Figure 2: Example of topics associa

Figure 2: Example of topics associated with a video,
and their corresponding weights.
and compute a vector dot product to determine a similarity
of a pair. Related videos will
then be ranked by their similarity score to the watch video.
2.2 Topics Versus Co-View Graph
It is important to note that the topical video representation
described in the previous section has very different
characteristics from the co-view video representation, used
in previous work on related video discovery [7]. In the coview
video representation, each video is represented by a
node in the co-view graph. A node is then linked to the
other nodes in the graph if it is often viewed with them in
the same session [7]. In this approach, related video suggestion
is done based on the nodes that are in the proximity to
the watch video in the co-view graph.
Therefore, in the co-view approach two videos are potentially
related if and only if they have a strong connection
in the co-view graph, i.e., they were often watched in the
same session. This approach works well for popular videos
with many views and high node connectivity. However, it
is much less reliable for videos with little or no views. For
these videos, using the co-view approach may lead to spurious
results, or yield no candidates for suggestions.
In contrast, the topical video representation does not require
an explicit co-view information to deem two video related.
Instead, if two videos share (some of) the same topics
they will be related, even if they were never watched in the
same session before.
This semantic approach enables discovery of fresh, diverse
and relevant content. It has been shown that implicit
user feedback is often influenced by presentation bias [32],
and click metrics do not fully correlate with relevance [21].
Topic-based video suggestion can therefore limit the rich get
richer effect that can potentially arise when using solely the
co-view information and disregarding the video content.
2.3 Topic Indexing
Video representation using topic weight vectors is akin
to the bag-of-words document representation often used in
the information retrieval applications. Therefore, we index
the topic video representations in a standard inverted index
structure [19] for efficient retrieval. Each video is represented
using a topic weight vector, and indexed as an entry
in the posting lists of its corresponding topics.

ผลลัพธ์ (ไทย) 1:

รูปที่ 2: ตัวอย่างหัวข้อที่เกี่ยวข้องกับวิดีโอและน้ำหนักที่สอดคล้องกันและคำนวณผลิตภัณฑ์จุดเวกเตอร์เพื่อกำหนดว่ามีความคล้ายคลึงกันของการ คู่นี้ วิดีโอที่เกี่ยวข้องจะแล้ว จัดอันดับตามคะแนนความคล้ายคลึงกันของพวกเขาเพื่อดูวีดีโอ2.2 หัวข้อและร่วมดูกราฟสิ่งสำคัญคือต้องสังเกตว่า การนำเสนอวิดีโอเฉพาะอธิบายไว้ในก่อนหน้าส่วนมีแตกต่างกันมากลักษณะจากร่วมดูวิดีโอการแสดง ใช้ในการทำงานก่อนหน้าการค้นพบวิดีโอที่เกี่ยวข้อง [7] ในการ coviewแสดงวิดีโอ วิดีโอแต่ละจะแสดงโดยการโหนดในกราฟดูร่วม โหนแล้วเชื่อมโยงกับการอื่น ๆ โหนดในกราฟถ้าจะดูได้ในการประชุม [7] ในวิธีการนี้ คำแนะนำวิดีโอที่เกี่ยวข้องเสร็จตามโหนดที่อยู่ใกล้ดูที่วีดีโอกราฟดูร่วมดังนั้น ในมุมมองร่วม วิดีโอสองวิธีอาจที่เกี่ยวข้องถ้าและเฉพาะถ้ามีการเชื่อมต่อแข็งแรงในการร่วมดูกราฟ เช่น พวกเขาถูกมักจะดูสมัยเดียวกัน วิธีการนี้ทำงานดีสำหรับวิดีโอหลายมุมมองและเชื่อมต่อโหนสูง อย่างไรก็ตาม มันได้น้อยมากเชื่อถือได้สำหรับวิดีโอมีน้อย หรือไม่มี สำหรับวิดีโอเหล่านี้ ใช้วิธีดูร่วมอาจจะเก๊ผล หรือผลตอบแทนไม่สมคำแนะนำในทางตรงข้าม นำเสนอวิดีโอที่เฉพาะไม่ต้องข้อมูลมุมมองร่วมที่ชัดเจนถือสองวิดีโอที่เกี่ยวข้องแทน ถ้าสองวิดีโอแบ่งปัน (บางส่วนของ) หัวข้อเดียวกันพวกเขาจะเกี่ยวข้อง แม้ว่าพวกเขาไม่เคยได้ดูในนี้เซสชันเดียวกันก่อนวิธีนี้ความหมายช่วยให้การค้นหาของสด หลากหลายและเนื้อหาที่เกี่ยวข้อง มันได้รับการแสดงที่นัยความคิดเห็นของผู้ใช้มักได้รับอิทธิพลจากความโน้มเอียงงานนำเสนอ [32],และคลิกการวัดซึ่งไม่ครบทั้งหมดที่เกี่ยวข้อง [21]หัวข้อตามคำแนะนำวิดีโอสามารถจำกัดรับรวยดังนั้นผลยิ่งขึ้นซึ่งสามารถอาจเกิดขึ้นเมื่อผู้ใช้ข้อมูลมุมมองร่วมและโดยเนื้อหาวิดีโอ2.3 หัวข้อดัชนีแสดงวิดีโอที่ใช้เวกเตอร์น้ำหนักหัวข้อเป็นเอคินการแสดงเอกสารกระเป๋าของคำที่มักใช้ในโปรแกรมประยุกต์ที่เรียกข้อมูล ดังนั้น เราดัชนีนำเสนอหัวข้อวิดีโอในมุมกลับดัชนีมาตรฐานโครงสร้าง [19] มีประสิทธิภาพเรียก แสดงวิดีโอแต่ละใช้หัวข้อน้ำหนักเวกเตอร์ และดัชนีเป็นรายการในรายการการลงรายการบัญชีหัวข้อเกี่ยวข้อง

ผลลัพธ์ (ไทย) 2:

รูปที่ 2:
ตัวอย่างของหัวข้อที่เกี่ยวข้องกับวิดีโอ. และน้ำหนักที่สอดคล้องกันของพวกเขาและการคำนวณเวกเตอร์คูณจุดเพื่อตรวจสอบความคล้ายคลึงกันของ

คู่
วิดีโอที่เกี่ยวข้องจะถูกจัดอันดับโดยคะแนนความคล้ายคลึงกันของพวกเขาไปยังวิดีโอนาฬิกา.
2.2 หัวข้อกับผู้ร่วมดูกราฟมันเป็นสิ่งสำคัญที่จะทราบว่าการแสดงวิดีโอเฉพาะที่อธิบายไว้ในส่วนก่อนหน้านี้ที่มีแตกต่างกันมากลักษณะจากการแสดงวิดีโอร่วมมุมมองที่ใช้ในการทำงานก่อนหน้านี้การค้นพบวิดีโอที่เกี่ยวข้อง [7] ใน coview การแสดงวิดีโอแต่ละคนจะแสดงโดยโหนดในกราฟร่วมมุมมอง โหนดมีการเชื่อมโยงไปยังโหนดอื่น ๆ ในกราฟถ้ามันมักจะถูกมองกับพวกเขาในเซสชั่นเดียวกัน [7] ในวิธีนี้ข้อเสนอแนะวิดีโอที่เกี่ยวข้องจะทำบนพื้นฐานของโหนดที่อยู่ในบริเวณใกล้เคียงกับวิดีโอดูในกราฟร่วมมุมมอง. ดังนั้นในวิธีการร่วมมุมมองสองวิดีโอที่อาจเกิดขึ้นที่เกี่ยวข้องและถ้าหากพวกเขามีความแข็งแกร่งการเชื่อมต่อในรูปแบบของกราฟร่วมมุมมองเช่นที่พวกเขากำลังเฝ้าดูมักจะอยู่ในเซสชั่นเดียวกัน วิธีการนี้จะทำงานได้ดีสำหรับวิดีโอยอดนิยมที่มีมุมมองหลายและการเชื่อมต่อโหนดสูง แต่ก็เป็นความน่าเชื่อถือน้อยลงสำหรับวิดีโอที่มีมุมมองที่น้อยหรือไม่มีเลย สำหรับวิดีโอเหล่านี้ใช้วิธีการร่วมมุมมองที่อาจนำไปสู่การประดิษฐ์ผลหรือผลตอบแทนผู้สมัครไม่มีข้อเสนอแนะ. ในทางตรงกันข้ามการแสดงวิดีโอเฉพาะที่ไม่จำเป็นต้องใช้ข้อมูลร่วมมุมมองที่ชัดเจนจะเห็นว่าสองวิดีโอที่เกี่ยวข้อง. แต่ถ้าสองวิดีโอ หุ้น (บางส่วน) หัวข้อเดียวกันพวกเขาจะเกี่ยวข้องถึงแม้ว่าพวกเขาไม่เคยดูในเซสชั่นเดียวกันก่อน. วิธีนี้จะช่วยให้การค้นพบความหมายของสดที่มีความหลากหลายและเนื้อหาที่เกี่ยวข้อง มันได้รับการแสดงให้เห็นว่าโดยนัยความคิดเห็นของผู้มีอิทธิพลโดยมักจะมีอคตินำเสนอ [32], และคลิกที่ตัวชี้วัดที่ไม่ได้อย่างเต็มที่มีความสัมพันธ์กับความเกี่ยวข้อง [21]. ข้อเสนอแนะวิดีโอหัวข้อที่ใช้จึงสามารถ จำกัด ที่อุดมไปด้วยจะได้รับผลที่ดียิ่งขึ้นที่อาจจะเกิดขึ้นเมื่อมีการใช้แต่เพียงผู้เดียวข้อมูลร่วมดูและไม่คำนึงถึงเนื้อหาวิดีโอ. 2.3 หัวข้อการจัดทำดัชนีการแสดงวิดีโอโดยใช้เวกเตอร์น้ำหนักหัวข้อจะคล้ายกับถุงของคำพูดการแสดงเอกสารที่มักจะใช้ในการใช้งานการดึงข้อมูล ดังนั้นดัชนีที่เราเป็นตัวแทนวิดีโอในหัวข้อดัชนีคว่ำมาตรฐานโครงสร้าง[19] สำหรับการเรียกใช้อย่างมีประสิทธิภาพ วิดีโอแต่ละคนจะใช้น้ำหนักหัวข้อเวกเตอร์และจัดทำดัชนีเป็นรายการในรายการโพสต์ของหัวข้อที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

รูปที่ 2 : ตัวอย่างของหัวข้อที่เกี่ยวข้องกับวิดีโอ

และน้ำหนักที่สอดคล้องกันของพวกเขา และ คำนวณเวกเตอร์ผลิตภัณฑ์เพื่อตรวจสอบความคล้ายคลึงกัน
ของ < ดูวิดีโอที่เกี่ยวข้องกับวิดีโอ > การจับคู่ วิดีโอที่เกี่ยวข้องจะ
แล้วโดยการจัดอันดับคะแนนความเหมือนของพวกเขาเพื่อชมวิดีโอ .
2.2 หัวข้อกับ CO ดูกราฟ
มันเป็นสิ่งสำคัญที่จะทราบว่า
การแสดงวิดีโอเฉพาะที่อธิบายไว้ในส่วนก่อนหน้านี้มีลักษณะแตกต่างกันมากจาก CO ดูแทน

ในวิดีโอที่ใช้งานก่อนหน้านี้ที่เกี่ยวข้องกับวิดีโอการค้นพบ [ 7 ] ใน coview
วิดีโอการแสดง แต่ละวิดีโอจะถูกแทนด้วย
โหนดในกราฟจำกัดมุมมอง . โหนดที่เป็นโหนดอื่น ๆแล้วเชื่อมโยงกับ
ในกราฟถ้ามันมักจะดูพวกเขาในช่วงเดียวกัน
[ 7 ] ในวิธีการนี้เกี่ยวกับคำแนะนำวิดีโอ
เสร็จตามโหนดที่อยู่ใกล้กับ
ดูวิดีโอในมุมมองกราฟ Co .
ดังนั้นในมุมมองแบบสองวิดีโอ Co จะซ่อนเร้น
ที่เกี่ยวข้องถ้าและเพียงถ้าพวกเขามีการเชื่อมต่อที่แข็งแกร่งใน Co
ดูกราฟคือพวกเขามักจะถูกมองใน
ช่วงเดียวกัน วิธีการนี้ทำงานได้ดีสำหรับความนิยมวิดีโอ
ที่มีมุมมองที่มากมายและการเชื่อมต่อโหนดสูงอย่างไรก็ตาม , มัน
มีมากน้อยที่เชื่อถือได้สำหรับวิดีโอที่มีมุมมองที่น้อยหรือไม่มีเลย สำหรับ
วิดีโอเหล่านี้โดยใช้ CO ดูวิธีการอาจนำไปสู่ผลลัพธ์หรือผลผลิตไม่ปลอม

ผู้สมัครสำหรับข้อเสนอแนะ ในทางตรงกันข้าม , การแสดงวิดีโอเฉพาะที่ไม่ต้อง
ระบบผู้เชี่ยวชาญ Co ดูข้อมูลจะเห็นว่าสองวิดีโอที่เกี่ยวข้อง .
แทน ถ้าสองวิดีโอแบ่งปัน ( บางส่วน ) หัวข้อเดียวกัน
พวกเขาจะ จะเกี่ยวข้องกับถึงแม้ว่าพวกเขาไม่เคยดู

ช่วงเดียวกันก่อน วิธีนี้จะช่วยให้ค้นพบความหมายใหม่ หลากหลาย
และเนื้อหาที่เกี่ยวข้อง มันได้ถูกแสดงว่าความคิดเห็นผู้ใช้โดยปริยาย
มักจะได้รับอิทธิพลจากการนำเสนออคติ [ 32 ] ,
และคลิกตัวชี้วัดไม่เต็มที่ มีความสัมพันธ์กับความเกี่ยวข้อง [ 21 ] . คำแนะนำวิดีโอตาม
หัวข้อจึงรวยรับ
จำกัดผลกระทบที่อาจเกิดขึ้นเมื่อใช้รวยแต่เพียงผู้เดียว
CO ข้อมูลดู และสนใจเนื้อหาวิดีโอ วิดีโอการแทน

2.3 หัวข้อโดยใช้หัวข้อน้ำหนักเวกเตอร์เหมือนกับ
กับถุงของคำที่มักจะใช้ในเอกสารแทน
การสืบค้นสารสนเทศประยุกต์ ดังนั้นเราจึงดัชนี
หัวข้อวิดีโอนำเสนอในมาตรฐานดัชนี
กลับหัวโครงสร้าง [ 19 ] ที่มีประสิทธิภาพการกู้คืนมา แต่ละวิดีโอจะแสดง
ใช้หัวข้อน้ำหนักเวกเตอร์และดัชนีเป็นราย
ในการโพสต์รายการของหัวข้อที่เกี่ยวข้อง