Nowadays, with the development of social media networks, micro-videos, an emerging form of user-generated contents (UGCs), are gradually attracting greater interest. Some of them are widely spread, while others draw little attention. The popular micro-videos have significant commercial potential in many ways, such as online advertising and bandwidth allocation. In recent years, the popularity prediction of long videos, web images and texts have gained abundant theoretical support and made great practical success. However, little research has been conducted on micro-videos. There are three difficulties in dealing with the problem: (1) micro-videos are short in duration; (2) the quality of micro-videos is relatively poor; (3) micro-videos can be described by multiple heterogeneous features involving social, visual, acoustic and textual modalities. For these purposes, we presented a feature-discrimination transductive model (FDTM). The proposed method regards the multi-view features as two properties: the low-level features and the attribute features. We divided the micro-videos into different levels of popularity via the attribute features and predicted the popularity scores via the low-level features precisely. Moreover, in the process of prediction, we sought a latent common feature subspace, where the micro-videos can be comprehensively represented. The latent subspace can aggregate the multiple low-level feature information to alleviate the problem of information insufficiency. Extensive experiments on a public dataset show that the proposed method achieves significant improvements compared with the best-known models.

中文翻译：

---

通过特征判别转导模型预测微视频的流行度

如今，随着社交媒体网络的发展，微视频这一新兴的用户生成内容（UGC）形式正逐渐引起人们的兴趣。其中一些传播广泛，而另一些则很少引起注意。流行的微视频在很多方面都具有巨大的商业潜力，例如在线广告和带宽分配。近年来，长视频、网络图片和文本的流行度预测获得了丰富的理论支持并取得了巨大的实践成功。然而，关于微视频的研究很少。处理问题存在三个难点：（1）微视频时长短；（2）微视频质量相对较差；(3) 微视频可以通过涉及社会、视觉、听觉和文本模态的多种异构特征来描述。出于这些目的，我们提出了一个特征区分转导模型（FDTM）。所提出的方法将多视图特征视为两个属性：低级特征和属性特征。我们通过属性特征将微视频划分为不同的流行程度，并通过低级特征精确预测流行分数。此外，在预测过程中，我们寻求了一个潜在的公共特征子空间，可以全面表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。我们提出了一个特征区分转导模型（FDTM）。所提出的方法将多视图特征视为两个属性：低级特征和属性特征。我们通过属性特征将微视频划分为不同的流行程度，并通过低级特征精确预测流行分数。此外，在预测过程中，我们寻求了一个潜在的公共特征子空间，可以全面表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。我们提出了一个特征区分转导模型（FDTM）。所提出的方法将多视图特征视为两个属性：低级特征和属性特征。我们通过属性特征将微视频划分为不同的流行程度，并通过低级特征精确预测流行分数。此外，在预测过程中，我们寻求了一个潜在的共同特征子空间，可以全面表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。低级特征和属性特征。我们通过属性特征将微视频划分为不同的流行程度，并通过低级特征精确预测流行分数。此外，在预测过程中，我们寻求了一个潜在的共同特征子空间，可以全面表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。低级特征和属性特征。我们通过属性特征将微视频划分为不同的流行程度，并通过低级特征精确预测流行分数。此外，在预测过程中，我们寻求了一个潜在的公共特征子空间，可以全面表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。在预测的过程中，我们寻求一个潜在的共同特征子空间，在那里可以全面地表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。在预测的过程中，我们寻求一个潜在的共同特征子空间，在那里可以全面地表示微视频。潜在子空间可以聚合多个低级特征信息，以缓解信息不足的问题。在公共数据集上的大量实验表明，与最著名的模型相比，所提出的方法取得了显着的改进。