监测社交媒体推荐中行为嵌入的演化

新兴的短视频平台如TikTok、Instagram Reels和ShareChat给推荐系统带来了独特的挑战，主要源于持续不断的新内容流。仅ShareChat每天就收到约200万条新鲜内容，这使得评估质量、学习有效的潜在表示以及准确地将内容与适当的用户群匹配变得复杂，尤其是在用户反馈有限的情况下。基于嵌入的方法是工业推荐系统的流行选择，因为它们可以学习项目的低维表示，从而实现易于扩展到数百万项目和用户的有效推荐。我们的工作描述了短视频推荐系统中此类嵌入的演化，比较了批量更新和实时更新对内容嵌入的影响。我们研究了嵌入如何随后续更新而变化，探索了嵌入与流行度偏差之间的关系，并强调了它们对用户参与度指标的影响。我们的研究揭示了在批量学习设置与实时学习设置中达到成熟嵌入所需的交互次数对比，确定了信息更新最高的点，并探索了两种竞争学习模式下$\ell_2$-范数的分布。利用部署在拥有超过1.8亿用户的大规模短视频应用上的生产系统，我们的发现为设计有效的推荐系统以及提高短视频应用中的用户满意度和参与度提供了见解。