在相关视频推荐中平衡语义相关性与参与度
信息检索
2025-07-15 v1 多媒体
摘要
相关视频推荐通常使用由共同参与信号驱动的协同过滤 (CF)，常导致推荐缺乏语义连贯性并呈现强烈的流行度偏见。本文引入一种新型多目标检索框架，增强标准的双塔模型，以显式平衡语义相关性和用户参与度。我们的方法独特地结合了：(a) 多任务学习 (MTL) 以联合优化共同参与和语义相关性，显式优先考虑主题连贯性；(b) 融合多模态内容特征（文本和视觉嵌入）以获得更丰富的语义理解；以及 (c) 通过逆倾向加权实现的离政策纠正 (OPC)，有效缓解流行度偏见。在工业规模数据和两周实时 A/B 测试中的评估显示，我们的框架具有效效。我们观察到语义相关性显著提升（从 51% 提升至 63% 主题匹配率）、流行物分布减少（-13.8% �行视频推荐），以及对我们顶线用户参与度指标的 +0.04% 改善。我们的方法成功实现了更好的语义连贯性、平衡的参与度以及实际可扩展性，以适用于实际部署。
引用
@article{arxiv.2507.09403,
title = {Balancing Semantic Relevance and Engagement in Related Video Recommendations},
author = {Amit Jaspal and Feng Zhang and Wei Chang and Sumit Kumar and Yubo Wang and Roni Mittleman and Qifan Wang and Weize Mao},
journal= {arXiv preprint arXiv:2507.09403},
year = {2025}
}