CAViaR: Context Aware Video Recommendations

要約

タイトル：CAViaR：コンテキストに応じた動画の推薦

要約：

– 推薦システムは、通常、個別のアイテムにスコアを付ける点単位モデルに依存している。
– 動画のスコアを生成する点単位モデルは、クエリで推薦される他の動画を考慮することができず、低い多様性によるユーザーのエンゲージメントへの影響をノイズできない。
– この問題に対処するために、我々は新しい手法を提案し、多様性を導入し、個々のアイテムにおけるユーザーのエンゲージメントに低い多様性の影響をモデル化することで、多様性と関連性の両方を考慮し、アイテムのスコアを調整できるようにする。
– 提案手法は、既存の大規模な推薦システムに簡単にプラグインすることができ、推薦スタックの最小限の変更を導入する。
– 当社のモデルは、正規化されたクロスエントロピー損失に基づくオフラインメトリックにおいて、生産点単位モデルに比べて有意な改善を示している。
– 当社の手法は、Facebook WatchでのライブトラフィックのA / Bテストにおいても、トップラインエンゲージメントが1.7％、デイリーアクティブユーザーが1.5％増加し、製品のデイリーアクティブユーザー数が数百万人増加した。

要約(オリジナル)

Many recommendation systems rely on point-wise models, which score items individually. However, point-wise models generating scores for a video are unable to account for other videos being recommended in a query. Due to this, diversity has to be introduced through the application of heuristic-based rules, which are not able to capture user preferences, or make balanced trade-offs in terms of diversity and item relevance. In this paper, we propose a novel method which introduces diversity by modeling the impact of low diversity on user’s engagement on individual items, thus being able to account for both diversity and relevance to adjust item scores. The proposed method is designed to be easily pluggable into existing large-scale recommender systems, while introducing minimal changes in the recommendations stack. Our models show significant improvements in offline metrics based on the normalized cross entropy loss compared to production point-wise models. Our approach also shows a substantial increase of 1.7% in topline engagements coupled with a 1.5% increase in daily active users in an A/B test with live traffic on Facebook Watch, which translates into an increase of millions in the number of daily active users for the product.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI