Сочинение на тему Разработка фреймворка для рекомендации учебных материалов с YouTube

Введение

Интернет-технологии имеют много преимуществ. Мы можем быстро обмениваться информацией и идеями, и это эффективно через границу. Это также признано в качестве основного права человека. Интернет также оказался очень динамичным средством общения. Одна из крупнейших технологий Интернета – социальные сети. Социальные медиа бывают разных форм, включая блоги, платформы для обмена видео, форумы, деловые сети, социальные игры, приложения для чатов, микроблоги и, наконец, социальные сети. Онлайн видео платформа (OVP), предоставляемая сервисом видеохостинга, позволяет пользователю загружать, конвертировать, хранить и воспроизводить видео контент в Интернете, часто через структурированную, масштабную систему, которая может приносить доход. Обычно пользователи загружают видеоконтент через веб-сайт хостинг-сервиса, мобильное или настольное приложение или другой интерфейс.

Видеохост хранит видео на своем сервере и предлагает пользователям возможность включения различных типов кодов для вставки или ссылок, которые позволяют другим пользователям просматривать видеоконтент. Веб-сайт, в основном используемый в качестве веб-сайта для размещения видео, обычно называется веб-сайтом для обмена видео. Популярные веб-сайты для обмена видео, такие как YouTube или MetaCafe, просят пользователей указать текстовый контент, сопровождающий каждое из тысяч видео, которые ежедневно загружаются вместе. Несмотря на то, что загрузчики могут предоставлять текстовую информацию в нескольких формах, включая заголовок, описание и набор тегов произвольной формы, по-прежнему существуют пустыни метаданных – видеоролики, названия которых слишком короткие или чьи описания и теги либо кратки, либо отсутствуют. Более того, истинная семантика загруженного видео часто лишь частично фиксируется текстом, добавленным загрузчиком.

Благодаря возможности рекомендовать элементы, представляющие потенциальный интерес для пользователей, важность персонализированных рекомендательных систем была признана в различных онлайн-приложениях, таких как рекомендации видео в YouTube. Тем не менее, исследования и применение методов персонализированных рекомендаций по-прежнему в основном сосредоточены на вертикальных доменах, которые, как правило, предоставляют внутрисайтовые однородные рекомендации по элементам на сайте. Мы должны столкнуться с некоторыми проблемами в этом тезисе. Учитывая проблему конфиденциальности отдельных лиц, сканирование данных будет проблемой. Поскольку объем просматриваемых данных огромен, очень трудно обрабатывать этот огромный объем данных в системе реляционных баз данных. Поэтому мы должны перейти к системе баз данных H-base, где категоризация данных является большой проблемой. Итак, мы должны найти способ или разработать алгоритм для их анализа. И это самая большая проблема.

Связанная работа

Мы обнаружили, что было опубликовано всего несколько исследований рекомендованных учебных материалов из видео YouTube. Они анализируют рекомендации по тегам и обнаружению категорий YouTube и контекстно-зависимую систему рекомендаций YouTube. Йонатан Портилья, Александр Рейфферс, Эйтан Альтман, Рашид Эль-Азузи попытались изучить график рекомендаций YouTube на основе измерений и стохастических инструментов. Сначала они строят график, который фиксирует систему рекомендаций на YouTube, и эмпирически изучают взаимосвязь между количеством просмотров видео на графике рекомендаций, т.е. с. случайный пользователь, который просматривает видео таким образом, что видео, которое он выбирает для просмотра, выбирается случайным образом среди видео в списке рекомендаций или в предыдущем просмотренном видео. Они изучают свойства устойчивости этого случайного процесса и показывают, что полученная траектория не содержит циклов, если число случаев, если количество видео в списке рекомендаций мало. Джордж Тодеричи, Хришикеш Арадхье, Мариус Паска, Лучано Сбайз, Джей Ягник фокусируются на рекомендации тегов и поиске категорий на YouTube. Они предлагают новую структуру для неконтролируемого обнаружения категорий видео, которая использует знания, извлеченные из текстовых документов / поисков во всемирной паутине. Изучение видеоконтента по тегам связано с помощью обучающих классификаторов, которые отображают аудиовизуальные контентные функции из миллионов видео на YouTube. com к существующим тегам, предоставленным загрузчиком для этих видео.

Юнфэн Чжан, Мин Чжан, Ицюнь Лю, Чуа Тат-Сенг, И Чжан, Шаопин Ма изучали рекомендации, основанные на задачах, в веб-масштабе. Они предлагают рекомендации, основанные на задачах, предлагают рекомендации по разнородным элементам в масштабах сети, которые лучше отвечают потенциальным потребностям пользователей в задаче, e. г. после просмотра видео на YouTube можно обратиться к амазонке за платьем, которое носит актриса, или обратиться к веб-сайтам по прокату автомобилей, чтобы арендовать автомобиль после бронирования отеля в Интернете. Они полагают, что основанные на задачах рекомендации будут одним из ключевых компонентов следующего поколения универсальных механизмов рекомендаций в масштабе сети. Манзар Аббас, Мухаммед Усман Риаз, Асад Рауф, Мухаммед Таймур Хан, Шехзад Халид изучали контекстную систему рекомендаций YouTube. В YouTube было огромное количество видеороликов, которые растут с высокой скоростью, что создает проблему для пользователей, переходящих на соответствующий контент. Пользователям предоставляются рекомендованные видео, которые соответствуют их интересам. Эта система рекомендаций, предложенная для YouTube, которая отслеживает многочисленные интересы пользователя и рекомендует видео только на основе их текущего контекста. Он позволяет пользователям лучше находить релевантные видео и более релевантен человеческому суждению. Доктор Сарика Джайн, Анджали Гровер, Правин Сингх Тхакур, Сурабх Кумар Чоудхари изучали тенденции, проблемы и решения системы рекомендаций. Они описали различные подходы, используемые в различных рекомендательных системах, таких как основанная на контенте, совместная и гибридная рекомендательная система. Они также описали некоторые основные проблемы, с которыми сталкиваются системы веб-рекомендаций, и проанализировали некоторые методы их преодоления.

Цели