移动设备上的实时短视频推荐

近年来，短视频应用吸引了数十亿用户，以多样的内容满足其各类需求。用户通常在移动设备上于短时间内观看诸多主题的短视频，并对其所看的短视频非常迅速地给出显式或隐式反馈。推荐系统需要实时感知用户偏好，以满足其不断变化兴趣。传统上，部署在服务端的推荐系统针对客户端的每次请求返回一个视频排序列表。因此，在下次请求之前，它无法根据用户实时反馈调整推荐结果。由于客户端-服务端传输延迟，它也未能立即利用用户的实时反馈。然而，随着用户持续观看视频并反馈，变化的上下文导致服务端推荐系统的排序不准确。在本文中，我们提出在移动设备上部署一个短视频推荐框架以解决这些问题。具体而言，我们设计并在设备上部署了一个微小的排序模型，以实现对服务端推荐结果的实时重排序。我们通过利用用户对已观看视频的实时反馈以及客户端特定的实时特征来提升其预测精度。借助更精准的预测，我们进一步考虑候选视频间的交互，并提出一种基于自适应束搜索的上下文感知重排序方法。该框架已在拥有十亿用户规模的短视频应用快手（Kuaishou）上部署，并将有效观看、点赞和关注分别提升了 1.28%、8.22% 和 13.6%。