In order to achieve an effective to

In order to achieve an effective topical video representation,
we assign weights to each topic associated with a video.
We propose two techniques for topical video representation.
The first technique is based on the well known information
retrieval heuristics such as computing topic frequencies
and topic inverse document frequencies. The second technique
leverages the implicit user feedback (such as video
co-watches) available in the online setting. This feedback is
used for a supervised learning of the optimal topic weights.
We empirically evaluate these two topical representation
methods. We find that both of these representations have
a significantly positive effect on the quality of video suggestions.
Furthermore, our evaluation demonstrates that
learning topic weights from user feedback can increase the
user engagement (compared to the collaborative filtering approach)
by more than 80% over the standard information
retrieval representation.
To evaluate our approaches, we conduct a large scale live
experiment on millions of YouTube video. The live experiment
demonstrates that a hybrid video suggestion system
that incorporates topic-based retrieval significantly outperforms
a purely co-view based suggestion system. These improvements
are especially high for fresh videos and videos
with rich topical representations.
There are several important contributions in this paper.
First, we formulate the video suggestion task as an information
retrieval problem and demonstrate that this formulation
enables effective and efficient deployment of video suggestion
on a very large scale. Previous work on video retrieval was
mainly performed offline on relatively small collections such
as TRECVID collections [20], or small pre-selected samples
of online videos [31]. To the best of our knowledge, this is
the first published study to address the challenges of realtime
video retrieval using topical representation in a large
scale web collection.
Second, we demonstrate that the richness of the implicit
user feedback available in the online setting can be leveraged
to improve the effectiveness of topical video representations.
To this end we employ a novel learning technique that derives
the optimal topic weights from co-view information.
Third, we describe the architecture of the hybrid video
suggestion system that combines the collaborative filtering
information with the topic-based video information.
Finally, we thoroughly evaluate the performance of our
system using both user simulation and a large scale live experiment.
This evaluation demonstrates the superiority of

ผลลัพธ์ (ไทย) 1:

In order to achieve an effective topical video representation,we assign weights to each topic associated with a video.We propose two techniques for topical video representation.The first technique is based on the well known informationretrieval heuristics such as computing topic frequenciesand topic inverse document frequencies. The second techniqueleverages the implicit user feedback (such as videoco-watches) available in the online setting. This feedback isused for a supervised learning of the optimal topic weights.We empirically evaluate these two topical representationmethods. We find that both of these representations havea significantly positive effect on the quality of video suggestions.Furthermore, our evaluation demonstrates thatlearning topic weights from user feedback can increase theuser engagement (compared to the collaborative filtering approach)by more than 80% over the standard informationretrieval representation.To evaluate our approaches, we conduct a large scale liveexperiment on millions of YouTube video. The live experimentdemonstrates that a hybrid video suggestion systemthat incorporates topic-based retrieval significantly outperformsa purely co-view based suggestion system. These improvementsare especially high for fresh videos and videoswith rich topical representations.There are several important contributions in this paper.First, we formulate the video suggestion task as an informationปัญหาการเรียก และแสดงให้เห็นถึงที่กำหนดนี้ช่วยให้ใช้งานมีประสิทธิภาพ และคำแนะนำวิดีโอในระดับที่มาก เรียกวิดีโอก่อนหน้านี้ทำงานได้ส่วนใหญ่ดำเนินการแบบออฟไลน์ในคอลเลกชันที่ค่อนข้างเล็กเช่นTRECVID ชุด [20], หรือตัวอย่างก่อนเลือกขนาดเล็กของออนไลน์วิดีโอ [31] กับความรู้ของเรา เป็นการศึกษาเผยแพร่ครั้งแรกที่อยู่ของเรียลไทม์เรียกวิดีโอที่ใช้แสดงเฉพาะในขนาดใหญ่ขนาดเว็บคอลเลกชันสอง เราสาธิตที่ความร่ำรวยนัยสามารถ leveraged ผลตอบสนองผู้ใช้ในการตั้งค่าออนไลน์เพื่อปรับปรุงประสิทธิภาพของการนำเสนอวิดีโอที่เฉพาะเพื่อการนี้ เราใช้เทคนิคเรียนนวนิยายที่มาน้ำหนักหัวข้อที่เหมาะสมจากข้อมูลมุมมองร่วมที่สาม เราอธิบายสถาปัตยกรรมผสมวิดีโอแนะนำระบบที่รวมกรองร่วมกันข้อมูลแสดงผลข้อมูลตามหัวข้อสุดท้าย เราต้องประเมินประสิทธิภาพการทำงานของเราระบบที่ใช้การจำลองผู้ใช้และมีขนาดใหญ่อาศัยการทดลองประเมินผลนี้แสดงให้เห็นถึงปมของ

ผลลัพธ์ (ไทย) 2:

เพื่อให้บรรลุการแสดงวิดีโอที่มีประสิทธิภาพเฉพาะที่เรากำหนดน้ำหนักแต่ละหัวข้อที่เกี่ยวข้องกับวิดีโอ.
เราเสนอสองเทคนิคสำหรับการแสดงวิดีโอเฉพาะ. เทคนิคแรกที่อยู่บนพื้นฐานของข้อมูลที่รู้จักกันดีในการวิเคราะห์พฤติกรรมการดึงเช่นการคำนวณความถี่หัวข้อและผกผันหัวข้อความถี่เอกสาร เทคนิคที่สองใช้ประโยชน์จากข้อเสนอแนะของผู้ใช้โดยปริยาย(เช่นวิดีโอร่วมนาฬิกา) ที่มีอยู่ในการตั้งค่าออนไลน์ ความคิดเห็นนี้ถูกนำมาใช้เพื่อการเรียนรู้ภายใต้การดูแลของน้ำหนักหัวข้อที่ดีที่สุด. เราสังเกตุการประเมินทั้งสองเป็นตัวแทนเฉพาะวิธี เราพบว่าทั้งสองของการแสดงเหล่านี้มีผลในเชิงบวกอย่างมีนัยสำคัญกับคุณภาพของข้อเสนอแนะวิดีโอ. นอกจากนี้การประเมินผลของเราแสดงให้เห็นว่าการเรียนรู้น้ำหนักหัวข้อจากความคิดเห็นของผู้ใช้สามารถเพิ่มการมีส่วนร่วมของผู้ใช้(เมื่อเทียบกับวิธีการกรองการทำงานร่วมกัน) โดยกว่า 80% ในช่วง ข้อมูลมาตรฐานการเป็นตัวแทนการดึง. เพื่อประเมินวิธีการของเราที่เราดำเนินชีวิตขนาดใหญ่การทดลองในล้านของวิดีโอ YouTube การทดลองถ่ายทอดสดการแสดงให้เห็นว่าวิดีโอไฮบริดระบบข้อเสนอแนะที่รวมเอาการดึงหัวข้อตามอย่างมีนัยสำคัญมีประสิทธิภาพดีกว่าอย่างหมดจดร่วมมุมมองระบบตามข้อเสนอแนะ การปรับปรุงเหล่านี้โดยเฉพาะอย่างยิ่งสูงสำหรับวิดีโอสดและวิดีโอที่มีการแสดงเฉพาะที่อุดมไปด้วย. มีส่วนร่วมที่สำคัญหลายแห่งในกระดาษนี้. ครั้งแรกที่เรากำหนดงานข้อเสนอแนะวิดีโอเป็นข้อมูลปัญหาการดึงและแสดงให้เห็นว่าสูตรนี้จะช่วยให้การใช้งานที่มีประสิทธิภาพและมีประสิทธิภาพของข้อเสนอแนะวิดีโอในขนาดใหญ่มาก ก่อนหน้าการทำงานในการดึงวิดีโอที่ถูกดำเนินการส่วนใหญ่เป็นแบบออฟไลน์บนคอลเลกชันที่ค่อนข้างเล็กดังกล่าวเป็นคอลเลกชันTRECVID [20], หรือตัวอย่างที่เลือกไว้ล่วงหน้าขนาดเล็กของวิดีโอออนไลน์[31] ที่ดีที่สุดของความรู้ของเรานี้เป็นผลการศึกษาที่ตีพิมพ์ครั้งแรกที่จะรับมือกับความท้าทายของเรียลไทม์ดึงวิดีโอโดยใช้การแสดงเฉพาะในขนาดใหญ่คอลเลกชันเว็บขนาด. ประการที่สองเราแสดงให้เห็นว่าความร่ำรวยของนัยที่ความคิดเห็นของผู้ที่มีอยู่ในการตั้งค่าออนไลน์ได้ศักยภาพในการปรับปรุงประสิทธิภาพของการแสดงวิดีโอทา. ด้วยเหตุนี้เราใช้เทคนิคการเรียนรู้ใหม่ที่เกิดขึ้นน้ำหนักหัวข้อที่ดีที่สุดจากข้อมูลร่วมมุมมอง. ประการที่สามเราจะอธิบายสถาปัตยกรรมของวิดีโอไฮบริดระบบข้อเสนอแนะที่รวมการกรองการทำงานร่วมกันกับข้อมูลที่มีข้อมูลวิดีโอตามหัวข้อ. สุดท้ายเราได้อย่างทั่วถึงประเมินผลการทำงานของเราระบบโดยใช้สถานการณ์จำลองทั้งผู้ใช้และการทดลองที่มีชีวิตขนาดใหญ่. ประเมินนี้แสดงให้เห็นถึงความเหนือกว่าของ

ผลลัพธ์ (ไทย) 3:

เพื่อให้ได้การแสดงวิดีโอ topical มีประสิทธิภาพ
เรากำหนดน้ำหนักแต่ละหัวข้อที่เกี่ยวข้องกับวิดีโอ .
เราเสนอสองเทคนิคเฉพาะที่วีดีโอแทน .
เทคนิคแรกจะขึ้นอยู่กับที่รู้จักกันดีข้อมูลการวิเคราะห์พฤติกรรมการสืบค้น เช่น คอมพิวเตอร์

เรื่องความถี่และความถี่เอกสารหัวข้อที่ตรงกันข้าม
เทคนิคที่สองใช้ประโยชน์จากข้อเสนอแนะของผู้ใช้ระบบ ( เช่นนาฬิกาวิดีโอ
Co ) ที่มีอยู่ในแบบออนไลน์ การตั้งค่า ความคิดเห็นนี้
ใช้สำหรับการเรียนรู้แบบมีผู้สอนของน้ำหนักหัวข้อที่ดีที่สุด .
เราใช้ประเมินทั้งสองหัวข้อการแสดง
วิธี เราพบว่า ทั้งของตัวแทนเหล่านี้มี
ผลอย่างมีนัยสำคัญต่อคุณภาพของคำแนะนำวิดีโอ .
นอกจากนี้การประเมินของเราแสดงให้เห็นว่าเรียนหนัก
หัวข้อความคิดเห็นผู้ใช้สามารถเพิ่ม
ผู้ใช้หมั้น ( เมื่อเทียบกับวิธีการแบบกรอง )
โดยกว่า 80% ผ่านมาตรฐานข้อมูล

เรียกเป็นตัวแทน เพื่อประเมินแนวทางของเรา เราดำเนินการขนาดใหญ่อยู่
2 ล้านของ YouTube วิดีโอ การทดลอง
สดพบว่าลูกผสมระบบวิดีโอคำแนะนำ
ซึ่งตามหัวข้อการสืบค้นอย่างมีนัยสำคัญมีประสิทธิภาพดีกว่า
หมดจด Co ดูระบบข้อเสนอแนะจาก การปรับปรุง
เหล่านี้สูงโดยเฉพาะสำหรับวิดีโอสดและวิดีโอกับตัวแทนเฉพาะที่

รวย มีผลงานที่สำคัญหลายประการในกระดาษนี้ .
แรกเรากำหนดข้อเสนอแนะวิดีโองานเป็นข้อมูล
การกำหนดปัญหาและแสดงให้เห็นนี้ให้มีประสิทธิภาพ และมีประสิทธิภาพการใช้งานของ

แนะนำวิดีโอมีขนาดใหญ่มาก ผลงานที่ผ่านมาในการดึงวิดีโอ
ส่วนใหญ่ดำเนินการแบบออฟไลน์บนค่อนข้างเล็กเช่น
เป็นคอลเลกชัน trecvid คอลเลกชัน [ 20 ] หรือเล็กก่อนตัวอย่าง
ของวิดีโอออนไลน์ [ 31 ] เพื่อที่ดีที่สุดของความรู้ของเรานี้เป็น
แรกเผยแพร่การศึกษาไปยังที่อยู่กับความท้าทายของการดึงวิดีโอเรียลไทม์
ใช้เป็นตัวแทน topical ในมาตราส่วนใหญ่

เว็บคอลเลกชัน สอง เราแสดงให้เห็นว่า ความมั่งคั่งของนัย
คิดเห็นของผู้ใช้ที่มีอยู่ในการตั้งค่าออนไลน์สามารถ leveraged เพื่อปรับปรุงประสิทธิภาพของยาทา

วิดีโอรับรอง สุดท้ายเราจ้างใหม่ เทคนิคการเรียนรู้ที่ได้มา
หัวข้อที่เหมาะสมน้ำหนัก CO ข้อมูลดู
ที่สาม เราอธิบายสถาปัตยกรรมของระบบไฮบริดวิดีโอ
คำแนะนำ ที่ผสมผสานร่วมกัน กรอง
ข้อมูลกับหัวข้อข้อมูลวิดีโอตาม .
ในที่สุดเราอย่างละเอียด ประเมินประสิทธิภาพของระบบของเรา
ใช้ทั้งผู้ใช้และจำลองขนาดใหญ่อยู่
ประเมินผลการทดลอง นี้แสดงให้เห็น ที่เหนือกว่าของ