基于 LLM 增强的评论停留时长预测
信息检索
2025-04-03 v1
摘要
在现代在线流媒体平台上，评论区在提升整体用户体验方面发挥着关键作用。理解用户在评论区的行为对于全面建模用户兴趣至关重要。用户参与的一个关键因素是停留时长，即用户浏览和发布评论的时间。现有的观看时长预测方法难以适应停留时长预测，忽略了与单个评论的相互作用及其间关系。在本文中，我们构建了一个来自 Kuaishou 平台的微视频推荐数据集（称为 KuaiComt），并提出了一个实用框架，用于 LLM 增强的评论理解下的评论停留时长预测（LCU）。我们的框架利用大语言模型（LLM）的强大文本理解能力来理解评论的文本信息，同时纳入细粒度评论排序信号作为辅助任务。该框架包含两个阶段：首先，使用领域特定任务对 LLM 进行微调，以建立视频与评论之间的联系；其次，将 LLM 输出纳入预测模型中，并设计两个评论排序辅助任务以更好地理解用户偏好。广泛的离线实验表明，我们的框架有效，显著提升了评论停留时长预测任务。此外，线上 A/B 测试进一步验证了其在工业场景中的实际效益。我们完整地公开了数据集 KuaiComt（https://github.com/lyingCS/KuaiComt.github.io）和代码 LCU（https://github.com/lyingCS/LCU）。
引用
@article{arxiv.2504.01602,
title = {Comment Staytime Prediction with LLM-enhanced Comment Understanding},
author = {Changshuo Zhang and Zihan Lin and Shukai Liu and Yongqi Liu and Han Li},
journal= {arXiv preprint arXiv:2504.01602},
year = {2025}
}
备注
Accepted by WWW 2025 Industry Track