Figure 3: Topic transition matrix. Diagonal topic
transitions are marked in grey.
It is easy to show that following the formulation in Equation
2, transition function IPR can take three values:
1. IPR (τW ,τR) = +1 iff τR is associated only with the
positive example V
(+)
R .
2. IPR (τW ,τR) = −1 iff τR is associated only with the
negative example V
(−)
R .
3. IPR (τW ,τR) = 0 in all other cases.
4.2 Diagonal Topic Transitions
Note that in the unconstrained form presented in Equation
2, we capture transitions between all pairs of topics in
the lexicon T. Therefore, given a transition matrix in Figure
3 we need to learn a transition weight for each cell in
the matrix.
This approach is clearly infeasible for large open domain
lexicons, which can contain millions of unique topics, since
there are T
2 possible transitions. Moreover, the transition
matrix will be very sparse since there will be relatively few
topic pairs with observed transitions. Even for pairs where
we do observe transitions, the number of observed examples
may be too small to learn a reliable model.
Therefore, we restrict ourselves to learning the transition
weights only for the diagonal of the transition matrix
(marked in grey in Figure 3). This makes the learning
tractable, and leads to a more reliable model with less over-
fitting, since a diagonal transition is likely to be observed
more frequently than a transition between two arbitrary topics.
Also, note that the diagonal transitions mirror the information
retrieval approach described in Section 3, where only
matches between topics that occur both in the watch and
the related video are considered (Equation 1). This facilitates
a fair comparison between the performance of these
approaches, as discussed in Section 7.
4.3 Loss Miminimization
Given the diagonal topic transition representation described
in Section 4.2, the train set SP is defined over all the nondiscordant
pairs of related videos, sampled from user traffic.
For the i-th pair Pi ∈ SP , a transition vector is defined as
xi = {IPi
(τ, τ ): τ ∈ T},
such that xij denotes the j-th diagonal topic transition for
the i-th pair of related videos.
Then, we seek a weight vector w∗
, which minimizes the
l1- regularized logistic loss over the train set SP .
รูปที่ 3 : เปลี่ยนเมทริกซ์หัวข้อ การเปลี่ยนหัวข้อ
แนวทแยงจะปรากฏเป็นสีเทา
มันเป็นเรื่องง่ายที่จะแสดงให้เห็นว่า ตามสูตรในสมการ
2 สำหรับฟังก์ชันการเปลี่ยนสามารถใช้ค่า 3 :
1 ทรัพย์สินทางปัญญา ( τ W , τ r ) = 1 IFF τ R เกี่ยวข้องเฉพาะกับ
v
( )
บวกเช่น R .
2 ทรัพย์สินทางปัญญา ( τ W , τ r ) = − 1 IFF τ R จะเกี่ยวข้องเฉพาะกับ
v
ลบตัวอย่างเช่น ( − )
r .
3 ทรัพย์สินทางปัญญา ( τ W ,τ r ) = 0 ในกรณีอื่น ๆทั้งหมด หัวข้อการเปลี่ยน
4.2 ในแนวทแยง ทราบว่าในรูปแบบต่างกันไปแสดงในสมการ
2 เราจับการเปลี่ยนระหว่างคู่ทั้งหมดของหัวข้อใน
พจนานุกรม ต. จึงได้รับการเปลี่ยนเมทริกซ์ในรูป
3 เราต้องเรียนรู้การเปลี่ยนแปลงน้ำหนักของแต่ละเซลล์ใน
เมทริกซ์ วิธีการนี้เป็นอย่างชัดเจนที่
สำหรับโดเมนเองเปิดขนาดใหญ่ซึ่งประกอบด้วยล้านของหัวข้อที่ไม่ซ้ำกันเนื่องจาก
t
2 ได้มีการเปลี่ยน นอกจากนี้การเปลี่ยนแปลง
Matrix จะเบาบางมาก เพราะจะมีคู่
หัวข้อค่อนข้างน้อยสังเกตการเปลี่ยน สำหรับคู่ที่
เราจะสังเกตการเปลี่ยนหมายเลขของสังเกตตัวอย่าง
อาจจะเล็กเกินไปที่จะเรียนรู้รูปแบบที่เชื่อถือได้
ดังนั้นเรา จำกัด ตัวเองเพื่อการเรียนรู้การเปลี่ยนแปลง
น้ำหนักเฉพาะสำหรับขวางของการเปลี่ยนเมทริกซ์
( เครื่องหมายในสีเทาในรูปที่ 3 ) นี้จะทำให้การเรียนรู้
ควบคุมได้ง่าย และนำไปสู่รูปแบบที่เชื่อถือได้มีน้อยกว่า -
เหมาะสม เนื่องจากการเปลี่ยนแปลงในแนวทแยงน่าจะสังเกต
บ่อยกว่าเปลี่ยนระหว่างสองหัวข้อโดยพล .
นอกจากนี้ ทราบว่า การเปลี่ยนกระจกข้อมูล
เส้นทแยงมุมวิธีการสืบค้นข้อมูลที่อธิบายไว้ในมาตรา 3 ที่เท่านั้น
ตรงกันระหว่างหัวข้อที่เกิดขึ้นทั้งในและชมวิดีโอที่เกี่ยวข้องถือว่า
( สมการ 1 ) นี้อำนวยความสะดวกในการเปรียบเทียบระหว่างการปฏิบัติงาน
วิธีเหล่านี้ , ตามที่กล่าวไว้ในมาตรา ๗ miminimization
4.3 ขาดทุนให้เส้นทแยงมุมหัวข้อเปลี่ยนการแสดงอธิบาย
ในส่วน 4.2 ,ชุดรถไฟ SP กำหนดทั่วคู่ nondiscordant
ที่เกี่ยวข้องวิดีโอตัวอย่างจากการจราจรของผู้ใช้ .
สำหรับ i-th คู่ปี่∈ SP , การเปลี่ยนแปลงเวกเตอร์หมายถึง
ซี = { Ipi
( ττ , ) : τ∈ T } ,
เช่นที่ xij แสดงทศนิยม j-th เส้นทแยงมุมหัวข้อการเปลี่ยนแปลงสำหรับ คู่ของวิดีโอที่เกี่ยวข้อง i-th
.
แล้ว เราจะหาเวกเตอร์น้ำหนัก W ∗ซึ่งช่วยลด
,L1 - regularized โลจิสติกขาดทุนกว่ารถไฟชุด SP .
การแปล กรุณารอสักครู่..
![](//thimg.ilovetranslation.com/pic/loading_3.gif?v=b9814dd30c1d7c59_8619)