论文题目
Enlarging the Long-time Dependencies via RL-based Memory Network in Movie Affective Analysis
论文简介
电影的情感内容理解是近年来情感计算领域的研究热点，其在电影质量评估、高潮点检测、多媒体检索等方面有着重要的应用价值。目前主流的方法（如LSTM/Transformer等）在电影级长时序序列建模中存在固有的缺陷：梯度消失/爆炸、记忆能力有限、计算量大等，针对于此，本文提出了一种基于强化学习的记忆网络用来处理长时序建模问题。具体来讲，我们引入了一个可读可写的memory bank用来存储历史信息，从而提升模型的记忆能力，然后利用强化学习（DDPG）中的策略网络和价值网络建模长时依赖，自适应地更新memory bank中的内容，同时利用强化学习的one-step时序差分的优化方式来避免BPTT中的梯度消失/爆炸的问题。为了验证我们方法的有效性，我们在情感预测任务的LIRIS-ACCEDE数据集上以及音乐情感预测、视频摘要等任务的相关数据集上进行了实验，结果均达到了SOTA。该方法在业务数据应用而得到的模型，在AI内容体检，北斗智投和影视元素内容图谱等业务场景得到了广泛应用。
论文作者
张杰、赵寅、钱凯
（作者均来自阿里巴巴文娱AI大脑北斗星团队）
阿里文娱北斗星AI大脑
通过大数据和AI挖掘用户需求，建立内容采买结构化评估、适配性选角、AI成片体检、排播、数字化宣发等能力，以支撑内容全生命周期辅助决策，从而达到为平台降本增效的目的。
