计算机科学与探索

作者：水映懿, 张琪, 李根, 张士豪

单位：中国人民公安大学 信息网络安全学院，北京 100038

关键词：视频流行度预测,变分自编码器,时间卷积网络,多模态融合,社交媒体

基金：中央高校基本科研业务费（2024JKF02ZK09）。

当前，视频流行度预测在社交媒体营销、智能广告投放等领域应用广泛，传统的基于多元线性回归、支持向量回归模型等的预测方法在处理数据多样性、捕捉预测的不确定性等方面存在一定的局限性。从多模态数据出发，提出了一种多模态时序变分自编码器（MTVAE）视频流行度预测模型。从视频数据中提取视觉、音频、文本和社交等多模态特征，利用变分自编码器对多模态特征进行降维并提取隐层信息，借助时间卷积网络挖掘长序列特征的内在联系，同时在网络层面添加了残差连接，用于增强模型的深度表达能力和训练稳定性。运用贝叶斯专家乘积系统进行多模态特征融合与预测判别。构建了基于新浪微博平台的全过程多属性视频流行度预测数据集（WPMAD），弥补了当前数据集在模态多样性、时序完整性等方面的不足。大量的实验结果表明，MTVAE模型在WPMAD数据集上的预测准确率提升了3.93个百分点，在公开数据集MicroLens上的预测准确率也有所提升，较之于当前已存在的预测方法，性能表现更为优异，为社交媒体平台内容推荐、舆情监测等应用方向提供了创新性的技术支持。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期