Stellen Sie sich vor, Sie spazieren durch einen riesigen, belebten digitalen Marktplatz, auf dem tausende Menschen ständig auftreten, chatten und Geschichten teilen. Dies ist die Welt des Live-Streamings, ein Ort, an dem die Magie in Echtzeit geschieht. Doch für die Menschen, die den Marktplatz verwalten, gibt es ein kniffliges Rätsel: Wie entscheidet man, welchen Darsteller man welchem Besucher zeigt? Das ist die Aufgabe eines „Empfehlungssystems“, eines digitalen Partnermachers, der zu erraten versucht, was Ihnen als Nächstes gefallen wird.

In der Vergangenheit waren diese Partnermacher wie eifrige Bibliothekare, denen es nur um das Buch ging, das Sie gerade jetzt in die Hand nahmen. Aber im Live-Streaming ist die Geschichte komplexer. Manchmal schaut ein Zuschauer einen Streamer für ein paar Minuten, chattet ein wenig und geht dann. Er kommt vielleicht erst nach Tagen wieder oder entscheidet sich plötzlich Wochen später dazu, zu abonnieren oder Geld zu senden. Diese Handlungen sind wie Samen, die in den Boden gepflanzt werden; sie sprießen nicht sofort. Wenn der Partnermacher nur darauf achtet, was in den nächsten fünf Minuten passiert, übersieht er die Samen, die später wachsen werden. Zudem ist der Marktplatz voll von verschiedenen Arten von Menschen: Einige sind neue Touristen, die nur eine kurze Show sehen wollen, während andere Stammgäste sind, die tiefe Freundschaften mit den Darstellern aufbauen möchten. Alle exakt gleich zu behandeln, führt oft zu schlechten Empfehlungen. Dieses Paper untersucht, wie man einen klügeren Partnermacher baut, der sowohl die unmittelbare Begeisterung als auch das langfristige Wachstum dieser Beziehungen versteht.

Die Herausforderung: Das „Abwarten-und-Sehen“-Problem

Die Autoren dieses Papers, die bei Twitch arbeiten, standen vor einem einzigartigen Kopfzerbrechen. Beim Online-Shopping gilt: Wenn man auf ein Produkt klickt und es nicht kauft, wird man es wahrscheinlich später auch nicht kaufen. Aber beim Live-Streaming kann es sein, dass ein Zuschauer einen Kanal anklickt, eine Weile zuschaut und dann drei Tage später zurückkommt, um dem Streamer zu folgen oder sogar ein Abonnement abzuschließen.

Das Problem ist, dass diese „großen“ Handlungen (wie Folgen oder Geld ausgeben) selten sind und langsam ablaufen. Wenn der Computer versucht, sofort daraus zu lernen, sieht er hauptsächlich „Nein“-Antworten, was das System verwirrt. Es ist, als würde man versuchen zu lernen, wie man einen Kuchen backt, indem man nur die ersten fünf Minuten des Prozesses betrachtet; man würde nie erfahren, ob der Kuchen am Ende tatsächlich gut geworden ist. Zusätzlich wurde das System voreingenommen. Da die „Super-Fans“ (die viel chatten und Geld ausgeben) so viele Daten generieren, lernte der Computer, sie so sehr zu gefallen, dass er die neuen, Gelegenheitszuschauer, die nur mal kurz reinschnuppern wollten, vergaß.

Die Lösung: Eine Drei-Teile-Strategie

Um dies zu beheben, baute das Team ein neues Ranking-System mit drei klugen Tricks, das wie ein Team spezialisierter Detektive agiert.

1. Das zeitreisende Fenster (Verzögerte Signale)
Zuerst erkannten sie, dass sie aufhören mussten, das Interesse eines Zuschauers zu schnell zu bewerten. Statt zu fragen: „Hat er das jetzt gerade geliebt?“, fragten sie: „Hat er das über die nächsten zwei Wochen geliebt?“ Sie schufen ein „verzögertes Fenster“ von 14 Tagen. Wenn ein Zuschauer einen Kanal anklickte und innerhalb von zwei Wochen beschloss zu chatten, zu folgen oder Geld auszugeben, zählte das System dies als ein „Ja“. Dies verwandelte seltene, verstreute Ereignisse in ein klareres Bild und half dem Computer zu verstehen, dass eine langsame Reaktion dennoch positiv sein kann.

2. Der Zwei-Teams-Ansatz (Frisch vs. Verzögert)
Als Nächstes erkannten sie, dass nicht alle Handlungen gleich sind. Dinge wie Klicken oder das Zuschauen für ein paar Minuten passieren sofort. Andere Dinge, wie Folgen oder Geld ausgeben, brauchen Zeit. Also teilten sie die Arbeit auf.

• Team Frisch (FSM): Dieses Team konzentriert sich auf unmittelbare Reaktionen. Es schaut darauf, was der Zuschauer gerade jetzt tut, um vorherzusagen, ob er ein paar Minuten bleiben wird.
• Team Verzögert (DSM): Dieses Team blickt auf das langfristige Spiel. Es nutzt das 14-Tage-Fenster, um vorherzusagen, ob ein Zuschauer irgendwann folgen oder Geld ausgeben wird.
  Durch die Arbeit von zwei separaten Teams wird das System nicht verwirrt. Es verwechselt einen schnellen „Klick“ nicht mit einem tiefen „Abonnement“.

3. Der personalisierte Coach (Segment-bewusste Zielsteuerung)
Schließlich bemerkten sie, dass neue Zuschauer und Super-Fans unterschiedliche Dinge brauchen. Ein neuer Zuschauer muss durch aufregende, kurze Inhalte gefesselt werden, um wiederzukommen. Ein Super-Fan ist bereit für tiefere Verbindungen und möchte den Streamer vielleicht finanziell unterstützen.
Das System agiert nun wie ein Coach, der das Niveau des Spielers kennt. Für neue Zuschauer priorisiert es, sie zum Zuschauen und Chatten zu bringen. Für engagierte Fans priorisiert es, ihnen zu helfen, Kanäle zu finden, die sie unterstützen möchten. Dies geschieht durch die Anpassung des „Scores“ der Empfehlungen basierend darauf, wer zuschaut, ohne dass ein völlig neues System für jede Gruppe gebaut werden muss.

Das Geheimrezept: Das MMoE

Um all dies zu ermöglichen, ohne den Computer zu verlangsamen, verwendeten sie eine intelligente Architektur namens Multi-gate Mixture-of-Experts (MMoE). Stellen Sie sich ein Restaurant mit einem Chefkoch und mehreren spezialisierten Sous-Chefs vor.

• Ein Sous-Chef ist Experte für „schnelle Vorspeisen“ (unmittelbare Klicks).
• Die anderen Sous-Chefs sind Experten für „komplexe Hauptgerichte“ (tiefes Engagement und Ausgaben).
  Das „Gate“ (das Tor) ist der Kellner, der entscheidet, auf den Rat welches Chefs für einen bestimmten Kunden gehört werden soll. Dies ermöglichte es dem System, all diese verschiedenen Ziele gleichzeitig zu lernen, während die Mathematik effizient blieb. Tatsächlich reduzierten sie durch diese Methode die Anzahl der Computerparameter (die „Gehirnzellen“ des Modells) um 41,9 % im Vergleich zum Betrieb separater Modelle für alles, während sie gleichzeitig bessere Ergebnisse erzielten.

Die Ergebnisse: Ein Gewinn für alle

Das Team testete dieses neue System mit Millionen echter Nutzer. Die Ergebnisse waren vielversprechend:

• Mehr Zuschauer: Die Anzahl der täglichen aktiven Zuschauer (Daily Active Viewers, DAV) stieg um 0,09 %. Das klingt klein, bedeutet aber in einer Welt mit Millionen von Nutzern, dass dies jedes Jahr Millionen von zusätzlichen „Zuschauertagen“ bedeutet.
• Glückliche Fans: Für die engagierten Fans stieg der „gedeckelte durchschnittliche Umsatz pro Nutzer“ (Average Revenue Per User, ARPU) um 0,56 %, was bedeutet, dass die engagiertesten Nutzer etwas mehr ausgaben, um ihre Lieblingsstreamer zu unterstützen.
• Neue Freunde: Das System half neuen Zuschauern, dranzubleiben, was ihr Engagement um 0,15 % steigerte.
• Mehr Follows: Die Anzahl der neuen Kanal-Follows stieg um 0,27 %.

Noch besser: Das System war schnell. Es konnte diese komplexen Entscheidungen in weniger als 110 Millisekunden treffen (das ist schneller als ein Augenzwinkern), was beweist, dass man gleichzeitig klug und schnell sein kann. Sie testeten es sogar auf der mobilen App und sahen einen Anstieg der positiven Interaktionen wie Klicks und Likes um 1,12 %.

Was sie nicht getan haben

Die Autoren waren sorgfältig darauf bedacht, festzuhalten, was nicht funktionierte. Sie versuchten, die Voreingenommenheit gegenüber neuen Zuschauern zu beheben, indem sie deren Daten mehr Gewicht gaben (im Gruい die Computer quasi lautstark über neue Nutzer zu informieren), aber das half nicht und machte die Sache kompliziert. Stattdessen fanden sie heraus, dass es der Schlüssel war, die Gewichte nach dem Training des Modells anzupassen (im Moment der Empfehlung). Sie fanden auch heraus, dass der Versuch, alle Ziele in ein einziges, riesiges Modell zu packen, das System bei der Vorhersage des unmittelbaren Engagements verschlechterte, was bewies, dass es entscheidend war, die „frischen“ und „verzögerten“ Signale getrennt zu halten.

Kurz gesagt: Dieses Paper zeigt, dass man, um ein großartiges Live-Streaming-Empfehlungssystem zu bauen, geduldig genug sein muss, um auf das Wachstum der Samen zu warten, klug genug, um neue und alte Fans unterschiedlich zu behandeln, und effizient genug, um all dies im Bruchteil einer Sekunde zu erledigen.