北京，2023年9月15日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，開發了一種創新的個性化多模式視頻推薦系統。它采用了深度學習方法和多模态數據分析。該系統利用深度學習算法挖掘電影和用戶的隐藏特征，并使用多模态數據進行訓練，以進一步預測視頻評級，從而提供更準确的個性化推薦結果。
該推薦系統使用深度學習和多模态數據的整體過程模型。首先，我們收集包含關于用戶和視頻的多模态信息的數據集。然後，我們将用戶和視頻的參數轉換為包含非零奇異值的單值矩陣。接下來，我們用多層卷積濾波器訓練卷積神經網絡（CNN），以提高數據的級别分類。通過訓練模型，我們使用細化的特征來發現用戶和電影之間的潛在關系，并根據相似性标準進行推薦。最後，我們基于相似性理論為用戶推薦視頻。
視頻推薦系統包括數據采集和預處理、特征提取和表示學習、模型訓練和優化、推薦算法和個性化推薦。
數據收集和預處理：通過包含用戶和視頻的多模态數據集，包括文本描述、圖像和音頻等信息。這些數據可以從視頻數據庫、用戶行為和其他可用資源中獲得。在數據預處理階段，對數據進行清理、去噪和歸一化，以确保數據的一緻性和可用性。
特征提取和表示學習：為了挖掘用戶的隐藏特征，使用深度學習方法進行特征提取和表征學習。通過自然語言處理，如單詞嵌入和遞歸神經網絡（RNN），将文本轉換為分布式向量表示。對于圖像和音頻數據，請使用CNN和RNN進行特征提取。
模型訓練和優化：構建深度學習網絡模型，并使用訓練數據對其進行訓練和優化。在模型訓練過程中，通過反向傳播算法和梯度下降優化器更新模型的權重和偏差，以最小化預測誤差。同時，使用正則化和批量歸一化等方法來提高模型的泛化能力，防止過拟合。
推薦算法和個性化推薦：可以使用經過訓練的模型學習的特征和模式來進行視頻推薦。個性化推薦是通過基于用戶的曆史行為和偏好計算用戶和視頻之間的相似性來進行的。基于相似性計算，為用戶生成視頻推薦列表，并基于用戶反饋和評級進行優化。
與協作過濾、基于内容的過濾和奇異值分解等傳統推薦算法相比，WiMi的個性化視頻推薦系統具有更好的推薦準确性和用戶滿意度。同時，該系統還可以在一定程度上緩解數據稀疏性問題，提高推薦的多樣性。
對于未來的發展，WiMi的研究人員提出了一些改進建議。首先，應進一步提高數據質量和多樣性，以确保推薦系統的準确性和覆蓋範圍。其次，提高推薦模型的解釋能力也是讓用戶了解推薦結果的基礎，增加系統透明度和信任度的重要方向。此外，随着移動設備的普及和在線視頻服務的增長，實時和在線推薦變得越來越重要。未來的研究可以探索如何在實時環境中進行高效的個性化推薦，将推薦模型和實時數據流處理相結合，以實現即時推薦響應。
WiMi的個性化視頻推薦系統在解決信息過載問題方面顯示出巨大潛力。它不僅提供了更準确、更個性化的推薦結果，還緩解了數據冷啟動稀疏性問題，提高了用戶體驗。未來的研發将進一步完善推薦算法，使推薦系統更加智能可靠，為用戶帶來更好的觀看體驗。
