Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation

要約

総再生時間を正確に予測することは、短い動画プラットフォームでのレコメンデーションとユーザー エクスペリエンスを最適化するために非常に重要です。
ただし、単一の平均総再生時間を推定する既存の方法では、ユーザー エンゲージメント パターンに固有の不確実性と多様性を捉えることができないことがよくあります。
この論文では、総再生時間の条件付き分布をモデル化する条件付き分位数推定 (CQE) フレームワークを提案します。
CQE は分位回帰を使用して、各ユーザーと動画のペアの複雑な総再生時間分布を特徴付け、ユーザーの行動を理解するための柔軟かつ包括的なアプローチを提供します。
さらに、さまざまな推奨シナリオやユーザーの好みに適応して、分位値の推定値を組み合わせる複数の戦略を設計します。
広範なオフライン実験とオンライン A/B テストにより、総再生時間予測とユーザー エンゲージメント モデリングにおける CQE の優位性が実証されました。
特に、KuaiShow での CQE のオンライン展開により、アクティブ日数、アクティブ ユーザー、エンゲージメント期間、ビデオ視聴数などの主要な評価指標が大幅に改善されました。
これらの結果は、短いビデオ推奨システムのユーザー エクスペリエンスと全体的なパフォーマンスを向上させるという、私たちが提案したアプローチの実際的な効果を強調しています。
コードは公開後に公開されます。

要約(オリジナル)

Accurately predicting watch time is crucial for optimizing recommendations and user experience in short video platforms. However, existing methods that estimate a single average watch time often fail to capture the inherent uncertainty and diversity in user engagement patterns. In this paper, we propose the Conditional Quantile Estimation (CQE) framework to model the entire conditional distribution of watch time. Using quantile regression, CQE characterizes the complex watch-time distribution for each user-video pair, providing a flexible and comprehensive approach to understanding user behavior. We further design multiple strategies to combine the quantile estimates, adapting to different recommendation scenarios and user preferences. Extensive offline experiments and online A/B tests demonstrate the superiority of CQE in watch time prediction and user engagement modeling. In particular, the online deployment of CQE in KuaiShow has led to significant improvements in key evaluation metrics, including active days, active users, engagement duration, and video view counts. These results highlight the practical impact of our proposed approach in enhancing the user experience and overall performance of the short video recommendation system. The code will be released after publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google