป็นครั้งแรกที่เผยแพร่งานวิจัยของ
การใช้งานขนาดใหญ่ของระบบดังกล่าว .
เพื่อให้บรรลุเป้าหมายของการ
เนื้อหาวิดีโอเรารุ่นแรกวิดีโอเป็นชุดของหัวข้อที่ mined จาก
แหล่งต่างๆรวมถึงวิดีโอ metadata บ่อย
ใช้อัพโหลดคำหลัก , การค้นหาทั่วไป รายการ
ชื่อหน่วยงานเจงและบทความวิกิพีเดีย หัวข้อ
เหล่านี้จะใช้เพื่อดึงวิดีโอสำหรับคำแนะนำ .
ดังนั้นวิธีการของเราเพื่อให้เนื้อหาวิดีโอ
คำแนะนำคล้ายกับกรณีสืบค้นข้อมูลมาตรฐาน
แทนการดูวิดีโอเป็นแบบสอบถามที่
ออกเพื่อกลับดัชนีร้านค้าที่นำเสนอวิดีโอ
เฉพาะเอกสาร . เมื่อเราโยนคำแนะนำ
วิดีโอปัญหาเป็นค้นเป็นฤๅษีดัชนี เราสามารถใช้ขั้นตอนวิธีการเพิ่มประสิทธิภาพแบบสอบถาม [
8 , 14 ] มีประสิทธิภาพหา
ที่ดีที่สุดวิดีโอแนะนำแม้ในคลังข้อมูลขนาดใหญ่มาก .
ลำดับเอกสารที่ดึงในการตอบสนองการสอบถามกลับมา

ข้อเสนอแนะข้อเสนอแนะเนื้อหาวิดีโอ เหล่านี้สามารถแสดงได้โดยตรงแก่ผู้ใช้ ,
หรือใช้กันของมุมมอง Co ระบบวิดีโอแนะนำ

ตาม