基于深度信念网络的在线视频热度预测
Computer Engineering and Applications 计算机工程与应用
2017，53（9）1引言在线视频热度预测是视频在上映前的一种预估，能够为视频的投资和网络资源的准备提供有价值的参考。随着互联网的发展，在线视频市场规模保持快速增长，大型的网络视频服务系统每日会有数千万的视频观看量，如Facebook 每日视频总浏览量达30亿次，YouTube 视频网站每分钟上传的视频时长大约为300h ，腾讯视频每天有上亿用户产生近十亿观看量。随着视
频数据爆发式的增长，准确的视频热度预测对供应商而言越来越重要。提高视频热度预测的能力，首先有助于提升服务质量和运营效率，有针对性地丰富网站资源；其次根据热度购买视频可改善用户体验，加快更新速度，提高用户黏性；再次根据预测结果设计高精度的广告库存模块，合理地调度广告投放和资源存储。
基金项目：国家自然科学基金（No.61502315，No.61309030）；广东省自然科学基金（No.2015A030310366）；深圳大学科研启动项目
（No.201558）；深圳市基础研究计划项目（No.JC201105170613A ，No.ZYC2010060901206）。
作者简介：陈亮（1983—），男，博士，讲师，研究领域为数据科学与数据系统，网络服务分析，E-mail ：lchen@https://www.wendangku.net/doc/da11883835.html, ；张俊池
（1991—），男，硕士研究生，研究领域为机器学习，数据分析；王娜（1977—），女，博士，教授，研究领域为机器学习，模式识别，算法优化；李霞（1968—），女，博士，教授，研究领域为智能计算和信号处理；陈宇环（1979—），女，博士研究生，研究领域为深度学习，图像处理。
收稿日期：2015-11-18修回日期：2016-01-08文章编号：1002-8331（2017）09-0162-08
CNKI 网络优先出版：2016-01-20,https://www.wendangku.net/doc/da11883835.html,/kcms/detail/11.2127.TP.20160120.1503.010.html
基于深度信念网络的在线视频热度预测
陈亮，张俊池，王娜，李霞，陈宇环
CHEN Liang,ZHANG Junchi,WANG Na,LI Xia,CHEN Yuhuan
深圳大学信息工程学院，深圳市现代通信与信息处理重点实验室，广东深圳518060
Shenzhen Key Lab of Advanced Communications and Information Processing,College of Information Engineering,Shenzhen University,Shenzhen,Guangdong 518060,China
CHEN Liang,ZHANG Junchi,WANG Na,et al.Deep belief networks based popularity prediction for online video https://www.wendangku.net/doc/da11883835.html,puter Engineering and Applications,2017,53（9）：162-169.
Abstract:Concerning the issue of traditional prediction model,this paper proposes a Deep Belief Networks （DBNs ）based approach to predict the popularity of online videos.By modeling users ’attention with the information extracted from social network and search engine,it studies its feature selection method and the optimization of DBN ’s parameters.Based on the data collected from one large-scale online video service provider,it implements experiments to evaluate the proposed approaches.The results show that DBN-based prediction obtains the highest performance up to 79.47%（for domestic TV drama ）and 65.33%（for foreign TV drama ）.The prediction strategy can help provide decision-making infor-mation for risk assessment,publicity affair,and investment of online videos.
Key words:deep learning;online video service;popularity prediction;deep belief network;restricted Boltzmann machine 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
文献标志码：A 中图分类号：TP393doi ：10.3778/j.issn.1002-8331.1511-0234
162万方数据