Resumo Técnico: FlowTime

Definição do Problema e Motivação

A previsão de tempo de visualização (WTP - Watch Time Prediction) é uma métrica crítica para otimizar o engajamento do usuário em sistemas de recomendação de vídeos curtos, servindo como um indicador de satisfação e retenção. No entanto, os métodos existentes de WTP sofrem de limitações inerentes a paradigmas específicos que os impedem de capturar a multimodalidade e a heterogeneidade intrínsecas dos padrões de interação usuário-item.

O artigo identifica três paradigmas dominantes com falhas específicas:

1. Regressão Direta: Otimizada via Erro Quadrático Médio (MSE), esta abordagem assume implicitamente uma priori Gaussiana unimodal. Isso leva ao "colapso da média" (mean-collapse), onde o modelo prevê um valor médio que cai em uma região de baixa densidade de distribuições multimodais complexas, falhando em refletir a verdadeira estrutura ordinal.
2. Regressão Ordinal: Este método discretiza o tempo contínuo em intervalos para classificação. Sofre de erros de quantização rígidos e assume erroneamente a independência condicional entre os intervalos, ignorando as dependências sequenciais do tempo de visualização.
3. Regressão Generativa Discreta: Adaptando a modelagem de linguagem para gerar tokens de tempo quantizados, esta abordagem é prejudicada pelo design heurístico de vocabulário e pela alta latência de inferência devido à decodificação autorregressiva.

Além dessas falhas específicas, uma deficiência compartilhada é a incapacidade de modelar os Padrões de Interação Usuário-Item como confundidores estruturais. O artigo argumenta, via análise causal, que interesses idênticos de usuários podem se manifestar como distribuições de tempo de visualização distintas (ex: bimodal vs. unimodal) dependendo de hábitos específicos do usuário e características do item. Os métodos tradicionais negligenciam amplamente essas mudanças de distribuição impulsionadas por padrões.

Metodologia: FlowTime

Para enfrentar esses desafios, os autores propõem o FlowTime, um novo framework que opera sob um novo paradigma: Regressão Generativa Contínua. Esta abordagem visa ajustar diretamente distribuições de tempo de visualização multimodais e complexas em um espaço contínuo.

Arquitetura Central

O FlowTime é construído sobre uma arquitetura de Autoencoder Variacional (VAE) Generativo de Passo Único, projetada para equilibrar expressividade com os requisitos de baixa latência de sistemas online.

• Codificador Probabilístico: Aproxima a distribuição posterior das variáveis latentes dados os recursos de usuário/vídeo e o tempo de visualização alvo, utilizando o truque de reparametrização para otimização de ponta a ponta.
• Decodificador Generativo: Reconstrói a distribuição do tempo de visualização a partir do espaço latente. Diferente dos modelos de difusão iterativos, o FlowTime emprega um processo de geração de passo único para garantir a eficiência da inferência em tempo real.

Prior Personalizado Baseado em Fluxo (Flow-based Personalized Prior)

Uma inovação fundamental é a substituição da priori Gaussiana isotrópica padrão por uma Priori Personalizada Baseada em Fluxo.

• Codificação de Padrões: O modelo codifica sequências históricas de tempo de visualização tanto para usuários quanto para itens usando estatísticas de quantis. Essas sequências são processadas via uma arquitetura baseada em Transformer para capturar formas distributivas globais e gerar embeddings contextuais.
• Deformação de Variedade (Manifold Warping): Aproveitando os Fluxos de Normalização (NFs), o modelo aprende uma sequência de transformações invertíveis e bi-jetivas condicionadas a esses padrões históricos. Isso deforma uma simples distribuição Gaussiana base em uma variedade latente complexa e específica de cada padrão.
• Modelagem Adaptativa: Esta priori personalizada permite que o modelo capture adaptativamente distribuições de preferência diversas e complexas, permitindo que o decodificador produza previsões precisas que respeitam os padrões de interação específicos do par usuário-item.

Objetivos de Otimização

O framework utiliza uma função de perda multi-objetivo conjunta:

1. Ancoragem de Precisão: Utiliza a perda Huber no espaço de observação para restringir estimativas pontuais e melhorar a fidelidade da regressão.
2. Regularização do Espaço Latente: Utiliza a divergência KL para alinhar a posterior aproximada com uma Gaussiana padrão, preservando a continuidade e a identificabilidade no espaço latente.
3. Alinhamento de Distribuição: Introduz uma perda baseada na distância de Wasserstein sobre representações de quantis para alinhar a distribuição de tempo de visualização gerada com os padrões de interação históricos de usuários e itens.

Principais Contribuições

1. Novo Paradigma: O artigo propõe formalmente a Regressão Generativa Contínua como um quarto paradigma para WTP. Fornece uma análise teórica demonstrando como este paradigma supera o colapso da média da regressão direta e os erros de quantização dos métodos generativos ordinais/discretos.
2. Framework FlowTime: Os autores introduzem o FlowTime, o primeiro framework para este novo paradigma. Ele integra geração de passo único com uma Priori Personalizada Baseada em Fluxo para remodelar o espaço da priori em variedades impulsionadas por padrões, alcançando modelagem adaptativa sem sacrificar a eficiência de inferência.
3. Biblioteca TimeRec: Para resolver inconsistências no pré-processamento de dados e avaliação, os autores construíram a TimeRec, a primeira biblioteca de código aberto para Predição de Tempo de Visualização. Ela padroniza protocolos de avaliação e integra métodos de Estado da Arte (SOTA) reproduzidos para estabelecer um padrão de benchmarking rigoroso.
4. Métrica Inovadora: O artigo introduz a Fidelidade Distributiva Personalizada (PDF), uma métrica baseada na Divergência de Jensen-Shannon para quantificar quão bem um modelo captura distribuições multimodais personalizadas.

Resultados Experimentais

Os autores realizaram extensos experimentos offline em três conjuntos de dados (KuaiRand-Pure, KuaiRec e um conjunto de dados industrial de larga escala) e testes A/B online.

• Desempenho Offline: O FlowTime superou consistentemente os baselines SOTA em todas as métricas.
  • Comparado à Regressão Direta, reduziu significativamente o Erro Absol Outro Médio (MAE) e melhorou a capacidade de ranking (XAUC), mitigando efetivamente o colapso da média.
  • Comparado aos métodos Generativos Ordinais e Discretos, evitou erros de quantização e limitações de vocabulário heurístico.
  • Demonstrou flexibilidade superior sobre modelos baseados em mistura de densidades (ex: EGMN) ao modelar padrões de interação complexos, evidenciado por melhorias significativas na métrica PDF.
• Eficiência: O FlowTime alcançou um trade-off superior entre eficiência e desempenho. Embora ligeiramente mais lento que a regressão direta, foi significativamente mais rápido (redução de quase 30% na latência) e mais preciso que os baselines generativos iterativos como o GR.
• Testes A/B Online: Implantado em uma plataforma com mais de 400 milhões de Usuários Ativos Diários (DAUs), o FlowTime gerou ganhos estatisticamente significativos:
  • +1,044% no Tempo de Reprodução de Vídeo.
  • +1,027% no Tempo de Uso do Aplicativo.
  • +1,236% na Taxa de Compartilhamento.
• Estudos de Ablação: Experimentos confirmaram a necessidade de Fluxos de Normalização (removê-los degradou o desempenho significativamente) e o papel crítico do histórico do usuário para a personalização. O estudo também validou que a arquitetura de passo único oferece um viés indutivo robusto para cenários de alta esparsidade em comparação com a denoising iterativa.

Significância

O artigo afirma que o FlowTime representa um avanço significativo ao mudar o problema de WTP da estimativa de ponto para a modelagem generativa contínua. Ao identificar causalmente os padrões de interação como confundidores estruturais e utilizar Fluxos de Normalização para deformar o espaço da priori, o FlowTime captura com sucesso a heterogeneidade intrínseca do comportamento do usuário que métodos anteriores perderam. Além disso, o lançamento da biblioteca TimeRec é apresentado como um passo crucial para estabelecer padrões de benchmarking justos, consistentes e reproduzíveis para a área de predição de tempo de visualização.