Action-Aware Generative Sequence Modeling for Short Video Recommendation
本文提出了一种名为动作感知生成序列网络（A2Gen）的新模型，该模型利用用户行为的时间模式来克服短视频推荐中传统二元分类的局限性，并通过在快手平台进行的广泛离线实验和大规模在线 A/B 测试，在观看时长、互动率和用户留存率方面取得了显著提升。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在手机上观看一段短视频。它混合了各种内容：也许是一个搞笑段子、一段严肃的新闻片段、一首抓耳的歌曲，然后突然插播一则广告。
旧方法（“一刀切”模式）
传统的推荐系统将整个视频视为一块完整的奶酪。如果你“点赞”了该视频，系统便假设你喜欢其中的所有内容。
- 问题所在：假设视频是一场采访，嘉宾选择了“梅西”而非“罗纳尔多”。你在那一刻立刻点了“赞”，因为你热爱梅西。但视频其余部分全是罗纳尔多的精彩集锦。旧系统会想：“哦，他们喜欢这个视频，那肯定也爱罗纳尔多！”于是开始向你推送罗纳尔多的视频。你感到恼火，因为你只是喜欢梅西的部分。
新洞察（时机至关重要）
这篇论文的作者意识到，你点击按钮的“时机”与“点击”这一行为本身同样重要。
- 类比：将视频想象成电影预告片。如果英雄拯救世界的那一刻你鼓掌（即“点赞”），你是在对那个特定瞬间做出反应。如果你在结尾鼓掌，可能只是出于礼貌。这种时机能让系统精准判断视频的哪一部分让你感到愉悦。
- 发现：通过观察数百万个视频，他们发现“点赞”和“关注”往往发生在特定的“峰值”（高光时刻）。如果你在视频尚未看完时就“关注”了创作者，这意味着你喜爱的是这位“人”，而不一定是你刚刚看到的具体内容。
解决方案：A2Gen（“讲故事者”模型）
论文介绍了一种名为 A2Gen（动作感知生成序列网络）的新模型。它不再猜测你是否会喜欢某个视频，而是试图预测你观看该视频的完整故事。
以下是其工作原理的简化分解：
上下文感知注意力模块（CAM）——“聪明的读者”
想象一位不仅阅读文字，还能理解房间氛围的读者。CAM 将你的过往行为与特定视频内容结合起来观察。它知道，在喜剧视频上的“点赞”与在新闻视频上的“点赞”含义不同。它关注的是当下的“上下文”。分层序列编码器（HSE）——“记忆库”
这部分负责记住你的长期习惯。它像图书管理员整理书籍一样审视你的历史。它看到的不仅仅是“用户 X 观看了 100 个视频”，而是模式：“用户 X 通常跳过广告但喜爱音乐视频，并且倾向于在 15 秒后‘关注’创作者。”它构建了你独特风格的深度画像。动作序列自回归生成器（AAG）——“水晶球”
这是神奇的部分。AAG 不再仅仅回答“是/否”，而是像水晶球一样预测你未来行动的完整序列。- 它会问：“如果我们展示这个视频，用户会开始观看吗？他们会在第 5 秒‘点赞’吗？会在第 10 秒‘关注’创作者吗？他们何时会停止？”
- 它预测每一次点击的顺序和确切时间，就像在电影发生之前预测其情节一样。
为何这很重要（结果）
该团队在拥有数亿用户的短视频平台快手上测试了此模型。他们用 A2Gen 替换了旧系统，并开展了一项大规模实验（A/B 测试）。
- 结果：由于系统现在能理解你实际上喜欢视频的哪些部分，它推荐的内容更加精准。
- 数据：
- 用户观看视频的时长增加了 0.34%（听起来很少，但面对数亿用户，这意味着大量的时间）。
- 用户的互动（点赞、关注、评论）增加了 8.1%。
- 更重要的是，次日回访用户更多（留存率提升了 0.162%），这相当于每天约有 一百万 额外用户留在平台上。
总结
该论文认为，我们不应将视频视为单一的“是/否”项目。相反，我们应该将其视为一系列时刻的时间轴。通过使用能够预测你将在“何时”以及“以何种顺序”做出反应的模型，应用程序最终能够理解你的真实品味，向你展示你真正想看的视频，而不是仅仅基于单次点击进行猜测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。