Verbesserung der Videoempfehlungen mit dem CQE-Framework

Das Wachstum von Online-Video-Plattformen hat verändert, wie wir digitale Inhalte konsumieren, wobei besonders kurze Videos beliebt geworden sind. Empfehlungs Systeme sind auf diesen Plattformen unverzichtbar, da sie personalisierte Video-Vorschläge bieten, was die Benutzerinteraktion und Zufriedenheit verbessert. Ein wichtiges Mass für das Interesse der Nutzer in diesem Kontext ist die Sehdauer, die widerspiegelt, wie sehr die Nutzer Videos geniessen und sich damit beschäftigen. Daher ist es wichtig, die Sehdauer genau vorherzusagen, um Empfehlungsstrategien zu maximieren.

Allerdings kann es schwierig sein, die Sehdauer vorherzusagen, da das Nutzerverhalten unberechenbar ist. Normalerweise ist es nicht möglich, die gleichen Daten für einen Nutzer zu sammeln, der dasselbe Video unter identischen Bedingungen schaut, da Nutzer Videos in der Regel nicht auf die gleiche Weise erneut ansehen. Das stellt eine Herausforderung bei der Schätzung der Sehdauer dar.

Viele bestehende Methoden konzentrieren sich darauf, eine einzige durchschnittliche Sehdauer vorherzusagen, was oft nicht die Vielfalt erfasst, wie Nutzer mit verschiedenen Videos interagieren. Diese Methoden erfassen die komplexen Muster des Nutzerverhaltens nicht, was auf die Notwendigkeit eines gründlicheren Ansatzes zur Vorhersage der Sehdauer hinweist.

#Der Bedarf an einem besseren Ansatz

Um dieses Problem anzugehen, stellen wir das Conditional Quantile Estimation (CQE)-Framework vor. Diese Methode schätzt die gesamte bedingte Verteilung der Sehdauer für jedes Nutzer-Video-Paar, anstatt nur einen einzigen Punktwert. Durch die Nutzung der Quantilsregression gibt CQE ein umfassenderes Bild davon, wie lange Nutzer Videos wahrscheinlich ansehen, basierend auf ihren individuellen Vorlieben und ihrer Historie.

Diese detaillierte Modellierung hilft, die verschiedenen Möglichkeiten zu verstehen, wie Nutzer mit Videos interagieren. Es ermöglicht massgeschneiderte Empfehlungen basierend auf verschiedenen Nutzerbedürfnissen und Sehgewohnheiten. Unsere Forschung schlägt mehrere Methoden vor, um die Quantilschätzungen auf Arten zu kombinieren, die unterschiedlichen Nutzer-Szenarien und -Vorlieben gerecht werden.

#Die Vorteile von CQE

Unser CQE-Ansatz wurde durch Offline-Experimente und Live-Tests auf einer beliebten Kurzvideo-Plattform getestet, die Millionen von täglich aktiven Nutzern dient. Die Ergebnisse zeigten, dass CQE die Vorhersage der Sehdauer erheblich verbessert und die Benutzerinteraktion im Vergleich zu traditionellen Methoden steigert.

#Wichtige Beiträge

1. Modellierung der bedingten Verteilung: CQE erfasst die vollständige bedingte Verteilung der Sehdauer, was ein besseres Verständnis des Nutzerverhaltens und der Vorlieben ermöglicht.

2. Vielfältige Empfehlungsstrategien: Es werden verschiedene Strategien eingeführt, um Quantilschätzungen aus CQE zu mischen, sodass Empfehlungen individueller und anpassbarer für die Nutzer werden.

3. Bewiesene Effektivität: Durch umfangreiche Tests hat CQE eine überlegene Leistung bei der Vorhersage der Sehdauer und der Modellierung der Nutzerinteraktion gezeigt, was zu deutlichen Verbesserungen in wichtigen Leistungskennzahlen wie aktiven Nutzern und Sehdauer führt.

#Wie CQE funktioniert

CQE konzentriert sich darauf, die Sehdauer für spezifische Nutzer-Video-Paare innerhalb eines bestimmten Kontexts zu schätzen. Anstatt nur eine Schätzung dafür abzugeben, wie lange ein Nutzer ein Video ansehen wird, generiert CQE mehrere Schätzungen (Quantile), die verschiedene mögliche Ergebnisse basierend auf dem Nutzerverhalten widerspiegeln.

#Annahmen in CQE

Um sicherzustellen, dass die Schätzungen zuverlässig und nützlich bleiben:

• CQE verwendet ein neuronales Netzwerk, um Merkmale über Nutzer, Videos und den Kontext zu verarbeiten.
• Die Methode ist so gestaltet, dass eine klare Reihenfolge in den Schätzungen beibehalten wird, sodass niedrigere Quantile die kürzeren erwarteten Sehdauern genau widerspiegeln, während höhere Quantile mit längeren erwarteten Zeiten verbunden sind.

#Strategien für verbesserte Empfehlungen

CQE ermöglicht drei Hauptstrategien zur Empfehlung basierend auf den vorhergesagten Sehdauern:

#Konservative Schätzung

Diese Strategie priorisiert die Nutzerzufriedenheit, insbesondere in Fällen, in denen eine Überschätzung der Sehdauer zu Enttäuschungen führen könnte. Durch die Konzentration auf niedrigere Quantilschätzungen sorgt sie dafür, dass Nutzer realistische Empfehlungen erhalten, was die Abwanderung minimiert.

#Dynamische Quantilkombination

Diese Strategie ist anpassungsfähiger und passt die Empfehlungen basierend auf dem aktuellen Zustand der Nutzer an, z. B. deren Wahrscheinlichkeit, den Dienst abzubrechen, oder deren Vertrautheit mit dem Videoinhalt. Sie passt das Gewicht an, das verschiedenen Quantilen zugewiesen wird, um eine Balance zwischen sicheren und potenziell ansprechenderen Empfehlungen zu ermöglichen.

#Bedingte Erwartung

Die Strategie der bedingten Erwartung zielt darauf ab, einen globalen Überblick zu bieten, indem sie die mittlere Sehdauer durch Interpolation zwischen den vorhergesagten Quantilniveaus schätzt. Dieser Ansatz maximiert die gesamte Nutzerinteraktion, indem er die gesamte Verteilung der Sehdauer berücksichtigt.

#Evaluierung der Effektivität von CQE

Wir haben CQE durch umfangreiche Online-A/B-Tests auf einer grossen Kurzvideo-Plattform bewertet. Diese Tests verglichen CQE mit bestehenden Methoden, indem mehrere Schlüsselmessungen erfasst wurden:

1. Durchschnittliche Sehdauer pro Nutzer: Diese Kennzahl gibt Aufschluss darüber, wie effektiv Nutzer mit empfohlenen Videos interagieren.
2. Gesamtspielanzahl: Dies spiegelt die Gesamtzahl der Male wider, die Videos abgespielt werden, und zeigt das Interaktionsniveau der Nutzer an.
3. Aktive Tage pro Nutzer: Dies misst die Nutzerbindung und zeigt, wie häufig Nutzer zur Plattform zurückkehren.
4. Aktive Nutzer pro Tag: Dies zeigt die Anzahl der einzigartigen Nutzer, die täglich mit der Plattform interagieren.

#Testergebnisse

Die Ergebnisse unserer A/B-Tests bestätigten die Effektivität von CQE:

• Die Strategie der konservativen Schätzung verbesserte alle gemessenen Kennzahlen, was auf eine höhere Nutzerzufriedenheit und Interaktion hinweist.
• Die Strategie der dynamischen Quantilkombination verbesserte deutlich sowohl Interaktions- als auch Engagement-Kennzahlen, was ihre Anpassungsfähigkeit an Nutzerbedürfnisse widerspiegelt.
• Die Strategie der bedingten Erwartung erhöhte die durchschnittliche Sehdauer pro Nutzer und zeigte ihr Potenzial zur Verbesserung der Nutzerinteraktion mit spezifischen Inhalten.

#Offline-Experimente für weitere Erkenntnisse

Zusätzlich zu den Online-Tests haben wir Offline-Experimente durchgeführt, um die Vorhersage der Sehdauer und des Nutzerinteresses genauer zu evaluieren. Diese Experimente nutzten verschiedene Datensätze, die reale Szenarien simulierten, um die Effektivität von CQE zu validieren.

#Vorhersage der Sehdauer

In dieser Aufgabe war das Hauptziel, genau vorherzusagen, wie lange Nutzer Videos ansehen würden. Die verwendeten Datensätze umfassten sowohl videospezifische Daten als auch die Nutzerinteraktionshistorie. Verschiedene Metriken wie der mittlere durchschnittliche Fehler und Ranking-Metriken wurden verwendet, um die Vorhersagen zu bewerten.

#Vorhersage des Nutzerinteresses

Diese Aufgabe kombinierte die Sehdauer mit der Videolänge, um das Nutzerinteresse umfassender zu messen. Durch die Analyse, nicht nur wie lange ein Nutzer ein Video angesehen hat, sondern auch wie diese Zeit mit der Länge des Videos in Beziehung steht, gewannen wir tiefere Einblicke in die Nutzerpräferenzen.

#Wichtige Erkenntnisse

• CQE übertraf bestehende Methoden konstant sowohl bei der Vorhersage der Sehdauer als auch des Nutzerinteresses.
• Die Einbeziehung von Unsicherheit in die Vorhersage ermöglichte es CQE, die unterschiedlichen Muster des Nutzerverhaltens besser zu erfassen, was zu genaueren Vorhersagen führte.
• Die Flexibilität von CQE erlaubt es, an verschiedene Modelle und Nutzersegmente angepasst zu werden, was seine Nützlichkeit in verschiedenen Kontexten unterstreicht.

#Fazit

Diese Arbeit führt das Conditional Quantile Estimation-Framework ein, eine Methode, die entwickelt wurde, um die Sehdauer in Kurzvideoempfehlungen effektiv vorherzusagen. Durch die Schätzung der gesamten bedingten Verteilung der Sehdauer adressiert CQE besser die Komplexität der Nutzerinteraktion. Umfassende Tests zeigten, dass CQE die Leistung in verschiedenen wichtigen Kennzahlen verbessert, was auf seine praktische Anwendbarkeit für Empfehlungssysteme hinweist.

Zusammenfassend kombiniert CQE die Vorteile detaillierter Modellierung mit effektiven Empfehlungsstrategien und ebnet den Weg für verbesserte Nutzererlebnisse auf digitalen Plattformen. Zukünftige Arbeiten könnten sich darauf konzentrieren, CQE zu verfeinern und es mit anderen fortgeschrittenen Empfehlungstechniken zu integrieren, um seine Effektivität weiter zu steigern.