基于生成回归的短视频推荐观看时长预测
机器学习
2025-04-15 v3 信息检索
摘要
观看时长预测(WTP)已成为短视频推荐系统的关键任务,旨在通过持续互动建模来量化用户参与度.预测用户对视频的观看时长常遇到诸多根本性挑战,包括宽广的数值范围和不平衡的数据分布，这些因素在直接应用回归技术时会导致显著的估计偏差.最近的研究尝试通过将连续观看时长估计转换为有序回归任务来解决此问题.虽然这些方法在某种程度上有效,但表现出显著局限性:(1)离散化过程经常依赖分段投放,本质上降低了预测灵活性和准确性;(2)不同分段区间之间的相互依赖性被忽略,错失有效纠错的机会.受语言建模范例启发,我们提出一种新型生成回归(GR)框架,将WTP 重新定义为序列生成任务.我们的做法采用结构化离散化以几乎无损地重建数值,同时保持预测忠实.通过精心设计的词汇表构建和标签编码方案,将每个观看时长双射映射到标记序列.为缓解教师强迫导致的训练-推断差异,我们引入一种逐渐从引导到自由生成模式的课程学习策略.我们在两个公开数据集和一个工业数据集上对方法进行评估.我们还对在快手 App 上的在线 A/B 测试结果表明,GR显著优于现有技术.
引用
@article{arxiv.2412.20211,
title = {Generative Regression Based Watch Time Prediction for Short-Video Recommendation},
author = {Hongxu Ma and Kai Tian and Tao Zhang and Xuefeng Zhang and Han Zhou and Chunjie Chen and Han Li and Jihong Guan and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2412.20211},
year = {2025}
}
备注
10 pages, 5 figures, conference or other essential info