文/阿裡巴巴資深算法專家蔡龍軍（牧己） 整理/LiveVideoStack
大家好，我是來自優酷内容智能團隊的資深技術專家牧己，主要負責基于大資料和人工智能去解決内容方面的問題。 接下來，我将以《長安十二時辰》為例，分享優酷在提升“爆款确定性”中的技術實踐。
一、如何定義爆款？
優酷有個産品叫北鬥星，相當于我們的文娛大腦。 一般比較熱門的劇集的“北鬥星日指數”約50-60W，而《長安十二時辰》的“北鬥星日指數”可以達到100W+，并且還帶動會員收入的快速攀升。 如果大家對北鬥星指數沒有概念，我再分享一個有趣的數字： 雷佳音在劇中吃“水晶柿子”的橋段，使西安水晶柿子的銷量增長到往年的6倍。 綜藝的年度爆款《這就是街舞》是同題材類型精品節目熱度的2-3倍。 另外，這兩檔節目除了對18-34歲核心人群有很好的覆寫，對35-49歲的人群上也有一定輻射，可見爆款的影響力有多大。
二、長視訊爆款的複雜與挑戰：較高不确定性
長視訊爆款的複雜和挑戰主要來源于不确定性，并且這種不确定性滲透在内容的采集、宣發和投放的所有環節中。 第一個不确定叫做延遲滿足和資訊不完備。 長視訊通過組織多個有效的事件序列，形成價值轉換，刻畫出不同人物，最終展現一個或多個價值觀，整個過程需要很多劇集逐漸被使用者感覺。 每個使用者對于内容的偏好點和關注點不同，擷取的隻是内容片面的資訊，資訊的不完備性，導緻對于内容了解的偏差。
優酷主要通過NLP/CV/語音的語義了解&KG等技術，進行“内容外延的解構”和“内容核心的創作了解”，擷取到内容從外到内的各次元資料，保證相對的确定性。 第二個不确定是涉及工種極多的複雜系統工程。 需要對複雜過程中的關鍵點數字化、模式化，對過程進行量化衡量&計算。 第三個不确定來自于内容本身的專業技能。 如何與流量商業價值相結合，内容人在内容創作過程中會加入各種專業的技術，如在大場景的還原上，鏡頭語言的處理上，服化道的配置上，畫面的構圖上等等。 但是這些技術，哪些是使用者關注的？ 哪些是使用者不在乎的？ 這很重要，涉及到最終的流量商業價值。 是以，優酷要在技術上解決使用者了解和使用者心理學的問題，洞察使用者偏好，将使用者和内容做關聯。 内容産業發展背後的趨勢思考
商業需要确定性，而内容具有極強的不确定性，如何依靠技術達到平衡？ 這是内容産業發展所引發的思考。
在崇尚個性化的當下，爆款也從“全民爆款”演進成“圈層爆款”，非圈層閱聽人對某些内容完全沒有感覺，與之前萬人空巷的氣勢完全不同。
三、 如何提升？向算法和資料榨取确定性
1、何為北鬥星？
從内容的不确定性出發，優酷采取人機結合的系統即北鬥星。 北鬥星是一個具有思考能力的大腦，解決采、投、制、宣、發、放等内容全生命周期的不确定性，提升爆款能力。
2、基礎能力： 内容創作了解能力
繁雜資訊處理對于人工智能來說是“小菜一碟”，難點是解決内容創作中的了解、預測和挖掘能力。 内容創作了解能力，是對劇本進行智能化的分析和挖掘，提高這部分的确定性。 主創班子是一個極強的系統化工程，在上圖左側會基于内容了解做分析和挖掘，而右側會基于資料對左側内容了解做量化，進而提供類似大腦的思考和決策能力，提高這部分的确定性。
内容創作有自身規律，内容創作了解就是圍繞基于鏡頭語言和“兩千多年的戲劇理論應用價值觀”轉化為技術能力，即對劇本和視訊的智能了解。
以《長安》劇本分析為例，全劇本共有120多個人物，主創戲份評估如下： 1）張小敬的戲份占15%，李必占10%，檀棋、龍波、姚汝能分别占5%、4%、3%； 2）張小敬和李必在全劇分别貢獻了90%以上的人物關系； 3）檀棋貢獻了80%以上的人物關系，在劇中作為功能性人物推動劇情發展。對《長安十二時辰》劇本的角色互動分析如下： 1） 張小敬與檀棋的互動最多； 2） 李必與檀棋、徐賓互動較多； 3） 相比IP劇本減少了張小敬和李必的互動。
對《長安》中人物情緒進行分析發現： 在前16集中，第3集和第10集出現了情緒表達的高峰，為劇情創造緊張情節。
對于《長安》第一集的成片進行多模态，包括聲音與圖像。 圖像綜合了演員表情、場景、動作等分析，預測出一條“使用者觀影情緒曲線”，後續結合使用者真實觀看情況對資料進行更新優化。
3、 采制階段： 預測能力建設
對于不确定的事情，如果可以計算出不确定性有多強，便可有效提升商業決策效率，提高決策結果的确定性。 基于此，建設識别和了解不确定性的預測模型。
預測中會面臨資料、模型和應用三方面問題。 資料問題分為資料量不夠，資料不幹淨和資訊不完備。 模型的問題包括複雜機制很難通過樣本進行覆寫、很難深入了解問題本質和很難跨領域進行舉一反三學習。 從優酷的經驗出發，是正确識别應用上的不确定性可以在應用上有很好的改觀。
正常解法也分為資料、模型和應用三方面解法。 資料量由資料采樣和資料生成解決，資料不幹淨由資料清洗解決，資料不完備由Domain Knowledge&KG解決。 應用解法中不确定分析模型有Belief Network等解法。
根據之前解決的問題，解法可以分為四層：
第一層是基礎層。 分為KG&Domain Knowledge/Feature Engineering和學習加速；
第二層是資料層。 分為資料生成（SMOTE），隸屬度變換（高斯隸屬度）和半監督學習；
第三層是模型層。 通過DNN和Relation Net以及MTL相結合，降低過拟合，提高模型的學習能力；
第四層是Uncertainty Learning，基于變分推斷的架構進行内容不确定性的預測。
SMOTE（Synthetic Minority Oversampling Technique），合成少數類過采樣技術。
它是基于随機過采樣算法的一種改進方案。 由于随機過采樣，采取簡單複制樣本的政策來增加少數類樣本，這樣容易産生模型過拟合的問題，使得模型學習到的資訊過于特别(Specific)而不夠泛化(General)。 SMOTE算法是對少數類樣本進行分析，并人工合成新樣本添加到資料集中，新樣本的公式為xnew=x+rand(0,1)∗|x−xn|，生成的樣本可直接應用到項目中，但提升效果不穩定。 優酷得到的結論是： 在生成新樣本後引入隸屬度變換，來計算新樣本與真實樣本的接近程度。 經驗證，加入隸屬度變換後，效率提升約5%。
所有模型 都會面臨過拟合問題，優酷的基本思路是分析預測事件的基本特點，對于不同的特點建立不同的模型，分别有生命周期模型、競争博弈模型和複雜影響因子。
對于複雜模型的邏輯： 把前面的模型各部分的因素都拆開，複雜因素用DNN去拟合，外部競争的關系去Relation Net做推理去解決，最後用MTL整合模型，根據實際情況也會加入其它模型。
Relation Net是2016年發表的CNN模型。 基本思路是将包含各種圓柱、橢圓等形狀的圖檔，經由CNN網絡輸出生成feature maps，把圖中涉及到形狀的object通過通道取出，每兩個object配對形成一個對比串，然後與LSTM編碼question的embedding向量疊加到一起，輸入到一個深度網絡中進行學習，最後softmax分類到某個答案詞上面，進行正确與否的判斷。 Uncertainty Learning這塊，從2016年開始它逐漸熱起來，我們也用變分去做了一些事情。
這一部分可以在網上參考“貝葉斯Network”，重點看它如何利用“變分”得到最後結果。
4、宣發階段： 挖掘能力建設
挖掘能力更多應用于已經發生的事件，使其更具有确定性。 上圖是《長安》播出後，每一分鐘使用者的收視狀況、複看狀況和彈幕狀況，再結合每一時間段的劇情内容對使用者喜好做更精準的分析，以此來做更好的宣推和挖掘。 内容産業是個不确定性非常高的産業，越是爆款就越有不确定性。 網際網路下半場我們積累了特别多的資料，AI能力也得到了前所未有的發展，我們建立了“文娛大腦”北鬥星、AI劇本等内容形式的挖掘能力，和采買不确定性預測的評估能力，以及對于宣發挖掘的能力，都在業務應用上取得了不錯的成績。 傳統的内容制作領域，依然依賴人的經驗，在強人工智能尚遙遠的情形下，如何結合機器AI和人工經驗是個永恒的主題，例如結合符号主義（計算機學派）和連接配接主義（仿生學派）的智能。 是以，我們将在兩個方向發力： 1）決策引擎的建設，包括結合人工邏輯規則和機器學習，不确定性分析架構和經久不衰的貝葉斯因果決策，以及神經元化的混合智能計算架構。 2）量化的心理學研究也越來越重要，我們也會推進這部分探索。
————————————————
版權聲明：本文為CSDN部落客「LiveVideoStack_」的原創文章，遵循CC 4.0 BY-SA版權協定，轉載請附上原文出處連結及本聲明。
原文連結：
https://blog.csdn.net/vn9PLgZvnPs1522s82g/article/details/99619275「視訊雲技術」你最值得關注的音視訊技術公衆号，每周推送來自阿裡雲一線的實踐技術文章，在這裡與音視訊領域一流工程師交流切磋。