في عالم وسائل التواصل الاجتماعي المتسارع، أصبح من الضروري تقديم توقعات دقيقة لشعبية مقاطع الفيديو القصيرة. ومع ذلك، فإن هذه المهمة صعبة وغير مستقرة، حيث تتفاعل الجماهير بشكل متنوع ومتغير. لكن الآن، يبدو أن الأمور ستشهد تحولاً جذرياً مع إطلاق نموذج M3TR، الذي يعتمد على دمج تقنيات متقدمة لتوقع شعبية هذه المقاطع.

تسعى معظم الطرق الحالية إلى قياس التفاعل بين المستخدمين بشكل سطحي، مما يؤدي إلى توقعات طويلة الأمد غير دقيقة. ومن هذا المنطلق، يُطرح نموذج M3TR كحل مبتكر، والذي يُعرف بـ Temporal Retrieval enhanced Multi-Modal framework. يُعتمد هذا النموذج على عدم تجاهل ديناميكيات التفاعل بين المستخدمين مثل الإعجابات والتعليقات والمشاركة.

يعتمد M3TR على مفهوم جديد يسمى Mamba-Hawkes Process (MHP)، حيث يقوم بشكل صريح بنمذجة تفاعل المستخدمين من خلال سلسلة من الأحداث المثيرة ذاتياً. هذا الفهم العميق يدعم المتنبئ في تحديد مقاطع الفيديو الأكثر ارتباطاً تاريخياً بناءً على مزيج من المحتوى متعدد الوسائط (المرئي، الصوتي، والنصي) ومسارات شعبيتها عبر الزمن.

أظهرت التجارب على مجموعتين من البيانات الواقعية تفوق نموذج M3TR على الأساليب السابقة، حيث حقق دقة عالية بتفوق وصل إلى 19.3٪ في نسبة الخطأ المعياري المعدل nMSE. يُظهر هذا التقدم الكبير قدرة M3TR على التعامل مع التحديات المتعلقة بالتوقعات لمدة طويلة.

إذن، هل سينجح M3TR في إعادة تعريف كيفية توقع شعبية مقاطع الفيديو القصيرة؟ دعونا نتابع هذا التطور المثير!