ICME 2019短视频内容理解与推荐竞赛正式启动

想到推荐算法，大家可能会想到电商和游戏。不过，随着短视频产品的崛起，推荐算法也迎来一个新的风口，被大量应用在短视频领域，吸引更多的用户看到自己喜欢的内容。

2019 年 2 月，ICME 2019 短视频内容理解与推荐竞赛正式开放提交。本次比赛挂靠多媒体领域的顶会 IEEE ICME，主题为预测用户是否看完及点赞一个短视频。

比赛链接：

https://biendata.com/competition/icmechallenge2019/

比赛奖金：2 万美元

时间：2019 年 2 月 11 日 – 2019 年 4 月 7 日

背景

“一图胜千言”，仅仅一张图片就包含大量信息，难以用几个词来描述。更不用说短视频了。所以，虽然机器学习近年来在图像识别、语音识别等领域取得了重大进步，但在视频内容理解领域仍有许多问题需要探索。

不过，目前也有不少相关研究。2016 年，谷歌 YouTube 团队在 ACM RecSys 会议上发表论文Deep Neural Networks for YouTube Recommendations，详细介绍了不少 YouTube 视频推荐功能的技术细节。

比赛数据与赛道

为了方便大家参赛，ICME 2019 短视频内容理解与推荐竞赛的主办方已经提取出了多种类型的短视频内容特征，包括视觉特征、文本特征和音频特征。

此外，为了方便不同背景的参赛者参加比赛，本次比赛按照数据量分成两个赛道（数据格式和预测任务都相同）：

赛道 1：大规模数据集，亿级别的数据信息。

赛道2：小规模数据集，千万级别的数据信息。

评测方法

参赛选手需要预测测试数据中每一条数据的点击（finish+like）概率。本次比赛使用 AUC（ROC 曲线下面积）作为评估指标。AUC 越高，代表结果越优，排名越靠前。在总分中，finish 和 like 的分配比例是：0.7*finish+0.3*like。

Baseline代码

在 TRACK 2 上，baseline 的结果分别为 like：86.5%，finish：69.8%。

Baseline 需要 TensorFlow 1.12.0。模型下载地址：

https://github.com/challenge-ICME2019-Bytedance/Bytedance_ICME_challenge

baseline脚本 & 代码说明

Bytedance_ICME_challenge/model_zoo/fm.py

Bytedance_ICME_challenge/models/model.py

现在，在

「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。