论文部分内容阅读
近年来随着我国网络科学技术的不断发展以及“三网融合”的持续推进,IPTV(交互式网络电视)呈现出快速发展的趋势。IPTV不同于传统电视的单向广播方式,其可以实现与观众之间的互动,所提供的视频也更加个性化和多样化。2016年上半年,我国IPTV用户已经达到6581万户,挖掘并满足用户的需求成为IPTV发展的关键,如何对大量的视频进行评估并选择出更受用户喜欢的视频成为IPTV亟待解决的问题。随着新媒体的快速发展,海量视频资源以及大量与视频相关的信息席卷而来,对于视频的评估可以不再局限于传统平台的收视率,视频在新媒体平台上的播放量、网络影响度以及视频内容等相关数据也是影响视频评估的重要指标。本文利用新媒体平台上的海量视频数据完善IPTV视频评估指标体系,并基于BP神经网络在Spark平台上构建视频评估模型。为方便IPTV的编辑们进行视频评估,建立了视频评估系统。本文主要研究内容和创新点如下:首先,结合海量视频信息分别从视频收视度、视频的网络影响度、视频内容三个方面完善视频评估指标体系,并指出各个指标的数据来源和量化标准。然后,引入反映IPTV受众群体喜好的视频隐式评分,并基于BP神经网络构建视频评估模型。完善之后的视频评估指标体系中各个指标量化之后的数据作为输入,视频隐式评分作为输出,实验证明所构建的评估模型能够更加全面、有效的评估视频,也更能反映IPTV受众群体对视频的喜好。视频评估指标体系的各个指标的相关数据来源广泛并且数据量大,为提高构建评估模型的效率,本文在Spark大数据处理平台上进行BP神经网络并行化训练,实验证明在Spark平台上能够有效的提高BP神经网络的训练速度。最后,基于视频评估指标体系和视频评估模型,并利用网络爬虫等技术建立了视频评估系统。系统首先采集视频评估指标体系中各个指标相关的数据,并对数据进行整合和补充,然后将训练所得的视频评估模型的权值和阈值输入到系统中,为IPTV的编辑们评估视频提供了便利。