短视频视频数据分析 5个解析

Posted 2023-03-29 北北℃

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了短视频视频数据分析 5个解析相关的知识，希望对你有一定的参考价值。

对于玩短视频来说，数据分析是必不可少的，通过这些数据可以分析账号的运营情况，同时为优化选题内容、提高粉丝粘性提供有力帮助。

播赞比（点赞率）

点赞率=点赞量/播放量*100%（播赞比，即通常所说的“点赞率”，它是指视频的点赞数除以视频的播放次数）

播赞比反映了一般用户对短视频在流量池中的欢迎程度。经过大量的实际测试，得出播赞比的阀值组为：点赞率为3%为基础。短视频系统会认为点赞率低于3%的视频质量较差，因此决定降低推荐量或不推荐。

赞评比

计算公式：点赞率=评论量/点赞量*100%（赞评比，指的是短视频的评论数除以视频的点赞数。）

反映短视频在目标用户中的受欢迎度和视频的互动效果率。较优质的爆款视频，其赞评比的阀值大体为10%~50%,一般为30%。绝大多数低于10%的赞评比的视频是很难成为爆款视频的。

完播率

完播率反映了短视频的优质度，完播率是指视频被用户完整播放浏览的数值除以视频的播放数。播放数是一个特别容易让人先入为主产生误解的词。播放数并不能表明有多少人看了你的视频，只能表明抖音系统把你的视频推荐给了多少人。完播率是截止到目前为止，除了抖音官方之外，所有人都没有办法计算出来的指标，但我们可以估算一个大概。

完播率反映了视频能否进入大流量池。在保证内容完整度的前提下，尽可能地缩短视频的长度，是提升完播率的重要途径。

赞转比

计算公式：点赞率=转发量/点赞量*100%（赞转比，指的是视频的转发数除以视频的点赞数。）

反映短视频对粉丝的价值度，是短视频考验视频贡献值的关键一环。一般而言，爆款视频的转发数必定高于评论数，特别是在垂直细分领域的账号视频，高转发数是打造爆款视频的关键组成部分。

粉赞比

计算公式：点赞率=粉丝量/点赞量*100%（粉赞比指的是粉丝数除以点赞数。）

粉赞比可以细分为账号总体数据的粉赞比和单条视频的粉赞比。该数据反映视频在感兴趣的用户中的关注转化率，决定了视频的总体价值。影响粉赞比高低的还有主页的风格、视频的结构等要素

。

如果想了解更多可以与我进行协作交流合作。

数据短视频识别，都有那些行业标准？

杨皓博

大三在读，计算机视觉爱好者

编辑 | 杨皓博/言有三

当前深度学习中静态图像识别已经做得相当好了，让AI理解视频内容则更加困难，是当前学术界和工业界的研究热点，本文将介绍一些短视频类数据集。

AI Challenger 全球AI挑战赛

2018年全球AI挑战赛是由创新工场、搜狗、美团点评、美图联合创办的，里面包括多个NLP、计算机视觉项目，其中就有 ’短视频实时分类竞赛’。

竞赛提供的专门的短视频数据集共包含20万条短视频，涵盖舞蹈、健身、唱歌等63类流行元素。大部分视频的长度是在5-15秒。并且视频是多标签分类体系，标签信息包含视频主体、场景、动作等多个维度，标注信息将尽量包含视频中展现的所有元素，每条视频有1-3个标签。此数据集分为训练集（120K）、验证集（30K）、测试集A（30K）、测试集B（30K）。

相较于传统视频数据集来说，该数据集更具特色。

1. 从视频来源上讲，此数据集视频采集设备多为手机且比例多为竖屏；

2. 从视频形式上讲，数据集中的很多视频使用了短视频特效，并包含更多视频快进、剪辑等操作；

3. 从视频内容上讲，数据集包含了更多人物中心化的自拍短视频内容。所有这些特点使本数据集在体现以用户为导向的内容生产趋势上得以先人一步。

4. 预览:左图是:宝宝+弹钢琴，右图:宝宝+跳舞

HMDB

数据集链接:

http://serre-lab.clps.brown.edu/resource/hmdb-a-large-human-motion-database/#Downloads，发布于2011年

1. 面部动作:微笑、大笑、咀嚼。

2. 面部操作与对象操作：吸烟、吃、喝。

3. 一般的身体动作：拍手、跳、倒立

4. 与对象交互动作:抽出宝剑、运球、高尔夫。

5. 人体动作：击剑、拥抱、亲吻。

UCF101

数据集链接:http://crcv.ucf.edu/data/UCF101.php，发布于2012年。

UCF101是目前动作类别数、样本数最多的数据集之一，主要包括在自然环境下101种人类动作类别如跳、拍手、打羽毛球等等,也正因为类别众多加上UCF101在动作的采集上具有非常大的多样性，如相机运行、外观变化、姿态变化、物体比例变化、背景变化等等，所以也成为了当前难度最高的动作类数据集挑战之一。该数据集有13000个剪辑、总共27个小时的视频。视频都来自于Youtube上用户上传视频，其中主要包含5大类动作:人与物体互动、人体动作、人与人互动、乐器演奏、体育运动。

ActivityNet

数据集链接:

http://www.merl.com/demos/merl-shopping-dataset，发布于2016年。

ActivityNet是一个大规模行为识别竞赛，自CVPR2016开始，今年是该竞赛的第三届。在最新1.4版本中，ActivityNet提供了203个活动类别的样本，每个类平均有137个未修剪的视频，总共有20K多个Youtube视频，其中训练包括10K多个视频，验证与测试各包含5K个视频。每个视频平均有1.41个行为标注，共计849个小时视频时长。

以2017年竞赛为例(使用1.3版本)在ActivityNet将进行5项不同的任务，分别是

1.untrimmed video classification (ActivityNet dataset)

2.trimmed video classification (Kinetics dataset)

3.temporal action proposal (ActivityNet dataset)

4.temporal action localization (ActivityNet dataset)

5.Dense-Captioning Events in Videos (ActivityNet Captions)

该竞赛总共有五个任务，数据来源于三个不同的公开数据集:ActivityNet，ActivityNet Captions 和Kinetics，其中基于ActivityNet数据集的三个任务侧重于proposal，而另外两项更加侧重于localization。感兴趣的同学可以链接去了解一下。

YouTube-8M

数据集链接:https://research.google.com/youtube8m/，发布于2016年。

YouTube-8M是Google公布的一个大型的视频数据集，这个数据集在最开始包含8M个YouTube视频链接，此后经过不断清洗筛选在今年5月份已经缩短到了6.1M个视频，视频的长度大于两分钟小于9分钟。这些视频集进行了video-level(视频层级)的标注，平均每个视频含有3.0个标签，标注为3862种Knowledge Graph entities(知识图谱类别)，包括粗粒度和细粒度类别，这些类别已被半自动策划并由3个评估者人工验证视频的识别度。每个类别至少有200个相应的视频示例，平均有3552个训练视频。

其中三个最受欢迎的类别是游戏、视频游戏和车辆分别用780K,540K和410K个训练样例。最少见的是Cylinder和Mortar，分别有123和127个训练视频。

这些实体分为24个高级垂直行业，最常见的是艺术和娱乐(33K训练视频)，最不常见的是财务（6K训练视频）。