短视频推荐中不确定观看时间的条件分位数估计

准确预测观看时间对于优化短视频平台的推荐和用户体验至关重要。然而，现有估计单一平均观看时间的方法往往无法捕捉用户参与模式中固有的不确定性。本文提出条件分位数估计（Conditional Quantile Estimation, CQE）来建模观看时间的完整条件分布。CQE 利用分位数回归刻画每个用户-视频对的复杂观看时间分布，为理解用户行为提供了一种灵活且全面的方法。我们进一步设计了多种策略来组合分位数估计值，以适应不同的推荐场景和用户偏好。大量的离线实验和在线 A/B 测试证明了 CQE 在观看时间预测和用户参与建模方面的优越性。具体而言，在一个拥有数亿日活跃用户的大规模平台上在线部署 CQE，显著提升了关键评估指标，包括活跃天数、参与时长和视频播放量。这些结果凸显了我们提出的方法在提升用户体验和短视频推荐系统整体性能方面的实际影响。代码将发布于 https://github.com/justopit/CQE。