WiMi entwickelte optimiertes Video-Personalisierungsempfehlungssystem basierend auf Multi-Modal-Deep-Learning-Methode

BEIJING, 15. September 2023 – WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologramm-Augmented-Reality-(“AR”)-Technologien, kündigte heute an, dass ein innovatives personalisiertes Multi-Modal-Video-Empfehlungssystem entwickelt wurde. Es verwendet Deep Learning-Methoden und Multi-Modal-Datenanalyse. Das System nutzt Deep Learning-Algorithmen, um versteckte Merkmale von Filmen und Nutzern zu erschließen, und wird mit Multi-Modal-Daten trainiert, um Videobewertungen weiter vorherzusagen, um genauere personalisierte Empfehlungsergebnisse zu liefern.

Dieses Empfehlungssystem verwendet Deep Learning und ein ganzheitliches Prozessmodell für Multi-Modal-Daten. Zuerst sammeln wir Datensätze, die Multi-Modal-Informationen über Nutzer und Videos enthalten. Dann transformieren wir die Parameter von Nutzern und Videos in Einzelwertmatrizen, die von Null verschiedene Singulärwerte enthalten. Als Nächstes trainieren wir ein Convolutional Neural Network (CNN) mit Mehrschicht-Faltungsfiltern, um die Stufenklassifizierung der Daten zu verbessern. Durch das Training des Modells verwenden wir die verfeinerten Merkmale, um potenzielle Beziehungen zwischen Nutzern und Filmen zu finden und Empfehlungen auf der Grundlage von Ähnlichkeitskriterien zu machen. Schließlich empfehlen wir Videos für Nutzer basierend auf der Ähnlichkeitstheorie.

Das Videoempfehlungssystem umfasst Datenerfassung und -vorverarbeitung, Merkmalsextraktion und Repräsentationslernen, Modelltraining und -optimierung sowie Empfehlungsalgorithmus und personalisierte Empfehlungen.

Datenerfassung und -vorverarbeitung: Durch die Erfassung von Multi-Modal-Datensätzen von Nutzern und Videos, einschließlich Informationen wie Textbeschreibungen, Bilder und Audio. Diese Daten können aus Videodatenbanken, Nutzerverhalten und anderen verfügbaren Ressourcen bezogen werden. In der Phase der Datenvorverarbeitung werden die Daten bereinigt, entrauscht und normalisiert, um Datenkonsistenz und -nutzbarkeit zu gewährleisten.

Merkmalsextraktion und Repräsentationslernen: Um versteckte Merkmale von Nutzern zu erschließen, wird eine Deep Learning-Methode zur Merkmalsextraktion und Repräsentationslernen verwendet. Durch Natural Language Processing wie Word Embedding und rekurrente neuronale Netzwerke (RNNs), um Texte in verteilte Vektorrepräsentationen zu transformieren. Für Bild- und Audiodaten CNN und RNN zur Merkmalsextraktion verwenden.

Modelltraining und -optimierung: Konstruktion von Deep Learning-Netzwerkmodellen und deren Training und Optimierung mithilfe von Trainingsdaten. Während des Modelltrainings werden die Gewichte und Verzerrungen des Modells durch den Backpropagation-Algorithmus und den Gradientenabstiegsoptimizer aktualisiert, um den Vorhersagefehler zu minimieren. Gleichzeitig werden z. B. Regularisierung und Batch Normalization verwendet, um die Verallgemeinerungsfähigkeit des Modells zu verbessern und Overfitting zu verhindern.

Empfehlungsalgorithmus und personalisierte Empfehlungen: Videoempfehlungen können unter Verwendung der von einem trainierten Modell gelernten Merkmale und Muster erfolgen. Personalisierte Empfehlungen werden durch Berechnung der Ähnlichkeit zwischen dem Nutzer und dem Video basierend auf dem Nutzungsverlauf und den Präferenzen des Nutzers erstellt. Basierend auf der Ähnlichkeitsberechnung wird eine Liste von Videoempfehlungen für den Nutzer generiert und basierend auf dem Nutzerfeedback und den Bewertungen optimiert.

WIMIs personalisiertes Videoempfehlungssystem hat eine bessere Empfehlungsgenauigkeit und Nutzerzufriedenheit im Vergleich zu herkömmlichen Empfehlungsalgorithmen wie kollaborative Filterung, inhaltsbasierte Filterung und Singulärwertzerlegung. Gleichzeitig kann das System das Datenmangelproblem auch bis zu einem gewissen Grad entschärfen und die Vielfalt der Empfehlungen verbessern.

Für die zukünftige Entwicklung haben WIMIs Forscher einige Verbesserungsvorschläge gemacht. Erstens sollte die Datenqualität und -vielfalt weiter verbessert werden, um die Genauigkeit und Abdeckung des Empfehlungssystems zu gewährleisten. Zweitens ist auch die Verbesserung der Interpretationsfähigkeit für die Empfehlungsmodelle eine wichtige Richtung, um den Nutzern zu ermöglichen, die Grundlage der Empfehlungsergebnisse zu verstehen und das Vertrauen in das System zu erhöhen. Darüber hinaus werden mit der Verbreitung mobiler Geräte und dem Wachstum von Online-Video-Diensten Echtzeit- und Online-Empfehlungen immer wichtiger. Zukünftige Forschung könnte untersuchen, wie effiziente personalisierte Empfehlungen in Echtzeitumgebungen durchgeführt werden können, indem Empfehlungsmodelle und Echtzeit-Datenstromverarbeitung kombiniert werden, um sofortige Empfehlungsreaktionen zu erreichen.

WIMIs personalisiertes Videoempfehlungssystem zeigt ein großes Potenzial bei der Lösung des Informationsüberlastungsproblems. Es liefert nicht nur genauere und personalisierte Empfehlungsergebnisse, sondern mildert auch das Daten-Cold-Start-Verdünnungsproblem ab und verbessert das Nutzererlebnis. Zukünftige Forschung und Entwicklung werden den Empfehlungsalgorithmus weiter verbessern, um das Empfehlungssystem intelligenter und zuverlässiger zu machen und den Nutzern ein besseres Seherlebnis zu bieten.

Über WIMI Hologram Cloud

WIMI Hologram Cloud, Inc. (NASDAQ: WIMI) ist ein umfassender technischer Lösungsanbieter für holographische Cloud-Technologien, der sich auf professionelle Bereiche konzentriert, darunter holographische AR-Automobil-HUD-Software, 3D-holographische Pulse LiDAR, Kopf montierte Light Field-Holographiegeräte, holographische Halbleiter, holographische Cloud-Software, holographische Auto-Navigation und andere. Seine Dienstleistungen und holographischen AR-Technologien umfassen holographische AR-Automobilanwendungen, 3D-holographische Pulse LiDAR-Technologie, holographische Vision Halbleitertechnologie, holographische Softwareentwicklung, holographische AR-Werbetechnologie, holographische AR-Unterhaltungstechnologie, holographische ARSDK-Zahlung, interaktive holographische Kommunikation und andere holographische AR-Technologien.

Safe Harbor-Erklärungen

Diese Pressemitteilung enthält “zukunftsgerichtete Aussagen” im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen können anhand von Terminologie wie “wird”, “erwartet”, “antizipiert”, “Zukunft”, “beabsichtigt”, “plant”, “glaubt”, “schätzt” und ähnlichen Aussagen identifiziert werden. Aussagen, die keine historischen Fakten sind, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten die Geschäftsaussichten und Zitate des Managements in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann auch in seinen regelmäßigen Berichten an die US-Börsenaufsichtsbehörde (SEC) auf den Formularen 20-F und 6-K, in seinem Jahresbericht an die Aktionäre, in Pressemitteilungen und anderen schriftlichen Materialien sowie in mündlichen Aussagen seiner leitenden Angestellten, Direktoren oder Mitarbeiter gegenüber Dritten zukunftsgerichtete Aussagen tätigen. Zukunftsgerichtete Aussagen beinhalten inhärente Risiken und Unsicherheiten. Mehrere Faktoren könnten dazu führen, dass die tatsächlichen Ergebnisse wesentlich von den in einer zukunftsgerichteten Aussage enthaltenen abweichen, darunter: Die Ziele und Strategien des Unternehmens; die künftige Geschäftsentwicklung, die Finanzlage und die Ergebnisse der Geschäftstätigkeit des Unternehmens; die erwartete Wachstumsrate der AR-Holografie-Branche; und die Erwartungen des Unternehmens in Bezug auf die Nachfrage nach und die Marktaufnahme seiner Produkte und Dienstleistungen.

Weitere Informationen zu diesen und anderen Risiken finden Sie im Jahresbericht des Unternehmens auf Formular 20-F und im aktuellen Bericht auf Formular 6-K sowie in anderen bei der SEC eingereichten Dokumenten. Alle in dieser Pressemitteilung enthaltenen Informationen gelten zum Zeitpunkt der Veröffentlichung dieser Pressemitteilung. Das Unternehmen ist nicht verpflichtet, zukunftsgerichtete Aussagen aufgrund neuer Informationen, zukünftiger Ereignisse oder aus anderen Gründen zu aktualisieren, es sei denn, dies ist gesetzlich vorgeschrieben.