Migliorare le raccomandazioni video con il framework CQE

La crescita delle piattaforme di video online ha cambiato il modo in cui consumiamo contenuti digitali, con i video brevi che sono diventati particolarmente popolari. I sistemi di raccomandazione sono fondamentali su queste piattaforme poiché offrono suggerimenti personalizzati per i video, migliorando il coinvolgimento e la soddisfazione degli utenti. Una misura critica dell'interesse degli utenti in questo contesto è il tempo di visione, che riflette quanto gli utenti si divertono e sono coinvolti con i video. Quindi, prevedere accuratamente il tempo di visione è importante per massimizzare le strategie di raccomandazione.

Tuttavia, prevedere il tempo di visione può essere difficile a causa dell'incertezza nel comportamento degli utenti. Normalmente, non è possibile raccogliere gli stessi dati per un utente che guarda lo stesso video in condizioni identiche, poiché gli utenti di solito non riguardano i video nello stesso modo. Questo crea una sfida per stimare il tempo di visione.

Molti metodi esistenti si concentrano sulla previsione di un singolo tempo di visione medio, che spesso non cattura appieno la varietà di come gli utenti interagiscono con i diversi video. Questi metodi non colgono i complessi schemi del comportamento degli utenti, indicando la necessità di un approccio più approfondito per prevedere il tempo di visione.

#La necessità di un approccio migliore

Per affrontare questo problema, presentiamo il framework di Stima dei Quantili Condizionali (CQE). Questo metodo stima l'intera distribuzione condizionale del tempo di visione per ogni coppia utente-video, piuttosto che solo un singolo punto di stima. Utilizzando la regressione quantile, CQE fornisce un quadro più completo di quanto a lungo gli utenti potrebbero guardare i video in base alle loro preferenze individuali e alla storia.

Questo modello dettagliato aiuta a comprendere i diversi modi in cui gli utenti interagiscono con i video. Permette raccomandazioni personalizzate basate su vari bisogni e abitudini di visione degli utenti. La nostra ricerca propone diversi metodi per combinare le stime dei quantili in modi che soddisfino diversi scenari e preferenze degli utenti.

#I benefici di CQE

Il nostro approccio CQE è stato testato tramite esperimenti offline e test dal vivo su una popolare piattaforma di video brevi, che serve milioni di utenti attivi quotidianamente. I risultati hanno mostrato che CQE migliora significativamente la previsione del tempo di visione e aumenta l'interazione degli utenti rispetto ai metodi tradizionali.

#Contributi chiave

1. Modellazione della distribuzione condizionale: CQE cattura l'intera distribuzione condizionale del tempo di visione, consentendo una migliore comprensione del comportamento e delle preferenze degli utenti.

2. Strategie di raccomandazione diversificate: Vengono introdotte varie strategie per mescolare le stime dei quantili di CQE, rendendo le raccomandazioni più personalizzate e adattabili per gli utenti.

3. Efficacia comprovata: Attraverso test approfonditi, CQE ha dimostrato prestazioni superiori nella previsione del tempo di visione e nella modellazione del Coinvolgimento degli utenti, portando a miglioramenti significativi in indicatori chiave di prestazione come utenti attivi e durata di visualizzazione.

#Come funziona CQE

CQE si concentra sulla stima del tempo di visione per coppie specifiche utente-video all'interno di un determinato contesto. Invece di fornire solo una stima di quanto tempo un utente guarderà un video, CQE genera più stime (quantili) che riflettono diversi possibili risultati basati sul comportamento degli utenti.

#Assunzioni in CQE

Per garantire che le stime rimangano affidabili e utili:

• CQE utilizza una rete neurale per elaborare le caratteristiche relative a utenti, video e contesto.
• Il metodo è progettato per mantenere un ordine chiaro nelle stime, assicurandosi che i quantili più bassi riflettano accuratamente i tempi di visione attesi più brevi, mentre i quantili più alti si riferiscano a tempi di visione attesi più lunghi.

#Strategie per migliorare le raccomandazioni

CQE consente tre strategie principali per fare raccomandazioni basate sui tempi di visione previsti:

#Stima Conservativa

Questa strategia dà priorità alla soddisfazione dell'utente, specialmente nei casi in cui il costo di sovrastimare il tempo di visione potrebbe portare a delusioni per gli utenti. Concentrandosi sulle stime dei quantili più bassi, garantisce che gli utenti ricevano raccomandazioni realistiche, minimizzando così il disimpegno.

#Combinazione Dinamica dei Quantili

Questa strategia è più adattativa, regolando le raccomandazioni in base agli stati attuali degli utenti, come la loro probabilità di smettere di usare il servizio o la loro familiarità con il contenuto video. Regola il peso assegnato a diversi quantili, consentendo un equilibrio tra raccomandazioni sicure e potenzialmente più coinvolgenti.

#Aspettativa Condizionale

La strategia di aspettativa condizionale mira a fornire una visione globale stimando il tempo medio di visione tramite interpolazione tra i livelli di quantili previsti. Questo approccio massimizza il coinvolgimento globale degli utenti considerando l'intera distribuzione del tempo di visione.

#Valutazione dell'efficacia di CQE

Abbiamo valutato CQE attraverso ampi test A/B online su una grande piattaforma di video brevi. Questi test hanno confrontato CQE con metodi esistenti misurando diversi metriche chiave:

1. Tempo medio di visione per utente: Questa metrica fornisce informazioni su quanto efficacemente gli utenti interagiscono con i video raccomandati.
2. Conteggio totale dei play: Questo riflette il numero totale di volte in cui i video vengono riprodotti, indicando i livelli di interazione degli utenti.
3. Giorni attivi per utente: Questa misura la retention degli utenti, mostrando con quale frequenza gli utenti tornano sulla piattaforma.
4. Utenti attivi al giorno: Questo mostra il numero di utenti unici che interagiscono quotidianamente con la piattaforma.

#Risultati degli esperimenti

I risultati dei nostri test A/B hanno confermato l'efficacia di CQE:

• La strategia di Stima Conservativa ha migliorato tutte le metriche misurate, indicando una maggiore soddisfazione e coinvolgimento degli utenti.
• La strategia di Combinazione Dinamica dei Quantili ha notevolmente migliorato le metriche di interazione e coinvolgimento, riflettendo la sua adattabilità alle esigenze degli utenti.
• La strategia di Aspettativa Condizionale ha aumentato il tempo medio di visione per utente, evidenziando il suo potenziale nel migliorare il coinvolgimento degli utenti con contenuti specifici.

#Esperimenti offline per ulteriori approfondimenti

Oltre ai test online, abbiamo condotto esperimenti offline per valutare più attentamente la previsione del tempo di visione e l'interesse degli utenti. Questi esperimenti hanno utilizzato vari dataset che simulano scenari del mondo reale per convalidare l'efficacia di CQE.

#Predizione del tempo di visione

In questo compito, l'obiettivo principale era prevedere accuratamente quanto a lungo gli utenti avrebbero guardato i video. I dataset utilizzati includevano sia dati specifici sui video che la storia di interazione degli utenti. Sono state utilizzate varie metriche come l'errore medio assoluto e le metriche di ranking per valutare le previsioni.

#Predizione dell'interesse degli utenti

Questo compito combinava il tempo di visione con la durata del video per misurare l'interesse degli utenti in modo più completo. Analizzando non solo quanto a lungo un utente ha guardato un video, ma anche come questo tempo si relazionava alla lunghezza del video, abbiamo ottenuto approfondimenti più approfonditi sulle preferenze degli utenti.

#Risultati chiave

• CQE ha costantemente superato i metodi esistenti sia nei compiti di previsione del tempo di visione che dell'interesse degli utenti.
• L'incorporazione dell'incertezza nelle previsioni ha permesso a CQE di catturare meglio i vari schemi di comportamento degli utenti, portando a previsioni più accurate.
• La flessibilità di CQE consente di adattarlo a diversi modelli e segmenti di utenti, rinforzando la sua utilità in vari contesti.

#Conclusione

Questo lavoro introduce il framework di Stima dei Quantili Condizionali, un metodo progettato per prevedere efficacemente il tempo di visione nelle raccomandazioni di video brevi. Stimando l'intera distribuzione condizionale del tempo di visione, CQE affronta meglio le complessità del coinvolgimento degli utenti. Test completi hanno dimostrato che CQE migliora le prestazioni su varie metriche chiave, indicando la sua applicabilità pratica per i sistemi di raccomandazione.

In sintesi, CQE combina i vantaggi di una modellazione dettagliata con strategie di raccomandazione efficaci, aprendo la strada a esperienze utente migliorate sulle piattaforme digitali. Il lavoro futuro potrebbe concentrarsi sul perfezionamento di CQE e sull'integrazione con altre tecniche avanzate di raccomandazione per potenziarne ulteriormente l'efficacia.