in Section 3, is based on the stand

in Section 3, is based on the standard practices in information
retrieval including idf term weighting [23] and stopword
removal [19] applied to the topical video representations.
The second retrieval method, described in Section 4, is
based on learning the optimal transition weights between
the watch video and the related video topics. To learn the
weights, we use a pairwise classification approach, as proposed
by e.g., Burges et al. [9] and Joachims [17], which is
common in learning-to-rank applications [18].
The novelty of our approach is due to the fact that we are
able to leverage the rich user feedback available in the online
setting to learn a large scale model of topic transitions. To
this end, we use a parallel-update algorithm, first proposed
by Collins et al. [12], which allows continuous and scalable
weight learning (see Section 4.3 for details).
Our approach to related video suggestion complements
previous work by Baluja et al. [7] that uses co-view information
to suggest related videos. As we show in Section 7,
our approach can be used to augment the information from a
co-view graph, which is especially beneficial for videos with
sparse co-view data or rich topical content.
It is important to note the connection between this work
and the ongoing research on hybrid recommender systems
[4, 10, 15, 31]. Similar to the hybrid recommender systems,
the related video suggestion system described in Section 5
combines collaborative information (retrieval from the coview
graph) with content information (topic retrieval) to
improve the system performance, especially for the “coldstart”
videos with sparse co-view data, or videos with rich
topical representations.
Finally our work is also related to some of the current
work on supervised topic weighting for video [31] and text
[5] retrieval. However, this related work focuses on offline
evaluation of the proposed methods. In contrast, we address
the challenge of performing evaluation of our methods on live
traffic, and demonstrate that our system can be successfully
deployed on global scale.
7. EVALUATION
In this section, we empirically evaluate the benefits of the
integration of the topic video retrieval methods into the experimental
video suggestion system described in Figure 4.
To this end, we first describe the methodology and the metrics
used in our experiments (Section 7.1). Then, in Section
7.2 we use a simulation method to estimate the effect of the
topic-based retrieval on the overall performance of our experimental
video suggestion system. Finally, in Section 7.3
we describe the results of a large scale live traffic experiment.
7.1 Experimental Methods
7.1.1 Evaluation Methodology
There are several possible options for evaluating a large
scale recommendation system such as the one described in
this paper. These options include user simulation based on
historical data, user studies and online evaluation [24]. Each
of these options has its advantages and limitations, however
one important consideration in the choice of the evaluation
method is that the test subjects must represent as closely
as possible the population of the users in the actual system
[24].
This is especially true in the case of large scale web applications
that are used by millions of users. In this case,

ผลลัพธ์ (ไทย) 1:

ใน 3 ส่วน ตามแนวทางมาตรฐานในข้อมูลเรียกระยะ idf น้ำหนัก [23] และ stopwordเอา [19] ใช้แสดงวิดีโอเฉพาะวิธีเรียกสอง อธิบายไว้ในส่วน 4ตามน้ำหนักเปลี่ยนเหมาะสมระหว่างการเรียนรู้ดูวีดีโอและหัวข้อวิดีโอที่เกี่ยวข้อง การเรียนการน้ำหนัก เราใช้วิธีการจัดประเภทแพร์ไวส์ เสนอเช่น Burges et al. [9] และ [17] Joachims ซึ่งเป็นทั่วไปในการใช้งานการลำดับการเรียนรู้ [18]นวัตกรรมของวิธีการของเราได้เนื่องจากข้อเท็จจริงที่ว่าเราเป็นสามารถใช้ประโยชน์จากความคิดเห็นผู้ใช้ในออนไลน์การเรียนรู้แบบจำลองขนาดใหญ่ของการเปลี่ยนหัวข้อ ถึงการนี้ เราใช้การขนานปรับปรุงอัลกอริทึม ก่อน นำเสนอโดยคอลลินส์ et al. [12], ให้อย่างต่อเนื่อง และปรับขนาดได้น้ำหนักเรียนรู้ (ดู 4.3 ส่วนรายละเอียด)ทำไมเราถึงแนะนำวิดีโอที่เกี่ยวข้องเสริมงานก่อนหน้านี้ โดย Baluja et al. [7] ที่ใช้ดูร่วมข้อมูลแนะนำวิดีโอที่เกี่ยวข้อง ตามที่แสดงในส่วน 7สามารถใช้วิธีการของเราต่อเติมข้อมูลจากการดูกราฟ ซึ่งมีประโยชน์อย่างยิ่งสำหรับวิดีโอที่มีร่วมกันมุมมองร่วมบ่อข้อมูลหรือรวยเฉพาะเนื้อหาจะต้องหมายเหตุการเชื่อมต่อระหว่างงานนี้และวิจัยอย่างต่อเนื่องในระบบไฮบริดผู้แนะนำ[4, 10, 15, 31] คล้ายกับระบบผู้แนะนำแบบผสมผสานระบบแนะนำวิดีโอที่เกี่ยวข้องใน 5 ส่วนรวมข้อมูลร่วมกัน (เรียกจาก coview ที่กราฟ) กับเนื้อหาข้อมูล (เรียกหัวข้อ)ปรับปรุงประสิทธิภาพระบบ โดยเฉพาะอย่างยิ่งสำหรับ "coldstart"ด้วยข้อมูลของมุมบ่อร่วม หรือวิดีโอวิดีโอมีเฉพาะที่ใช้แทนสุดท้าย งานยังเกี่ยวข้องกับปัจจุบันอย่างใดอย่างหนึ่งทำงานในหัวข้อมีน้ำหนักวิดีโอ [31] และข้อความ[5] เรียก อย่างไรก็ตาม นี้ทำงานที่เกี่ยวข้องเน้นออฟไลน์การประเมินผลของวิธีการนำเสนอ ในทางตรงข้าม เราอยู่ความท้าทายในการทำการประเมินวิธีการถ่ายทอดสดจราจร และแสดงให้เห็นว่า ระบบของเราสามารถสำเร็จใช้งานในระดับสากล7. การประเมินผลในส่วนนี้ เรา empirically ประเมินประโยชน์ของการรวมวิธีการเรียกแสดงผลหัวข้อในการทดลองระบบวิดีโอแนะนำที่อธิบายไว้ในรูปที่ 4เพื่อการนี้ เราต้องอธิบายวิธีการและเครื่องมือวัดใช้ในการทดลองของเรา (ส่วน 7.1) จากนั้น ในส่วน7.2 เราใช้วิธีการจำลองการประเมินผลของการเรียกตามหัวข้อบนของเราทดลองระบบวิดีโอแนะนำ สุดท้าย ในหัวข้อ 7.3เราอธิบายผลการทดลองการจราจรสดขนาดใหญ่7.1 วิธีการทดลอง7.1.1 วิธีการประเมินผลมีหลายตัวสำหรับการประเมินขนาดใหญ่ระบบแนะนำมาตราส่วนเช่นอธิบายไว้ในเอกสารนี้ ตัวเลือกเหล่านี้รวมถึงการจำลองผู้ใช้ขึ้นอยู่กับข้อมูลทางประวัติศาสตร์ ผู้ศึกษา และประเมินผลออนไลน์ [24] แต่ละตัวเลือกเหล่านี้มีข้อดีและข้อจำกัด เป็นอย่างไรก็ตามหนึ่งสำคัญประกอบการพิจารณาในการเลือกการประเมินวิธีคือ ว่า หัวข้อทดสอบต้องแสดงได้อย่างใกล้ชิดเป็นประชากรของผู้ใช้ในระบบจริง[24]นี้เป็นจริงโดยเฉพาะอย่างยิ่งในกรณีโปรแกรมประยุกต์สำหรับเว็บขนาดใหญ่ที่ใช้ โดยคนนับล้านของผู้ใช้ ในกรณีนี้

ผลลัพธ์ (ไทย) 2:

ในส่วนที่ 3
จะขึ้นอยู่กับการปฏิบัติที่เป็นมาตรฐานในข้อมูลการเรียกรวมทั้งน้ำหนักระยะIDF [23] และ stopword
กำจัด [19] นำไปใช้กับการแสดงวิดีโอเฉพาะ.
วิธีการดึงสองที่อธิบายไว้ในมาตรา 4
จะขึ้นอยู่กับการเรียนรู้การเปลี่ยนแปลงที่ดีที่สุด
น้ำหนักระหว่างวิดีโอนาฬิกาและหัวข้อที่เกี่ยวข้องกับวิดีโอ ที่จะเรียนรู้น้ำหนักที่เราใช้วิธีการจัดหมวดหมู่จากจำนวนที่เสนอโดยเช่นBurges et al, [9] และ Joachims [17] ซึ่งเป็นเรื่องธรรมดาในโปรแกรมการเรียนรู้เพื่อการจัดอันดับ[18]. ความแปลกใหม่ของวิธีการของเราคือความจริงที่ว่าเรามีความสามารถที่จะใช้ประโยชน์จากความคิดเห็นของผู้ที่อุดมไปด้วยที่มีอยู่ในออนไลน์การตั้งค่าที่จะเรียนรู้รูปแบบขนาดใหญ่ของการเปลี่ยนหัวข้อ เพื่อเหตุนี้เราใช้อัลกอริทึมแบบขนานอัพเดทเสนอครั้งแรกโดยคอลลินและอัล [12] ซึ่งจะช่วยให้สามารถปรับขนาดได้อย่างต่อเนื่องและน้ำหนักการเรียนรู้(ดูมาตรา 4.3 สำหรับรายละเอียด). วิธีการของเราเพื่อให้คำแนะนำวิดีโอที่เกี่ยวข้องกับการเติมเต็มการทำงานก่อนหน้าโดย Baluja et al, [7] ที่ใช้ข้อมูลร่วมมุมมองที่จะแนะนำวิดีโอที่เกี่ยวข้อง ในขณะที่เราแสดงให้เห็นในมาตรา 7 วิธีการของเราสามารถนำมาใช้เพื่อเพิ่มข้อมูลจากกราฟร่วมมุมมองที่เป็นประโยชน์อย่างยิ่งสำหรับวิดีโอที่มีข้อมูลร่วมมุมมองเบาบางหรือเนื้อหาเฉพาะที่อุดมไปด้วย. มันเป็นสิ่งสำคัญที่จะต้องทราบการเชื่อมต่อระหว่างการทำงานนี้และวิจัยอย่างต่อเนื่องในระบบไฮบริด recommender [4, 10, 15, 31] คล้ายกับระบบ recommender ไฮบริดระบบวิดีโอที่เกี่ยวข้องกับข้อเสนอแนะที่อธิบายไว้ในมาตรา5 รวมข้อมูลการทำงานร่วมกัน (จากการดึง coview กราฟ) กับข้อมูลเนื้อหา (ดึงหัวข้อ) เพื่อปรับปรุงประสิทธิภาพของระบบโดยเฉพาะอย่างยิ่งสำหรับ"coldstart" วิดีโอที่มีความเบาบางร่วม ดูข้อมูลหรือวิดีโอที่มีอุดมไปด้วยการแสดงเฉพาะ. ในที่สุดการทำงานของเราจะยังเกี่ยวข้องกับบางส่วนของปัจจุบันทำงานในหัวข้อภายใต้การดูแลน้ำหนักสำหรับวิดีโอ [31] และข้อความ [5] การดึง แต่นี้การทำงานที่เกี่ยวข้องกับการมุ่งเน้นไปที่ออฟไลน์ประเมินผลของวิธีการที่นำเสนอ ในทางตรงกันข้ามเราอยู่ที่ความท้าทายในการดำเนินการประเมินผลของวิธีการของเราในการถ่ายทอดสดการจราจรและแสดงให้เห็นว่าระบบของเราประสบความสำเร็จสามารถนำไปใช้ในระดับโลก. 7 การประเมินผลในส่วนนี้เราสังเกตุประเมินผลประโยชน์ของการบูรณาการวิธีการดึงวิดีโอหัวข้อเข้าไปในการทดลองระบบข้อเสนอแนะของวิดีโอที่อธิบายไว้ในรูปที่4 ด้วยเหตุนี้เราอธิบายวิธีการและตัวชี้วัดที่ใช้ในการทดลองของเรา (ข้อ 7.1) . จากนั้นในมาตรา7.2 เราใช้วิธีการจำลองเพื่อประเมินผลกระทบจากการดึงหัวข้อบนพื้นฐานของประสิทธิภาพโดยรวมของการทดลองของเราระบบข้อเสนอแนะวิดีโอ สุดท้ายในมาตรา 7.3 เราจะอธิบายผลของการจราจรสดขนาดใหญ่การทดลอง. 7.1 วิธีการทดลอง7.1.1 การประเมินวิธีการมีตัวเลือกที่เป็นไปได้หลายอย่างสำหรับการประเมินผลที่มีขนาดใหญ่มีระบบแนะนำระดับดังกล่าวเป็นหนึ่งที่อธิบายไว้ในบทความนี้ ตัวเลือกเหล่านี้รวมถึงการจำลองการใช้งานอยู่บนพื้นฐานของข้อมูลทางประวัติศาสตร์การศึกษาผู้ใช้และการประเมินผลออนไลน์ [24] แต่ละตัวเลือกเหล่านี้มีข้อดีและข้อ จำกัด ของมัน แต่หนึ่งในการพิจารณาที่สำคัญในการเลือกการประเมินวิธีการก็คือการทดสอบวิชาต้องแสดงอย่างใกล้ชิดที่เป็นไปได้ประชากรของผู้ใช้ในระบบที่เกิดขึ้นจริง[24]. นี้จะเป็นจริงโดยเฉพาะอย่างยิ่งใน กรณีที่มีการใช้งานเว็บขนาดใหญ่ที่ใช้โดยผู้ใช้นับล้าน ในกรณีนี้,

ผลลัพธ์ (ไทย) 3:

ในส่วนที่ 3 ตามมาตรฐาน ในการสืบค้นข้อมูล รวมถึงระยะน้ำหนัก
IDF [ 23 ] และการกำจัด stopword
[ 19 ] ใช้กับภาพวิดีโอเฉพาะ
วิธีการกู้คืนที่สอง อธิบายไว้ในมาตรา 4 คือ
ตามการเรียนรู้ที่เหมาะสมการเปลี่ยนแปลงน้ำหนักระหว่าง
ดูวิดีโอและวิดีโอที่เกี่ยวข้อง หัวข้อ เรียนรู้
ยกน้ำหนักเราใช้วิธีการประเภทคู่ , ตามที่เสนอ
โดยเช่นเบิร์ก et al . [ 9 ] และ joachims [ 17 ] ซึ่งพบในการเรียนรู้การใช้งาน
1 [ 18 ] .
นวัตกรรมของวิธีการของเราคือเนื่องจากความจริงที่ว่าเราสามารถใช้ประโยชน์จากรวย
คิดเห็นของผู้ใช้ที่มีอยู่ในการตั้งค่าออนไลน์
เรียนรู้รูปแบบขนาดใหญ่ของหัวข้อการเปลี่ยน

จบนี้ เราใช้ปรับปรุงอัลกอริทึมแบบขนานก่อนเสนอ
โดย คอลลินส์ et al . [ 12 ] ที่ช่วยให้ต่อเนื่องและยืดหยุ่น
น้ำหนักการเรียนรู้ ( ดูหมวด 4.3 สำหรับรายละเอียด ) .
วิธีของเราที่เกี่ยวข้องกับวิดีโอคำแนะนำ
งานก่อนหน้านี้ โดย baluja et al . [ 7 ] ที่ใช้
ข้อมูลดู Co แนะนำวิดีโอที่เกี่ยวข้อง . ในฐานะที่เราแสดงในมาตรา 7
วิธีการของเราสามารถใช้ในการเพิ่มข้อมูลจาก
CO ดูกราฟซึ่งเป็นประโยชน์โดยเฉพาะอย่างยิ่งสำหรับวิดีโอกับข้อมูลหรือเนื้อหาเฉพาะเบาบาง Co วิว

รวย เป็นสิ่งสำคัญที่จะต้องทราบความสัมพันธ์ระหว่างงานและการวิจัยอย่างต่อเนื่อง

แนะนำระบบไฮบริด [ 5 , 10 , 15 , 31 ] คล้ายกับแนะนำระบบไฮบริดที่เกี่ยวข้องวิดีโอระบบข้อเสนอแนะ

รวมข้อมูลที่อธิบายไว้ในมาตรา 5 ( สืบค้นจาก coview
)กราฟ ) กับข้อมูลเนื้อหา ( สืบค้นหัวข้อ )
ปรับปรุงประสิทธิภาพของระบบ โดยเฉพาะ " coldstart "
วิดีโอกับป่าโปร่ง CO ดูข้อมูลหรือวิดีโอกับตัวแทนเฉพาะที่รวย
.
ในที่สุดผลงานของเรายังเกี่ยวข้องกับปัจจุบันบาง
งานดูแลเรื่องน้ำหนักและวิดีโอ [ 31 ]
ข้อความ [ 5 ] เรียก อย่างไรก็ตาม งานที่เกี่ยวข้อง เน้นครับ
การประเมินผลการนำเสนอวิธีการ ในทางตรงกันข้ามเราที่อยู่
ท้าทายการปฏิบัติการประเมินวิธีการของเราในชีวิต
จราจร และแสดงให้เห็นว่า ระบบของเราสามารถใช้งานในระดับสากลเรียบร้อยแล้ว
.
7 การประเมิน
ในส่วนนี้เราใช้ประเมินประโยชน์ของการรวมของหัวข้อการค้นคืนวีดิทัศน์

วิธีการเป็นกลุ่มทดลองวีดีโอแนะนำระบบที่อธิบายไว้ในรูปที่ 4 .
จบนี้เราแรกอธิบายวิธีการและตัวชี้วัดที่ใช้ในการทดลองของเรา
( มาตรา 7 ) แล้วในส่วนของ
7.2 เราใช้วิธีจำลองเพื่อประมาณการผลกระทบของ
หัวข้อตามสืบค้นในประสิทธิภาพโดยรวมของระบบวิดีโอแนะนำทดลอง
ของเรา สุดท้ายในส่วน 7.3
เราอธิบายผลขนาดใหญ่อยู่ทดลองการจราจร .
7.1 วิธีการทดลองวิธีการประเมินผล 7.1.1

มีหลายตัวเลือกที่เป็นไปได้สำหรับการประเมินขนาดใหญ่
ขนาดระบบแนะนำเช่นที่อธิบายไว้ใน
กระดาษนี้ ตัวเลือกเหล่านี้รวมถึงการจำลองผู้ใช้ตาม
ข้อมูลทางประวัติศาสตร์การศึกษาผู้ใช้ออนไลน์และประเมินผล [ 24 ] แต่ละ
ตัวเลือกเหล่านี้มีข้อดีและข้อจำกัดของมัน แต่หนึ่งที่สำคัญในการพิจารณาเลือก

วิธีในการประเมินว่า การทดสอบที่ต้องแสดงเป็นอย่างใกล้ชิด
ที่สุดประชากรของผู้ใช้ในระบบจริง 24
[ ]
นี่คือความจริงโดยเฉพาะอย่างยิ่งในกรณีของการใช้งานเว็บ
ที่มีขนาดใหญ่ ใช้เป็นล้าน ๆของผู้ใช้ ในกรณีนี้