[發(fā)明專利]一種基于傅里葉變換的視頻播放量可預測性分類方法

有效

• 申請?zhí)枺?/td>: 201811280491.4
• 申請日: 2018-10-30
• 公開（公告）號: CN109218829B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設計）人: 吳迪;周彥
• 申請（專利權(quán)）人: 中山大學
• 主分類號: H04N21/442
• 分類號: H04N21/442;H04L12/24;H04N21/845
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發(fā)明涉及了一種基于傅里葉變換的視頻播放量可預測性分類方法，以傅里葉變換為基礎，引入了傅里葉變換對時間序列的頻譜分析，通過計算視頻的歷史播放量的高頻能量占比，去區(qū)分可預測性，高頻能量占比高的視頻分類為可預測性弱，而高頻能量占比低的視頻分類為可預測性強。本發(fā)明能夠幫助視頻提供網(wǎng)站提前區(qū)分視頻的未來播放量預測難度，進而使得網(wǎng)站更好地選擇預測算法和分配資源。

技術領域

本發(fā)明涉及人工智能領域，更具體的，涉及一種基于傅里葉變換的視頻播放量可預測性分類方法。

背景技術

互聯(lián)網(wǎng)的出現(xiàn)和發(fā)展給普通用戶帶來了大量的信息，近年來，隨著互聯(lián)網(wǎng)技術的發(fā)展，觀看在線視頻成為了人們一種常見的娛樂方式。同時各個視頻站點的觀看量在近幾年都呈現(xiàn)了爆炸性的增長趨勢。以騰訊視頻網(wǎng)站為例，2017年它的日活用戶達到了1.5億，平均每個用戶每月貢獻了437分鐘的觀看時長。對于如此大的觀看人數(shù)和觀看量，如何去調(diào)整視頻緩存策略、如何做視頻推薦以及如何投放廣告等問題對于視頻站點來說都是需要特別關注的。而解決這些問題的一個核心問題就是提前預估視頻的播放量，所以如何去預測視頻的播放量就成了現(xiàn)在企業(yè)以及學術界共同關注的一個問題。

在之前的研究中，有學者收集了大量視頻播放量數(shù)據(jù)，通過統(tǒng)計分析的方法，發(fā)現(xiàn)了一個視頻的后期播放量與它的早期播放量存在著極高的相關性，從而論證了用歷史播放量數(shù)據(jù)去預測未來播放量的可行性。所以現(xiàn)有的絕大多數(shù)預測模型或算法都是基于歷史播放量數(shù)據(jù)的，它們將每個視頻的歷史播放量數(shù)據(jù)作為輸入，輸出視頻在未來某個時間點的播放量預測值。在預測方法上有很多種實現(xiàn)方式，如線性回歸方法、機器學習方法、隨機過程方法等。

但是，并不是所有視頻的未來播放量都與前期播放量絕對相關，它們的播放量可預測性也是存在著差別。很多視頻的播放量會因為外界的擾動而產(chǎn)生很大的變化。例如，將一個視頻放在了視頻站點的首頁推薦列表上，一般就會導致視頻的播放量急劇上升。反之，將一個視頻從首頁推薦列表上移除掉，它的播放量則會出現(xiàn)下降趨勢。因為基于歷史播放量的預測模型或算法大多都是去擬合歷史播放量的發(fā)展趨勢，然后進行未來播放量的預測。所以當歷史播放量的時間序列曲線出現(xiàn)劇烈變化的時候這些模型并不能表現(xiàn)出良好的性能，本發(fā)明認為這種視頻是可預測性弱的，反之如果一個視頻的歷史播放量曲線表現(xiàn)得比較平穩(wěn)，就可以更好地去學習它的變化趨勢，從而可以利用現(xiàn)有的模型進行預測，本發(fā)明認為這些視頻是可預測性強的。

那么，如何去區(qū)分它們的可預測性就成了一個很重要的問題。如果能夠區(qū)分出視頻的可預測性，就能夠針對可預測性不同的視頻制定不同的播放量預測方法，例如針對可預測性強的視頻可以直接使用現(xiàn)有方法，而對于可預測性弱的視頻，可以只擬合出現(xiàn)劇烈變化后的播放量曲線，這樣可以防止之前的播放量變化趨勢對預測的干擾。同時，區(qū)分了視頻播放量的可預測性，視頻站點可以對不同預測性的視頻進行統(tǒng)計分析，從而建立模型提早判斷視頻的可預測性是否強，然后將更多的資源分配到預測這些可預測性強的視頻上，從而優(yōu)化資源利用。例如，對于重點關注并且可預測性強的視頻，就可以依據(jù)基于歷史數(shù)據(jù)的預測算法去預測播放量，對于重點關注但是可預測性弱的視頻，可能就需要在歷史數(shù)據(jù)預測算法上再結(jié)合一些外部信息來預測，比如結(jié)合OSN的信息，或者視頻提供網(wǎng)站結(jié)合自身的推薦策略更好地進行預測。

本發(fā)明基于傅里葉變換，設計了一種可以有效區(qū)分視頻播放量可預測性的方法。由于可預測性的差異來自于歷史播放量曲線的波動情況，那么怎么去量化這個波動情況就是區(qū)分可預測性的核心所在。視頻的歷史播放量也是一種時間序列，而傅里葉變換可以從頻域去分析時間序列。在頻域維度上，平穩(wěn)變化的時間序列的高頻分量較少，而波動比較大的時間序列的高頻分量占比則比較大。所以，基于這個理論，本發(fā)明通過計算視頻的歷史播放量的高頻能量占比，去區(qū)分可預測性。高頻能量占比高的視頻分類為可預測性弱，而高頻能量占比低的視頻分類為可預測性強。之后根據(jù)本發(fā)明的劃分，視頻提供網(wǎng)站就能夠合理地分配資源去預測不同類型的視頻。

發(fā)明內(nèi)容