面向实时视频推荐的由粗到细动态提升建模
信息检索
2024-10-23 v1
摘要
随着短视频平台的兴起，视频推荐技术面临更复杂的挑战。当前，视频推荐流水线中存在多个非个性化模块，亟需个性化建模技术进行改进。受提升建模在在线营销中成功的启发，我们尝试在视频推荐场景中实现提升建模。然而，我们面临两个主要挑战：1) 处理方案的设计与利用，以及 2) 用户实时兴趣的捕捉。为解决这些问题，我们将调整不同时长视频的分布设计为处理方案，并提出了面向实时视频推荐的由粗到细动态提升建模(CDUM)。CDUM由CPM和FIC两个模块组成。前者充分利用用户的离线特征来建模其长期偏好，而后者则利用在线实时上下文特征和请求级候选集来建模用户的实时兴趣。这两个模块协同工作，动态识别并定位特定用户群体，并有效应用处理方案。此外，我们在离线公共数据集、工业数据集以及在线A/B测试上进行了全面的实验，证明了我们提出的CDUM的优越性和有效性。我们提出的CDUM最终已在快手平台全面部署，每天服务数亿用户。论文被接收后将提供源代码。
引用
@article{arxiv.2410.16755,
title = {Coarse-to-fine Dynamic Uplift Modeling for Real-time Video Recommendation},
author = {Chang Meng and Chenhao Zhai and Xueliang Wang and Shuchang Liu and Xiaoqiang Feng and Lantao Hu and Xiu Li and Han Li and Kun Gai},
journal= {arXiv preprint arXiv:2410.16755},
year = {2024}
}
备注
9 pages, 4 figures, 5 tables