Vidy基於以太坊開發的新一代無縫嵌入技術
Vidy是由一支經驗豐富的工程團隊，和全明星加密 ofollow,noindex">貨幣 諮詢委員會組成的。Vidy已開始與超過20家的全球最大廣告品牌合作，且已經準備將其已投入到測試階段的視訊廣告嵌入層推出到其為全球數百萬使用者提供的合作伙伴釋出平臺上。
如今，因為對廣告的泛濫感到厭倦; 6億人在手機和電腦中安裝了廣告攔截軟體。大多數人不知道的是，他們不想看到的手機廣告平均每月佔甪超過23美金的資料流量開銷，並且使得電池壽命每天約減少21%。
這種情況並非自願。在當今的時代背景下，使用者沒有發言權，也沒有權利去撤除廣告，或選擇他們想看到的廣告。他們唯一的選擇就是完全退出這個圈子。廣告攔截的強烈抵制使廣告商和出版商受到最大沖擊。這意味著他們失去了6億雙眼睛，也就是失去了6億的潛在客戶。
Vidy保證將使這離開的6億使用者重歸廣告觀看圈。我們建立在 區塊鏈 上的三層解決方案將是一個三贏的局面，這是破碎的廣告業公平獎勵每一個參與者的必需，增加視訊廣告相關性，並剔除不透明的、具有欺騙性、濫用性現狀的煩人的中間商。
Vidy是通過NLP共識層將視訊廣告嵌入到網頁的文字後的第一個分散視訊廣告分發者
我們需要一個分散視訊廣告的平臺來確保為出版商和廣告商建立-個強大、穩定、公平的利潤渠道，同時統一行業中間人、 交易所 、網路和經銷商的零散工作流程，復原了原本應該是很簡單的環節，就像在廣告商和出版商之間握個手一樣。
Vidy的專利內容分發模型將永遠改變網際網路的運作方式。這是一個全新的超連結，其靈感來源於全球領域內的超連結多年使用與實用經驗。該專利在改進其鮮明的侷限性的基礎上，實現為使用者和出版商提供無可比擬的便利性、實用性和簡單性的目標。
Vidy構建了一個 分散式 系統，通過其嵌入層的跟蹤技術記錄每位使用者觀看廣告時間。廣告商根據廣告觀看時間，以Vidy幣的形式獎勵出版者，廣告商和使用者。
通過這種方式，Vidy恰當地同時激勵和補償使用者與出版商，並通過世界，上第一個NLP共識層智慧地傳遞視訊廣告，同時通過 智慧合約 將使用者資料證券化。
Vidy的使命是使人們快速在視訊中找到精華部分，而不需要成為瘋狂逐利的網路世界的一方.在這個瘋狂逐利的網路世界中，網際網路生活就是向用戶不斷堆積資料，在此過程中卻不向使用者提供任何補償。我們都知道網際網路是在廣告收入上執行的，其中最多的收入來自與使用者相關的廣告。然而對我們不利的是，從來沒有-種方法可以避免有侵入性的使用者資料跟蹤來刺激這些有針對性的廣告需求的交易、販賣、公開和利用。
在2017年，Vidy團隊找到了一個方法來解決這個長達數十年的難題，從那時起我們就一直在努力來使我們的解決方案成為現實。我們相信，通過對各方的激勵，我們能使線上廣告生態系統佔有一席之地，並以此盈利。通過我們的方法，人們不用再被迫放棄隱私，並因為他們的關注為廣告業助力發展而獲得應有的獎勵。而廣告出版商將在視訊廣告庫中解鎖一項全新領域，這將使他們比現在賺得更多。
Vidy的解決方案是建立隱形嵌入層，能供全球任何網站無縫對接，允許釋出者在其網站文字上直接嵌入小視訊。該隱形層能將視訊廣告嵌入到使用者正在閱讀的任意一個字中，而不需要佔用螢幕.上的任何寶貴空間或縮在段落中。最主要的是，Vidy正在開啟網際網路使用者介面隱藏的新維度，通過自然語言處理將視訊廣告嵌在相關文字之後。
這使得廣告收入第一次直接與網頁上的文字相關聯，結合使用者篩選的喜好，放置在自然語言處理的頂部。相比廣告行業糟糕的現狀，Vidy的嵌入層將為出版商提供更多的庫存量，並且通過Vidy智慧合約的資料儲存，該嵌入層也將網路使用者從廣告商急需的入侵性的使用者資料中解放出來。因此這是廣告行業從未有過的第一次雙贏。
作為一種分散式搜尋引擎, Vidy在 視訊中實現其查詢。它套用區塊鏈力量，最後將關聯性、透明度、安全性、及物性、分散性等推廣到廣告視訊搜尋.上。由於Vidy團隊在NLP、區塊鏈開發Al、分散式系統架構和網路工程方面的核心優勢，Vidy構想了一個三層解決方案以實現這一願景。稍後我們將對此進行討論。
Vidy以其獨特的方式實現這一承諾，不只是因為它已經在這項技術發明的背後建立起了技術，更是因為它已經與最優秀的媒體建立了全球夥伴關係，其中包括在中國與百度獨家合作的全球合作伙伴關係，並與其他擁有百萬使用者的幾十家公司進行交易。總而言之，感謝Vidy的合作伙伴，使Vidy能接觸到數百萬的使用者。
Vidy還簽署了全球-一些大品牌的交易和意向使用宣告，並作為第一大廣告商在其正在專利的可嵌入層_上亮相。這些廣告合作伙伴包括數十億美元的零售商，財富50強企業，以及十幾個跨國品牌。這意味著Vidy將從推出的第一天起開始盈利， 並將幾乎立即向發行商提供利潤。
產品
1.一鍵購物模式
Vidy正在將使用者最重要的舉動-購物-從單頁嵌入層網路體驗的最前沿。只需一次點選， 使用者就可以在按下嵌入式視訊廣告後，購買產品，預定餐位或交付物品。
一旦使用者從廣告到達他們的網站，廣告商和品牌每年就會花費數十億美元試圖優化購買渠道中的最高轉化率。作為廣告商，讓使用者點選廣告的戰鬥只是指標任務的開始。你總是想要一個成功的動作來關閉迴圈。而不是冒著失去使用者的風險來分散產品清單，制定混亂的按鈕介面，定製繁複的流程，複雜的付款頁面以及一系列其他使使用者在到達網站後就放棄下單的失敗點。你現在可以直接從釋出者頁面購買或預定。隨後Vidy將加密交易，並登記入分類賬中，並僅傳送必要的派送、註冊資訊到你的埠，均可通過控制面板進行管理。
它的工作原理很簡單，如果你是白金Vidy幣持有者，你將在控制面板看到推廣白金廣告活動的選項。在所有白金廣告中，當用戶按下觀看視訊時，嵌入層上會顯示一個購買按鈕。購買按鈕僅在按觸3秒後出現， 以便a)視訊的開頭受到主要關注，以及b)應用層可以測試使用者是否表現出足夠的興趣來了解更多資訊並是否有潛在可能執行結束操作的可能性。在購買按鈕啟動後用戶可以立即使用Vidy幣，或WePay,支付寶，貝寶、信用卡來支付。所有通過按觸嵌入式視窗獲得的Vidy幣，此時可以由使用者獲得，並用於一鍵購買時的支付。
購買價格顯示為Vidy幣，或是實時換算後的本地法定貨幣金額。如果通過Vidy幣 進行購買，Vidy幣會立即從購買使用者的帳戶中扣除，廣告客戶可以在幾秒鐘內收到付款。
此外Vidy的一鍵式購買模式配備最多2個可變按鈕，當廣告客戶需要它們結賬時來指定購買細節比如一個耐克的鞋子廣告可以讓使用者在嵌入圖層中選擇尺寸，然後點選付費。同樣，希爾頓度假村的一-則廣告可以讓使用者選擇他們的房間型別和入住日期，然後再預訂。
尚未進入Vidy生態系統中的使用者將在整個網路中看到Vidy連結，並且能夠充分與他們進行互動並持有。但是如果他們想要開始兌換他們從持有中賺取的Vidy幣，或者他們試圖進行一次購買他們將被提示註冊。一旦通過 身份驗證，Vidy幣收入就會自動記入他們的Vidy賬戶。在使用者首次成功購買後，Vidy會將其送貨資料鎖定為智慧合約，並在下次驗證使用者進行一鍵購物時預填具體送貨資訊。
Vidy進行了一項快速而骯髒的研究，檢查了60多家主要線上零售商的購買頁面，發現從首頁隨機選擇的產品專案中，在被允許新增進購物車前，不到7%的網站顯示了超過2個的可配置變數要求。大多數線上產品定製都很簡單，這告訴我們整個購買流程可以加速，簡化，並且完全位於使用者瞭解該產品的同一層。
一鍵購買功能僅適用於白金Vidy幣持有者，廣告客戶需要擁有並持有100萬Vidy才能獲得訪問權Vidy幣的可發行總額是100億，這意味著全球最多隻能有10,000家公司可以同時使用該功能。全球有超過1.15億家公司，所有這些公司都需要做廣告來發展業務，但其中只有少於0.01%的公司可以通過Vidy平臺提供一鍵購買功能。
Vidy限制使用一鍵購買的原因有兩個。首先，Vidy未來最大的焦點是為平臺的利益和早期信任者帶來長期的潛在價值。隨著越來越多的公司瞭解並使用Vidy, Vidy希望建立一個對參與代理商越來越有用和高效的生態系統。第二個原因是因為Vidy希望構建和發展全球最強大，最具增值潛力品牌的名單，這些品牌採用Vidy的嵌入層，為使用者提供真正卓越的體驗。無論你是一個雄心勃勃的初創公司還是一個跨國零售商， 如果你相信Vidy並早日入股，你將有權訪問這個定義板塊。擁有自由市場決定誰可以革新人們線上購買東西的方式，基於以及先到先得的方式，這對為投資者、出版商和感興趣的廣告客戶來說都是最公平的政策。
2.檢測機器人欺詐
Vidy的應用層在後臺執行專有的機器人跟蹤演算法，分析數百萬使用者的動作和行為，以確定使用模式並繪製出典型的使用者行為路由。通過深度學習，Vidy的神經網路可以通過Vidy的簽名保持手勢和螢幕.上的其他細微的動作來了解人類及機器人如何與其視訊廣告互動。然後，當它標記人類使用者和機器人使用者之間的差異時，它會通過資料層的開源欺詐檢測指令碼自動扣除保留時間。
Vidy通過簡單的反饋，如保持時間、保持定位、視訊間距、滾動、輔助移動、保持表面積、螢幕位置區域、 手勢一致性、使用者配置檔案背景和長會話活動，來評估超過20個數據點;直至進行更高階的使用者資料分析，如巨集操作，跨整個頁面的擴充套件手勢行為以及跨越時間的持續使用模式。
所有這些資訊都被鎖定在智慧合約中，因此十分安全，任何第三方實體或個人都無法訪問。只有Vidy資料層可以實時確定從應用程式層返回的資料是真實的還是虛假的停留，並維護執行。
當Vidy認為當前排隊等待資料層新增到分類帳的保留條目已被機器人操縱時，Vidy幣仍將向廣告商支付，但將在分類帳中添加了“標記為審查” 條目，以便釋出商可以通過他們的控制面板看到通知，監控這些警報的頻率，並回應對他們提出的異議。一旦釋出者帳戶通過了“標記為稽核”計數的可接受閾值(這 是針對平臺上所有其他釋出商設定的比率)， 釋出商就會從系統中移除。在刪除釋出商後，釋出商網站上的所有當前嵌入廣告活動都會終止，並且會提示釋出商將其累積的Vidy幣轉移到其他錢包。已經分發給釋出者的Vidy幣也不被追回，即使對於被認為是機器人增強的保留條目，但是釋出者將被禁止出現在平臺上。
由於區塊鏈的速度瓶頸使得有實時進行(預付款)欺詐檢查的可行性，Rebel AI執行長普恩特斯表示，“與返回廣告所需的毫秒響應時間相比，區塊鏈太慢而無法成為實時欺詐預防和驗證的工具。”這就是為什麼Vidy使用延遲和解策略來不斷優化其參與發行商的彙總，使其在支付後反覆迭代成為一級玩家。
通過這種方式，Vidy促進了-一個透明的分散監控生態系統，並可以抓住試圖從廣告商盜取資訊的戰術機器人，同時通過消除分類賬的所有長期影響，以至於有效地減輕潛在的財政損失。隨著越來越多的使用者與嵌入層互動，Vidy的人工智慧不斷學習，並在識別機器人活動方面越來越強大。用於檢測惡意活動的資料層開源欺詐檢測指令碼基於Vidy的人工智慧版本改進而定期更新的。
3.永遠免費的產品
將Vidy的廣告發布平臺先擱置一會，重要的是強調Vidy提供了一個非營利的旗艦驅動產品，與其廣告系統一起，為“可嵌入視訊”提供全面的用例。本節將重點介紹Vidy的核心產品，並詳細說明了它如何影響不想刊登廣告的釋出商。
Vidy在此基礎建立了一個平臺，可讓釋出商在其網頁文字背後嵌入任何視訊，不僅僅是視訊廣告。這些視訊覆蓋所有主題，所有來源、所有格式和所有.上下文。主題層面上，它們包括新聞演講、預告片和採訪、直至娛樂、事件回顧、體育亮點和教育課程。
任何擁有網站或移動應用程式的釋出商都可以免費加入Vidy生態系統，並且無需連線廣告即可使用Vidy的嵌入層。釋出者可以使用全套的產品功能，包括Vidy的 自然語言處理搜尋，軟體開發工具包嵌入層，Vidy連接面向消費者的使用者介面，讓釋出者在幾秒鐘內製作自己的視訊的Vidy上傳器，當然還有Vidy日益發展的社群和增多的策展人提供的數百萬的精彩剪輯。無需合同，無需鎖定，也無需廣告需求，即向釋出商提供這一完整軟體包。Vidy將市場引入其核心產品，沒有附加條件的讓釋出者適應控制面板和Vidy嵌入集的強大功能。那麼，當使用Vidy嵌入層的釋出商希望通過視訊廣告增加他們的收入來源時，他們只需點選控制面板中的“啟用廣告”，並立即在其網站頁面中嵌入支援自然語言處理的視訊廣告。
無論廣告商是否選擇做廣告，世界上都沒有廣告軟體開發工具包為他們提供這種免費服務。Vidy希望首先通過重要的視訊嵌入來改變線上市場格局，並且認為如果使用者首先感到滿意，並且他們的線上體驗定期通過頂級釋出商提供的優秀嵌入式視訊內容進行修飾，那麼豐厚的廣告收入將伴隨而來。
4.巧妙的移動索引
隨著使用者會話時間和使用者關注度逐漸從網路移動到移動裝置，廣告行業各自在移動和網路之間的收入分配正在逐步跟進。
這意味著視訊廣告分發平臺勢在必行，它有望為出版商提供許多便利，就像網頁能在移動應用程式上執行一樣，併成為他們無處不在的最愛。然而，為了做到這一點，該平臺需要能夠抓取和索引移動應用程式頁面，這對於現有流程和移動開發基礎設施來說並非易事。與可以為.上下文廣告進行抓取和索引離線索引的網頁不同，移動應用.上顯示的內容通常是動態生成的，或者位於二進位制檔案本身中，因此無法定期訪問和刪除。
Vidy的解決方案是在執行時抓取合作伙伴釋出商應用程式，提取關鍵字並將它們提供給共識層，從而實時投放相關視訊廣告。Vidy始終 認識到執行時的定時擦除方法所涉及的開銷，並採用成本節約措施，以確保經濟和功能的效率。
在iOS上有4個位置用於新增和編輯文字，因此有4個方法供軟體開發工具包使用，除了按鈕上的文字以外，還有輸入檢視、網頁檢視、文字檢視和標籤。藉助Vidy iOS 軟體開發工具包，移動應用釋出商可以將Vidy平臺的所有4個區域都讀取為自動嵌入。安卓對文字顯示區域也有類似的細分顯示區域，每個區域都有相應的作業系統特定條款。
Vidy移動團隊目前正在構建一個原生的iOS和原生安卓軟體開發工具包對應的網頁軟體開發工具包，以便在移動應用程式上執行。移動軟體開發工具包將在執行時啟用，在所有合作伙伴應用檢視中分析所有可用的文字頁面，並將自然語言處理匹配與訪問移動使用者的資料相結合，以在他們正在檢視的頁面上嵌入相關視訊。
5.眾包完成一個網際網路視訊地圖
作為面向消費者的更好網路例項，對於希望在其他網站上觀看視訊，並與Vidy互動的使用者，無論該網站是否是Vidy生態系統內的合作伙伴釋出商，Vidy團隊將會開始在谷歌瀏覽器的擴充套件部署。
我們知道，Vidy的未來將由我們的使用者提供支援和指導，尤其是當平臺的功能不斷髮展來滿足他們的需求時。谷歌瀏覽器擴充套件程式是我們向用戶提供的一一種渠道，讓他們在整個網路的所有數字領域留下他們的印記，並且我們希望這會讓還不瞭解Vidy的釋出商網站介面的人員開始瞭解Vidy。
藉助谷歌瀏覽器應用程式，使用者可以公開或私密地將視訊嵌入到他們導航的任何網站的文字中，並且可以通過自己的使用者個人資料獲取他們在網路.上公共嵌入的屬性。使用者將能夠看到針對任何特定部分文字製作的所有公共嵌入，並且將來可以通過評論，喜好和其他操作與其他使用者的嵌入進行互動。
因此，在釋出商自行完成之前，谷歌瀏覽器應用程式將成為最合適的視訊資源眾包給釋出商頁面的一種方式，釋出商可以通過其控制面板訪問此視訊地圖，以便他們從Vidy社群創意中獲得靈感和想法。
每天執行谷歌瀏覽器應用程式的Vidy使用者將獲得15倍的Vidy幣，用於支付他們積累的維持時間不執行谷歌瀏覽器應用程式的使用者將不會受到影響，但將失去所持有支出的1.5倍收入增長。
6.嵌入層的社會前景
Vidy的嵌入層具有巨大的潛力，可以成為網路廣告，電子商務和娛樂結構中社交聯絡和網路的驅動力。它執行在志趣相投的人們的交叉點，他們分享相同的興趣，訪問相同的網站，並看到相同的嵌入式視訊;這些共同點形成了共享經驗的獨特紐帶。
通過賦予使用者語音功能，在嵌入式視訊旁邊發表評論，給予好評並撰寫評價，並在嵌入層購買模組，平臺.上會出現一種眾包智慧，幫助人們對產品和服務做出更明智的選擇，並在他們瀏覽釋出商頁面時感受到彼此之間更多的聯絡。使用者可以根據朋友的私人網路或普通公眾過濾評論並可以始終管理其隱私。
廣告商可以直接看到更多的觀眾對他們視訊廣告和產品的看法，並且可以從這些免費的見解中學習、迭代。出版商將能夠衡量嵌入在其內容中的視訊廣告的巨集觀活動和語言情感的水平，並且通過與其互動的觀眾的反饋來檢查其內容與相應廣告商之間的主題相關性。
臉書和推特都看到了來自產品和服務廣告的對話和評論流量，Vidy的嵌入層可能是其第一個分散式版本。
由於Vidy最初是圍繞社交使用案例形成的，因此它非常傾向於社交媒體的傾向，核心產品是有效增強訊息傳遞和社交消費者體驗。在社交層面.上，使用者可以互相聯絡，視訊廣告可以通過社群審查，廣告商和釋出商可以利用實時互動。
技術執行
1.播放廣告的唯一區塊鏈應用
今天市場上有一些很棒的廣告區塊鏈專案，它們已經提出了對破碎的廣告格局進行分散替換的方案。儘管有很好的概念，但事實是，區塊鏈對於當前的生產級廣告整合(載入時間)具有重大的技術限制。目前，通過區塊鏈處理廣告請求花費的時間太長，特別是與當今即時頁面載入速度和短接使用者注意支架並置時。對於分散式共識層來說，區塊鏈響應時間平均長達30秒，以便共識層同意在橫幅空間中放置廣告，這使得區塊鏈在當前生活的任何網頁上載入廣告的速度非常緩慢。Rebel Al的執行長曼尼.普恩特斯和行業的正式作家都非常認同這個問題。他確信, “由於其分散式性質，全球礦工驗證交易，區塊鏈技術無法足夠快地分析或處理實時廣告交易。當前新增到公共賬本的確認交易的確認時間在10到30秒之間。”
在一個共識驅動的生態系統中，速度是網路可靠性的先例和限制，不幸的是，這-延遲將使區塊鏈專案無限期地與廣告空間無關。分散式平臺的強大程度與其最薄弱的環節一致，因此即使是擁有頂級硬體和網際網路速度的礦工網路，也始終受到最慢環節鏈的阻礙。正如普恩特斯進一步指出的那樣，“程式化廣告所需的規模和速度意味著基於區塊鏈的平臺還有很長的路要走”。事實上，除非克服這個限制，否則任何基於廣告的區塊鏈專案都將成為革命性的夢想， 而不是可執行的現實。
Vidy也同樣受到區塊鏈速度瓶頸的阻礙。然而，憑藉與眾不同的設計，Vidy通過在文字之後預先載入資源來有機地操縱它，而不是以簡單的檢視方式。後者將對使用者產生明顯的延遲，這對於廣告商而言是不可接受的。實質上，如果Vidy通過其共識層載入橫幅廣告，使用者將不得不等待10-30秒本能看到它載入，這是不可接受的。但Vidy不必立即載入橫幅廣告，相反，它會在頁面文字背後的視訊廣告中預載入，超出使用者首次到達頁面時的視野範圍，因此沒有因特定內容產生明顯的等待時間。通過這種方式，Vidy的區塊鏈解決方案可以在推出時立即整合到釋出商頁面上，而無需等待該行業範圍區塊鏈問題的效能解決方案。
2.將如何應對擴充套件
區塊鏈非常難以擴充套件。 目前，針對每秒可實現的交易次數的限制公開許可的區塊鏈數量受到限制，該數量固定在較低的點。以太坊通常每秒鐘處理大約10次事務。我們已經引入例如提高每個塊的處理的最高速度一個常數因子的一些修正，但這些只是短期解決方案，這意味著隨著世界以太坊當前的指數增長，我們將很快再次最終回到原點。雷電網路基於支付渠道技術，其獨特之處在於能夠隨著使用者數量的增加而擴充套件，因此是最佳的支付解決方案;這意味著，隨著雷電網路規模的擴大，其處理能力也隨之增加，基本上沒有上限。Vidy系統將利用以太坊主網路和雷電網路在三方之間建立一個Vidy轉賬支付的直接渠道。
VIDY技術
憑藉其人工智慧引擎和眾包的管道系統相互配合工作，Vidy整合了網路，上最好的視訊內容，並在幾秒鐘內以小尺寸的形式提供亮點，稱為vidys。該系統的結果是，Vidy已經發展成為一個涵蓋數千萬視訊剪輯的內容資料庫，現在所有剪輯都可在釋出者頁面建立過程中免費訪問。
Vidy系列中的數十種微服務和數以千計的伺服器聚合在一起，共同促進內容快速檢索，直至精心設計的內容被消費。Vidy資源攝取，錄製，轉錄，分析，標籤，轉換，修剪，索引，下訂，策劃並提供跨任何主題域和語言的視訊集錦。
Vidy通過其獲得的專利自然語言所支援的搜尋提供內容，該搜尋根據其中說出的單詞顯示視訊內容。雖然以前的搜尋引擎允許使用者通過關鍵字，主題或主題標籤搜尋視訊，但通過Vidy, 您可以通過查詢視訊中的實際詞彙來搜尋視訊。這提供了內容相關性和細粒度可發現性的元素，這在更大的搜尋引擎行業無法做到。
現在，我們正在採用技術中最重要的元件–NLP搜尋和分配演算法，使原始碼開放，以便它能成為使用者至上的分散的分銷平臺。
Vidy的單頁嵌入圖層適用於任何具有線上文字的內容，包括文章，網頁，列表，社交帖子，評論部分，數字圖書，pdf以及通過OCR的影象和視訊。
1.Vidy的分割神經網路
Vidy每天都會關注其嵌入式視訊的外觀和使用者介面，因為在現有頁面.上需實現視訊間的無縫互動對話。為了讓這種體驗變得輕鬆自如，Vidy開展了一個專案，通過獨特的轉換來處理其視訊資料庫，以便視訊的發言人暫停時跳出頁面。為此，Vidy已經研發了一個卷積神經網路，可以在任何視訊幀中分割出主要說話人的臉部和身體。通過對視訊影象進行深度研究，Vidy增強其數字外觀，將剪輯的消耗推向了極限，以便當某人與您共享一個視訊時，或者您在網上看到視訊時，讓您知道那是來自可識別視覺特徵的Vidy資料。
Vidy的卷積神經網路分割API的執行，依靠的是資料庫中的所有視訊廣告，裡面有廣告商新增到其活動儀表板的所有新上傳的視訊。 分割後，Vidy然後將2-D全息蒙版應用於視訊。
該視訊輸出版本及嵌入的基本版本將免費提供給所有廣告客戶，這樣可以使上傳的視訊保持現有的高寬比。廣告客戶可以在使用它們之前，根據不同的高寬比，分割型別和蒙版效果定製其嵌入的視訊。
Vidy的影象分割技術利用了最新的深度學習技術，並依靠大量的標記資料來研發深度神經網路該技術可以高精度地從背景中分割視訊中的人物。該網路基於最近的MASKR-CNN，它是最先進的網路例項分割。原始網路由多個殘留塊組成，並具有兩個分支，一個用於分段掩碼，另一個用於分類標籤。分割分支用於卷積層與殘餘塊的連線並輸出分段掩碼，而標籤分支則用在完全連線的層來輸出物件的類別。由於Vidy平臺.上的中央使用案例只需要將人物分割為前景，而不需要對物件進行分類，因此Vidy僅保留網路的分割分支。在試驗期間，輸入包含人的影象,而事實上該人的分段掩碼。每次我們都使用以下公式來更新網路的權重:
這裡x是預測的分段掩碼，y是地面實況掩碼。在整個影象上對所有畫素的損失進行求和，其中每個畫素p是前景(1) 或背景(0)。預測x是介於0和1之間的數字，而它是前景的概率。我們研究網路，使輸出掩碼x與地面實況y-致，同時降到最小損失。實驗結束後，我們使用較為成熟網路對視訊的每- -幀進行分割，以將人從背景中分割出來。該網路擁有高精度結果和實時處理能力。
2.防止不當內容
除了對提交的視訊廣告的轉錄資料和廣告商指定的關鍵字進行權衡之外，Vidy還對所有.上傳的影象進行識別，以評價其適當性。Vidy的內部影象識別演算法建立在SIFT之上，能夠識別視訊中熟悉的人物，場景和人臉，以確定哪些廣告素材可以放，哪些不能。
Vidy還專i ]針對裸體和極端暴力研發了影象識別模型，這些模型建立在Facebook的開源專案之上，如DeepMask, SharpMask和MultiPathNet。 Vidy對資料庫中的所有視訊上進行面部識別和自己的內部人臉指令碼檢測，以在調整剪輯高寬比時跟蹤其輸入座標的主面。因此，廣告商擁有大量的自定義控制元件從放大視訊揚聲器到改變邊界比例等多種方式展示廣告。
當Vidy檢測到裸露或非法影象時，它會標記並鎖定視訊上傳並通過控制面板通知廣告商。通過這種方式，Vidy可以主動地讓出版商在他們的網站.上處理不適當的內容，並保護使用者免受侵擾。
3.打斷搜尋狀態
近二十年來目前的搜尋環境一直停滯不前。 它是建立在一個單一的中央化的運營商框架之上的，例如美國的谷歌或中國的百度，主要壟斷了該地區所有人的所有信息數字門戶。
這種中央集權威脅到使用者的自由，安全和進步，因為所有關於提供什麼資訊，包括何時，何地和如何皆由獨裁者控制。
隨著時間的推移，它也破壞了引擎本身的效用，因為逆向變化的可能性越大，內部團隊必須作出反應並適應的市場外部因素就越多。私有化搜尋畢竟不是一個公共事業，公共事業能最大限度地維護公眾最大利益，但私有化搜尋會迴避法律法規。資本家認為，在競爭激烈的情況下，利潤壓力使私人公司在資本主義社會中保持誠信經營，但當你反觀搜尋行業時，沒有了競爭。
因為所有集中式搜尋引擎都具有相同的特徵
它們擁有一個通過各種全資應用程式訪問的核心財產，它們幾乎沒有競爭，並且由它們支付的入站流量支撐。這建立了一個利潤驅動模型，其中向用戶的資訊流總是鎖定在搜尋引擎獲得的利潤價值.上。這當然是免費知識和資訊分配的對立面。
而Vidy則與眾不同，因為它通過區塊鏈反轉了搜尋模式。通過共識層分散視訊搜尋服務，許多礦工進行實時廣告投放，Vidy能夠創設生產級實用程式，並匹配以受開放原始碼NLP模型驅動的必要可擴充套件精度。
Vidy的嵌入層SDK在眾多不同的平臺上執行，賦予眾多(而不是少數)平臺控制所有嵌入視訊的命運和輸出。Vidy通過智慧合約把資訊集裝化，來保護其使用者的真實性，身份和安全。谷歌和百度通過資料收集將真實身份關聯起來，並傳輸給眾多服務，他們通過銷售這些獨家的資料而獲利，而Vidy則不同，Vidy為廣告商，發行商和使用者提供了完全成熟的透明度。
Vidy的NLP協議
Vidy生態系統運行於自然語言處理的NLP (簡稱NLP),上， 作為推動所有投放實時視訊的決策的燃料。Vidy團隊多年來在自然語言領域開發了專業知識，這也是我們對第一一個分 散式NLP佈局協議的設想的可能性。本部分將介紹NLP背後的基本前提，該領域的歷史進展，以及Vidy將目前的實施方案，這些方案與過去頒佈的分銷平臺並列。
1.什麼是NLP?
NLP是計算技術在分析和合成自然語言和語音中的應用。
NLP涵蓋了從語音識別和語言生成到自然語言理解的廣泛領域。
自從20世紀90年代的統計革命以來，大多數自然語言處理都是建立在機器學習的基礎上的，因為基於監督工程和人工規則的方法已經被證明在研究和生產領域中非常耗時，不可擴充套件而且不成熟。因此，統計推斷已經成為一種流行的方法，用於從廣泛分析正確和不正確示例的大型語料庫中學習一系列規則。
機器學習驅動的自然語言處理領域從早期的決策樹經歷了漫長的過程，在這些決策樹中，系統受到嚴格的即時規則管理。今天，統計模型方法被廣泛使用，其中基於實值權重或輸入特徵向量來進行軟概率決策。
成功的NLP策略的關鍵在於根源於所建立的聯絡的細微差別，特別是通過向量分配在多種不同的可能答案中表達相對確定性和不確定性的能力。以下部分將深入分析構成VidyNLP演算法的輸入列表以及適用於所有視訊廣告分發的精細方法。
2.Vidy演算法分解
Vidy構建了一種先進的多層面方法來確定自然語言位置，通過深度學習和基本的詞性定位進行。語言分析是一項複雜的任務，因為思想可以通過書面文字傳達出眾多的風格。因此，在努力理解單詞和短語本身的整體含義時，瞭解整個文件的每一行和上下文變得極為重要。
正如Vidy在其基於區塊鏈的分散式平臺架構中使用分層方法一樣，它還使用NLP策略的圖層來實現系統過濾，多維分析以及更好地緩解偏離的情況。Vidy的NLP漏斗中的每個降序層越來越細化，因為它專注於句子的不同定義區域。所有這些層面共同運作，並會在瞬間決定相關的廣告投放，從而使這-策略既深入透徹又高效地實現大規模可伸縮性。
在最基本的級別上，Vidy的自然語言處理通過結構提取和標記化將字元流轉換為一系列詞彙項(關鍵字，關鍵短語和句法標記)，這些結構提取和標記化將劃分為針對其他代幣進行處理的標記。
剛開始Vidy檢視已被攝取系統索引的釋出商頁面的廣泛筆畫。Vidy首先對釋出商頁面進行自動彙總，合併所有句子並輸出描述該頁面的關鍵字和關鍵字片語(多個關鍵字/短語的片段)。這包括通過最大邊際相關性和基於圖形的textrank提取摘要技術，以試圖突出顯示釋出者頁面中最多的資訊子句。Vidy通過評估由該特定頁面，整體網站和品牌(傘式關鍵字)的出版商手動提供的關鍵字來自動形成彙總。這些分析與其他分析結合使用，以便進行實時比較，並通過自動化和手動輸入實現對更多文字的更強大理解。
然後Vidy將這個概述和一系列更微觀的層面.上的釋出者頁面進行分析，以確定句子本身的含義，關鍵詞的共同性，討論的主題的更大的情感以及編譯的可辨別引數列表來了解每條線的情況。
Vidy的NLP協議的核心部分包括情感分析，它需要從文字語料庫中提取主觀資訊，並強調其在意義，情感和意見中的極性。通過認真思考這些極端情況，Vidy可以將大多數視訊廣告徹底地過濾為更有針對性的廣義的情感集合。情感分析是一種 更高級別的方法，它靠近Vidy放置協議的漏斗頂部進行，因為它只提供對相關內容進行巨集觀過濾並具有匹配的廣告資源。但是，當相反的情緒被分辨出來時，無論匹配向量多麼高，它都會超過頁面，上的任何決定位置，因此與網頁的更大情感相反極性的視訊廣告決不會放在釋出者內容那個位置。
這有助於確保廣告客戶不會將他們的視訊廣告置於不恰當或不相關的廣告庫存位置，並且釋出商不會面臨投訴和刪除請求。今天廣告錯位的最大原因來自發布商頁面中與語言相關但內容不恰當的匹配方式。這是許多公司正在努力克服的一個嚴重的問題，正如早些時候谷歌和Facebook所提到的那樣，在嘗試手動緩解這一方面的挑戰進行了重大的年度投資。Vidy通過 自然的可擴充套件方式解決了這個問題語言方法，並通過穩定的效能校準，同時也為發行商提供最終決定權，以指定他們不希望在他們的平臺.上登廣告的廣告商，同樣廣告商也可以指定他們希望避免將哪些釋出商置於其中。
Vidy的協議主要資訊收集層之一就是每行文字中的引數。引數可以包括列舉(從一系列預定義的命名事件)到例如位置，日期，時間，數量，聯絡人，距離和持續時間等詳細資訊。 引數不僅有助於簡化下游處理，還因為它們通常用作句子中的錨點。例如，功能，目的和目的例項通常是由句子的實體和影響它們的引數之間的關係收集的。
Vidy演算法的頂級引數認為命名實體識別是一種手段，用於表示參與廣告商及其產品，服務，合作伙伴和競爭對手的專有名詞和公司名稱，以便更好地將視訊分配給關鍵字。這裡採取一攬子方法， 在這裡採用公司名稱，備用名稱和其他高知名度名稱，並將其視為與排隊的視訊廣告展示位置“相關”或“無關緊要”。指定實體識別的分裂特徵包括首字母縮寫標準化，Vidy同時執行以確保與命名實體相關的所有首字母縮略詞都被考慮，以及正則表示式提取，可讓Vidy從文字中拉出標籤，電子郵件，URL和其他類似實體。
然後Vidy通過在解析出名詞之後進行關係提取來進一步提高名稱實體識別的效率，可以特別關注在頁面上的指定實體之間識別的關係。例如，一篇關於可口可樂的文章可能會提到Pepsin新的軟飲料，而Vidy則認為這兩個命名實體都是競爭對手，並承認百事可樂的產品名稱。然後，儘管事實上“軟性飲料”是可口可樂視訊廣告的相關關鍵字，但它會使用這些資訊來消除視訊廣告中的這一句子，因為主題與可口可樂的視訊廣告活動之間存在不相關性和衝突。
作為最後一步，Vidy通過將所有識別出來的名詞與大部分文字中所有各自的代名詞進行匹配,從而能夠區分不同句子與原始名詞的典故，從而更好地對所討論的命名實體進行上下文理解。這種技術可以作為對關係提取的額外支援，因為段落中的後續陳述經常用代詞來描述，而不是在談論同一個實體時重複名詞。
隨著Vidy從其NLP協議的頂層轉移到更深入的粒度，它將著眼於詞法化，隨機語法分析，複合詞處理，單詞含義消歧和共識解析，以便更好地提取它正在掃描的短語的含義。這些採用的技術代表了Vidy的NLP多層協議的中間部分，下面的段落將對每種協議進行簡要說明。
詞形化使用一個語言詞典來將單詞變化準確地減少到更簡單的詞根。這是-種比詞幹更為完整的縮減和簡化，它是一種基於規則的模式匹配技術來去除標記字尾。複合化也是一個較小的詞形化，有時需要用於其他語言的特定詞。
隨機語法分析是確定給定句子的分析樹的過程。在隨機語法分析中的兩種解析型別包括依賴解析，它著重於諸如句子謂詞和主要物件之類的單詞之間的關係，以及通過概率上下文無關語法構建出解析樹的選區解析。
複合詞處理是一種統計資訊檢索技術， 它由匹配複合詞匯組成。查詢擴充套件是一個眾所周知的類似實踐，但專1 ]建立在面向消費者的搜尋引擎中的資訊檢索上。複合術語處理的一個例子是複合術語“命中三重基礎”。對於沒有先驗知識的更多技術性段落，以及將兩個或更多個自由語素結合以建立具有獨特含義的複合詞時，這顯然是一種更比較普遍有用的方法。
詞義消歧是指對一個詞或一系列具有多種含義的詞進行適當含義的選擇，這些詞通過基於其網站內容性質為每個釋出者離線生成的關聯詞義列表執行。雖然人類的思維尤其精通，但在機器學習領域實現高效的單詞意義結果一直 是NL P領域面臨的挑戰。Vidy的程式使用監督式機器學習方法，其中在手動註釋的示例語義的語料庫中針對每個唯一詞訓練詞義消歧分類器。
最後，共識解決是識別哪些詞指代一行文字中的相同物件的過程。這意味著通過諸如“他從瑪麗的房間走向起居室的窗戶”等提及的表達方式來建立關係，其中“起居室的窗戶”作為聯絡“瑪麗的房子”和“窗戶”之間關係的參考表達。Vidy使用這種方法更好地理解描述性複合句子邊界內的引用。
在其分層協議的較低層次上，Vidy進行話語分析，該話語分析著眼於句子的闡述，解釋和對比以確定連線文字的話語結構。話語分析還認可和分類句子中的各種言語行為，如斷言，是一否問題和感嘆語。這項技術的範圍從基本的詞性標註到更高階的內容聚類, 通過短語檢測和詞彙語義來確定中心主題的話語，以便與上傳的視訊進行比較。詞彙語義，特別是在短語或更大的段落中，單個詞的計算含義的確定。
這些方法最終有利於對索引發布者內容的整體自然語言理解，這是所有這種系統語言分析的主要目標之一。
自然語言理解是將文字轉換為形式化的一階邏輯表示，這些表示更易於操作，處理和計算。這涉及從句子的自然語言表達中理解預期的語義。
3.協議的最低階詞嵌入
在Vidy的NLP協議的最低級別是詞嵌入。詞嵌入是執行漏斗中最後一項強大的技術，因為它允許Vidy將其攻擊計劃簡化為所有先前分析的圖層之上的一個聚焦和最終的神經網路。詞嵌入是對映到具有較低維度的連續向量空間的一維每個詞的 數學 嵌入空間。
基本上Vidy生成了幾百個不同維度的向量空間，併為訓練語料庫中的每個獨特詞彙分配一個向量。當語料庫中的詞語具有相似的含義或語境時，Vidy將它們放在-起放在向量空間中，作為對映跨越一大堆詞語的語境相關性的一種手段。儘管存在許多用於詞嵌入的生成方法，跨越概率模型，顯式表示和矩陣降維，但Vidy協議關注於深度學習方法。
Vidy採用了Word2vec以及FastText和GloVe等其他一些最好的方面， 並在Tensorflow上建立了自己的專有內部深度學習模型。Vidy的神經網路接受了Vidy積累並定期新增的數十億資料點的資料庫的培訓。這些資料包括關鍵字，短語，段落和文件，這些關鍵字，短語，段落和文件都是由Vidy的數十位資料管理員團隊自動和手動標記的(如下圖所示，典型的培訓樣本遊覽圖)。Vidy今天對NL P領域的其他任何玩家的競爭優勢是它必須訓練的大量乾淨的資料，它在過去幾年投入了大量資金和人力資源來培育。資料是AI的引擎。
在進入Vidy的神經網路元件之前，下面簡要介紹這三種基準方法:
a. Word2vec是一組淺層雙層神經網路模型，通過重構語言的語境來產生詞語嵌入。Word2vec接受了單詞資料庫的培訓。這意味著當它遇到一個沒有出現在被訓練的語料庫中的詞時，它在匹配或識別它時遇到了麻煩。Sen2vec是用於識別匹配句子的專案版本，Doc2vec是經過訓練識別匹配的完整文件的更大專案的版本，是Word2vec的另 外兩個例項，它們在不同情況下也很有用。然而，Vidy並沒有在生產中使用它們。
b. FastText (快速文字)是Facebook對Word2vec的回答。 它是用於確定單詞向量表示的無監督學習演算法。它與Word2vec相同，但不是專注於單詞，而是訓練字元。這使得它可以識別和理解它從來沒有使用或訓練過的單詞，而Word2vec對任何不在其訓練集中的單詞都會失敗。
C. GloVe是全球向量的縮寫，是斯坦福大學以外的一個開源專案，也是一個分散式詞表示模型。與其他兩個類似，GloVe是一種無監督學習演算法，用於獲取單詞的向量表示。它是根據來自語料庫的彙總的全球單詞對詞共現統計進行訓練的，GloVe的輸出是單詞向量空間的線性子結構。
Vidy協議在其低階架構中使用這些專案的元素，並通過對其數十億點資料集的培訓進行擴充套件。Vidy的嵌入式神經網路方法不僅適用於單詞對單詞的向量表示，還可將句子分類為跨頁面主題識別的一組類別和關鍵字。提取有意義的標籤以匹配視訊廣告的關鍵字有助於通過區域性過濾更快速地實現乾淨的匹配，並且更重要的是有助於使可用的排隊視訊集小得多。下圖顯示了將城市對映到國家和描述性術語的示例。
儘管Vidy協議的頂層結合了命名實體識別，關係提取和指代解析度的方法，但Vidy的底層更進一步，並採用了精簡的術語提取， 以便衡量這種特定頁面的多少，以及對該特定頁面的重要性到所有索引頁面)，一個術語可能適用於特定的釋出者及其內容。Vidy通過分析數百萬頁索引中的該詞的出現，然後在與同一平面上的所有其他向量進行比較對該詞進行打分來實現向量空間確定。Vidy同時使用基於字典和基於複雜模式的抽取技術，與罕見的術語抽取技術相結合，通過離線渲染的主要術語列表來識別釋出商網站中的代幣序列何時出現。
這裡的想法是類似的詞語出現在類似的語境中，這就是所謂的分佈假說。將單詞表示為其上下文的預測的概念，從而產生嵌入在向量空間中的單詞的連續表示，對於該單詞的語義表示而言，結果是非常穩健的技術。代替連續的單詞方法，根據其.上下文預測單詞(如. 上圖所示)，協議選擇一種跳過單詞方法來預測哪些單詞在給定目標單詞的上下文中。
以下是該方法的工作原理。我們首先從對語料庫的檢查中構建一個詞彙表，標記出我們發現超過n次的所有單詞並將它們新增到集合中。然後，對於編譯後的詞彙集中的每個詞，我們初始化兩個向量，由維度和向量隨機化。這兩個向量一個是表示單詞，s含義的目標向量，另一個是表示單詞上’下文的上’下文向量一分配給所有單詞並組合在一個矩陣中，給我們兩個|V| D矩陣 ， 其中D是維數，| V| 是詞彙表中單詞的數量。
這兩個矩陣被稱為嵌入矩陣(容納每個單詞在詞彙表中的主要嵌入)和上下文矩陣(其容納每個單詞的上下文嵌入)。 我們的目標是訓練D維目標向量(從隨機值開始)來預測它們的上下文，從而表示目標詞的含義。對於我們在其.上進行的每一個訓練週期，我們從語料庫中抽取一個目標詞wt,然後估計給定目標詞wt的上下文詞wc的概率:
這個softmax函式將值V設定為詞彙表中所有詞語的列表，u是來自上下文矩陣的向量，v是來自嵌入矩陣的向量。這意味著.上下文單詞概率是目標向量和，上下文向量的函式。只計算詞彙表的全部概率分佈將導致產生上下文詞概率。之後，我們通過使用梯度下降的目標和上下文向量反向傳播預測誤差，以便最大化上下文詞彙集上的對數概率Cwt
我們通過|反向傳播Cwt|上下文矩陣中的單 詞以及每個後續訓練週期的嵌入矩陣中的-一個單詞。這樣做的目的是使目標詞有效地預測其.上下文單詞，目標是使所有目標單詞集T上的平均對數概率最大化
你有更多的詞的話，這個過程就變得非常昂貴。一百萬字的詞彙成為一個巨大的挑戰，以保證在每次迭代過程中產生高效的概率。為了解決這個問題，2013年Word2vec建立者Mikolov提出了一個負面抽樣函式，這樣就可以取代在整個詞彙表中計算softmax,而只是抽取一些沒有出現在當前上下文中的單詞，然後修改最大化目標是一個二進位制分類任務，它使用sigmoid函式來估計一個單詞是否屬於該上下文。這為我們帶來了一個更有效的最大化目標，具體如下:
該等式將N的值設定為負樣本的集合。通過目標，背景和負樣本向量反向傳播目標的預測誤差,我們類似地更新模型，同時享受效率的巨大提高。在負面取樣情況下，我們調整嵌入矩陣中的一個字和|C|+|N|上下文矩陣中的單詞。隨著每個訓練週期的進行，嵌入矩陣逐漸包含對詞彙表中每個單詞越來越有意義的矢量表示。
Vidy的神經網路實現的一個元件也受到應用於字嵌入的影象識別模型的邏輯和結構的啟發。雖然影象基本上是一個畫素矩陣，但是一個句子也可以被認為具有同樣的意義。然而，這個句子不是畫素，而是一個2d的單詞矩陣，你可以將它用於計算機視覺技術以識別文字。
在這個矩陣中，你有-一個由n維向量表示的單詞，就像影象中的一個點也是一個n維向量。對於句子中的每個標記，我們使用單詞嵌入(每行嵌入一個單詞)來獲得具有固定尺寸的向量(尺寸為d, 長度固定為n)。所以輸入是一個2維矩陣(n, d)，它類似於使用CNN的影象。當比較影象以確定相似性時，您將- -幅影象中所有向量的匹配得分與另一幅影象中的所有向量進行比較，並且這裡的相同練習用語言來完成。即使是縮放方法和生成影象聚類中心的程式碼以及影象識別方法中的高效匹配， 也直接應用於該協議層。為了解決困擾所有雄心勃勃的識別專案的維度詛咒，這些專案將大量維度打包到每個向量中以獲得更高階的匹配能力，該協議採用了產品量化，該量化已被證明是用於最近鄰居搜尋的強大而通用的方法。
4.提供協議
Vidy在獲取，提煉和傳送進行NLP匹配所需的資訊時執行兩項主要任務。第一個是釋出方的索引元件(抓取文字並通過協議的最上層進行準備)，第二個是廣告客戶端的內容預處理元件。
當廣告客戶將視訊廣告，上傳到Vidy平臺時，Vidy會 在其上執行訊號處理音訊清理演算法，以消除任何非固定的噪音和其他干擾，然後通過語音到文字引擎轉錄視訊。它還為每個發出的單詞新增時間戳。在錄製上傳的視訊後，Vidy採用句子邊界消歧，這是一種句子打破技術，即使在轉錄輸出中沒有標點符號來幫助分割，也可以劃分句子邊界。這是為了進一步瞭解短語之間所說的內容的含義。從那裡開始，視訊廣告的一般情緒被標記並列在Vidy隨檔案儲存的元標記關鍵字中，以及廣告客戶在.上傳時為視訊廣告提供的手動輸入的關鍵字。
一旦這些資訊被打包併發送出去，它就會達到共識層，這是對兩個佈局決策層面的劃分。第一個平面純粹是由所有礦工執行的開源協議驅動的NLP級別;第二個平面位於使用者配置檔案過濾級別。然後，將使用者的人口統計資料通過一系列資料點構建並鎖定在智慧合約中，然後將其應用於所有NLP匹配，以篩選該訪問的正確嵌入;並且輸入以下內容:
·通過關鍵字和自動彙總的更大發布者頁面的上下文
·通過關鍵字和自動彙總的大型釋出商網站的背景
·通過轉錄，摘要和廣告客戶關鍵字的視訊廣告背景
·索引發布者頁面上所有適用句子的關鍵字提取
·一組匹配的視訊廣 告排隊等候轉移到第2階段的配置檔案分配
·通過人口統計和訪問者資料進行使用者檔案檢查和進一步過濾
·根據廣告客戶的廣告系列需求，將選定的視訊廣告投放到相應的釋出商文字中
·根據資料層反饋重新校準所有已投放廣告的效果
隨著資料層接收關於視訊廣告表現和使用者特定的嵌入廣告活動的反饋，NLP匹配的評分將迭代進行調整，並將這些評分反饋到主題向量分配中，以獲得更好的未來表示分配。
對於在釋出商頁面中確定將所有短語嵌入到所有符合條件的短語中的哪些短語進行選擇時，廣告系列需求是一個普遍的決策者。除了提取摘要建議之外，不需要確定與頁面相關性相關的短語相關性，也不需要在進行NLP+人口統計匹配後使環境相關性取代純粹的廣告活動需求。其原因在於，購買的整體廣告支出和廣告系列展示量在一天結束時仍然驅動廣告平臺本身，並最終決定視訊廣告在託管釋出商網頁中的頻率和位置。
關於更多 Vidy 資訊： https://vidy.com/
更多區塊鏈專案：http://www.qukuaiwang.com.cn/news/xiangmu
風險提示 ：區塊鏈投資具有極大的風險，專案披露可能不完整或有欺騙。請在嘗試投資前確定自己承受以上風險的能力。區塊網只做專案介紹，專案真假和價值並未做任何稽核！
宣告：登載此文出於傳遞更多資訊之目的，並不意味著贊同其觀點或證實其描述。