ContentCTR: Un Nuevo Modelo para Recomendaciones de Streaming

En tiempos recientes, las plataformas de streaming en vivo se han vuelto súper populares. Estas plataformas permiten a los usuarios compartir videos en vivo e interactuar tanto con los anfitriones como con otros espectadores. Como el contenido de los streams puede cambiar rápidamente, es importante tener buenos sistemas de recomendación que puedan sugerir el contenido más relevante a los usuarios. La mayoría de las investigaciones anteriores han considerado los streams en vivo como unidades individuales en lugar de examinar los diferentes segmentos dentro de ellos. Este artículo habla de un nuevo modelo llamado ContentCTR que predice las tasas de clics (CTR) a nivel de marco, centrándose en momentos individuales dentro de un stream.

#La Necesidad de Recomendaciones Precisas

A medida que más personas recurren al streaming en vivo para entretenimiento, los streamers reciben apoyo financiero tanto de los espectadores como de la plataforma. Esta nueva forma de interactuar ha llevado a estudios sobre varios temas, como enviar regalos a los streamers e integrar el comercio electrónico en los streams. Con tantos streamers y contenido que cambia constantemente, es vital tener un sistema de recomendación que pueda capturar con precisión el interés de los espectadores. Muchos modelos se enfocan en las interacciones entre streamers y espectadores para entender mejor las preferencias. Algunos incluso proponen modelos que utilizan mecanismos de autoatención para hacer seguimiento de cómo los espectadores interactúan con el contenido a lo largo del tiempo.

#Desafíos en las Recomendaciones de Streaming en Vivo

El streaming en vivo presenta desafíos únicos para los sistemas de recomendación. El contenido está en constante evolución, y diferentes segmentos pueden ser más o menos atractivos. Mientras que muchos modelos tratan el contenido en vivo como un solo item, es importante examinar cada parte de cerca y hacer predicciones basadas en frames individuales. Encontrar las partes más atractivas de un stream puede aumentar significativamente el engagement del usuario y los ingresos para las plataformas. Los desafíos incluyen:

1. Múltiples Modalidades: Los streams en vivo a menudo tienen frames visuales, audio del streamer, comentarios de la audiencia y otras entradas como IDs de streamers y streams en vivo. Es esencial un modelo que pueda trabajar con toda esta información.

2. Problemas de Estimación Tradicional: Muchos métodos estándar se enfocan en el rendimiento general, lo que puede llevar a pasar por alto momentos importantes. Un modelo que pueda reconocer las diferencias entre momentos significativos e insignificantes puede mejorar las predicciones.

3. Alineación de la Información: El discurso del streamer y los comentarios de la audiencia no siempre se alinean perfectamente con lo que se muestra en pantalla. Esta desalineación puede confundir al modelo y reducir su efectividad.

#Introduciendo ContentCTR

ContentCTR es un nuevo modelo que utiliza un enfoque de transformador multimodal para predecir el CTR a nivel de frame en los streams en vivo. Esta investigación es pionera ya que analiza las recomendaciones de manera frame por frame. El modelo procesa varios tipos de datos sobre el stream, incluyendo elementos visuales, discurso, comentarios de la audiencia y embeddings de ID, que reflejan la categoría general de un streamer.

Para lidiar con las discrepancias temporales causadas por el streaming en vivo, se utiliza una técnica especial de alineación llamada Dynamic Time Warping (DTW). Este método reduce el ruido que crea la desalineación. Además, el modelo incorpora una función de pérdida única que le ayuda a aprender mejor de los frames destacados y no destacados.

#Contribuciones Clave de ContentCTR

Las principales contribuciones de este trabajo incluyen:

1. Modelo de Transformador Multimodal: ContentCTR utiliza eficientemente varios tipos de información y captura patrones dinámicos de momentos destacados.

2. Función de Pérdida Única: El modelo usa una función de pérdida por pares con restricciones de diferencia de primer orden, lo que le ayuda a enfocarse en los momentos más atractivos del stream.

3. Estrategia de Alineación: La estrategia DTW ayuda a asegurar que las características visuales y textuales trabajen juntas mejor, mejorando la precisión general de la predicción.

#Resultados y Experimentos

ContentCTR fue probado con datos del mundo real y conjuntos de datos públicos. Los resultados mostraron que superó a los modelos de recomendación tradicionales al predecir cambios de contenido en tiempo real. Además, cuando se implementó en la plataforma de una empresa, el modelo aumentó el CTR en un 2.9% y mejoró el tiempo promedio de visualización en un 5.9%.

#Conjuntos de Datos Utilizados

Para evaluar la efectividad de ContentCTR, se usaron dos conjuntos de datos:

1. Conjunto de Datos KLive: Un conjunto de datos a gran escala de una plataforma de streaming en vivo, que incluye segmentos de miles de salas en vivo. Cada segmento consta de varias características como frames de video, comentarios, discurso del streamer y datos de CTR reales.

2. Conjunto de Datos PHD: Un conjunto de datos disponible públicamente enfocado en la detección de momentos destacados en videos personalizados, que incluye enlaces de videos de YouTube y preferencias de los usuarios respecto a frames destacados.

#Métricas para Evaluación

Para el conjunto de datos KLive, se utilizó el tau de Kendall para medir cuán bien el CTR predicho se alineaba con el CTR real. Este método evalúa el acuerdo entre los dos valores. Para el conjunto de datos PHD, se empleó la media de Precisión Promedio (mAP) como una métrica común en la detección de momentos destacados en videos para evaluar el rendimiento.

#Rendimiento de ContentCTR

ContentCTR fue comparado con varios modelos de referencia. Los resultados mostraron que consistentemente superó a otros enfoques de recomendación. Esto indica que capturar interacciones a través de diferentes tipos de datos juega un papel crucial en predecir el CTR con precisión.

#Impacto de la Modalidad

El rendimiento del modelo fue evaluado en función de diferentes tipos de entrada. Se encontró que el contenido visual tuvo el impacto más significativo en las predicciones, seguido por los datos textuales de los comentarios. Incluso el embedding de ID del streamer mostró cierta influencia en el rendimiento.

#Rol del Bloque Perceiver

El Bloque Perceiver dentro de ContentCTR superó a otras versiones del modelo. Captura eficazmente relaciones e interacciones entre diferentes tipos de datos, lo cual es crucial para contenido dinámico como los streams en vivo.

#La Importancia de la Alineación DTW y la Pérdida por Pares

Probar diferentes funciones de pérdida reveló información importante. Una combinación de pérdida puntual y pérdida por pares utilizando la técnica de alineación DTW mostró mejoras significativas. Este enfoque ayuda al modelo a aprender mejor de los momentos destacados y no destacados en los datos, llevando a una mayor precisión en las predicciones.

#Experimentos en Línea

Se realizó una prueba en el mundo real a través de pruebas A/B durante cuatro días, comparando el rendimiento de ContentCTR con un modelo de recomendación tradicional. Los resultados indicaron que el nuevo método logró mejoras notables tanto en CTR como en la duración del engagement.

#Conclusión

Esta investigación exploró la predicción de CTR en escenarios de streaming en vivo, presentando a ContentCTR como un modelo robusto para predicciones a nivel de frame. Aprovechando un transformador multimodal, el modelo integró con éxito varios tipos de datos para mejorar las predicciones. El uso de una estrategia de alineación dinámica y una función de pérdida novedosa mejoró aún más el rendimiento del modelo. Experimentos exhaustivos demostraron las capacidades superiores de ContentCTR en comparación con métodos existentes. Los resultados destacan su potencial para aplicación en plataformas de streaming en vivo, sirviendo a millones de usuarios diariamente.

En resumen, ContentCTR representa un avance significativo en la comprensión y predicción de interacciones de usuarios en entornos de streaming en vivo en tiempo real. Los desafíos abordados y los métodos propuestos pueden moldear el futuro de los sistemas de recomendación de contenido.