Online Learning of Image Similarity Through Ranking"，11 Journal of Machine Learning Research 1 109 (2010年3月）看到如何基于相对人判断来训练模型的示例（与基于人序 数评分相对）。
[0052] 能以各种方式确定来自交互观看者群1和交互观看者群2的交互。例如，能利用 观看者重复片段、跳过片段、暂停片段、片段期间增加播放速度、片段期间降低播放速度、片 段期间降低音量、片段期间增加音量等等。而且，能利用观看者对视频的评论，诸如当观看 者评论提及视频中的特定时刻时。能利用指向视频中的特定点的链接。
[0053] 将意识到根据在本公开中所述的一个或多个实现，观看者能选择退出提供信息， 诸如个人信息、人□统计信息、位置信息、专用信息、敏感信息等等。此外，在此所述的一个 或多个实现能提供用于匿名所采集、接收或传送的数据。
[0054] 对于一些实现，评分是二进制的，使得片段被标记为不太有趣或有趣。一些实现 以较高粒度级对视频片段评分。例如，实现可以通过观看者兴趣整数n对片段评分，其中， 0 < n < N，并且其中N表示最高观看者兴趣水平。
[0055] 在片段开始时，对观众归一化。例如，在片段开始时，使观众归一化为1。对于一些 实现，如果在播放片段期间归一化的观众落在某一阈值T下，其中，0〈T〈1，则可以将片段标 记为不太有趣。否则，将该片段标记为有趣。当观众低于阈值T时，能调整片段长度。能计 算后校准阈值来抑制观众的最小长度，例如实施最大长度，或两者均可。
[0056] 其他实现在播放片段时测量观众的时间导数。该时间导数的大小的增加指示观众 的快速下降，信号告知该片段视作不太有趣。如果在播放期间任一时间点的观众的时间导 数的大小比某一指定阈值大，实现可以将片段标记为不太有趣。该时间导数的大小的减小 指示观众的快速增加，信号告知认为该片段很有趣。如果播放期间的任一时间点的观众的 时间导数的大小比某一指定阈值小，实现可以将该片段标记为很有趣。
[0057] 对于计分水平不是二进制的一些实现，可以引入阈值集合{TJV-TN}，其中， '〈'〈…〈、，以及其中'如果在播放片段期间时间导数观众的大小的最大值落在间隔 [T nTn+1]内，通过观看者兴趣整数n对片段评分，其中，为了方便，Tn+1可以看作无穷大。
[0058] 对于一些视频剪辑，有趣片段可以在一系列不太有趣片段后。在前几个不太有趣 片段后，观众可能急剧下降，但在视频剪辑中可能存在许多更有趣片段。由于观众的大的明 显减小，在稍后时间测量观众在统计学上不显著。因此，当观众相对低时，例如由于早前不 太有趣片段，该系统能采用捕捉视频中的有趣片段的度量，诸如通过归一化到较低观众级 或采用交互的加权深度比交互的宽度更重的度量。
[0059] 例如，能测量信号告知与视频剪辑更深交互的观看者交互。示例包括观看者是否 对片段采取共享、发评论、聊天、加注释、从寻找动作转变到播放动作、转到全屏、增加音量、 从全屏缩小或减小音量的动作。后面的示例可以表示不太有趣片段，而前面的示例可以表 示有趣片段。
[0060] 可以在如上所述的一些测量质量上执行回归分析和其他类型的过滤（平滑）动 作。回归分析是指用于估计变量之间的关系的统计技术。回归分析的各种示例包括线性回 归模型、简单线性回归、逻辑回归、非线性回归、非参数回归、鲁棒回归和逐步回归。
[0061] 例如，时间实例可以取作为一秒，以及可以在每一时间实例处测量观众的时间导 数。结果是观众度量的时间系列（在这种情况下，度量是时间导数）。这种时间序列可以称 为观看者图。过滤可以应用于时间导数的这些原始测量，导致平滑的时间序列或观看者图。 现在，其中将时间导数与阈值相比的先前描述的度量可以应用于平滑时间导数。类似的评 论适用于其他测量量。
[0062]可以将上述度量分组在一起来形成特征矢量，使得与每一片段相关联的是其分量 为如所测量的度量的值的特征矢量。特征矢量是表示某个对象的数值特征的n维矢量。可 以在大量片段和观看者上训练回归过滤器或分类器。
[0063]例如，可以由一个或多个观看者对片段评分来确定应当与该片段相关联的观看者 兴趣度，以及可以为片段确定〇至10的整数分值。除此以外或替代地，也可以利用序数评 分（a应当获得分值7)以外的相对分值（a大于b)。然后，大的观看者群可以观看该片段， 使得获得所测量的特征矢量集。给定观看者应用于该片段的分值，可以将诸如回归分析或 分类的多个统计技术应用于测量特征矢量集，以便训练回归过滤器或分类器。
[0064] 回归过滤器或分类器是模型的示例。通常，模型可以看作独立变量（所测量的观 众度量）与因变量（片段的兴趣分值）的映射。可以选择除回归过滤器或分类器外的模型。[0065]一旦确定回归过滤器或分类器，当视频托管系统接收到视频剪辑时，回归过滤器 或分类器可以用在视频剪辑上，使得可以概括（编辑）视频剪辑。例如，可以编辑掉在0至 10的分值规模上具有低于5的分值的所有片段，以便提供更短、更有趣的视频剪辑。为归档 目的，可以保存原始视频剪辑或使其可用于观看者的完整观看。可以制作多于1个的编辑 版本，由此为观看者提供可以观看什么的选项。
[0066]图6是根据一个实现的图示概括媒体中的媒体托管系统501的操作的流程图。其 他实现以不同顺序执行图6的步骤。此外，其他实现包括与在此所述的步骤不同和/或另 外的步骤。
[0067]当接收视频时（602)，向排名者显示视频剪辑（604)。排名者能根据该片段对典 型观看者有多有趣来对片段排名（606)。当观看者观看片段时，取得观看者的交互的度量 (608)，如上所述。创建特征矢量集（610)。选择模型，诸如回归过滤器或分类器（612)。使 用由观看者提供的排名在特征矢量集上训练模型（614)。对组成视频剪辑的其他片段重复 该过程，以及相应地更新该模型。可以基于不同视频类型，进一步划分训练。例如，能对运 动和音乐视频开发不同模型。
[0068] 当完成训练时，模型可用于编辑视频剪辑。将模型应用于片段（616)。确定模型是 否应用于每一片段（618)。如果模型已经应用于每一片段，产生指示观看者兴趣水平的数值 (620)。然后，过滤出没有趣的片段（622)，导致在存储器中存储的一个或多个编辑（概括） 视频剪辑（624)，诸如能在诸如图2和3中所述的显示器的显示器上显示编辑视频剪辑的图 中的概括视频数据存储229 (626)。在另一实施例中，能存储具有相对于媒体文件的片段的 信息的元数据，用于从原始媒体文件播放编辑视频。
[0069] 由此，通过利用在此所述的技术，能自动地概括媒体，并且概括可用于观看者来提 供更有趣和/或更佳观看体验。
[0070]结论
[0071]为方便目的，在"视频"或"多个视频"实现中描述上传媒体，然而，不旨在限制上 传媒体的类型。由此，为概括媒体而描述的操作能应用于任何类型的媒体，而不仅是视频。 媒体的示例包括音频文件，诸如音乐、播客、音频书等等；图片库、电子书籍、电子连环漫画 册等等；多媒体呈现等等。
[0072] 在此所述的实现不是固有地与任何特定硬件或其他装置相关。能通过任一硬件或 通过安装在计算机存储中并且由服务器的处理器执行的计算机程序来控制媒体概括系统 的操作。多处理布置中的一个或多个处理器可以用来执行指令序列。
[0073] 当实现为硬件时，可以为所需目的专门构造硬件，或硬件可以包括由在计算机可 读介质上存储的计算机程序选择性激活或重构的通用计算机。此外，在此所述的实现不限 于任何特定编程语言。
[0074] 媒体概括系统可以使用单一计算机或计算机网络实现，包括基于云计算。计算机 能是服务器类计算机，包括一个或多个高性能中央处理单元（CPU);存储器，例如1千兆字 节（1GB)或以上主存储器，以及500GB至2太字节（2TB)计算机可读永久存储；网络接口； 外围接口；和其他公知组件。
[0075] 计算机能运行操作系统。操作系统的示例包括LINUX?计算机操作系统或其变 体等等。LINUX?计算机操作系统是在由 Linux Foundation, 1796 18th Street, Suite C, San Francisco, California 94107管理的通用公共许可下可获得的开源操作系统。当 然，能使用其他类型的操作系统和计算机，并且预期根据在此的教导能配置未来开发的更 强大计算机。
[0076] 除互联网外，网络可以是任意网络。网络的示例包括局域网（LAN)、城域网