في عالم مليء بمحتوى الفيديو، يظهر تحدٍ كبير يتمثل في توقع شعبية الفيديوهات القصيرة (Micro-video popularity prediction - MVPP). إن القدرة على التنبؤ بما سيجذب الجمهور أمرٌ حيوي لتوجيه التوصيات وتحسين توزيع المحتوى. لكن كيف يمكن تحقيق ذلك بشكل أكثر فعالية؟

تمثل الأبحاث الجديدة خطوة كبيرة إلى الأمام، حيث تتناول مشكلة عدم الكفاءة في النماذج التقليدية في تحليل الديناميات الزمنية (temporal dynamics) والأهمية التاريخية (historical relevance) للمحتوى. الحل المقترح هو إطار عمل موحد يجمع بين التوسع الزمني والمكاني، مما يمكن من فهم عميق لديناميكيات الفيديوهات.

تعتمد تقنية التوسع الزمني في هذا الإطار على وحدة تقييم الإطارات التي تستخرج مؤشرات بارزة من مقاطع الفيديو عبر مسارين مكمّلين: عينة نادرة (sparse sampling) وفهم كثيف (dense perception). من خلال دمج النتائج بشكل ديناميكي، يتيح النظام تحليل محتوى يمتد عبر فترات طويلة.

أما بالنسبة للتوسع المكاني، فتم تصميم بنك ذاكرة مدرك للأنماط (Topology-Aware Memory Bank) الذي يقوم بتجميع المحتويات التاريخية ذات الصلة بناءً على العلاقات الطبوغرافية. بدلاً من توسيع سعة الذاكرة مباشرة، يتم تحديث ميزات الشيفرة الخاصة بالمجموعات المعنية عند إضافة فيديوهات جديدة، مما يسمح بالربط التاريخي غير المحدود دون زيادة ضخمة في التخزين.

أظهرت التجارب الشاملة على ثلاثة معايير رئيسية لتوقع شعبية الفيديوهات القصيرة تحسنًا ملحوظًا، حيث تجاوزت النتائج المقترحة 11 نموذجًا قويًا في دقة التوقعات وثبات الترتيب. ويُظهر هذا البحث كيف يمكن لتقنيات جديدة أن تُحدث ثورة في طرق فهم وتوقع تفضيلات الجمهور في عصر المحتوى الرقمي.