4. LEARNING TOPIC TRANSITIONSIn Sec

4. LEARNING TOPIC TRANSITIONS
In Section 3 we described a retrieval approach that assigns
topic weights based on a set of information retrieval heuristics
(topic counts, inverse document frequency and stopword
removal). In this section, we show that given the richness of
the implicit user feedback available in the online setting, it is
possible to learn the optimal transitions between the topics
in the watch and the related videos. These transitions can
then be directly leveraged for related video retrieval.
Consider, for instance, the example of the trailer for the
World War Z movie shown in Figure 2. Assuming that
the topic weights in Figure 2 are derived from the normalized
co-occurence counts in Equation 1, the topic Horror
Movie is weighted lower than the topic World War Z.
However, the Horror Movie topic might be important for
finding other related videos such as a trailer for the Jurassic
Park IV movie. Therefore, a topic can have relatively
low co-occurence counts for both the watch and the related
videos, yet still be beneficial for the retrieval of relevant related
videos.
Based on this intuition, we propose a novel machine learning
approach that takes into account topic interactions and
learns topic transition weights based on implicit user feedback.
Our approach is based on pairwise classification of
pairs.
In Sections 4.1 and 4.2 we describe how the topic transitions
are represented. Then, in Section 4.3 we describe
the optimization of the topic transition weights. Finally, in
Section 4.4 we describe related video retrieval using topic
transition weights.
4.1 Topic Transitions
Suppose that two potentially related videos are suggested
to the user in response to the watch video VW . One of the
videos, V
(+)
R , was clicked and viewed by the user. The other
video, V
(−)
R , was ignored by the user.
Most generally, we seek topic transition weight assignments
such that the suggested related video V
(+)
R will be
preferred by the model to the suggested video V
(−)
R . This
problem formulation is inspired by the pairwise classification
approach which is common in learning-to-rank applications
(e.g., see Burges et al. [9] or Joachims [17]).
Formally, we represent a potentially related video VR that
was suggested in response to a watch video VW using a binary
feature vector
xVR = [IVR (τW , τR): τW ∈ T, τR ∈ T],
where T is the lexicon of all available topics, and IVR is a
transition function from topic τW to τR such that
IVR (τW , τR) = (
1 τW ∈ VW , τR ∈ VR
0 else
Given a pair of related videos
PR = hV
(+)
R , V (−)
R i,
we represent the pair using a ternary feature vector:
xPR = [IPR (τW , τR): τW ∈ T, τR ∈ T],
where the transition function IPR (τW , τR) is defined such
that
IPR (τW , τR) = I
V
(+)
R
(τW , τR) − IV
(−)
R
(τW , τR) (2)

ผลลัพธ์ (ไทย) 1:

4. หัวข้อการเรียนรู้ความเปลี่ยนแปลงในหมวดที่ 3 เราได้อธิบายวิธีการเรียกที่กำหนดให้น้ำหนักหัวข้อตามชุดของลองผิดลองถูกการเรียกข้อมูล(หัวข้อนับ ความถี่เอกสารที่ผกผัน และ stopwordเอา) ในส่วนนี้ เราแสดงว่าให้ความร่ำรวยผู้ใช้นัยผลป้อนกลับในการตั้งค่าออนไลน์ เป็นสามารถเปลี่ยนเหมาะสมระหว่างหัวข้อการเรียนรู้ในนาฬิกาและวิดีโอที่เกี่ยวข้อง สามารถเปลี่ยนภาพเหล่านี้แล้ว มีตรง leveraged สำหรับเรียกวิดีโอที่เกี่ยวข้องพิจารณา เช่น ตัวอย่างของรถพ่วงในการภาพยนตร์สงครามโลก Z ที่แสดงในรูปที่ 2 สมมติว่าที่น้ำหนักหัวข้อในรูปที่ 2 มาจากแบบมาตรฐานเกิดร่วมนับในสมการ 1 หัวสยองขวัญภาพยนตร์จะถ่วงน้ำหนักต่ำกว่าหัวข้อสงครามโลก Zอย่างไรก็ตาม หัวข้อภาพยนตร์สยองขวัญอาจสำคัญสำหรับหาวิดีโออื่น ๆ ที่เกี่ยวข้องเช่นรถพ่วงในยุคจูแรสซิกสวน IV ภาพยนตร์ ดังนั้น หัวข้อได้ค่อนข้างเกิดต่ำร่วมนับนาฬิกาและที่เกี่ยวข้องวิดีโอ แต่ยัง เป็นประโยชน์สำหรับการเรียกของเกี่ยวข้องเกี่ยวข้องวิดีโอขึ้นอยู่กับสัญชาตญาณนี้ เราเสนอการเรียนรู้ของเครื่องนวนิยายวิธีการที่ใช้ในการโต้ตอบหัวข้อบัญชี และเรียนรู้น้ำหนักการเปลี่ยนหัวข้อที่ยึดตามคำติชมของผู้ใช้นัยวิธีการของเราขึ้นอยู่กับการจัดประเภทของแพร์ไวส์ คู่นี้ในส่วนที่ 4.1 และ 4.2 เราอธิบายวิธีการเปลี่ยนแปลงของหัวข้อจะแสดง จากนั้น ใน 4.3 ส่วนที่เราอธิบายการเพิ่มประสิทธิภาพของน้ำหนักเปลี่ยนหัวข้อ สุดท้าย ใน4.4 ส่วนที่เราอธิบายเรียกวิดีโอที่ใช้หัวข้อที่เกี่ยวข้องน้ำหนักเปลี่ยนแปลง4.1 เปลี่ยนหัวข้อสมมติว่า สองอาจเกี่ยวข้องกับวิดีโอจะแนะนำสำหรับผู้ใช้เพื่อดูการตอบสนอง VW วิดีโอ หนึ่งของการวิดีโอ V(+)R คลิก และดูผู้ใช้ อื่น ๆวิดีโอ V(−)R ถูกละเว้น โดยผู้ใช้มากที่สุดโดยทั่วไป เราค้นหาหัวข้อเปลี่ยนน้ำหนักกำหนดเช่นว่า ที่แนะนำที่เกี่ยวข้องกับวิดีโอ V(+)R จะต้องรุ่น V วิดีโอแนะนำ(−)R นี้กำหนดปัญหาเป็นแรงบันดาลใจ โดยการจัดประเภทแพร์ไวส์วิธีการที่มีทั่วไปในการใช้งานการลำดับการเรียนรู้(เช่น นั้น Burges et al. [9] หรือ Joachims [17])อย่างเป็นกิจจะลักษณะ เราเป็นตัวแทน VR วิดีโอที่เกี่ยวข้องอาจเป็นที่แนะนำในการชมวิดีโอ VW ใช้ไบนารีคุณลักษณะเวกเตอร์xVR = [IVR (τW, τR): ∈ τW T, τR ∈ T],ที่ T เป็นปทานุกรมของหัวข้อทั้งหมดที่พร้อมใช้งาน และ IVR เป็นเปลี่ยนฟังก์ชันจากหัวข้อ τW τR ให้IVR (ΤW, ΤR) =(1 ΤW ∈ VW, ΤR ∈ VR0 อื่นกำหนดคู่ของวิดีโอที่เกี่ยวข้องPR = hV(+)R, V (−)Rเราเป็นตัวแทนคู่ที่ใช้เวกเตอร์สามคุณลักษณะ:xPR = [IPR (τW, τR): ∈ τW T, τR ∈ T],ซึ่งฟังก์ชันเปลี่ยน IPR (τW, τR) เป็นกำหนดดังกล่าวที่ทรัพย์สินทางปัญญา (ΤW, ΤR) =ฉันV(+)R(ΤW, ΤR) − IV(−)R(ΤW, ΤR) (2)

ผลลัพธ์ (ไทย) 2:

4. การเรียนรู้หัวข้อ TRANSITIONS
ในมาตรา 3
ให้เราอธิบายวิธีการดึงที่กำหนดน้ำหนักหัวข้อขึ้นอยู่กับชุดของการวิเคราะห์พฤติกรรมการดึงข้อมูล
(นับหัวข้อความถี่เอกสารผกผันและ stopword
กำจัด) ในส่วนนี้เราแสดงให้เห็นว่าได้รับความร่ำรวยของข้อเสนอแนะของผู้ใช้โดยปริยายที่มีอยู่ในการตั้งค่าออนไลน์เป็นไปได้ที่จะได้เรียนรู้ที่ดีที่สุดระหว่างการเปลี่ยนหัวข้อในนาฬิกาและวิดีโอที่เกี่ยวข้อง เปลี่ยนเหล่านี้สามารถนำประโยชน์โดยตรงสำหรับการดึงวิดีโอที่เกี่ยวข้อง. พิจารณาเช่นตัวอย่างของรถพ่วงสำหรับที่หนังสงครามโลกครั้งที่ Z แสดงในรูปที่ 2 สมมติว่าน้ำหนักหัวข้อในรูปที่2 จะได้มาจากปกติข้อหาร่วมเกิดขึ้นในสมการที่ 1 หัวข้อสยองขวัญหนังมีน้ำหนักต่ำกว่าหัวข้อสงครามโลกซีอย่างไรก็ตามหัวข้อสยองขวัญอาจจะมีความสำคัญสำหรับการค้นหาวิดีโอที่เกี่ยวข้องอื่นๆ เช่นรถพ่วงสำหรับจูราสสิภาพยนตร์พาร์คIV ดังนั้นเรื่องที่จะมีค่อนข้างต่ำข้อหาร่วมเกิดขึ้นทั้งนาฬิกาและที่เกี่ยวข้องกับวิดีโอยังคงเป็นประโยชน์สำหรับการดึงของที่เกี่ยวข้องที่เกี่ยวข้องวิดีโอ. จากสัญชาตญาณนี้เรานำเสนอการเรียนรู้เครื่องนวนิยายเรื่องวิธีการที่จะนำเข้าบัญชีหัวข้อปฏิสัมพันธ์และเรียนรู้การเปลี่ยนแปลงน้ำหนักหัวข้อตามความคิดเห็นของผู้ใช้โดยปริยาย. วิธีการของเราจะขึ้นอยู่กับการจัดหมวดหมู่ของคู่



















คู่.
ในส่วนที่ 4.1 และ 4.2
เราจะอธิบายวิธีการเปลี่ยนหัวข้อเป็นตัวแทน จากนั้นในมาตรา 4.3
เราจะอธิบายการเพิ่มประสิทธิภาพของน้ำหนักการเปลี่ยนแปลงหัวข้อ สุดท้ายในมาตรา 4.4 เราอธิบายที่เกี่ยวข้องกับการดึงวิดีโอโดยใช้หัวข้อน้ำหนักการเปลี่ยนแปลง. 4.1 หัวข้อการเปลี่ยนสมมติว่าสองวิดีโอที่เกี่ยวข้องอาจมีข้อเสนอแนะให้กับผู้ใช้ในการตอบสนองต่อวิดีโอนาฬิกาVW หนึ่งในวิดีโอ V (+) R ได้รับการคลิกและดูได้โดยผู้ใช้ อีกวิดีโอ V (-) R ถูกปฏิเสธโดยผู้ใช้. ส่วนใหญ่โดยทั่วไปเราพยายามที่ได้รับมอบหมายน้ำหนักการเปลี่ยนแปลงหัวข้อดังกล่าวว่าข้อเสนอแนะที่เกี่ยวข้องกับวิดีโอ V (+) R จะต้องการโดยรุ่นที่จะแนะนำวิดีโอV (-) R นี้การกำหนดปัญหาแรงบันดาลใจจากการจัดหมวดหมู่คู่วิธีการซึ่งเป็นเรื่องธรรมดาในการใช้งานการเรียนรู้เพื่อการจัดอันดับ(เช่นเห็น Burges et al. [9] หรือ Joachims [17]). อย่างเป็นทางการเราเป็นตัวแทน VR วิดีโอที่อาจเกิดขึ้นที่เกี่ยวข้องที่ได้รับการแนะนำในการตอบสนองต่อการดูวิดีโอ VW ใช้ไบนารีคุณลักษณะเวกเตอร์xVR = [IVR (τW, τR): τW∈ T, τR∈ T], ที่ T เป็นศัพท์ของหัวข้อที่มีอยู่ทั้งหมดและ IVR เป็นฟังก์ชั่นการเปลี่ยนแปลงจากหัวข้อτW เพื่อτRดังกล่าวว่าระบบ IVR (τW, τR) = (1 τW∈ VW, τR∈ VR 0 อื่นได้รับคู่ของวิดีโอที่เกี่ยวข้องประชาสัมพันธ์= HV (+) R, V (-) R i, เราเป็นตัวแทนของทั้งคู่ใช้ประกอบไปด้วยที่ คุณลักษณะเวกเตอร์: XPR = [ทรัพย์สินทางปัญญา (τW, τR): τW∈ T, τR∈ T], ที่ฟังก์ชั่นการเปลี่ยนแปลงทรัพย์สินทางปัญญา (τW, τR) หมายเช่นว่าทรัพย์สินทางปัญญา(τW, τR) = ฉันV (+) R ( τW, τR) - IV (-) R (τW, τR) (2)

ผลลัพธ์ (ไทย) 3:

4 . การเรียนรู้เรื่องการเปลี่ยน
ในส่วนที่ 3 เราอธิบายการวิธีการที่กำหนด
หัวข้อน้ำหนักขึ้นอยู่กับชุดของการดึงข้อมูล ( หัวข้อ
อักษรนับความถี่เอกสารผกผันและกำจัด stopword
) ในส่วนนี้เราแสดงให้เห็นว่าได้รับความอุดมสมบูรณ์ของ
คิดเห็นของผู้ใช้ที่มีอยู่ในระบบออนไลน์ การตั้งค่า มันเป็นไปได้ที่จะเรียนรู้การเปลี่ยนที่ดีที่สุด

ระหว่างหัวข้อในนาฬิกาและที่เกี่ยวข้อง . การเปลี่ยนแปลงเหล่านี้สามารถ leveraged โดยตรง
แล้วสำหรับวิดีโอเรียก
พิจารณา เช่น ตัวอย่างของรถพ่วงสำหรับ
สงครามโลกภาพยนตร์ที่แสดงในรูปที่ 2 สมมติว่า
เรื่องน้ำหนักในรูปที่ 2 จะได้มาจากค่า
Co เกิดขึ้นนับในสมการที่ 1 เรื่อง หนังสยองขวัญ
หนักกว่าหัวข้อสงครามโลกครั้งที่ Z .
อย่างไรก็ตามหนังสยองขวัญหัวข้ออาจจะสำคัญสำหรับ
หาอื่น ๆที่เกี่ยวข้องวิดีโอเช่น Jurassic Park IV
รถพ่วงสำหรับภาพยนตร์ ดังนั้น หัวข้อที่ได้ค่อนข้างต่ำ จำกัดการ มีค่า
ทั้งนาฬิกาและที่เกี่ยวข้อง
วิดีโอ แต่ยังเป็นประโยชน์สำหรับการแก้ไขวิดีโอที่เกี่ยวข้อง
.
ตามสัญชาตญาณนี้ เราเสนอนวนิยายการเรียนรู้ของเครื่อง
วิธีการที่จะพิจารณาหัวข้อและหัวข้อการเปลี่ยนแปลงน้ำหนักของ
เรียนรู้ตามความคิดเห็นของผู้ใช้ระบบ .
วิธีการของเราจะขึ้นอยู่กับประเภทของ
< ดูวิดีโอคู่ , คู่ที่เกี่ยวข้องวีดีโอ > .
ในส่วนที่ 4.1 และ 4.2 เราจะอธิบายว่าหัวข้อการเปลี่ยน
จะแสดง แล้วในส่วนของ 4.3 เราอธิบาย
เพิ่มประสิทธิภาพของหัวข้อการเปลี่ยนแปลงน้ำหนัก ในที่สุด , ใน
มาตรา 44 เราอธิบายเกี่ยวกับ Video การใช้หัวข้อ

เปลี่ยนเวท 4.1 หัวข้อเปลี่ยน
สมมติว่าสองอาจจะแนะ
วิดีโอให้กับผู้ใช้ในการดูวิดีโอ VW . หนึ่งในวิดีโอ
V
( )
r , คลิกและดูได้โดยผู้ใช้ วิดีโออื่น ๆ
v
( − )
R ถูกละเว้นโดยผู้ใช้ .
ส่วนใหญ่โดยทั่วไป เราแสวงหาหัวข้อการบ้าน
เปลี่ยนน้ำหนักเช่นที่พบที่เกี่ยวข้องวีดีโอ V
( )

R จะเป็นที่ต้องการโดยรูปแบบการแนะนำวิดีโอ ( − )
v
R . การตั้งปัญหานี้

จากคู่การจำแนกวิธีการซึ่งมีทั่วไปในการเรียนรู้อันดับโปรแกรม
( เช่นเห็นเบิร์ก et al . [ 9 ] หรือ joachims [ 17 ] )
อย่างเป็นทางการ เราเป็นตัวแทนที่อาจเกี่ยวข้องกับ VR ที่
วีดีโอเป็นข้อเสนอแนะในการชมวิดีโอ VW ใช้ไบนารีเวกเตอร์ลักษณะ xvr

= [ IVR ( τ W , τ r ) W : τ∈ T , τ R ∈ T
T ] ซึ่งเป็นศัพท์เฉพาะของหัวข้อที่มีอยู่ทั้งหมดและ IVR เป็น
เปลี่ยนฟังก์ชั่นจากหัวข้อτ W τ R เช่น
IVR ( τ W , τ r ) = (
1 W ∈τ VW τ R ∈ VR
0
ให้อีกคู่ของวิดีโอที่เกี่ยวข้องบทความ PR =

( )
r , V ( r − )
,
เราเป็นตัวแทนคู่โดยใช้คุณลักษณะที่ประกอบไปด้วย :
เวกเตอร์xpr = [ ทรัพย์สินทางปัญญา ( τ W , τ r ) W : τ∈ T , τ R ∈ t ] ,
ที่เปลี่ยนฟังก์ชัน IPR ( τ W , τ R )

ที่กำหนดเช่นทรัพย์สินทางปัญญา ( τ W , τ r ) = I
V
( )

( τ R w , τ R ) − ( − ) 4

r
( τ W , τ R ) ( 2 )