基于设备端门控与排序框架提升视频推荐系统中的播放性能

视频推荐系统近年来受到越来越多的关注。现有主流推荐系统侧重于优化用户与物品之间的匹配函数。然而，我们注意到用户在浏览视频时经常遇到播放问题，如加载缓慢或卡顿，尤其是在弱网络条件下，这将导致浏览体验不佳，并可能导致用户流失，即使视频内容和推荐本身是优质的。这是一个相当严重但容易被忽视的问题。为了解决这个问题，我们提出了一种与服务器端推荐系统协同工作的设备端门控与排序框架（GRF）。具体来说，我们利用一个门控模型实时识别可能存在播放问题的视频，然后采用一个排序模型从本地缓存池中选择最优结果来替换卡顿的视频。我们的解决方案已全面部署在快手（Kwai）上，这是一个拥有全球数亿用户的大型短视频平台。此外，它显著提升了视频播放性能，并改善了整体用户体验和留存率。