stage (but does employ the co-view

stage (but does employ the co-view retrieval and the reranking
model, as described in Figure 4).
In Figure 6 we report the differences in three metrics related
to watch time. The first metric is the watch time itself
(as described in Section 7.1). The second metric is the
completion rate, which measures how many of the suggested
videos were fully watched from start to finish. The third
metric is the abandonment rate, which measures the fraction
of watch videos for which no related videos were watched.
As can be seen in Figure 6, the addition of the topic retrieval
stage to the related video suggestion system results
in improvements in all three watch metrics: watch time and
completion rate increase, while the abandonment rate decreases.
As the confidence intervals shown by the error bars
in Figure 6 demonstrate, these improvements are statistically
significant.
In absolute metrics, the TransTopics method achieves
overall 1.3% increase in watch time over the baseline setup
that does not employ topic retrieval. This is an impressive
increase, given billions of hours of video watched monthly
on YouTube [2].
In addition, the TransTopics method is significantly more
effecitve compared to the IRTopics method. % change in the
watch time is 80% higher for the TransTopics compared to
the IRTopics. Similarly, % change in the completion rate is
more than double, and the % change in the abandoment rate
drops by more than 90% when comparing the TransTopics
method to the IRTopics method.
These effectiveness improvements highlight the importance
of directly learning topic transitions from user feedback. As
Figure 6 clearly demonstrates, the learned weights in the
TransTopics method can significantly improve the system
performance compared to the hand-crafted heuristic weighting
in the IRTopics method.
7.3.2 Breakdown by Video Type
In addition to the summary presented in the previous section,
it is interesting to further analyze the performance of
our methods by video type. In Table 1 we break down the
changes in the watch time metric by video category (specified
by the uploader of the video) and video age.

ผลลัพธ์ (ไทย) 1:

ขั้นตอน (แต่ใช้เรียกมุมมองร่วมและที่ rerankingแบบจำลอง ตามที่อธิบายไว้ในรูปที่ 4)ในรูปที่ 6 เรารายงานความแตกต่างใน 3 วัดที่เกี่ยวข้องการดูเวลา วัดแรกคือ เวลาดูตัวเอง(ตามที่อธิบายไว้ในหัวข้อ 7.1) วัดที่สองคือการอัตราความสมบูรณ์ การวัดจำนวนที่แนะนำวิดีโอได้เต็มดูตั้งแต่ต้นจนจบ ที่สามวัดเป็นอัตรา abandonment ที่วัดเศษส่วนของชมวีดีโอที่ได้ดูวิดีโอที่เกี่ยวข้องไม่เป็นสามารถดูได้ในรูปที่ 6 การเพิ่มเรียกหัวข้อขั้นตอนเพื่อผลลัพธ์ระบบแนะนำวิดีโอที่เกี่ยวข้องในการปรับปรุงในทั้งหมดสามชมวัด: ดูเวลา และสมบูรณ์เพิ่มอัตรา ในขณะที่อัตรา abandonment ลดเป็นช่วงความเชื่อมั่นแสดงแถบข้อผิดพลาดในรูปที่ 6 แสดงให้เห็นถึง มีการปรับปรุงทางสถิติอย่างมีนัยสำคัญในการวัดสัมบูรณ์ วิธี TransTopics ได้รับโดยรวม 1.3% เพิ่มเวลาดูการตั้งค่าพื้นฐานนอกจากนี้ที่ไม่ใช้เรียกหัวข้อ เป็นที่น่าประทับใจเพิ่มขึ้น ให้พันชั่วโมงของวิดีโอดูรายเดือนใน YouTube [2]นอกจากนี้ วิธีการ TransTopics มีมากeffecitve เปรียบเทียบกับวิธี IRTopics %การเปลี่ยนแปลงในการดูเวลาได้ 80% สูงสำหรับ TransTopics เมื่อเทียบกับIRTopics ในทำนองเดียวกัน, %การเปลี่ยนแปลงในอัตราสมบูรณ์คือเดี่ยว และการเปลี่ยนแปลง%อัตรา abandomentลดลงมากกว่า 90% เมื่อเปรียบเทียบการ TransTopicsวิธีการวิธีการ IRTopicsการปรับปรุงประสิทธิภาพเน้นความสำคัญการเรียนรู้เปลี่ยนหัวข้อจากคำติชมของผู้ใช้โดยตรง เป็นรูปที่ 6 ชัดเจนแสดงให้เห็นถึง น้ำหนักเรียนรู้ในการวิธี TransTopics อย่างมีนัยสำคัญสามารถเพิ่มระบบประสิทธิภาพเมื่อเทียบกับน้ำหนักแล้วสลักมือในวิธีการ IRTopics7.3.2 แบ่งตามชนิดของวิดีโอนอกจากสรุปนำเสนอในส่วนก่อนหน้านี้เป็นที่น่าสนใจเพิ่มเติม วิเคราะห์ประสิทธิภาพของวิธีตามชนิดของวิดีโอ ในตารางที่ 1 เราแบ่งการการเปลี่ยนแปลงในการวัดเวลานาฬิกาโดย (ระบุประเภทวิดีโอโดยอัพโหลดวิดีโอ) และวิดีโออายุ

ผลลัพธ์ (ไทย) 2:

เวที (แต่ไม่จ้างดึงร่วมมุมมองและ reranking
รูปแบบที่อธิบายไว้ในรูปที่ 4).
ในรูปที่ 6
เรารายงานความแตกต่างในตัวชี้วัดที่สามที่เกี่ยวข้องกับการชมครั้ง ตัวชี้วัดแรกคือเวลาในการดูตัวเอง
(ตามที่อธิบายไว้ในมาตรา 7.1) ตัวชี้วัดที่สองคืออัตราการสำเร็จซึ่งมาตรการวิธีการหลายแนะนำวิดีโอที่ถูกจับตามองอย่างเต็มที่ตั้งแต่ต้นจนจบ สามตัวชี้วัดอัตราการละทิ้งซึ่งมาตรการส่วนของวิดีโอนาฬิกาที่ไม่มีวิดีโอที่เกี่ยวข้องได้รับการจับตามอง. ที่สามารถเห็นได้ในรูปที่ 6 นอกเหนือจากการดึงหัวข้อเวทีเพื่อให้ได้ผลลัพธ์ที่ระบบคำแนะนำวิดีโอที่เกี่ยวข้องในการปรับปรุงในทั้งสามดูตัวชี้วัด: ดูเวลาและเพิ่มขึ้นเสร็จสิ้นอัตราในขณะที่อัตราการละทิ้งลดลง. ในฐานะที่เป็นช่วงความเชื่อมั่นที่แสดงโดยบาร์ข้อผิดพลาดในรูปที่ 6 แสดงให้เห็นถึงการปรับปรุงเหล่านี้มีนัยสำคัญทางสถิติอย่างมีนัยสำคัญ. ในตัวชี้วัดที่แน่นอนวิธี TransTopics ประสบความสำเร็จโดยรวมเพิ่มขึ้น1.3% ในนาฬิกา ช่วงเวลาการตั้งค่าพื้นฐานที่ไม่ได้ใช้การดึงหัวข้อ นี้เป็นที่น่าประทับใจเพิ่มขึ้นให้พันล้านชั่วโมงวิดีโอดูรายเดือนในYouTube [2]. นอกจากนี้วิธีการ TransTopics อย่างมีนัยสำคัญมากขึ้นeffecitve เมื่อเทียบกับวิธีการ IRTopics % การเปลี่ยนแปลงในเวลาที่นาฬิกาเป็น80% สูงขึ้นสำหรับ TransTopics เมื่อเทียบกับIRTopics ในทำนองเดียวกันการเปลี่ยนแปลง% ในอัตราการสำเร็จเป็นมากกว่าคู่และ% การเปลี่ยนแปลงในอัตรา abandoment ลดลงกว่า 90% เมื่อเปรียบเทียบ TransTopics วิธีการที่จะใช้วิธีการ IRTopics. ปรับปรุงประสิทธิภาพเหล่านี้เน้นความสำคัญของการเปลี่ยนการเรียนรู้โดยตรงหัวข้อจากผู้ใช้ข้อเสนอแนะ ในฐานะที่เป็นรูปที่ 6 แสดงให้เห็นอย่างชัดเจนที่ได้เรียนรู้น้ำหนักในวิธีTransTopics อย่างมีนัยสำคัญสามารถปรับปรุงระบบการปฏิบัติงานเมื่อเทียบกับน้ำหนักแก้ปัญหามือที่สร้างขึ้นในวิธีการIRTopics. 7.3.2 แยกตามประเภทวิดีโอนอกจากสรุปที่นำเสนอในส่วนก่อนหน้านี้เป็นที่น่าสนใจเพื่อวิเคราะห์ประสิทธิภาพของวิธีการของเราโดยแบ่งตามชนิดวิดีโอ ในตารางที่ 1 เราทำลายลงการเปลี่ยนแปลงในเวลาในการดูตัวชี้วัดตามหมวดหมู่วิดีโอ(ระบุโดยอัพโหลดของวิดีโอ) และอายุวิดีโอ

ผลลัพธ์ (ไทย) 3:

เวที ( แต่ไม่จ้าง CO ดูสืบค้นและ reranking
รูปแบบตามที่อธิบายไว้ในรูปที่ 4 ) .
ในรูปที่ 6 เรารายงานความแตกต่างใน 3 วัดที่เกี่ยวข้อง
ดูเวลา ตัวชี้วัดแรก คือ ดูเวลาตัวเอง
( ตามที่อธิบายไว้ในส่วน 7.1 ) ตัวชี้วัดที่ 2 คือ
จบเท่ากัน ซึ่งมาตรการจํานวนแนะนำ
วิดีโอได้เต็ม ดูตั้งแต่ต้นจนจบ 3
ตัวชี้วัดคือ การละทิ้งอัตรา ซึ่งมาตรการของเศษส่วน
ดูวิดีโอที่ไม่มีวิดีโอที่เกี่ยวข้องถูกเฝ้าดู .
ที่สามารถเห็นได้ในรูปที่ 6 โดยหัวข้อการสืบค้น
เวทีที่จะเกี่ยวข้องกับระบบวิดีโอคำแนะนำในการปรับปรุงผลลัพธ์
ดูทั้งสามตัวชี้วัด : ดูเวลาและ
เพิ่มอัตราสำเร็จ ในขณะที่ อัตราการลดลง .
ขณะที่ความเชื่อมั่นแสดงโดย
ในรูปที่ 6 แสดงให้เห็นแถบข้อผิดพลาด , การปรับปรุงเหล่านี้เป็นสถิติที่สำคัญในการวัดที่แน่นอน
.
,
transtopics วิธีการบรรลุรวม 1.3 % เพิ่มเวลาเฝ้าฐานติดตั้ง
ที่ไม่จ้างสืบค้นหัวข้อ นี้คือการเพิ่มขึ้นที่น่าประทับใจ
ให้พันล้านชั่วโมงของวิดีโอใน YouTube ดูรายเดือน
[ 2 ] .
นอกจากนี้วิธีที่ transtopics effecitve มากขึ้น
เมื่อเทียบกับ irtopics วิธี % เปลี่ยนแปลง
ดูเวลาเป็น 80% สูงกว่าสำหรับ transtopics เมื่อเทียบกับ irtopics
. ในทำนองเดียวกันในการเปลี่ยนอัตรา
มากกว่าสองเท่า และ % การเปลี่ยนแปลงในอัตรา abandoment
ลดลงมากกว่า 90% เมื่อเปรียบเทียบ transtopics

irtopics โดยใช้วิธีการปรับปรุงประสิทธิภาพเหล่านี้เน้นความสำคัญของการเรียนรู้ เรื่อง การเปลี่ยนจาก
ตรงความคิดเห็นผู้ใช้ โดย
รูปที่ 6 ชัดเจนสาธิต , เรียนหนักใน
transtopics วิธีที่สามารถปรับปรุงประสิทธิภาพของระบบ
เมื่อเทียบกับมือ crafted ใน irtopics วิธีฮิวริสติก (
.
7.3.2 แบ่งตามประเภท
วีดีโอนอกจากการสรุปนำเสนอในส่วนก่อนหน้านี้
เป็นที่น่าสนใจต่อการวิเคราะห์ประสิทธิภาพของ
วิธีการของเราตามประเภทวิดีโอ ตารางที่ 1 เราแบ่ง
การเปลี่ยนแปลงในดูเวลาระบบเมตริกตามหมวดหมู่วิดีโอ ( ระบุ
โดยอัพโหลดของวิดีโอ ) วิดีโอและอายุ