論文の概要: Enhancing Playback Performance in Video Recommender Systems with an On-Device Gating and Ranking Framework

• arxiv url: http://arxiv.org/abs/2410.05863v1
• Date: Tue, 08 Oct 2024 09:53:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:33:13.160858
• Title: Enhancing Playback Performance in Video Recommender Systems with an On-Device Gating and Ranking Framework
• Title（参考訳）: オンデバイスゲーティングとランキングフレームワークを用いたビデオレコメンダシステムの再生性能向上
• Authors: Yunfei Yang, Zhenghao Qi, Honghuan Wu, Qi Song, Tieyao Zhang, Hao Li, Yimin Tu, Kaiqiao Zhan, Ben Wang,
• Abstract要約: サーバ側ビデオレコメンデータシステム(RS)と連携するデバイス上でのGating and Ranking Framework(GRF)を提案する。 具体的には、ゲートモデルを用いて、リアルタイムで再生問題のある動画を識別し、次に、局所キャッシュされたプールから最適な結果を選択するためにランキングモデルを用いる。 私たちのソリューションは、世界中の数億人のユーザがいる大規模なショートビデオプラットフォームであるKwaiに、完全にデプロイされています。
• 参考スコア（独自算出の注目度）: 18.626416633423933
• License:
• Abstract: Video recommender systems (RSs) have gained increasing attention in recent years. Existing mainstream RSs focus on optimizing the matching function between users and items. However, we noticed that users frequently encounter playback issues such as slow loading or stuttering while browsing the videos, especially in weak network conditions, which will lead to a subpar browsing experience, and may cause users to leave, even when the video content and recommendations are superior. It is quite a serious issue, yet easily overlooked. To tackle this issue, we propose an on-device Gating and Ranking Framework (GRF) that cooperates with server-side RS. Specifically, we utilize a gate model to identify videos that may have playback issues in real-time, and then we employ a ranking model to select the optimal result from a locally-cached pool to replace the stuttering videos. Our solution has been fully deployed on Kwai, a large-scale short video platform with hundreds of millions of users globally. Moreover, it significantly enhances video playback performance and improves overall user experience and retention rates.
• Abstract（参考訳）: 近年,ビデオレコメンデーションシステム (RS) が注目されている。 既存のメインストリームRSは、ユーザとアイテム間のマッチング機能の最適化に重点を置いている。 しかし,ビデオ閲覧中にスローローディングやスタブリングなどの再生問題,特にネットワーク条件が弱い場合,ビデオコンテンツやレコメンデーションが優れている場合でも,閲覧経験が不足し,ユーザが退去する恐れがあることに気が付いた。 かなり深刻な問題だが、容易に見落としてしまう。 この問題に対処するため,サーバ側RSと協調するデバイス上でのGating and Ranking Framework(GRF)を提案する。 具体的には、ゲートモデルを用いて、リアルタイムで再生問題のある動画を識別し、次に、局所キャッシュされたプールから最適な結果を選択するためにランキングモデルを用いる。 私たちのソリューションは、世界中の数億人のユーザがいる大規模なショートビデオプラットフォームであるKwaiに、完全にデプロイされています。 さらに、ビデオ再生性能を大幅に向上させ、全体のユーザエクスペリエンスと保持率を向上させる。

関連論文リスト

• Adaptive Caching for Faster Video Generation with Diffusion Transformers [52.73348147077075]
  拡散変換器(DiT)はより大きなモデルと重い注意機構に依存しており、推論速度が遅くなる。 本稿では,Adaptive Caching(AdaCache)と呼ばれる,ビデオDiTの高速化のためのトレーニング不要手法を提案する。 また,AdaCache内で動画情報を利用するMoReg方式を導入し,動作内容に基づいて計算割り当てを制御する。
  論文  参考訳（メタデータ） (2024-11-04T18:59:44Z)
• AIM 2024 Challenge on Efficient Video Super-Resolution for AV1 Compressed Content [56.552444900457395]
  ビデオスーパーレゾリューション(VSR)は、特にストリーミングアプリケーションにおいて、低ビットレートおよび低解像度ビデオを強化するための重要なタスクである。 本研究では,これらの課題に対処するために様々な手法をコンパイルし,その解決策はエンドツーエンドのビデオ超解像フレームワークである。 提案されたソリューションは、一般的なケースとして540pから4K(x4)、モバイルデバイス向けに調整された360pから1080p(x3)の2つのアプリケーションのためのビデオアップスケーリングに取り組む。
  論文  参考訳（メタデータ） (2024-09-25T18:12:19Z)
• Flash-VStream: Memory-Based Real-Time Understanding for Long Video Streams [78.72965584414368]
  人間の記憶機構をシミュレートしたビデオ言語モデルFlash-VStreamを提案する。 既存のモデルと比較して、Flash-VStreamは遅延推論とVRAM消費の大幅な削減を実現している。 本稿では,オンライン動画ストリーミング理解に特化して設計された質問応答ベンチマークであるVStream-QAを提案する。
  論文  参考訳（メタデータ） (2024-06-12T11:07:55Z)
• Enhancing User Interest based on Stream Clustering and Memory Networks in Large-Scale Recommender Systems [19.25041732650533]
  ユーザ興味強化(UIE)は、ユーザプロファイルやユーザ履歴の動作シーケンスを含む、ユーザの関心を高める。 UIEは、関心の少ないユーザにおけるモデルパフォーマンスを著しく改善するだけでなく、他のユーザに対するモデルパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-21T22:53:00Z)
• Real-Time Neural Video Recovery and Enhancement on Mobile Devices [15.343787475565836]
  モバイル端末上でのリアルタイム映像強調のための新しい手法を提案する。 われわれのアプローチはiPhone 12で実装されており、毎秒30フレームをサポートすることができる(FPS)。 その結果,ビデオストリーミングシステムでは,QoEの24%～82%が顕著に増加した。
  論文  参考訳（メタデータ） (2023-07-22T19:52:04Z)
• Deep Unsupervised Key Frame Extraction for Efficient Video Classification [63.25852915237032]
  本研究は、畳み込みニューラルネットワーク(CNN)と時間セグメント密度ピーククラスタリング(TSDPC)を組み合わせたキーフレームの検索方法を提案する。 提案した TSDPC は汎用的で強力なフレームワークであり,従来の研究に比べて2つの利点がある。 さらに、CNNの上部にLong Short-Term Memory Network (LSTM)を追加し、分類性能をさらに高める。
  論文  参考訳（メタデータ） (2022-11-12T20:45:35Z)
• VideoINR: Learning Video Implicit Neural Representation for Continuous Space-Time Super-Resolution [75.79379734567604]
  ビデオインプリシットニューラル表現(Video Implicit Neural Representation, VideoINR)は任意の空間解像度とフレームレートの映像にデコード可能であることを示す。 本稿では,最新のSTVSR手法を用いて,一般的なアップサンプリングスケールにおいて,ビデオINRが競合性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-06-09T17:45:49Z)
• Memory-Augmented Non-Local Attention for Video Super-Resolution [61.55700315062226]
  低解像度(LR)ビデオから高忠実度高解像度(HR)ビデオを生成するための新しいビデオ超解法を提案する。 従来の方法は、主に時間的隣のフレームを利用して、現在のフレームの超解像を支援する。 対照的に、フレームアライメントなしでビデオの超解像を可能にするクロスフレーム非局所アテンション機構を考案する。
  論文  参考訳（メタデータ） (2021-08-25T05:12:14Z)
• NeuSaver: Neural Adaptive Power Consumption Optimization for Mobile Video Streaming [3.3194866396158003]
  NeuSaverは、ユーザーエクスペリエンスを損なうことなく、各ビデオチャンクに適応的なフレームレートを適用する。 NeuSaverは、各ビデオチャンクの適切なフレームレートを決定する最適なポリシーを生成する。 NeuSaverは、QoEを高く達成しながら、平均16.14%、最大23.12%の動画ストリーミングでモバイルデバイスの消費電力を効果的に削減する。
  論文  参考訳（メタデータ） (2021-07-15T05:17:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。