The last decade has witnessed a tre

The last decade has witnessed a tremendous growth
in the volume as well as the diversity of multimedia content
generated by a multitude of sources (news agencies, social media,
etc.). Faced with a variety of content choices, consumers are
exhibiting diverse preferences for content; their preferences often
depend on the context in which they consume content as well as
various exogenous events. To satisfy the consumers’ demand for
such diverse content, multimedia content aggregators (CAs) have
emerged which gather content from numerous multimedia sources.
A key challenge for such systems is to accurately predict what
type of content each of its consumers prefers in a certain context,
and adapt these predictions to the evolving consumers’
preferences, contexts, and content characteristics. We propose
a novel, distributed, online multimedia content aggregation
framework, which gathers content generated by multiple
heterogeneous producers to fulfill its consumers’ demand for
content. Since both the multimedia content characteristics and the
consumers’ preferences and contexts are unknown, the optimal
content aggregation strategy is unknown a priori. Our proposed
content aggregation algorithm is able to learn online what content
to gather and how to match content and users by exploiting
similarities between consumer types. We prove bounds for our
proposed learning algorithms that guarantee both the accuracy
of the predictions as well as the learning speed. Importantly, our
algorithms operate efficiently even when feedback from consumers
is missing or content and preferences evolve over time. Illustrative
results highlight the merits of the proposed content aggregation
system in a variety of settings

ผลลัพธ์ (ไทย) 1:

ทศวรรษที่ได้เห็นการเติบโตอย่างมากในปริมาณและความหลากหลายของเนื้อหามัลติมีเดียสร้างขึ้น โดยความหลากหลายของแหล่ง (หน่วยงานข่าว สังคมฯลฯ) ต้องเผชิญกับความหลากหลายของตัวเลือกเนื้อหา ผู้บริโภคมีตัวกำหนดลักษณะต่าง ๆ สำหรับเนื้อหา ลักษณะของตนเองมักจะขึ้นอยู่กับบริบทที่พวกเขาใช้เนื้อหาเป็นเหตุการณ์ภายนอกต่าง ๆ เพื่อตอบสนองความต้องการของผู้บริโภคเนื้อหามีความหลากหลาย มีจำหน่ายเนื้อหามัลติมีเดีย (CAs)โผล่ออกมาซึ่งรวบรวมเนื้อหาจากแหล่งข้อมูลมัลติมีเดียมากมายความท้าทายที่สำคัญสำหรับระบบดังกล่าวเป็นการ ทำนายอะไรชนิดของเนื้อหาของผู้บริโภคของชอบในบริบทบางอย่างปรับคาดการณ์เหล่านี้พัฒนาต่อผู้บริโภคตั้งค่า บริบท และลักษณะเนื้อหา เรานำเสนอการกระจาย นวนิยาย ออนไลน์เนื้อหารวมมัลติมีเดียกรอบ ซึ่งรวบรวมเนื้อหาที่สร้าง โดยหลายผู้ผลิตที่แตกต่างกันเพื่อตอบสนองความต้องการของผู้บริโภคของเนื้อหา ตั้งแต่ทั้งมัลติมีเดียเนื้อหาลักษณะและกำหนดลักษณะและบริบทของผู้บริโภคที่ไม่รู้จัก ที่เหมาะสมกลยุทธ์การรวมเนื้อหาไม่รู้จักนิรนัย เรานำเสนออัลกอริทึมรวมเนื้อหาก็สามารถเรียนรู้ออนไลน์เนื้อหาอะไรการรวบรวมและวิธีการตรงกับเนื้อหาและผู้ใช้ โดยใช้ความคล้ายคลึงกันระหว่างชนิดของผู้บริโภค เราพิสูจน์ขอบเขตสำหรับเราเรียนรู้ขั้นตอนวิธีที่รับประกันความถูกต้องทั้งการนำเสนอการคาดการณ์รวมทั้งความเร็วในการเรียนรู้ สำคัญ ของเราอัลกอริทึมทำงานได้อย่างมีประสิทธิภาพแม้เมื่อผลตอบรับจากผู้บริโภคขาดหายไป หรือเนื้อหา และการตั้งค่าจะพัฒนาตลอดเวลา เป็นตัวอย่างข้อดีของการรวมเนื้อหาที่นำเสนอเน้นผลลัพธ์ระบบในการตั้งค่าต่าง ๆ

ผลลัพธ์ (ไทย) 2:

ทศวรรษที่ผ่านมาได้เห็นการเจริญเติบโตอย่างมากในปริมาณเช่นเดียวกับความหลากหลายของเนื้อหามัลติมีเดียที่สร้างขึ้นโดยความหลากหลายของแหล่งที่มา(สำนักข่าวสื่อสังคมฯลฯ ) ต้องเผชิญกับความหลากหลายของตัวเลือกเนื้อหาที่ผู้บริโภคจะแสดงการตั้งค่าที่หลากหลายสำหรับเนื้อหา ค่าของพวกเขามักจะขึ้นอยู่กับบริบทที่พวกเขาใช้เนื้อหาเช่นเดียวกับเหตุการณ์ที่เกิดขึ้นจากภายนอกต่างๆ เพื่อตอบสนองความต้องการของผู้บริโภคสำหรับเนื้อหาที่มีความหลากหลายดังกล่าวรวบรวมเนื้อหามัลติมีเดีย (CAs) ได้โผล่ออกมาซึ่งรวบรวมเนื้อหาจากแหล่งมัลติมีเดียมากมาย. ความท้าทายที่สำคัญสำหรับระบบดังกล่าวคือการได้อย่างถูกต้องคาดการณ์สิ่งที่ประเภทของเนื้อหาแต่ละผู้บริโภคชอบในบริบทบางอย่าง, และปรับการคาดการณ์เหล่านี้ไปยังผู้บริโภคพัฒนา 'ตั้งค่าแวดล้อมและลักษณะเนื้อหา เราเสนอนวนิยายกระจายเนื้อหามัลติมีเดียออนไลน์รวมกรอบซึ่งรวบรวมเนื้อหาที่สร้างโดยหลายผู้ผลิตที่แตกต่างกันเพื่อตอบสนองความต้องการของผู้บริโภคสำหรับเนื้อหา เนื่องจากทั้งสองลักษณะเนื้อหามัลติมีเดียและการตั้งค่าของผู้บริโภคและเป็นที่รู้จักแวดล้อมที่ดีที่สุดกลยุทธ์การรวมเนื้อหาเป็นที่รู้จักเบื้องต้น ที่เรานำเสนอขั้นตอนวิธีการรวมเนื้อหาสามารถที่จะเรียนรู้ออนไลน์ว่าเนื้อหาที่จะรวบรวมและวิธีการที่ตรงกับเนื้อหาและผู้ใช้โดยการใช้ประโยชน์ความคล้ายคลึงกันระหว่างประเภทของผู้บริโภค เราพิสูจน์ให้เห็นขอบเขตของเราสำหรับขั้นตอนวิธีการเรียนรู้ที่นำเสนอทั้งที่รับประกันความถูกต้องของการคาดการณ์เช่นเดียวกับความเร็วในการเรียนรู้ ที่สำคัญของเราขั้นตอนวิธีการทำงานอย่างมีประสิทธิภาพแม้ในขณะที่การตอบรับจากผู้บริโภคจะหายไปหรือเนื้อหาและการตั้งค่าที่พัฒนาขึ้นมา ตัวอย่างผลการเน้นประโยชน์ของการรวมเนื้อหาที่นำเสนอระบบในความหลากหลายของการตั้งค่า