基于深度信念网络的在线视频热度预测

摘要：

针对在线视频热度预测研究中分类及预测效果欠佳,规则化较多和较缺乏实践检验等问题,通过对实际在线视频服务系统所采集的海量数据研究,提出一种基于深度信念网络(Deep Belief Networks,DBNs)的视频热度预测方法.首先,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;其次,根据输入和输出变量确定了DBNs各层网络的结构,优化了网络参数和预测模型;最后,通过在线视频服务商的数据对深度信念网络进行训练,并多次交叉实验对比分析,结果表明基于DBNs方法在视频热度预测上准确率最高79.47%(国内视频)、65.33%(国外视频),可以为在线视频上映前的投资、宣传以及风险评估提供较全面可靠的参考决策.

关键词：深度学习、在线视频服务、热度预测、深度信念网络、受限玻尔兹曼机

所属期刊栏目：53

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金61502315,61309030;广东省自然科学基金2015A030310366;深圳大学科研启动项目201558;深圳市基础研究计划项目JC201105170613A,ZYC2010060901206

在线出版日期：2017-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：162-169,189