پلتفرمهای ویدیویی کوتاه به بستری مرکزی برای انتشار محتوای چندرسانهای تبدیل شدهاند و کامنتها در آنها نقشی کلیدی در افزایش تعامل و بازخورد الگوریتمی ایفا میکنند. با این حال، روشهای موجود قادر به تولید کامنتهای اصیل نیستند که با هنجارهای فرهنگی و زبانی خاص هر پلتفرم سازگار باشند. «الگوریتم خنده» یک چارچوب ماژولار چندعامله نوین برای تولید کامنت در ویدیوهای کوتاه است. این سیستم شش سبک قابل کنترل برای کامنتگذاری پشتیبانی میکند و از سه ماژول اصلی تشکیل شده است: خلاصهسازی محتوای ویدیو، طبقهبندی ویدیو، و تولید کامنت با بازیابی معنایی و افزونه میمهای داغ. محققان یک مجموعه داده دوزبانه شامل ۳۲۶۷ ویدیو و ۱۶۳۳۵ کامنت در پنج دسته پربازدید از یوتیوب و دوجین (Douyin) ایجاد کردند. ارزیابی ترکیبی شامل امتیازدهی خودکار و تحلیل ترجیح انسانی در مقیاس بزرگ نشان داد که الگوریتم خنده بهطور مداوم از روشهای پایه بهتر عمل میکند. این سیستم نرخ انتخاب ترجیحی ۸۰.۴۶ درصد در یوتیوب و ۸۴.۲۹ درصد در دوجین را در میان ۱۰۷ شرکتکننده به دست آورد. مطالعات حذفی تأیید کردند که این پیشرفتها ناشی از معماری چارچوب است، نه انتخاب مدل زبانی پایه، که نشاندهنده استحکام و قابلیت تعمیمپذیری بالای این رویکرد است. نقطه قوت این چارچوب در توانایی درک زمینه ویدیو و تولید کامنتهایی نهفته است که با مخاطبان خاص هر پلتفرم هماهنگ هستند. با ادغام بازیابی معنایی و افزونه میمهای داغ، الگوریتم خنده کامنتهایی اصیل و بهروز تولید میکند. این پژوهش گامی مهم در تعامل مبتنی بر هوش مصنوعی با محتوای ویدیوهای کوتاه محسوب میشود و کاربردهای بالقوهای در بهینهسازی تعامل، مدیریت محتوا و ابزارهای کمک به تولیدکنندگان محتوا دارد.

گفتگو