Playback Quality Anomalies Associated with Rapid Swiping in Short Videos: Model-Attributed Association Estimation and Risk Prediction
本研究利用大规模数据集和质量感知机器学习模型，能够准确地将快速视频切换中的播放质量问题与低用户兴趣区分开来，实现了高预测性能，并能实现对流媒体体验的有针对性的优化。
原始论文采用 CC BY 4.0 许可（https://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
当你用手机刷短视频时，应用程序一直在试图猜测你接下来想看什么。它高度依赖于你观看一段视频的时长以及你划走的速度。如果你观看时间很长，系统就会认为你喜欢它；如果你几乎立即划走，系统则认为你感到无聊。这种逻辑看似合理，却忽略了一个关键细节：有时人们之所以立即划走，并不是因为不喜欢内容，而是因为视频根本无法播放。启动缓慢、屏幕冻结或连接卡顿都会让观众放弃一段他们原本可能喜欢的视频。对于驱动这些应用的算法而言，区分一个用户是“不感兴趣”还是“因技术故障而感到挫败”是一个难题。如果系统无法辨别其中的差异，它可能会仅仅因为用户的网络连接在某天速度较慢，就停止向其推荐优秀的视频，或者无法修复那些导致用户流失的技术问题。
一组研究人员致力于通过观察用户划走之前的隐藏信号来解决这一特定问题。他们分析了来自二十一天短视频使用情况的海量数据，涵盖了数亿次观看会话。他们的目标是建立一个能够监测视频播放技术健康状况的系统——例如第一帧图像出现所需的时间、视频缓冲暂停的次数以及网络连接速度——并以此判断一次快速划走究竟是对质量的投诉，还是对内容的拒绝。他们发现，很大一部分快速退出确实是由技术故障引起的。通过教计算机模型识别这些模式，他们创造了一种方法，可以预测用户何时会因性能不佳而准备离开，从而将这些技术故障与真正的兴趣缺失区分开来。
研究人员首先收集了大量的记录，将用户的观看行为与其手机和网络的实时表现联系起来。他们观察了视频加载不畅的具体时刻，例如第一帧图像出现时间超过 1.2 秒，或者视频为了下载更多数据而被迫暂停多次的情况。他们还追踪了设备的内存使用情况和连接速度。利用这些信息，他们训练了一个模型，用以识别用户是单纯感到无聊，还是正在经历糟糕的播放体验。该模型学会了识别一组特定的条件：启动缓慢、重复缓冲、网络速度骤降或设备内存耗尽。当这些技术问题同时发生时，模型可以高精度地预测出，快速划走很可能是对质量问题的反应，而非对视频本身的反感。
其中最重要的发现之一是这些技术问题在多大程度上驱动了用户的流失。研究发现，在某些困难条件下（例如手机剩余内存极少且网络连接缓慢时），近 35% 的快速划走都与播放问题有关。这是一个相当大的比例，表明应用用于决定后续推送内容的很大一部分数据实际上是由技术故障产生的“噪声”。研究人员还发现，视频启动所需的时间是一个重要因素；如果第一帧图像在 1.2 秒后才出现，用户划走的风险就会显著增加。同样，如果视频连续缓冲两次或更多次，用户很可能会离开，而这种挫败感往往会延续到他们尝试观看的下一个视频中。
为了确保模型的可靠性，研究人员使用了一组经过人类专家仔细审核的数据对其进行了测试。该模型表现得非常准确，在大多数情况下都能正确识别划走的原因。它还能为其预测分配一个置信度分数，这意味着它可以告诉系统它对预测结果有多大的把握。这很重要，因为它允许系统仅在有把握时采取行动，而不是进行盲目猜测。模型显示，即使用户的过往行为表明他们喜欢类似内容，它也能区分出用户是真正不感兴趣，还是正因连接缓慢而感到沮些。这种区分“信号”与“噪声”的能力，有助于系统理解用户的真实偏好。
研究人员随后利用他们的发现进行了模拟，测试如果应用改变向处于潜在糟糕体验风险中的用户交付视频的方式会发生什么。在这次模拟中，当模型预测存在高质量划走的风险时，系统会尝试在问题发生前解决它。具体做法包括：预先加载更多视频片段、略微降低视频质量以确保播放流畅，或者切换到距离用户更近的服务器。模拟结果令人振奋。通过这些调整，第一帧图像出现的等待时间减少了近 22%，视频缓冲的等待时间下降了 30% 以上。此外，系统在预测用户是否会看完视频方面也变得更加精准，预测误差降低了 37%。
这项工作凸显了我们理解数字平台用户行为方式的一个根本性转变。它表明，并非每一次快速划走都是无聊的信号；许多划走仅仅是对糟糕体验的反应。通过识别这种差异，平台可以停止将技术故障误解为缺乏兴趣。这使得它们能够修复导致挫败感的底层问题，确保用户看到他们真正想看的内容。虽然这项研究是使用模拟和历史数据而非在真实的应用程序中进行实时变更开展的，但其结果提供了一条清晰的前进路径。下一步将在现实世界中测试这些想法，以观察修复这些技术故障是否能带来更快乐的用户和更好的推荐。目前，这项研究为理解阻碍人们享受内容的“隐形摩擦”提供了一个强大的工具。
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。