WiMi Hologram Cloud Inc. kondigt aan dat er een innovatief gepersonaliseerd multi-modaal videoaanbevelingssysteem is ontwikkeld. Het maakt gebruik van deep learning-methoden en multimodale gegevensanalyse. Het systeem maakt gebruik van deep learning-algoritmen om verborgen kenmerken van films en gebruikers te ontginnen, en wordt getraind met multimodale gegevens om videowaarderingen verder te voorspellen en zo nauwkeurigere gepersonaliseerde aanbevelingsresultaten te bieden.

Dit aanbevelingssysteem gebruikt deep learning en een holistisch procesmodel voor multimodale gegevens. Verzamel eerst datasets die multimodale informatie over gebruikers en video's bevatten. Transformeer vervolgens de parameters van gebruikers en video's in matrices met enkele waarden die singuliere waarden zonder nul bevatten.

Train vervolgens een convolutioneel neuraal netwerk (CNN) met meerlagige convolutionaire filters om de niveauclassificatie van de gegevens te verbeteren. Gebruik na het trainen van het model de verfijnde kenmerken om potentiële relaties tussen gebruikers en films te vinden en aanbevelingen te doen op basis van similariteitscriteria. Tot slot worden video's aanbevolen voor gebruikers op basis van de similariteitstheorie.

Het videoaanbevelingssysteem omvat gegevensverzameling en voorbewerking, kenmerkextractie en representatieleren, modeltraining en optimalisatie, en aanbevelingsalgoritme en gepersonaliseerde aanbeveling. Gegevensverzameling en voorbewerking: Door multimodale datasets van gebruikers en video's te bevatten, inclusief informatie zoals tekstuele beschrijvingen, afbeeldingen en audio. Deze gegevens kunnen worden verkregen uit videodatabases, gebruikersgedrag en andere beschikbare bronnen.

In de voorbewerkingsfase worden de gegevens opgeschoond, gedenoïdiseerd en genormaliseerd om de consistentie en bruikbaarheid van de gegevens te garanderen. Eigenschapsextractie en leren van representatie: Om verborgen kenmerken van gebruikers te ontginnen, wordt een diepe leermethode gebruikt voor het extraheren van kenmerken en het leren van representaties. Door middel van natuurlijke taalverwerking zoals woordinbedding en terugkerende neurale netwerken (RNN's) om teksten om te zetten in gedistribueerde vectorrepresentaties.

Voor beeld- en audiogegevens gebruikt u CNN en RNN voor kenmerkextractie. Modeltraining en optimalisatie: Bouw deep learning netwerkmodellen en train en optimaliseer ze met behulp van trainingsgegevens. Tijdens de modeltraining worden de gewichten en biases van het model bijgewerkt door het back propagation-algoritme en de gradient descent optimizer om de voorspellingsfout te minimaliseren.

Tegelijkertijd worden bijvoorbeeld regularisatie en batchnormalisatie gebruikt om het generalisatievermogen van het model te verbeteren en overfitting te voorkomen. Aanbevelingsalgoritme en gepersonaliseerde aanbevelingen: Videoaanbevelingen kunnen worden gedaan met behulp van kenmerken en patronen die door een getraind model zijn geleerd. Gepersonaliseerde aanbevelingen worden gedaan door de gelijkenis tussen de gebruiker en de video te berekenen op basis van het historische gedrag en de voorkeuren van de gebruiker.

Op basis van de gelijkenisberekening wordt een lijst met videoaanbevelingen voor de gebruiker gegenereerd en geoptimaliseerd op basis van feedback en beoordelingen van de gebruiker. Het gepersonaliseerde videoaanbevelingssysteem van WiMi heeft een betere aanbevelingsnauwkeurigheid en gebruikerstevredenheid in vergelijking met traditionele aanbevelingsalgoritmen zoals collaboratieve filtering, filtering op basis van inhoud en decompositie van enkelvoudige waarden. Tegelijkertijd kan het systeem ook het probleem van de gegevensschaarste tot op zekere hoogte verlichten en de diversiteit van de aanbevelingen verbeteren.

Voor de toekomstige ontwikkeling hebben de onderzoekers van WiMi enkele suggesties voor verbetering gedaan. Ten eerste moeten de gegevenskwaliteit en -diversiteit verder worden verbeterd om de nauwkeurigheid en dekking van het aanbevelingssysteem te garanderen. Ten tweede is het ook belangrijk om de interpretatiemogelijkheden van de aanbevelingsmodellen te verbeteren, zodat gebruikers de basis van de aanbevelingsresultaten kunnen begrijpen en de transparantie en het vertrouwen van het systeem toenemen.

Met de populariteit van mobiele apparaten en de groei van online videodiensten worden realtime en online aanbevelingen bovendien steeds belangrijker. Toekomstig onderzoek zou kunnen nagaan hoe efficiënte gepersonaliseerde aanbevelingen in realtime omgevingen kunnen worden uitgevoerd, waarbij aanbevelingsmodellen en realtime gegevensstroomverwerking worden gecombineerd om onmiddellijke aanbevelingsreacties te verkrijgen. Het gepersonaliseerde videoaanbevelingssysteem van WiMi heeft een groot potentieel om het probleem van de overvloed aan informatie op te lossen.

Het biedt niet alleen nauwkeurigere en gepersonaliseerde aanbevelingsresultaten, maar verlicht ook het probleem van gegevens met een koude start en verbetert de gebruikerservaring. Toekomstig onderzoek en ontwikkeling zal het aanbevelingsalgoritme verder verbeteren om het aanbevelingssysteem intelligenter en betrouwbaarder te maken en gebruikers een betere kijkervaring te bieden.