确保及时性与准确性：面向直播推荐的新型滑动窗口数据流范式
信息检索
2024-02-23 v1 人工智能
摘要
直播推荐系统专门用于向用户推荐感兴趣的实时直播。由于直播内容的动态变化，提高直播推荐系统的及时性是一个关键问题。直观上，数据的及时性决定了模型可以学习的及时性的上限。然而，以往的工作都没有从数据流设计的角度解决直播推荐系统的及时性问题。采用传统的固定窗口数据流范式会在标签准确性和及时性之间引入权衡困境。在本文中，我们提出了一种新的数据流设计范式，称为Sliver，它通过减小窗口大小并相应地实现滑动窗口来解决标签的及时性和准确性问题。同时，我们提出了一种时间敏感的重新推荐策略，通过定期请求推荐服务来减少请求和展示之间的延迟，从而提高推荐服务和特征的及时性。为了证明我们方法的有效性，我们在一个多任务直播数据集上进行了离线实验，该数据集包含从快手直播平台收集的标签时间戳。实验结果表明，在四种典型的多任务推荐模型中，Sliver在所有目标上都优于具有不同窗口大小的两种固定窗口数据流。此外，我们在快手直播平台上部署了Sliver。在线A/B测试结果显示，点击率（CTR）和新关注数（NFN）显著提升，进一步验证了Sliver的有效性。
引用
@article{arxiv.2402.14399,
title = {Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation},
author = {Fengqi Liang and Baigong Zheng and Liqin Zhao and Guorui Zhou and Qian Wang and Yanan Niu},
journal= {arXiv preprint arXiv:2402.14399},
year = {2024}
}