利用微视频细粒度跳过行为进行推荐

社交媒体平台上短视频分享日益增长，用户捕捉并分享日常瞬间，这导致关注微视频推荐的研究 effort 增加。然而，传统方法简化了跳过行为的建模，仅将其视为正或负互动（取决于是否跳过）。本研究受前几秒在微视频中至关重要的因素启发，导致将信号细化为三个类别：高度正向、较正向和负向。具体而言，将短时间内的跳过互动归类为负向，而延迟后的跳过则归类为较正向。我们设计了双层图和层次化排序损失，以有效学习这些细粒度互动。我们的实验在两个公开数据集上使用八项评估指标，证明了所提方法优于三个传统方法。