CN111090774A - 一种边缘计算环境下的视频热度预测方法 - Google Patents

一种边缘计算环境下的视频热度预测方法 Download PDF

Info

Publication number
CN111090774A
CN111090774A CN201911082717.4A CN201911082717A CN111090774A CN 111090774 A CN111090774 A CN 111090774A CN 201911082717 A CN201911082717 A CN 201911082717A CN 111090774 A CN111090774 A CN 111090774A
Authority
CN
China
Prior art keywords
edge node
user
edge
cluster
list
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.)
Granted
Application number
CN201911082717.4A
Other languages
English (en)
Other versions
CN111090774B (zh
Inventor
林福宏
贾毅栋
周成成
陆月明
许海涛
安建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Beijing University of Posts and Telecommunications
Original Assignee
University of Science and Technology Beijing USTB
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB, Beijing University of Posts and Telecommunications filed Critical University of Science and Technology Beijing USTB
Priority to CN201911082717.4A priority Critical patent/CN111090774B/zh
Publication of CN111090774A publication Critical patent/CN111090774A/zh
Application granted granted Critical
Publication of CN111090774B publication Critical patent/CN111090774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供一种边缘计算环境下的视频热度预测方法，能够提高视频热度预测的准确率。所述方法包括：边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群，每个集群为兴趣相近的边缘节点用户集合；对每个集群分别进行数据脱敏，得到每个集群中用户行为时间序列列表；将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP‑N推荐列表，将其分发至每个对应的边缘节点用户。本发明涉及边缘计算领域。

Description

一种边缘计算环境下的视频热度预测方法
技术领域
本发明涉及边缘计算领域，特别是指一种边缘计算环境下的视频热度预测方法。
背景技术
互联网的数据规模越来越庞大，给数据生产者和数据消费者都带来了极大的难题，面对海量的流媒体数据“信息过载”现象，如何为用户推荐高质量、感兴趣的视频内容就尤为重要。
视频热度预测的作用就是帮助用户在海量的数据中高效、快速的找到自己需要的信息，为用户提供更加便捷的体验，其目标是根据拥有相同偏好习惯(兴趣)的用户群(或者项目群)为基础，利用这个用户群(或者项目群)中的信息为目标用户产生推荐结果。
由于目前流媒体数据包含的内容越来越多，用户的喜好和追求也变得多种多样。同时庞大的数据流量对数据中心也造成巨大的负担。边缘计算技术不但减轻了从用户与数据源向云服务册传输所需数据而带来的网络带宽压力，还可以大大节省云端宝贵的计算资源。但是，由于边缘节点的计算存储资源有限，无法准确地预测热点视频。
发明内容
本发明要解决的技术问题是提供一种边缘计算环境下的视频热度预测方法，以解决现有技术所存在的边缘节点的计算存储资源有限，无法准确地预测热点视频的问题。
为解决上述技术问题，本发明实施例提供一种边缘计算环境下的视频热度预测方法，包括：
边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群，每个集群为兴趣相近的边缘节点用户集合；
对每个集群分别进行数据脱敏，得到每个集群中用户行为时间序列列表；
将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户；
其中，TOP-N推荐列表为：视频热度为前N名的预测列表。
进一步地，在边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，M个兴趣相近的边缘节点用户集群之前，所述方法还包括：
在边缘节点中，对节点用户的历史行为记录数据进行归一化处理。
进一步地，每个边缘节点用户的历史行为记录数据包括：边缘节点用户ID、视频类型、视频ID、时间戳、国家地区、上映时间和综合影响力，其中，ID表示唯一标识符。
进一步地，所述边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群包括：
边缘服务器将边缘节点ID、视频类型、国家地区、上映时间和综合影响力作为极限学习机的输入，利用极限学习机将边缘节点用户分为M类，得到M个集群。
进一步地，所述综合影响力由多项评估指标的加权平均值确定；
所述多项评估指标包括：豆瓣影评分数、微博搜索指数、演员影响力、导演影响力中的一种或多种。
进一步地，所述对每个集群分别进行数据脱敏，得到每个集群中每个用户的历史行为时间序列列表包括：
针对每一集群，根据边缘节点用户ID进行聚合，并按照时间戳进行聚合排列，对边缘节点用户ID脱敏后，得到M个集群的历史行为时间序列列表。
进一步地，历史行为时间序列列表包括：以时间戳进行排列的用户行为记录列表；
其中，用户行为记录列表为{NodeID：VideoID1；VideoID2；…；ViedeoIDn}，NodeID表示边缘节点用户ID，VideoID表示视频ID，n为用户行为记录列表中视频实例的数量。
进一步地，在得到相应集群中每个用户的历史行为记录列表之后，所述方法还包括：
若边缘节点用户的用户行为记录列表是不等长的，则对用户行为记录列表进行定长处理。
进一步地，所述将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户包括：
将每个集群对应的用户行为记录列表分别作为输入，对长短期记忆循环神经网络分别进行训练；
将softmax层作为长短期记忆循环神经网络的输出层，在长短期记忆循环神经网络输出层进行softmax变换，得到每个集群中所有视频的热度概率分布；其中，softmax为归一化多分类函数；
根据得到的热度概率分布，生成视频热度预测的TOP-N推荐列表，将其分发至每个对应的边缘节点用户。
进一步地，边缘服务器可以替换为云服务器。
本发明的上述技术方案的有益效果如下：
上述方案中，边缘服务器根据边缘计算环境下各个边缘节点用户的历史行为记录数据(即：兴趣)，利用极限学习机将兴趣接近的边缘节点用；对兴趣相近的用户节点集群进行信息脱敏得到用户行为时间序列列表，依据此列表利用长短期记忆循环神经网络进行预测，得到视频热度为前N名的预测列表，并将其分发至每个对应的边缘节点用户，从而能够根据用户兴趣变化实时推荐相应的热点视频。这样，边缘服务器利用ELM和LSTM组合的模式，能够提高视频热度预测的准确率，从而解决了边缘节点计算存储资源有限，无法准确预测热点视频的问题。
附图说明
图1为本发明实施例提供的边缘计算环境下的视频热度预测方法的流程示意图；
图2为本发明实施例提供的边缘节点层和云服务层的架构示意图；
图3为本发明实施例提供的LSTM神经元结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的边缘节点的计算存储资源有限，无法准确地预测热点视频的问题，提供一种边缘计算环境下的视频热度预测方法。
如图1所示，本发明实施例提供的边缘计算环境下的视频热度预测方法，包括：
S101，边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机(Extreme Learning Machine,ELM)将边缘节点用户分为M类，得到M个集群，每个集群为兴趣相近的边缘节点用户集合；
S102，对每个集群分别进行数据脱敏，得到每个集群中用户行为时间序列列表；
S103，将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络(Long Short-Term Memory,LSTM)分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户；
其中，TOP-N推荐列表为：视频热度为前N名的预测列表。
本发明实施例所述的边缘计算环境下的视频热度预测方法，边缘服务器根据边缘计算环境下各个边缘节点用户的历史行为记录数据(即：兴趣)，利用极限学习机将兴趣接近的边缘节点用；对兴趣相近的用户节点集群进行信息脱敏得到用户行为时间序列列表，依据此列表利用长短期记忆循环神经网络进行预测，得到视频热度为前N名的预测列表，并将其分发至每个对应的边缘节点用户，从而能够根据用户兴趣变化实时推荐相应的热点视频。这样，边缘服务器利用ELM和LSTM组合的模式，能够提高视频热度预测的准确率，从而解决了边缘节点计算存储资源有限，无法准确预测热点视频的问题。
本实施例中，边缘节点为边缘计算环境中具备计算能力的边缘设备，例如，手机、笔记本和电视盒子等设备。一般情况下，每个边缘设备的使用者都只为一个用户，因此每个边缘设备都可以定义为一个边缘节点用户，其记录的行为列表就是某一用户的历史行为记录列表。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，在边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，M个兴趣相近的边缘节点用户集群之前，所述方法还包括：
在边缘节点中，对节点用户的历史行为记录数据进行归一化处理。
本实施例中，在边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类之前，在边缘节点层中，为了减少边缘节点和边缘服务器之间的数据传输量，减缓边缘服务器的计算负荷，在边缘节点中对节点用户的历史行为记录数据首先进行归一化处理。
本实施例中，如图2所示，边缘节点层包括：边缘节点和边缘服务器。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，每个边缘节点用户的历史行为记录数据包括：边缘节点用户ID、视频类型、视频ID、时间戳、国家地区、上映时间和综合影响力，其中，ID表示唯一标识符。
本实施例中，综合影响力受多方面影响，主要选取豆瓣影评分数、微博搜索指数、演员影响力、导演影响力等指标作为评估指标，由于各指标的评估量级不同，计算综合影响力时需作加权平均，对应的权重矩阵为：
IWcomp＝[wdou wweb wactor wdirector]
其中，wdou为豆瓣影评分数，wweb为微博搜索指数，wactor为演员影响力，wdirector为导演影响力。
本实施例中，考虑到连续的变量值可以提高网络的敏感性，将豆瓣影评分数、微博搜索指数、演员影响力和导演影响力都处理成[0,1]区间的连续数值。
本实施例中，所述综合影响力由豆瓣影评分数、微博搜索指数、演员影响力、导演影响力这四项评估指标的加权平均值确定。在具体的应用场景中，可以根据实际情况。选用不同的评估指标来确定综合影响力。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，所述边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群包括：
边缘服务器将边缘节点ID、视频类型、国家地区、上映时间和综合影响力作为极限学习机的输入，利用极限学习机将边缘节点用户分为M类，得到M个集群。
本实施例中，边缘服务器利用极限学习机(ELM)对边缘节点用户进行初步分类，将边缘节点用户分为M类，目的是将兴趣接近的边缘节点用户组成一个集群以减少S103中训练样本过于稀疏，更利于挖掘边缘节点用户潜在的感兴趣视频内容。
本实施例中，ELM由输入层、隐含层和输出层组成，输入层有5个神经元，对应边缘节点ID、视频类型、国家地区、上映时间和综合影响力这5个输入变量；输出层有M个神经元，对应M个兴趣相近的边缘节点用户组合的集群。
本实施例中，针对输入数据，具有K个隐藏神经元的隐含层的输出函数fK(x)表达式为：
Figure BDA0002264451700000061
其中，ωi和bi分别为第i个隐藏神经元的输入权值和偏移量，βi表示第i个隐藏神经元的输出权值，x表示输入数据，G(ωi,bi,x)表示第i个隐藏神经元的输出；针对加法型的隐藏层节点，G(ωi,bi,x)表达式为
G(ωi,bi,x)＝g(ωix+bi)
其中，g(·)为激活函数，可以采用tanh函数作为激活函数。
本实施例中，如图2所示，对于长时间、大体积的输入数据，S101也可以在云服务层(具体为：云服务器)中执行。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，所述对每个集群分别进行数据脱敏，得到每个集群中每个用户的历史行为时间序列列表包括：
针对每一集群，根据边缘节点用户ID进行聚合，并按照时间戳进行聚合排列，对边缘节点用户ID脱敏后，得到M个集群的历史行为时间序列列表。
本实施例中，边缘服务器对每一经过ELM分类后得到兴趣相近的边缘节点用户集合，根据边缘节点用户ID进行聚合，按照时间戳进行聚合排列，对节点用户ID脱敏后，可以得到M个集群的历史行为时间序列列表。
本实施例中，原始历史行为记录日志多为{边缘节点用户ID；视频ID；时间戳}，经过聚合排列后，可以得到以时间戳进行排列的用户行为记录列表{NodeID：VideoID1；VideoID2；…；ViedeoIDn}，其中，NodeID表示边缘节点用户ID，VideoID表示视频ID，n为用户行为记录列表中视频实例的数量。
本实施例中，用户行为记录列表中的内容表示了兴趣相近的边缘节点用户的观看行为习惯和兴趣内容。
本实施例中，对于长时间、大体积的输入数据，S102也可以在云服务层中执行。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，在得到相应集群中每个用户的历史行为记录列表之后，所述方法还包括：
若各个边缘节点用户的用户行为记录列表是不等长的，则对用户行为记录列表进行定长处理。
在前述边缘计算环境下的视频热度预测方法的具体实施方式中，进一步地，所述将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户包括：
将每个集群对应的用户行为记录列表分别作为输入，对长短期记忆循环神经网络(LSTM)分别进行训练；
将softmax层作为长短期记忆循环神经网络的输出层，在长短期记忆循环神经网络输出层进行softmax变换，得到每个集群中所有视频的热度概率分布；其中，softmax为归一化多分类函数；
根据得到的热度概率分布，生成视频热度预测的TOP-N推荐列表，将其分发至每个对应的边缘节点用户。
本实施例中，图3为LSTM的神经元组成结构示意图，输入门it＝σ(Wi·[ht-1,xt]+bi)，遗忘门ft＝σ(Wf·[ht-1,xt]+bf)，输出门ot＝σ(Wo·[ht-1,xt]+bo)，当前输入的单元状态
Figure BDA0002264451700000081
当前时刻长短期记忆循环神经网络的长期状态(长记忆)
Figure BDA0002264451700000082
当前时刻长短期记忆循环神经网络的输出值(短记忆)ht＝ot*tanh(Ct)；
其中，σ(·)表示Sigmoid变换函数，t表示当前时刻，xt表示当前时刻长短期记忆循环神经网络的输入值，Wi、Wf、Wo、WC分别表示输入门、遗忘门、输出门、描述当前输入的权重矩阵，Wi、Wf、bo、bC分别表示输入门、遗忘门、输出门、描述当前输入的偏置项；ht-1、Ct-1分别表示上一时刻长短期记忆循环神经网络的输出值、长期状态。
本实施例中，针对每一集群，对输出门的最后结果ht进行Softmax变换来作为多分类目标项，得到前向过程中所有视频的热度概率分布，以此生成TOP-N推荐列表，将TOP-N推荐列表分发至每个对应的边缘节点用户。
本实施例中，对于长时间、大体积的输入数据，S101也可以在云服务层中执行。
本实施例中，边缘服务器利用ELM和LSTM组合的模式，能够更好地发现隐藏在用户历史行为记录中的潜在感兴趣视频，从而更快速、更准确地找到边缘节点用户感兴趣的视频。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种边缘计算环境下的视频热度预测方法，其特征在于，包括：
边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群，每个集群为兴趣相近的边缘节点用户集合；
对每个集群分别进行数据脱敏，得到每个集群中用户行为时间序列列表；
将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户；
其中，TOP-N推荐列表为：视频热度为前N名的预测列表。
2.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，在边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，M个兴趣相近的边缘节点用户集群之前，所述方法还包括：
在边缘节点中，对节点用户的历史行为记录数据进行归一化处理。
3.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，每个边缘节点用户的历史行为记录数据包括：边缘节点用户ID、视频类型、视频ID、时间戳、国家地区、上映时间和综合影响力，其中，ID表示唯一标识符。
4.根据权利要求3所述的边缘计算环境下的视频热度预测方法，其特征在于，所述边缘服务器根据边缘节点用户的历史行为记录数据，利用极限学习机将边缘节点用户分为M类，得到M个集群包括：
边缘服务器将边缘节点ID、视频类型、国家地区、上映时间和综合影响力作为极限学习机的输入，利用极限学习机将边缘节点用户分为M类，得到M个集群。
5.根据权利要求3所述的边缘计算环境下的视频热度预测方法，其特征在于，所述综合影响力由多项评估指标的加权平均值确定；
所述多项评估指标包括：豆瓣影评分数、微博搜索指数、演员影响力、导演影响力中的一种或多种。
6.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，所述对每个集群分别进行数据脱敏，得到每个集群中每个用户的历史行为时间序列列表包括：
针对每一集群，根据边缘节点用户ID进行聚合，并按照时间戳进行聚合排列，对边缘节点用户ID脱敏后，得到M个集群的历史行为时间序列列表。
7.根据权利要求6所述的边缘计算环境下的视频热度预测方法，其特征在于，历史行为时间序列列表包括：以时间戳进行排列的用户行为记录列表；
其中，用户行为记录列表为{NodeID：VideoID1；VideoID2；…；ViedeoIDn}，NodeID表示边缘节点用户ID，VideoID表示视频ID，n为用户行为记录列表中视频实例的数量。
8.根据权利要求7所述的边缘计算环境下的视频热度预测方法，其特征在于，在得到相应集群中每个用户的历史行为记录列表之后，所述方法还包括：
若边缘节点用户的用户行为记录列表是不等长的，则对用户行为记录列表进行定长处理。
9.根据权利要求7所述的边缘计算环境下的视频热度预测方法，其特征在于，所述将每个集群对应的用户行为时间序列列表分别作为输入，对长短期记忆循环神经网络分别进行训练、预测，得到每个集群的TOP-N推荐列表，将其分发至每个对应的边缘节点用户包括：
将每个集群对应的用户行为记录列表分别作为输入，对长短期记忆循环神经网络分别进行训练；
将softmax层作为长短期记忆循环神经网络的输出层，在长短期记忆循环神经网络输出层进行softmax变换，得到每个集群中所有视频的热度概率分布；其中，softmax为归一化多分类函数；
根据得到的热度概率分布，生成视频热度预测的TOP-N推荐列表，将其分发至每个对应的边缘节点用户。
10.根据权利要求1所述的边缘计算环境下的视频热度预测方法，其特征在于，边缘服务器可以替换为云服务器。
CN201911082717.4A 2019-11-07 2019-11-07 一种边缘计算环境下的视频热度预测方法 Active CN111090774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911082717.4A CN111090774B (zh) 2019-11-07 2019-11-07 一种边缘计算环境下的视频热度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911082717.4A CN111090774B (zh) 2019-11-07 2019-11-07 一种边缘计算环境下的视频热度预测方法

Publications (2)

Publication Number Publication Date
CN111090774A true CN111090774A (zh) 2020-05-01
CN111090774B CN111090774B (zh) 2023-06-27

Family

ID=70393100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911082717.4A Active CN111090774B (zh) 2019-11-07 2019-11-07 一种边缘计算环境下的视频热度预测方法

Country Status (1)

Country Link
CN (1) CN111090774B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333456A (zh) * 2020-10-21 2021-02-05 鹏城实验室 一种基于云边协议的直播视频传输方法
CN113949931A (zh) * 2021-10-13 2022-01-18 深圳市视壮科技有限公司 一种iptv节目推荐方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635762A (zh) * 2016-01-15 2016-06-01 深圳大学 一种基于深度信念网络的视频热度预测方法及其系统
CN107707964A (zh) * 2016-08-08 2018-02-16 华为软件技术有限公司 预测视频内容热度的方法和装置
CN108334638A (zh) * 2018-03-20 2018-07-27 桂林电子科技大学 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法
US20180336452A1 (en) * 2017-05-22 2018-11-22 Sap Se Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105635762A (zh) * 2016-01-15 2016-06-01 深圳大学 一种基于深度信念网络的视频热度预测方法及其系统
CN107707964A (zh) * 2016-08-08 2018-02-16 华为软件技术有限公司 预测视频内容热度的方法和装置
US20180336452A1 (en) * 2017-05-22 2018-11-22 Sap Se Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network
CN108334638A (zh) * 2018-03-20 2018-07-27 桂林电子科技大学 基于长短期记忆神经网络与兴趣迁移的项目评分预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112333456A (zh) * 2020-10-21 2021-02-05 鹏城实验室 一种基于云边协议的直播视频传输方法
CN112333456B (zh) * 2020-10-21 2022-05-10 鹏城实验室 一种基于云边协议的直播视频传输方法
CN113949931A (zh) * 2021-10-13 2022-01-18 深圳市视壮科技有限公司 一种iptv节目推荐方法及系统

Also Published As

Publication number Publication date
CN111090774B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110321422B (zh) 在线训练模型的方法、推送方法、装置以及设备
WO2020207196A1 (zh) 用户标签生成方法、装置、存储介质和计算机设备
Zhang et al. DeepQoE: A multimodal learning framework for video quality of experience (QoE) prediction
CN110543598B (zh) 信息推荐方法、装置及终端
Qian et al. Social media based event summarization by user–text–image co-clustering
CN104182449A (zh) 基于用户兴趣建模的个性化视频推荐系统和方法
CN112052387A (zh) 一种内容推荐方法、装置和计算机可读存储介质
CN111858969B (zh) 多媒体数据推荐方法、装置、计算机设备和存储介质
Chaturvedi et al. Recommender system for news articles using supervised learning
CN114896454A (zh) 一种基于标签分析的短视频数据推荐方法及系统
CN111090774B (zh) 一种边缘计算环境下的视频热度预测方法
CN114282077A (zh) 一种基于会话数据的会话推荐方法及系统
Ma et al. An improved ridge regression algorithm and its application in predicting TV ratings
CN115618024A (zh) 多媒体推荐方法、装置及电子设备
Kumar et al. Session-based recommendations with sequential context using attention-driven LSTM
CN114817692A (zh) 确定推荐对象的方法、装置和设备及计算机存储介质
CN112258285A (zh) 一种内容推荐方法及装置、设备、存储介质
WO2023087933A1 (zh) 内容推荐方法、装置、设备、存储介质及程序产品
Yadav et al. Recommendation System Based on Double Ensemble Models using KNN-MF
Chen et al. Research and implementation of movie recommendation system based on deep learning
CN115470397B (zh) 内容推荐方法、装置、计算机设备和存储介质
Li et al. Collaborative filtering recommendation algorithm based on user characteristics and user interests
CN115048530A (zh) 融合邻居重要度和特征学习的图卷积推荐系统
Li et al. Video recommendation based on multi-modal information and multiple kernel
Su et al. [Retracted] Advertising Popularity Feature Collaborative Recommendation Algorithm Based on Attention‐LSTM Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant