基于 Tweedie 回归的视频推荐系统

现代推荐系统通过将排序问题常规化为聚焦于预测点击率 (CTR) 的分类任务来提高用户体验。然而，这种方法与不同行业企业实际目标之间存在差距。在视频点播服务中，VOD 的目标不仅在于鼓励点击，还在于引导用户发现其真实兴趣，从而增加观看时长。更长的观看时长将增加展示在线显示广告的机会，从而提升收入。本研究通过将问题从分类重新定义为回归，聚焦于通过用户观看时长最大化收入来解决此问题。由于推荐缺乏正标签，本研究引入 Tweedie 损失函数，优于传统均方误差损失。本文还提供了 Tweedie 过程捕捉用户多样化兴趣的见解。我们的离线仿真和在线 A/B 测试显示，我们可显著提升核心业务目标：用户以观看时长为度的用户参与度，进而推动收入增长。此外，我们提供了 Tweedie 损失与常用查看时长加权 Logloss 的理论比较，阐明了为何 Tweedie 回归作为高效解决方案脱颖而出。我们进一步概述了设计聚焦于单一目标的损失函数的框架。