当规则力有不逮：短视频平台中新兴内容问题的智能体驱动发现
计算机视觉与模式识别
2026-01-21 v1
摘要
短视频平台上的趋势发展迅速，每天都有新的内容问题出现，这些超出了现有标注策略的覆盖范围。然而，传统的人工驱动的新兴问题发现速度太慢，导致标注策略更新延迟，并对有效的内容治理构成重大挑战。在这项工作中，我们提出了一种基于多模态 LLM 智能体的自动问题发现方法。我们的方法自动召回包含潜在新问题的短视频，并应用两阶段聚类策略对它们进行分组，每个聚类对应一个新发现的问题。然后，智能体从这些聚类中生成更新的标注策略，从而将覆盖范围扩展到这些新兴问题。我们的智能体已部署在真实系统中。离线和在线实验均表明，这种基于智能体的方法显著提高了新兴问题发现的有效性（F1 分数提高超过 20%），并增强了后续问题治理的性能（将问题视频的观看次数减少约 15%）。更重要的是，与人工问题发现相比，它大大降低了时间成本，并显著加速了标注策略的迭代。
引用
@article{arxiv.2601.11634,
title = {When Rules Fall Short: Agent-Driven Discovery of Emerging Content Issues in Short Video Platforms},
author = {Chenghui Yu and Hongwei Wang and Junwen Chen and Zixuan Wang and Bingfeng Deng and Zhuolin Hao and Hongyu Xiong and Yang Song},
journal= {arXiv preprint arXiv:2601.11634},
year = {2026}
}