武 维，李泽平*，杨华蔚，林 川，王忠德

（1.贵州大学计算机科学与技术学院，贵阳 550025；2.贵州财经大学大数据应用与经济学院，贵阳 550025）

0 引言

提前预测视频的受欢迎程度是许多应用的重要部分，如推荐、广告和信息检索等［1］。通过对YouTube 视频网站上的大量用户反馈行为观察发现，部分视频在发布后的一段时间内，经用户反馈后该视频的流行度呈增长趋势。为了捕获视频流行度的动态变化过程，本文首先采用循环神经网络（Recurrent Neural Network，RNN）建模并计算出视频的流行趋势指数，同时离散化视频的点赞量和点踩量，把流行度预测任务转化为分类问题；将视频的流行度分为“受欢迎”和“不受欢迎”两类，采用神经网络模型对视频的内容特征进行建模；最后融合视频的流行趋势和内容特征以预测视频的流行度。

基于用户反馈量的宏观积累过程来预测流行度有很大的实用价值，长短期记忆（Long Short-Term Memory，LSTM）网络能够有效地捕捉事件的变化过程［2］，被广泛应用于股票走势预测［3］、温度变化趋势预测［4］以及医学研究中的抑郁趋势预测［5］等。LSTM 网络能够有效地捕捉视频的流行趋势，目前已有研究者采用LSTM 网络对视频的流行动态进行建模和预测流行度，且取得了较好的效果［6］。受到这些研究工作的启发，本文采用LSTM 网络对视频的流行趋势进行建模，捕获视频流行度的变化趋势。

最近，基于深度学习的模型被应用于用户的偏好预测［7］、App的流行度预测［8］、电影的受欢迎程度预测［9］。部分深度学习模型主要分……