S'attaquer au biais de la longueur des vidéos dans les recommandations

Les plateformes de micro-vidéo comme TikTok sont super populaires ces derniers temps. Les utilisateurs sur ces plateformes regardent généralement des vidéos recommandées en continu ou passent à la suivante sans choisir dans une liste d'options. Ce changement de comportement des utilisateurs fait que le temps passé à regarder une vidéo est devenu crucial pour comprendre ce qu'ils aiment. Cependant, on a constaté que les vidéos plus longues ont tendance à obtenir plus de temps de visionnage, ce qui peut donner un avantage injuste à ces vidéos plus longues en termes de recommandations. Ça peut créer un biais où le système de recommandation privilégie les vidéos plus longues, même si ce n'est pas ce que les utilisateurs veulent vraiment regarder.

Pour résoudre ce problème, on propose une nouvelle méthode appelée Video Length Debiasing Recommendation (VLDRec) pour améliorer le processus de recommandation de micro-vidéos. Notre approche consiste à mieux étiqueter les données et à générer des échantillons qui capturent correctement les préférences des utilisateurs. De plus, on utilise une technique appelée apprentissage multi-tâches pour optimiser nos recommandations en fonction des données originales et des nouveaux échantillons sans biais.

#Le Changement dans les Recommandations Vidéo

Sur des plateformes vidéo traditionnelles comme YouTube, les utilisateurs voient une liste de vidéos et peuvent choisir celle sur laquelle cliquer. Ils interagissent en sélectionnant des vidéos qui les intéressent. En revanche, les plateformes de micro-vidéo ont transformé cette expérience. Les utilisateurs voient une vidéo à la fois, qui se joue automatiquement jusqu'à ce qu'ils fassent défiler pour la suivante. Ce nouveau format change la façon dont fonctionnent les recommandations.

Sur ces plateformes, la mesure du succès a évolué du nombre de clics à la durée de visionnage. Si un utilisateur regarde une vidéo longtemps, ça veut dire qu'il l'a aimée. Cependant, ça pose un problème. Les vidéos plus longues reçoivent naturellement plus de temps de visionnage, ce qui peut fausser les données et donner l'impression que les utilisateurs les préfèrent, même si ce n'est pas le cas.

#Identification du Biais de Longueur de Vidéo

Notre recherche montre un biais clair basé sur la longueur des vidéos. En examinant le comportement des utilisateurs sur les plateformes de micro-vidéo, on a découvert que les vidéos plus longues reçoivent toujours plus de temps de visionnage. Cette observation mène à ce qu'on appelle le biais de longueur de vidéo, où le système de recommandation pourrait trop favoriser les vidéos plus longues, potentiellement au détriment de la satisfaction des utilisateurs.

Par exemple, si un utilisateur a tendance à regarder des vidéos longues, le système peut supposer à tort que c'est son contenu préféré, conduisant à une chambre d'écho de recommandations qui ne reflètent pas vraiment les véritables intérêts de l'utilisateur. Ce problème crée deux principaux défis pour les systèmes de recommandation :

1. La nécessité d'une meilleure façon de modéliser la nature continue de la longueur de vidéo et du temps de visionnage pour éviter d'autres biais.

2. La complexité de comprendre les véritables préférences des utilisateurs lorsque la longueur des vidéos influence directement notre mesure de l'engagement du contenu.

#Notre Solution Proposée : VLDRec

Pour s'attaquer au problème du biais de longueur de vidéo, on introduit VLDRec, une méthode conçue pour améliorer la façon dont on recommande des micro-vidéos en traitant le biais causé par la longueur des vidéos.

#Regroupement de données

D'abord, on regroupe les vidéos en fonction de leur longueur. Notre analyse montre que les vidéos de longueurs similaires ont tendance à avoir des taux d'achèvement comparables. En regroupant les vidéos, on peut mieux comprendre le comportement des utilisateurs à travers différentes longueurs et développer une mesure plus précise des préférences des utilisateurs.

#Génération d'échantillons

Ensuite, on crée des échantillons de manière à aider à réduire l'impact du biais de longueur de vidéo. VLDRec utilise deux stratégies principales pour étiqueter :

1. Étiquetage Pointwise Difficile : Cette approche considère si le temps de visionnage d'un utilisateur dépasse un certain seuil basé sur la longueur de la vidéo.

2. Étiquetage Pairwise Basé sur la Marge : Cette méthode regarde les différences de temps de visionnage entre des paires de vidéos et établit une marge minimale pour déterminer la préférence.

Ces deux stratégies nous permettent de capturer les préférences des utilisateurs sans être influencées par la longueur des vidéos.

#Apprentissage Multi-tâches

Pour affiner encore nos recommandations, VLDRec utilise une approche d'apprentissage multi-tâches. Cette technique nous permet d'optimiser l'entraînement de notre modèle à travers plusieurs tâches, l'aidant efficacement à apprendre à partir de sources de données biaisées et non biaisées. En examinant les relations entre différentes vidéos, on peut renforcer notre compréhension des préférences des utilisateurs.

#Métrique d'Évaluation Invariante à la Longueur

Enfin, on propose une nouvelle méthode pour évaluer les recommandations qui prend en compte la longueur des vidéos. Au lieu de simplement regarder à quelle fréquence les utilisateurs cliquent sur les vidéos, on se concentre sur la durée pendant laquelle ils les regardent en groupe. Cette approche garantit qu'on ne favorise pas à tort les vidéos plus longues en raison de leurs avantages inhérents. Cette nouvelle métrique nous permet d'évaluer l'efficacité de nos recommandations de manière plus équitable.

#Résultats Expérimentaux

On a testé VLDRec sur deux grands ensembles de données de plateformes de micro-vidéo populaires. Nos expériences visaient à voir comment VLDRec se comporte par rapport aux méthodes existantes.

#Comparaison avec d'Autres Méthodes

Nos résultats indiquent que VLDRec surpasse significativement les méthodes actuelles en capturant les intérêts des utilisateurs. Plus précisément, on a trouvé que :

• VLDRec a amélioré le temps de visionnement global des utilisateurs sur les deux ensembles de données par rapport aux méthodes traditionnelles.
• Le modèle a appris à recommander des vidéos qui correspondent davantage aux véritables préférences des utilisateurs plutôt que de simplement favoriser des vidéos plus longues.

#Analyse des Différents Groupes de Longueur de Vidéo

On a aussi examiné comment les différentes longueurs de vidéo s'en sortaient dans notre processus de recommandation. On a observé que les méthodes traditionnelles avaient souvent du mal avec les longueurs de vidéo variées, tandis que VLDRec fournissait systématiquement de meilleures recommandations, quelle que soit la durée des vidéos.

#Prise en Compte des Préférences des Utilisateurs

En plus de l'objectif principal d'augmenter le temps de visionnage, on voulait s'assurer que les vidéos recommandées correspondaient aux intérêts des utilisateurs. On a analysé les catégories des vidéos recommandées et les a comparées aux catégories des vidéos que les utilisateurs avaient appréciées auparavant. Les résultats ont montré que VLDRec était beaucoup plus efficace pour suggérer des vidéos qui correspondent aux intérêts des utilisateurs.

#Préférences Individuelles et Collectives

En agrégeant les intérêts de plusieurs utilisateurs, on a constaté que VLDRec s'aligne efficacement non seulement sur les préférences individuelles, mais aussi sur les tendances collectives parmi les groupes d'utilisateurs. On a mesuré la similarité des distributions entre les vidéos recommandées et celles que les utilisateurs avaient regardées auparavant, et VLDRec a constamment montré un meilleur alignement.

#Conclusion et Directions Futures

En résumé, VLDRec représente un progrès significatif dans la façon de faire des recommandations de micro-vidéos, surtout pour traiter les défis posés par le biais de longueur de vidéo. En regroupant les vidéos selon leur longueur, en employant des stratégies d'échantillonnage innovantes et en utilisant l'apprentissage multi-tâches, VLDRec améliore la satisfaction des utilisateurs vis-à-vis des recommandations.

#Opportunités de Recherche Future

Pour l'avenir, il y a plusieurs domaines à explorer davantage :

• Étiquetage Automatique des Préférences : Trouver des moyens plus intelligents de définir les préférences des utilisateurs pourrait améliorer la précision des recommandations.

• Impact de l'Interface Utilisateur : Explorer comment différentes interfaces utilisateur influencent les recommandations aidera à affiner notre approche.

• Construction d'Ensembles de Données : Créer un ensemble de données sans biais avec des vidéos exposées aléatoirement pourrait fournir des insights plus profonds sur le comportement des utilisateurs.

Dans l'ensemble, notre travail pose les bases de recommandations de micro-vidéos plus efficaces, garantissant une approche plus équitable qui privilégie la satisfaction des utilisateurs plutôt que des métriques arbitraires liées à la longueur des vidéos. En se concentrant sur ce que les utilisateurs veulent vraiment regarder, on peut créer une meilleure expérience de visionnage pour tout le monde.