Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting
تقدم هذه الورقة نظام ترتيب متعدد الأهداف وقابل للتوسع لتوصيات البث المباشر، يوازن بفعالية بين إشارات المستخدم الحديثة والمتأخرة من خلال وحدة استهداف مدركة للشرائح وبنية "خليط الخبراء متعدد البوابات" (MMoE) كفؤة المعلمات، مما يؤدي إلى تحسينات كبيرة في عدد المشاهدين النشطين يومياً، والتفاعل، والإيرادات عبر مختلف شرائح المستخدمين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تسير في ساحة بلدة رقمية ضخمة وصاخبة حيث يقوم آلاف الأشخاص بالعروض والدردشة ومشاركة القصص باستمرار. هذا هو عالم البث المباشر، حيث يحدث السحر في الوقت الفعلي. ولكن بالنسبة للأشخاص الذين يديرون ساحة البلدة، هناك لغز محير: كيف تقرر أي مؤدٍ تظهره لأي زائر؟ هذه هي مهمة "نظام التوصية"، وهو وسيط رقمي يحاول تخمين ما ستحبه لاحقًا.
في الماضي، كان هؤلاء الوسطاء مثل أمناء مكتبة متحمسين لا يهتمون إلا بالكتاب الذي التقطته الآن. ولكن في البث المباشعي، القصة أكثر تعقيدًا. أحيانًا، قد يشاهد المشاهد بثًا لمؤدٍ ما لبضع دقائق، يدردش قليلًا، ثم يغادر. قد لا يعود لعدة أيام، أو قد يقرر فجأة الاشتراك أو إرسال أموال بعد أسابيع. هذه الأفعال تشبه البذور التي تُزرع في الأرض؛ فهي لا تنبت فورًا. إذا نظر الوسيط فقط إلى ما يحدث في الدقائق الخمس التالية، فإنه سيغفل عن البذور التي ستنمو لاحقًا. علاوة على ذلك، فإن ساحة البلدة مليئة بأنواع مختلفة من الناس: بعضهم سياح جدد يريدون فقط رؤية عرض سريع، بينما البعض الآخر من المنتظمين الذين يريدون بناء صداقات عميقة مع المؤدين. معاملة الجميع بنفس الطريقة تمامًا غالبًا ما تؤدي إلى توصيات سيئة. يستكشف هذا البحث كيفية بناء وسيط أكثر ذكاءً يفهم كلاً من الإثارة الفورية والنمو طويل الأمد لهذه العلاقات.
التحدي: مشكلة "الانتظار والترقب"
واجه مؤلفو هذا البحث، الذين يعملون في Twitch، صداعًا فريدًا من نوعه. في التسوق عبر الإنترنت، إذا نقرت على منتج ولم تشتره، فمن المحتمل ألا تشتريه لاحقًا. ولكن في البث المباشعي، قد ينقر المشاهد على قناة، ويشاهد لفترة، ثم يعود بعد ثلاثة أيام لمتابعة المؤدي أو حتى دفع اشتراك.
المشكلة هي أن هذه الأفعال "الكبيرة" (مثل المتابعة أو إنفاق المال) نادرة وتحدث ببطء. إذا حاول الكمبيوتر التعلم منها فورًا، فإنه يرى معظم الإجابات بـ "لا"، مما يربك النظام. الأمر يشبه محاولة تعلم كيفية خبز كعكة من خلال النظر فقط في الدقائق الخمس الأولى من العملية؛ لن تعرف أبدًا ما إذا كانت الكعكة قد نجحت بالفعل أم لا. بالإضافة إلى ذلك، كان النظام يعاني من الانحياز. نظرًا لأن "المعجبين المخلصين" (الذين يدردشون وينفقون الكثير) يولدون الكثير من البيانات، فقد تعلم الكمبيوتر إرضاءهم بشكل جيد للغاية لدرجة أنه نسي المشاهدين الجدد العابرين الذين أرادوا فقط تجربة الأمر.
الحل: استراتيجية مكونة من ثلاثة أجزاء
لحل هذه المشكلة، بنى الفريق نظام ترتيب جديدًا باستخدام ثلاث حيل ذكية، تعمل كفريق من المحققين المتخصصين.
1. نافذة السفر عبر الزمن (الإشارات المتأخرة)
أولاً، أدركوا أنهم بحاجة إلى التوقف عن الحكم على اهتمام المشاهد بسرعة كبيرة. بدلًا من السؤال، "هل أعجب بهذا الآن؟"، سألوا، "هل أعجب به خلال الأسبوعين القادمين؟". لقد أنشأوا "نافذة متأخرة" مدتها 14 يومًا. إذا نقر مشاهد على قناة ثم قرر في غضون أسبوعين الدردشة أو المتابعة أو إنفاق المال، فإن النظام يحتسب ذلك كإجابة "نعم". حول هذا الإشارات المشتتة والنادرة إلى صورة أوضح، مما ساعد الكمبيوتر على فهم أن رد الفعل البطيء يمكن أن يكون إيجابيًا أيضًا.
2. نهج الفريقين (الجديد مقابل المتأخر)
بعد ذلك، أدركوا أن ليس كل الأفعال متساوية. بعض الأشياء، مثل النقر أو المشاهدة لبضع دقائق، تحدث فورًا. وأشياء أخرى، مثل المتابعة أو الإنفاق، تستغرق وقتًا. لذا، قاموا بتقسيم العمل.
- فريق "الجديد" (FSM): يركز هذا الفريق على ردود الفعل الفورية. إنهم ينظرون إلى ما يفعله المشاهد الآن للتنبؤ بما إذا كان سيبقى لبضع دقائق.
- فريق "المتأخر" (DSM): ينظر هذا الفريق إلى المدى البعيد. يستخدمون تلك النافذة الممتدة لـ 14 يومًا للتنبؤ بما إذا كان المشاهد سيتابع أو ينفق المال في النهاية.
من خلال وجود فريقين منفصلين، لا يرتبك النظام. فهو لا يخلط بين "نقرة" سريعة وبين "اشتراك" عميق.
3. المدرب الشخصي (الاستهداف الواعي للشرائح)
أخيرًا، لاحظوا أن المشاهدين الجدد والمعجبين المخلصين يحتاجون إلى أشياء مختلفة. المشاهد الجديد يحتاج إلى جذب انتباهه بمحتوى مثير وقصير لإبقائه عائدًا. أما المعجب المخلص فهو مستعد لاتصالات أعمق وقد يرغب في دعم المؤدي ماديًا.
يعمل النظام الآن كمدرب يعرف مستوى اللاعب. بالنسبة للمشاهدين الجدد، فإنه يعطي الأولوية لجعلهم يشاهدون ويدردشون. أما بالنسبة للمعجبين المخلصين، فإنه يعطي الأولوية لمساعدتهم في العثور على قنوات يرغبون في دعمها. يفعل ذلك من خلال تعديل "درجة" التوصيات بناءً على من يشاهد، دون الحاجة إلى بناء نظام جديد تمامًا لكل مجموعة.
السر الخفي: الـ MMoE
لجعل كل هذا يعمل دون إبطاء الكمبيوتر، استخدموا بنية ذكية تسمى خليط الخبراء متعدد البوابات (MMoE). تخيل مطعمًا به رئيس طهاة وعدة طهاة مساعدين متخصصين.
- أحد الطهاة المساعدين خبير في "المقبلات السريعة" (النقرات الفورية).
- الطهاة المساعدون الآخرون خبراء في "الأطباق الرئيسية المعقدة" (التفاعل العميق والإنفاق).
"البوابة" هي النادل الذي يقرر أي نصيحة من الطهاة يجب الاستماع إليها لزبون معين. سمح هذا للنظام بالتعلم من كل هذه الأهداف المختلفة في نفس الوقت مع الحفاظ على كفاءة العمليات الحسابية. في الواقع، باستخدام هذه الطريقة، قللوا عدد معاملات الكمبيوتر (الخلايا العصبية للنموذج) بنسبة 41.9% مقارنة بتشغيل نماذج منفصلة لكل شيء، مع الحصول على نتائج أفضل.
النتائج: فوز للجميع
اختبر الفريق هذا النظام الجديد مع ملايين المستخدمين الحقيقيين. كانت النتائج واعدة:
- مزيد من المشاهدين: ارتفع عدد المشاهدين النشطين يوميًا (DAV) بنسبة 0.09%. ورغم أن هذا يبدو صغيرًا، إلا أنه في عالم يضم ملايين المستخدمين، يترجم ذلك إلى ملايين "أيام المشاهدة" الإضافية كل عام.
- معجبون سعداء: بالنسبة للمعجبين المخلصين، زاد "متوسط الإيرادات لكل مستخدم المحدود" (ARPU) بنسبة 0.56%، مما يعني أن المستخدمين الأكثر تفاعلًا أنفقوا أكثر قليلاً لدعم مؤديهم المفضلين.
- أصدقاء جدد: ساعد النظام المشاهدين الجدد على البقاء، مما عزز تفاعلهم بنسبة 0.15%.
- متابعات أكثر: زاد عدد متابعات القنوات الجديدة بنسبة 0.27%.
والأفضل من ذلك، كان النظام سريعًا. يمكنه اتخاذ هذه القرارات المعقدة في أقل من 110 مللي ثانية (وهذا أسرع من رمشة العين)، مما يثبت أنه يمكنك أن تكون ذكيًا وسريعًا في آن واحد. حتى أنهم اختبروه على تطبيق الهاتف المحمول وشهدوا زيادة بنسبة 1.12% في التفاعلات الإيجابية مثل النقرات والإعجابات.
ما لم يفعلوه
كان المؤلفون حذرين في ملاحظة ما لم ينجح. لقد حاولوا معالجة الانحياز ضد المشاهدين الجدد من خلال إعطاء بياناتهم وزنًا أكبر أثناء عملية التدريب (أي الصراخ بصوت أعلى في وجه الكمبيوتر بشأن المستخدمين الجدد)، لكن ذلك لم يساعد وجعل الأمور معقدة. بدلاً من ذلك، وجدوا أن تعديل الأوزان بعد تدريب النموذج (في لحظة التوصية) كان هو المفتاح. كما وجدوا أن محاولة وضع جميع الأهداف في نموذج واحد ضخم جعل النظام أسوأ في التنبؤ بالتفاعل الفوري، مما أثبت أن فصل الإشارات "الجديدة" و"المتأخرة" كان أمرًا بالغ الأهمية.
باختصار، يظهر هذا البحث أنه لبناء نظام توصية رائع للبث المباشعي، يجب أن تكون صبورًا بما يكفي لانتظار نمو البذور، وذكيًا بما يكفي لمعاملة المعجبين الجدد والقدامى بشكل مختلف، وفعالًا بما يكفي للقيام بكل ذلك في طرفة عين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.