En los entornos de Internet de las Cosas de Medios (IoMT), los usuarios pueden acceder y ver servicios mediáticos Over-the-Top (OTT) de alta calidad en cualquier momento y lugar. A medida que ha aumentado el número de usuarios de plataformas OTT, el contenido original ofrecido por dichas plataformas OTT se ha vuelto muy popular, aumentando aún más el número de usuarios. Por lo tanto, la tecnología efectiva de gestión de recursos es un aspecto esencial para reducir los costos de operación del servicio al minimizar los recursos no utilizados y al mismo tiempo garantizar los recursos necesarios para proporcionar servicios mediáticos de manera oportuna cuando las tasas de demanda de recursos del usuario cambian rápidamente. Sin embargo, estudios previos han investigado la asignación eficiente de recursos en la nube sin considerar el número de usuarios después del lanzamiento de contenido popular. Este documento propone una tecnología para predecir y asignar recursos en la nube en forma de un método de aprendizaje por refuerzo basado en Long-Short-Term-Memory (LSTM) que proporciona información a los proveedores de servicios OTT sobre si los usuarios están dispuestos a ver contenido popular utilizando el Bidirectional Encoder Representation from Transformer (KoBERT) coreano. Los resultados de la simulación de la tecnología propuesta verificaron que se puede lograr una asignación eficiente de recursos al mantener la calidad del servicio y al mismo tiempo reducir el desperdicio de recursos en la nube dependiendo de si la popularidad del contenido se divulga.