YouTube与Google+整合推动视频共享更社交化

正据悉,近日YouTube与Google+加强了整合,YouTube用户可以在YouTube上显示其Google+的资料和页面,以及来自其他一些社交网络的信息,如Facebook和Twitter等。这样的整合无疑给用户带来和无限的便利,可以更快的获取信息,不用同时登录多个社交网络来查看信息消息。通过此次整合,YouTube允许用户将其Google+的帐号推广到YouTube视频广播网络,如此用户就可以通过视频广播     

分享你的一切：想一炮走红？YouTube能帮你

关于YouTube，不用作过多介绍了吧，它是网络视频的一个典型代表。电视和电影行业对它恨之入骨（除非它们和YouTube达成合作），因为任何人都可以从YouTube上找到任何想要的视频文件，比如最新片花等等。YouTube是免费的，靠的是在播放视频的网页上插入广告来赚钱。但YouTube具有一定限制，上传的视频文件不能大于1GB，长度也不能超过10分钟。     

PPS线下产品实现“三端融合”

2012年10月,PPS在移动终端上的用户已突破1200万,稳占市场三成份额,PPSPC端独立用户数更是突破6亿,PC端与移动端正呈现同步增长趋势,且PPS移动客户端更以120%的月增长速率激增,用户对于PC端和移动端有双重需求。用PPS网络电视总裁徐伟峰的话来说:"PPS已将三端融合作为下阶段的重要战略计划。用户对碎片时间的娱乐有极大的需求这是因,而网络视频企业实现三端的融合就是果,实现三端平台之间内容和功能的同步,这是用户需求导向的必然结果,是网络视频发展的必然趋势"。     

图表示学习短视频智能推荐研究综述

随着短视频数量的爆发式增长, 精准的个性化短视频推荐成为学术界和工业界的迫切需求。然而,现有的推荐方法没有考虑实际的短视频具有数据多源异构多模态、用户行为复杂多样、用户兴趣动态变化等特点。短视频模态间的语义鸿沟、社交网络用户多行为挖掘、用户动态兴趣捕捉依然是短视频推荐领域面临的三个重要问题。针对当前推荐系统存在的问题,并充分考虑短视频推荐系统的实际需求,本文介绍了短视频推荐中基于图表示学习的短视频推荐方法;研究了短视频异构多模态特征表示,充分挖掘视频内容特征并进行高效融合;研究了短视频社交网络用户多行为表示,通过社交网络用户多种行为挖掘更细粒度的用户偏好;研究了用户的动态偏好表示方法,通过利用时序信息建模用户的动态兴趣,保证推荐结果的准确度并增加其多样性与个性化。本研究可在理论和实践上推进基于图特征学习的短视频推荐研究,也可作为短视频推荐系统的关键技术。     

视频与社交融合共生

社交网络将互联网的分享精神发挥到极致，通过与社交网络融合，视频内容获得了强大的生命力。更重要的是，视频与社交的融合有望改写中国网络视频行业的游戏规则。     

网络视频的进阶：YouTubeVS．PPS，谁是频道之王

近日,美国《连线》杂志刊载了一篇标题为（YouTube转型：从视频内容到频道世界》的文章。文中对YouTube的未来的发展战略进行了完整的解析。细细比较之下,不论是用户体验、盈利模式还是网页界面的设计上,甚至对于未来频道建设的新构想。都与国内知名网络视频企业PPS网络电视不谋而合。     

基于关联规则挖掘的跨网络知识关联及协同应用

随着社交媒体的兴起,各种社交媒体服务应运而生,社交媒体多源化现象越来越明显。一种基于关联规则挖掘的方法可以用来分析研究社交媒体多源现象,即通过同一个用户与不同社交媒体上多源数据的行为交互,挖掘社交媒体多源数据知识关联,进而设计跨网络协同的视频推荐应用。本研究框架主要分为3个步骤:(1)基于主题建模的知识发现,对用户和视频进行主题建模,得到其在主题层上的表示;(2)基于关联规则挖掘的跨网络知识关联,以跨网络共同用户作为连接不同网络的桥梁,利用关联规则的方法挖掘不同网络间的知识关联;(3)基于跨网络知识发现的冷启动视频推荐,将用户和视频映射到同一主题空间并进行主题匹配,最终进行视频推荐。实验结果表明,通过跨网络用户协同,该跨网络知识关联方法能得到除了语义关联外更加灵活有效的跨网络关联,并在冷启动的跨网络视频推荐中取得较好的推荐效果。     

基于HTTP协议与H.264的YouTube媒体播放器的研究

YouTube是全球著名的视频网站,为用户提供高质量的视频等服务.在移动流媒体服务规范的基础上,设计了YouTube媒体播放器客户端的系统架构,根据播放器的功能设计,分为HTTP引擎、音视频缓冲、音视频解码、音视频同步、自适应和UI界面几个模块.在比较分析移动流媒体传输协议的基础上,重点研究了使用HTTP协议优化网络引擎的实现方案.采用了H.264解码器从算法级和代码级对传输数据进行优化,从而实现媒体播放器在YouTube视频网站上播放视频的功能.     

社交网络用户在在线媒体中点播行为预测

在线媒体快速发展,为用户带来丰富多彩信息的同时,用户的参与也给在线媒体本身带来巨大的经济利益。因此,如何通过精确预测用户的偏好以增加在线媒体点击,成为一个学术界和工业界均关注的问题。现有的预测方法主要是借助用户个人信息和历史行为来预测用户行为,然而此类方法没有考虑媒体本身缺乏用户信息造成无法预测的问题。随着社交网络的发展,在线媒体与服务运营商间的兼并或合作的增多,支持用户通过单一账户使用多个媒体网络服务的情况越来越常见,这就为基于用户在社交网络中的资料预测用户在其他媒体中的喜好提供海量可信的基础数据。该文基于社交网络Google+和视频媒体YouTube的数据,首先证明用户在YouTube偏好具有高度的集聚性,并提出用户在社交网络中偏好与其在线媒体点击行为具有关联性,基于这种关联性,该文使用社交网络用户信息预测用户在在线媒体中的点播行为。实验结果显示,使用社交网络用户信息可以有效预测用户偏好,预测准确率比仅使用媒体本身信息提高了17%,而且能满足用户个性化需求。     

移动视频运营监控系统

中兴力维公司开发的基于3G无线视频技术的移动视频监控系统,在技术上将视频采集上传与浏览功能融为一体,实现数字化、智能化、移动化、网络化;在应用上向公众用户以及专业化较强的电信、交通、金融、社会公共安全等行业用户,实现把分散、独立的视频采集点和视频中心平台通过3G移动网络进行联网,实现跨区域、统一上传、统一浏览、统一存储和统一管理。     

一种融合多维信息的移动社区发现方法

为解决传统社区发现算法难适用于大型复杂异质的移动网络的问题,利用移动网络使用详单数据（Usage Detail Record, UDR）和移动用户社交数据构建网络模型,提出一种融合多维信息的移动社区发现方法BNMF-NF。该方法综合考虑用户社交关系和时空行为,给出用户社交相似度、位置分布相似度和主题偏好相似度,利用加权网络融合方法融合多维相似关系构建用户相似网络,并运用有界非负矩阵分解技术实现社区结构的检测。在Foursquare和电信数据集上的实验结果表明,BNMF-NF方法能够有效发现移动网络中用户社区结构。     

融合评论分析和隐语义模型的视频推荐算法

针对网络视频元数据信息缺失严重和多媒体数据本身特征难以提取等问题,提出了融合评论分析和隐语义模型的网络视频推荐算法.从视频评论入手,通过分析用户对不同视频的评论内容以判断其情感倾向并加以量化,继而构建用户对项目的虚拟评分矩阵,弥补了显式评分数据稀疏性问题.考虑到网络视频的多元性和高维度特性,为了深度挖掘用户对网络视频的潜在兴趣,针对虚拟评分矩阵采用隐语义模型(LFM)对网络视频分类,在传统的用户—项目二元推荐系统基础之上添加虚拟类目信息以进一步发掘用户—类目—项目关联关系.实验在多重标准下进行,对YouTube评论集的实验表明,所提推荐方法获得了较高的推荐精度.     

影评类二次创作短视频适用合理使用的界线

1.引言随着网络技术的发展和信息传播方式的演进,短视频成为了人们日常生活中必不可少的一部分。短视频是指主要依托于移动智能终端实现快速拍摄和美化编辑,并在社交媒体平台上实时分享的十五分钟以内的视频形式。随着抖音、快手等平台的爆火,短视频的创作时长更是普遍压缩在了五分钟以内,微博、今日头条等主流软件也乘着这股东风推出了各自的短视频频道。     

Lotus：书写“企业2.0计划”

去年,微软将旗下社交网络软件Wallop分拆成一家单独企业;Google以16.5亿美元收购视频共享网站YouTube;今年二月,思科宣布收购私营控股公司Five Across,拥有了后者帮助用户创建社交网站内容的工具;三月中旬,IBM也开始向社交领域发起了进攻,而Lotus Connections则成为了其进攻这一市场的主要利器。     

基于VPN的远程视频监控的实现

C/S和B/S结构是远程视频监控的两种主要网络传输模式,基于这两种结构的远程视频监控应用在网络部署中存在受限问题,使用VPN技术能够解决网络受限"瓶颈",在公共网络上建立"虚拟局域网",从而视频监控前端与监控端能够在网络中任意部署,结合3G移动网络和互联网络,实现"任何时间、任何地点"的视频监控。     

社区力量重获新生

全球最重要的两个社区网站MySpace和YouTube今年发生的故事，无疑成为社区模式展现力量的里程碑。在美国，年轻人的社交网络MySpace．com被新闻集团收购，以视频共享为方向的YouTube则被Google收购，这两大社区网站的收购事件，也一前一后助长了中国社区网站的快速成长。     

基于聚类层次模型的视频推荐算法

目前推荐系统存在评论数据稀疏、冷启动和用户体验度低等问题,为了提高推荐系统的性能和进一步改善用户体验,提出基于聚类层次模型的视频推荐算法。首先,从相关用户方面着手,通过近邻传播（AP）聚类分析得到相似用户,从而收集相似用户中的历史网络视频数据,进而形成视频推荐集合;其次,利用用户行为的历史数据计算出用户对视频的喜好值,再把视频的喜好值转换成视频的标签权重;最后,通过层次分析模型算出视频推荐集合中用户喜好视频的排序,产生推荐列表。基于MovieLens Latest Dataset和YouTube视频评论文本数据集,实验结果表明所提算法在均方根误差和决策精度方面均表现出良好的性能。     

上下文信息对移动视频推送的影响分析

在移动视频内容推送中,用户是否最终接受推送的视频内容不但取决于内容本身,还受用户所处的上下文(包括用户使用视频服务的时间、用户所在的位置,以及用户所使用接受视频内容的设备)的影响。上下文对用户接受移动视频内容的影响对移动视频推送具有重要意义。通过数据驱动的方法,利用大量移动用户在真实移动视频服务中接受视频推荐的记录(包括16天共4千万条移动视频访问日志),研究包括时间、位置、设备等上下文信息对用户最终接受移动视频内容的影响。基于实验数据给出的发现包括:(1)时间的周期性和峰值差异性;(2)位置的差异性和特殊区域的不同影响;(3)移动设备类型、移动操作系统的不同影响。这些研究结果将有助于优化移动视频内容的推送,提高用户的移动视频服务体验,例如,用户可以在偏好的上下文背景下获得更好的移动视频推送服务。     

让社交商务移动起来

正如网络改变了信息经济和商业模式,一个崭新的转变正在形成：社交网络现象正转变为全球商业模式,人与人之间的互动直接成为建立“智慧的地球”的一个至关重要的驱动力。现在世界上的社交网络和博客网站,每月花费超过110亿分钟。根据IDC数据显示,2010年全球社交平台软件市场收入超过5亿美元,增长31．9％。预计N2014年,全球社交平台市场将有20亿新增用户。     

开采视频金矿

2006年是网络视频元年。这一年,中国的创业者被大洋彼岸的YouTube神话激励着,一亿多美元的风险投资涌入视频行业,诞生了四五百家视频网站。但一年之后,高昂的带宽成本、后患无穷的版权问题以及尚不清晰的盈利模式,让这个行业一下子成为互联网里最为悲壮的行业。几乎所有人都被美好的前景驱使着:根据艾瑞iUserTracker在2007年发布的数据,视频分享的网民覆盖人数已经超过7000万,而预计到2010年,网络视频用户规模将达到1.8亿人。与此同时,一条贯穿内容提供商、视频平台、技术和服务提供商、广告代理商的完整的网络视频生态链正在浮出水面。如何在高昂的成本下去赚钱,成为摆在每家视频企业面前的问题。人人都害怕成为"死在沙滩上"的先烈,于是在这段黎明前的黑暗时刻,视频行业反倒进发出无穷的创新力。在不断挤泡沫的过程中,中国视频互联网迈出了从理想到现实的第一步。