動画コンテンツから抽出された多様なディープラーニング特徴量の相補性に関する研究：動画推薦への応用

メディアストリーミングの普及に伴い、多数の動画ストリーミングサービスが新たな動画コンテンツを継続的に購入し、その潜在的な収益を追求している。このような状況下で、新規に追加されたコンテンツは適切に処理され、適切なユーザーに推薦される必要がある。本論文では、深層学習特徴量の潜在能力に着目し、新規アイテムのコールドスタート問題に対処する動画推薦手法を提案する。検討された深層学習特徴量には、動画コンテンツから視覚的外観、音声、運動情報といった多様な情報を捉えるものがある。さらに、これらの特徴モダリティがどのように統合されるかを評価するため、さまざまな融合手法を検討した。実世界の映画推薦データセットを用いた実験の結果、深層学習特徴量が手作業で設計された特徴量を上回ることが示された。特に、深層学習音声特徴量およびアクション中心型の深層学習特徴量を用いた推薦は、MFCCおよび最先端のiDT特徴量を上回る性能を発揮した。また、深層学習特徴量と手作業特徴量、およびテキストメタデータを組み合わせることで、単に深層学習特徴量のみを組み合わせた場合と比較して、推薦精度が顕著に向上することが確認された。