在线视频广告的最新扩展增加了对其效果的预测的需求。但是，大多数现有研究集中在图像广告上。因此，最近在arXiv.org上发表的一篇论文试图根据发布前的可用数据预测在线视频广告的影响。

确定了促成点击率的因素(点击率，是视频用户点击频率与显示视频的用户数量之比)。考虑到在线视频广告的多模式性质，将提取不同模式的功能，例如视频帧，元数据和文本数据。

通过注意机制对特征向量进行加权，并计算出多峰向量的加权平均值。卷积神经网络从该向量预测CTR。事实证明，最初的几秒钟和最后一个场景对点击率的贡献最大，而元数据在很大程度上影响了点击率。

随着视频广告市场的扩展，预测视频广告效果的研究越来越受到关注。尽管已经大量研究了图像广告的效果预测，但是很少进行研究来预测视频广告仍然具有挑战性。在这项研究中，我们提出了一种预测视频广告点击率(CTR)并分析决定点击率的因素的方法。在本文中，我们演示了一个优化的框架，可以利用在线视频广告的多模式特性(包括视频，文本和元数据功能)来准确地预测效果。特别地，适当地分离和规范化了分类和连续的两种类型的元数据。为了避免过度拟合，这对于我们的任务至关重要，因为训练数据不是很丰富，插入其他正则化层。实验结果表明，我们的方法可以实现高达0.695的相关系数，与基线(0.487)相比有显着改善。