CN105635762B - 一种基于深度信念网络的视频热度预测方法及其系统 - Google Patents
一种基于深度信念网络的视频热度预测方法及其系统 Download PDFInfo
- Publication number
- CN105635762B CN105635762B CN201610027422.7A CN201610027422A CN105635762B CN 105635762 B CN105635762 B CN 105635762B CN 201610027422 A CN201610027422 A CN 201610027422A CN 105635762 B CN105635762 B CN 105635762B
- Authority
- CN
- China
- Prior art keywords
- video
- network
- belief network
- deepness belief
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000010410 layer Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 239000002356 single layer Substances 0.000 claims abstract description 11
- 238000013139 quantization Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 15
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 230000006870 function Effects 0.000 description 5
- 238000011002 quantification Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 2
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 description 2
- 244000097202 Rathbunia alamosensis Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000089409 Erythrina poeppigiana Species 0.000 description 1
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供了一种基于深度信念网络的视频热度预测方法，包括：根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。本发明还提供了一种基于深度信念网络的视频热度预测系统。本发明提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性。
Description
技术领域
本发明涉及互联网技术领域，尤其涉及一种基于深度信念网络的视频热度预测方法及其系统。
背景技术
视频点播量预测在互联网数据挖掘领域中有着重要的作用，点播量高的视频(尤其是电影和电视剧)能够提高广告的播放量，提前预测出视频的点播量已在广告业务扩展方面有着广泛的应用。
目前，对视频类资源点播量的预测一般都采用基于历史点播数据预测方法或者基于人工方法预测，采用基于历史点播数据预测方法需要在视频播出一段时间后才能进行预测，而不能在视频上线之前对点播量进行预测，采用基于人工方法预测严重依赖人的经验，预测结果往往存在误差较大的问题，进而导致预测结果不准确。
因此，亟需设计一种视频热度的预测方法，以提高预测的准确度和可靠性。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度信念网络的视频热度预测方法及其系统，旨在解决现有技术中视频热度预测的准确度和可靠性较低的问题。
本发明提出一种基于深度信念网络的视频热度预测方法，包括：
根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。
优选的，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
优选的，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权重参数，以优化网络参数和预测模型。
另一方面，本发明还提供一种基于深度信念网络的视频热度预测系统，包括：
预处理模块，用于根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
网络构建模块，用于根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
模型获取模块，用于通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
预测分析模块，用于将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
优选的，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。
优选的，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
优选的，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权值参数，以优化网络参数和预测模型。
在本发明实施例中，本发明提供的技术方案提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频的热度，又能得到精确的播放量波动范围，具有实际的意义。
附图说明
图1为本发明一实施方式中基于深度信念网络的视频热度预测方法流程图；
图2为本发明一实施方式中DBNs网络的结构示意图；
图3为本发明一实施方式中不同视频数据的观看量预测值与实际值的对比示意图；
图4为本发明一实施方式中基于深度信念网络的视频热度预测系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明具体实施方式提供了一种基于深度信念网络的视频热度预测方法，主要包括如下步骤：
S11、根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
S12、根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
S13、通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
S14、将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
本发明通过对实际在线视频服务系统所采集的海量数据研究，结合中国在线视频市场提供了一种基于深度信念网络的视频热度预测方法，结合社交网络的关注度和视频关键词的搜索热度，对影响因子进行了建模和量化处理，提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频的热度，又能得到精确的播放量波动范围，具有实际的意义。
以下将对本发明所提供的一种基于深度信念网络的视频热度预测方法进行详细说明。
请参阅图1，为本发明一实施方式中基于深度信念网络的视频热度预测方法流程图。
在步骤S11中，根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理。
在本实施方式中，训练数据主要分为站内数据和站外数据，站内数据来自腾讯视频分布式数据上报系统的每日观看数据和腾讯视频官方提供的媒资信息。每条媒资信息包括电视剧视频的名称、标识、国家地区、制作集数、类型、上映时间等；站外数据通过对视频关键字的提取，人工爬取了百度平台的搜索指数，以及通过新浪博客提供的接口爬取了视频演员的粉丝量作为衡量演员影响力的重要指标。
在本实施方式中，为了提高预测模型的性能，合理选择变量，在进行预测分析之前，本发明可以把视频特征归纳成三个维度，即一级数据、二级数据以及三级数据，其中，一级数据包括视频放映信息、视频基本内容以及民众关注度，二级数据包括档期、放映数据、人物信息、视频介绍、搜索热度、社区热度等等，三级数据包括出品年份、国家地区、放映电视台、导演、演员、类型、视频简介、百度指数、豆瓣评分、新浪微博等等。
在本实施方式中，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。
在本实施方式中，选取视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数作为输入特征，并赋予各输入特征不同的权值表示输入变量，即：
其中，Wyear表示出品年份影响力权值；Warea表示国家地区影响力权值；Wimgtag表示视频角标影响力权值；Wtv表示视频放映电视台影响力权值；Wgenre表示视频类型影响力权值；Wright表示视频版权影响力权值；Wepisode表示视频总集数影响力权值；Wrank表示视频制作等级影响力权值；Wdouban表示豆瓣评分影响力权值；Wactor表示演员影响力权值；Wdirctor表示视频导演影响力权值；Wbaidu表示百度搜索指数影响力权值，本发明考虑到连续的变量值可以提高网络的敏感性，本文将所有的输入变量都处理成[0，1]区间的连续数值。
在本实施方式中，所述影响因子具体包括子类型影响力指标因子、视频放映电台影响力指标因子以及演员影响力指标因子。
在本实施方式中，定义子类型影响力指标Gi：其中，Vk表示属于子类型i视频k的播放量，n表示属于类型i的视频总数，类型名包括家庭都市爱情剧情、剧情爱情恐怖科幻、爱情剧情都市喜剧等等，定义类型影响力权值Wgenre，M表示子类型数量，对视频所有子类型影响力求和取均值：
在本实施方式中，定义视频放映电台影响力指标Ti：其中，Vk表示在电视台i上映的视频k的播放量，在衡量上映电台这个指标特征时，不同的电台影响力是不同的，而且视频上映的电台数也不同，定义视频的上映电台影响力权值Wtv，N表示上映电台数量，对所有放映电台影响力求和取均值：
在本实施方式中，根据视频的演员基本信息，本发明通过演员新浪微博的粉丝量作为其影响力的衡量指标，即演员的影响力指标Ai：Ai＝Actorfensi，在由于视频的演员不同、演员个数也不同，而且每位演员的民众影响力也各不相同，定义ActorWeighti为演员影响力权值，K表示视频参演的演员个数，对所有演员影响力求和取平均值：
另外，出品年份、豆瓣评分、视频总集数等为数值型数据，豆瓣评分本身就是视频的影响力大小的衡量，当豆瓣评分低代表观众的评价和期待小，则视频影响力小，反之评分高则关注度高潜在的用户多，而出品年份和视频总集数与观看量成正比。
在步骤S12中，根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机(Restricted Boltzmann Machines，RBM)重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络(Deep Belief Networks，DBNs)。
在本实施方式中，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
在本实施方式中，经过对影响因子的分析，决定DBNs网络的输入层变量共有12个，即出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力、百度搜索指数。在本实施方式中，在训练过程中采用二值变量比较简单且容易采样，比高斯函数、指数分布函数等训练更快且重构误差小，为了训练获得较优的初始参数，RBM中隐含层与可视层之间的传递函数选用sigmoid函数，该函数可以有效的将连续型实数转化为二值型变量。在本实施方式中，网络输出值为视频观看量，由于DBNs网络最后一层为神经网络，因此确定输出层单个神经元，值域在[0，1]区间，由于视频观看量均为大于0的值，所以将观看量利用式以下公式进行归一化处理到(0，1]区间的连续数值：yi＝xi/xmax,0<yi≤1，其中，xmax＝max{x1,x2...}，Xi为视频i的真实观看量，则网络输出yi为归一化后的观看量值。
在步骤S13中，通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型。
在本实施方式中，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权值参数，以优化网络参数和预测模型。
在本实施方式中，DBNs是由多层RBM的堆叠和一层BP(Back Propagation)组成的一种深层神经网络，网络训练时可通过逐层训练来实现，首先第一层RBM以原始输入数据训练，将其映射到另外一个特征空间，重构后的特征应尽可能多地保留原特征信息，并且保留权值，然后抽取的特征作为第二层RBM的输入，进行训练得到第二层重构后的特征，RBM每一层的输出都是特征的重新选择，在传递过程中，将具体的特征向量逐渐转化为抽象的特征向量，这样重复训练需要尽可能多的层数，在最后一层RBM后面设置网络并初始化连接权值，接收最后一层RBM网络的输出特征变量作为它的输入特征变量，有监督地训练网络权值。
在本实施方式中，RBM网络训练模型的过程可以看作对一个深层网络权值参数的初始化，使DBNs克服了网络因随机初始化权值参数而容易陷入局部最优。由于RBM可以通过CD算法快速训练，这一框架绕过了直接从整体上训练DBNs的高复杂度，从而将其化简为对多个RBM的训练问题，解决了训练时间长的缺点，经过这种方式训练后，可以再通过传统的反向传播算法，对网络进行微调，从而使模型收敛到最优，大大提升了模型的建模能力。
在本实施方式中，由于DBNs是多层网络，在选择RBM网络时，不同的层数和重构特征数的实验结果各不相同，具体表现在RBM的重构误差以及网络的平均误差随网络结构变化，如下表一所示：
表一
从上述表一可知，RBM1和RBM2的重构误差随着重构维数的减少而降低：当重构维数取9时重构误差为0.091，当重构维数取2时重构误差为0.024，说明单层的RBM重构维数取越低RBM网络重构误差越小。但两层RBM堆叠的DBNs网络表现出不同的结果，当重构维数逐层增多时能够提高单层网络的逼近能力，但是网络的泛化能力会降低；当重构维数逐层下降时可以提高泛化能力，但下降过大会造成特征信息丢失，导致特征提取不完整。通过多次实验结果的比较，网络结构取[12，8，3，1]时预测效果较好。DBNs网络的结构如图2所示。
在步骤S14中，将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
在本实施方式中，根据视频的播放量的大小定义视频的热度，其中，热度分类如下表二所示：
表二
| 播放量vv | 类别 | 类别标签 |
| vv<＝0.5e+8 | 热 | 0 0 1 |
| 0.5e+8<vv<＝2.0e+8 | 一般 | 0 1 0 |
| vv>2.0e+8 | 不热 | 1 0 0 |
在本实施方式中，使用交差验证后分类正确率为89.99％，在训练数据库中随机抽取部分分类进行视频热度的预测分析，其中预测分析的结果如下表三所示：
表三
在本实施方式中，视频观看量的精确预测通过以下公式计算得到：其中，xmax＝max{x1,x2...}，Xi为视频i的真实观看量，网络输出为DBNs网络输出的预测值，Vi为预测的观看量。
在本实施方式中，DBNs预测分析评价标准为：其中，MREk表示第k次预测的平均相对误差，为网络的预测值，yi为实际观看量值，i表示视频序号，n表示视频的数量。
在本实施方式中，利用获取最优视频预测模型(即DBNs模型)分别对在训练数据库中的国内和国外电视剧视频数据进行精确预测，预测结果如图3所示，其中，图3中横轴和纵轴分别表示观看量预测值和实际值，并引入R2指标，其数值大小可以反映趋势线的预测值与对应的实际值之间的拟合程度，拟合程度越高，趋势线越可靠。
在本实施方式中，图3的对比结果表明，由于国内电视剧视频与国外电视剧视频在放映规律存在的差异，以及影响因素的不同，其预测结果也存在差异，国内视频预测的R2等于0.92，图中阴影面积表示p<＝0.05的置信区间，国外视频预测的R2等于0.87，且在p<＝0.05的置信区间要大很多，预测效果及稳定性低于国内视频的预测结果。
在本实施方式中，在训练数据库中随机抽取部分视频，针对这部分视频的观看量进行精确的点预测，其中，预测结果如下表四所示：
表四
| 电视剧名 | 实际值 | 预测值 | 预测误差 |
| 相爱十年 | 0.269012347 | 0.256692268 | 0.045797449 |
| 闪亮爱 | 0.101770481 | 0.118309338 | 0.162511334 |
| 爱情最美丽 | 0.159031746 | 0.170008981 | 0.069025429 |
| 刀客家族的女人 | 0.316733412 | 0.239759025 | 0.243025786 |
| 青春期撞上更年期2 | 0.153474268 | 0.16021382 | 0.043913241 |
| 精忠岳飞 | 0.272070868 | 0.242788762 | 0.10762676 |
| 完美新娘 | 0.11257835 | 0.098195969 | 0.127754419 |
| 咱们结婚吧 | 0.431622272 | 0.342079733 | 0.207455787 |
| 十送红军 | 0.114177714 | 0.129704466 | 0.135987593 |
| 璀璨人生 | 0.317976498 | 0.271281986 | 0.146848941 |
其中，从上述表四的预测结果可以看出，本发明利用获取最优视频预测模型(即DBNs模型)进行视频观看量的预测分成，其预测结果的平均误差为0.205，误差非常低，也就是说通过本发明的预测方法极大提高预测的准确度。
本发明通过对实际在线视频服务系统所采集的海量数据研究，结合中国在线视频市场提供了一种基于深度信念网络的视频热度预测方法，结合社交网络的关注度和视频关键词的搜索热度，对影响因子进行了建模和量化处理，提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频的热度，又能得到精确的播放量波动范围，具有实际的意义。
本发明具体实施方式还提供一种基于深度信念网络的视频热度预测系统10，主要包括：
预处理模块11，用于根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
网络构建模块12，用于根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
模型获取模块13，用于通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
预测分析模块14，用于将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
本发明通过对实际在线视频服务系统所采集的海量数据研究，结合中国在线视频市场提供了一种基于深度信念网络的视频热度预测系统10，结合社交网络的关注度和视频关键词的搜索热度，对影响因子进行了建模和量化处理，提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频的热度，又能得到精确的播放量波动范围，具有实际的意义。
请参阅图4，所示为本发明一实施方式中基于深度信念网络的视频热度预测系统10的结构示意图。在本实施方式中，基于深度信念网络的视频热度预测系统10包括预处理模块11、网络构建模块12、模型获取模块13以及预测分析模块14。
预处理模块11，用于根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理。
在本实施方式中，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数，所述影响因子具体包括子类型影响力指标因子、视频放映电台影响力指标因子以及演员影响力指标因子。
在本实施方式中，利用预处理模块11对训练数据进行预处理的详细步骤，如前面步骤S11的相关记载，在此不做重复描述。
网络构建模块12，用于根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络。
在本实施方式中，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
在本实施方式中，利用网络构建模块12构成深度信念网络的的详细步骤，如前面步骤S12的相关记载，在此不做重复描述。
模型获取模块13，用于通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型。
在本实施方式中，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权值参数，以优化网络参数和预测模型。其中，利用模型获取模块13对所述深度信念网络进行调整的详细步骤，如前面步骤S13的相关记载，在此不做重复描述。
预测分析模块14，用于将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
在本实施方式中，利用预测分析模块14如何进行热度预测分析以及观看量预测分析的详细步骤，如前面步骤S14的相关记载，在此不做重复描述。
本发明通过对实际在线视频服务系统所采集的海量数据研究，结合中国在线视频市场提供了一种基于深度信念网络的视频热度预测系统10，结合社交网络的关注度和视频关键词的搜索热度，对影响因子进行了建模和量化处理，提出了一种基于深度信念网络的在线视频预测模型，将深层神经网络应用于在线视频预测领域，且能提高预测的准确度和可靠性，进而能为视频在上映前的投资和播放提供有价值的参考，既能更可靠地预测在线视频的热度，又能得到精确的播放量波动范围，具有实际的意义。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度信念网络的视频热度预测方法，其特征在于，所述方法包括：
根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
2.如权利要求1所述的基于深度信念网络的视频热度预测方法，其特征在于，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。
3.如权利要求2所述的基于深度信念网络的视频热度预测方法，其特征在于，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
4.如权利要求3所述的基于深度信念网络的视频热度预测方法，其特征在于，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权值参数，以优化网络参数和预测模型。
5.一种基于深度信念网络的视频热度预测系统，其特征在于，所述基于深度信念网络的视频热度预测系统包括：
预处理模块，用于根据视频特征选择输入变量并对影响因子进行归一量化，以对训练数据进行预处理；
网络构建模块，用于根据所选择的输入变量以及特征重构误差确定单层的限制性玻尔兹曼机重构维数，并通过多层限制性玻尔兹曼机的堆叠和一层BP神经网络以构成深度信念网络；
模型获取模块，用于通过全局学习算法对所述深度信念网络进行调整，以获取最优视频预测模型；
预测分析模块，用于将待测的视频测试数据放入所述最优视频预测模型中进行热度预测分析以及观看量预测分析。
6.如权利要求5所述的基于深度信念网络的视频热度预测系统，其特征在于，所述输入变量具体包括视频的出品年份、国家地区、视频角标、放映电视台、视频类型、视频总集数、视频版权、制作等级、豆瓣评分、演员影响力、导演影响力以及百度搜索指数。
7.如权利要求6所述的基于深度信念网络的视频热度预测系统，其特征在于，所述深度信念网络包括深度信念网络的网络输入层、限制性玻尔兹曼机网络层以及输出层。
8.如权利要求7所述的基于深度信念网络的视频热度预测系统，其特征在于，所述对所述深度信念网络进行调整包括调整限制性玻尔兹曼机网络层的层数、重构维度以及权值参数，以优化网络参数和预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027422.7A CN105635762B (zh) | 2016-01-15 | 2016-01-15 | 一种基于深度信念网络的视频热度预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610027422.7A CN105635762B (zh) | 2016-01-15 | 2016-01-15 | 一种基于深度信念网络的视频热度预测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105635762A CN105635762A (zh) | 2016-06-01 |
| CN105635762B true CN105635762B (zh) | 2018-11-27 |
Family
ID=56050187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610027422.7A Expired - Fee Related CN105635762B (zh) | 2016-01-15 | 2016-01-15 | 一种基于深度信念网络的视频热度预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105635762B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105992015B (zh) * | 2015-02-02 | 2019-12-13 | 腾讯科技（北京）有限公司 | 一种信息处理方法及装置 |
| CN106295874B (zh) * | 2016-08-08 | 2021-02-12 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
| CN106658087A (zh) * | 2016-09-23 | 2017-05-10 | 东软集团股份有限公司 | 基于新媒体的电视台影响力指数计算方法及装置 |
| CN107105320B (zh) * | 2017-03-07 | 2019-08-06 | 上海媒智科技有限公司 | 一种基于用户情绪的在线视频热度预测方法及系统 |
| CN108932244B (zh) * | 2017-05-24 | 2021-01-26 | 阿里巴巴（中国）有限公司 | 信息识别方法及装置 |
| CN110019937B (zh) * | 2017-11-24 | 2023-11-03 | 华为技术有限公司 | 视频热度的预测方法及装置 |
| CN107944049A (zh) * | 2017-12-19 | 2018-04-20 | 北京工业大学 | 一种基于深度学习的电影推荐方法 |
| CN110267102B (zh) * | 2018-03-12 | 2022-05-03 | 腾讯科技（深圳）有限公司 | 视频数据的处理方法及装置、介质及电子设备 |
| CN108664690A (zh) * | 2018-03-24 | 2018-10-16 | 北京工业大学 | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 |
| CN108898415A (zh) * | 2018-05-29 | 2018-11-27 | 北京奇艺世纪科技有限公司 | 一种视频剧集的流量相关指标预测方法及装置 |
| CN109104301A (zh) * | 2018-07-19 | 2018-12-28 | 国政通科技有限公司 | 一种基于深度学习模型针对综艺节目进行网络热度预测的方法和系统 |
| CN109472351A (zh) * | 2018-10-25 | 2019-03-15 | 深圳市康拓普信息技术有限公司 | 一种快速训练深度学习模型的方法及系统 |
| CN109218829B (zh) * | 2018-10-30 | 2021-07-27 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
| CN109447246B (zh) * | 2018-10-30 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109522470A (zh) * | 2018-11-06 | 2019-03-26 | 汪浩 | 一种视频热度预测方法、装置、设备及存储介质 |
| CN109662720B (zh) * | 2018-11-27 | 2022-04-15 | 中国科学院深圳先进技术研究院 | 基于深度学习的多频段光声无创血糖浓度预测系统 |
| CN109587515B (zh) * | 2018-12-11 | 2021-10-12 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法及装置 |
| CN109451352A (zh) * | 2018-12-11 | 2019-03-08 | 北京奇艺世纪科技有限公司 | 一种视频播放流量预测方法及装置 |
| CN109670032A (zh) * | 2019-01-09 | 2019-04-23 | 合肥工业大学 | 一种基于神经网络的微博正向影响力排行方法 |
| CN110909254B (zh) * | 2019-10-31 | 2022-05-03 | 中山大学 | 基于深度学习模型针对问答社区进行问题热度预测的方法和系统 |
| CN111090774B (zh) * | 2019-11-07 | 2023-06-27 | 北京科技大学 | 一种边缘计算环境下的视频热度预测方法 |
| CN113312515B (zh) * | 2021-04-30 | 2023-07-14 | 北京奇艺世纪科技有限公司 | 一种播放数据预测方法、系统、电子设备及介质 |
| CN114297156A (zh) * | 2021-12-27 | 2022-04-08 | 北京达佳互联信息技术有限公司 | 多媒体文件清理方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101313572A (zh) * | 2005-12-13 | 2008-11-26 | 联合视频制品公司 | 用于交互式电视应用中的跨平台预测受欢迎度等级 |
| CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
| US8296253B2 (en) * | 2009-06-15 | 2012-10-23 | Hewlett-Packard Development Company, L. P. | Managing online content based on its predicted popularity |
| CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
| JP5390263B2 (ja) * | 2009-05-28 | 2014-01-15 | 株式会社野村総合研究所 | 予測投票処理装置 |
| CN104902293A (zh) * | 2015-06-08 | 2015-09-09 | 福州大学 | 数字电视收视率统计管理系统及其实现方法 |
| CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路口交通流量预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110302103A1 (en) * | 2010-06-08 | 2011-12-08 | International Business Machines Corporation | Popularity prediction of user-generated content |
| US8977629B2 (en) * | 2011-05-24 | 2015-03-10 | Ebay Inc. | Image-based popularity prediction |
| US20130311408A1 (en) * | 2012-05-15 | 2013-11-21 | Comcast Cable Communications, Llc | Determining and Predicting Popularity of Content |
-
2016
- 2016-01-15 CN CN201610027422.7A patent/CN105635762B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101313572A (zh) * | 2005-12-13 | 2008-11-26 | 联合视频制品公司 | 用于交互式电视应用中的跨平台预测受欢迎度等级 |
| JP5390263B2 (ja) * | 2009-05-28 | 2014-01-15 | 株式会社野村総合研究所 | 予測投票処理装置 |
| US8296253B2 (en) * | 2009-06-15 | 2012-10-23 | Hewlett-Packard Development Company, L. P. | Managing online content based on its predicted popularity |
| CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
| CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
| CN104902293A (zh) * | 2015-06-08 | 2015-09-09 | 福州大学 | 数字电视收视率统计管理系统及其实现方法 |
| CN105096614A (zh) * | 2015-09-23 | 2015-11-25 | 南京遒涯信息技术有限公司 | 基于生成型深信度网络的新建路口交通流量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Prediction of Movies Box Office Performance Using Social Media";Krushikanth R.Apala;《2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining》;20130829;第1209-1214页 * |
| "基于BP神经网络的复杂背景下的运动目标检测";冯向东等;《2011 Chinese Control and Decision Conference》;20110525;第1357-1362页 * |
| "基于神经网络的电影票房预测建模";郑坚等;《计算机应用》;20140310;第34卷(第3期);第742-748页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105635762A (zh) | 2016-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105635762B (zh) | 一种基于深度信念网络的视频热度预测方法及其系统 | |
| CN103678618B (zh) | 一种基于社交网络平台的Web服务推荐方法 | |
| CN102609523B (zh) | 基于物品分类和用户分类的协同过滤推荐方法 | |
| CN102033883B (zh) | 一种提高网站数据传输速度的方法、装置及系统 | |
| CN107341268B (zh) | 一种热搜榜排序方法及系统 | |
| Peng et al. | Model research on forecast of second-hand house price in Chengdu based on XGboost algorithm | |
| CN103116588A (zh) | 一种个性化推荐方法及系统 | |
| CN108415913A (zh) | 基于不确定邻居的人群定向方法 | |
| CN104156403B (zh) | 一种基于聚类的大数据常态模式提取方法及系统 | |
| CN102184364A (zh) | 基于半监督学习的推荐系统托攻击检测方法 | |
| CN106980646A (zh) | 基于流行度对用户兴趣的影响机制分析及其在推荐算法中应用的方法 | |
| CN105975596A (zh) | 一种搜索引擎查询扩展的方法及系统 | |
| CN104462383A (zh) | 一种基于用户多种行为反馈的电影推荐方法 | |
| CN106095887A (zh) | 基于加权时空效应的情境感知Web 服务推荐方法 | |
| CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
| CN107122887A (zh) | 多维工业企业诚信评价方法 | |
| CN105095476A (zh) | 基于Jaccard均衡距离的协同过滤推荐方法 | |
| CN109492076A (zh) | 一种基于网络的社区问答网站答案可信评估方法 | |
| CN107341199A (zh) | 一种基于文献信息共性模式的推荐方法 | |
| CN108536866B (zh) | 基于话题转移熵的微博隐蔽关键用户分析方法 | |
| CN105740448A (zh) | 面向话题的多微博时序文摘方法 | |
| CN108959364B (zh) | 一种社交媒体事件级新闻中新闻媒体影响力评估方法 | |
| CN108628936B (zh) | 一种结合用户重叠行为的微博重叠社团划分方法 | |
| Chang et al. | Empirical analysis of the digital divide from the perspective of internet usage patterns: A case study of Nanjing | |
| CN110489665B (zh) | 一种基于情景建模和卷积神经网络的微博个性化推荐方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181127 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |