视频推荐中用户兴趣建模、识别的挑战和解法.pdfVIP

视频推荐搜索中的⽤户兴趣 优酷搜索、推荐、内容智能负责⼈数据智能部总监李⽟ Agenda • 优酷视频个性化搜索推荐简介 • 视频个性化搜索推荐中的⽤户兴趣表达的挑战 • 当前⼯业界常⻅⽅法的问题探讨 • 我们的尝试的⽅法 优酷个性化服务简介 个性化服务在优酷 Data… Algo 6亿+视频 5亿+⽤户 • ⼀多半的视频播放通过个性化搜索推荐技术分发 • 对于CTR 、⼈均播放量、⼈均时⻓、留存率等均有显著提升 • 帮助⽤户发现好内容，帮助⾼质量内容触达精准受众 视频推荐中⽤户兴趣表达的挑战 视频推荐的⽤户兴趣表达的挑战 • 技术挑战： • 剧、综、影、漫：⽤户选择成本⾼，⽤户追的剧、综艺少，推荐成功率低 • ⽤户⽬的性强，发现、浏览、逛的⼼智低 • ⻓节⽬可选择空间有限 • 头部节⽬⽤户⾏为稀疏，⼤量⽤户每⽉只观看3个以下节⽬，对⽐： • 短视频信息流场景：通过数百个观看⾏为推荐30个 • 优酷头部节⽬：通过3 、4个观看⾏为推荐30个 • 数据噪声多、分布驱热、highly biased，常⽤推荐算法模型描述能⼒不⾜ 视频推荐的⽤户兴趣表达的挑战 cont . • 技术挑战： • 视频内容兴趣复杂，感性、微妙、亚⽂化细分多样，对于符合兴趣⼤⽅向的惊喜度（serendipity）与 多样性要求更⾼，对⽐： • 电商：兴趣明确：想买4K 电视、⽜仔裤、连⾐裙；⾼度结构化，类⽬体系清晰 • 视频： • 兴趣感性、微妙：喜欢⾹港武侠⽚但是讨厌成⻰; 喜欢⽇本动漫，今敏等、但讨厌宫崎骏； • 兴趣会进化、发展、细分，如： • 相声：郭德纲 ⼩岳岳-》⽅清平；或者-》王玥波评书；或者-》侯宝林 刘宝瑞 ⻢三⽴ 传统 • 科幻迷：从浅度：看星战、地⼼引⼒-》中度：星际穿越-》深度：银翼杀⼿、降临、三体； • 微妙的亚⽂化：⼆次元、游戏、直播；⽂艺⻘年；腐、柜；追剧族、韩剧迷、恐怖⽚迷 • 兴趣体现的是⽤户的个⼈认同 • 兴趣多维度正交，如： • 只看”⼤制作”、美剧质感 • 不喜欢重复，期待惊喜 （serendipity） 识别、表达⽤户兴趣的重要性 • Retargeting （看了⼜看）: 模型兴趣
 • 推荐⽤户有过交互的内容（看了⼜看） 预测不准确 • 成功率⾼，⻓期价值低 • 局部提升⾮全局提升（抢其他渠道流量） • 成功率⾼因此ctr⾼ • 容易陷⼊局部最优 个性化内容
 兴趣命中少
 推荐较少 正样本不⾜ • 热点推荐 • 推荐近期热点 • 容易陷⼊局部最优 • 个性化兴趣推荐 • 推荐符合每个⽤户兴趣的内容 • 成功率低因此ctr偏低 • 更具⻓期价值 • 短期收益可能⼩，但容易⻓期收敛 • 推荐命中成功率：retargeting 热点 个性化发现 • 推荐命中（不命中）价值：个性化发现 推荐热点 retargeting 当前⼯业界常⻅⽅法的问题探讨 个性化推荐⼯业界常⽤⽅法 • 流程：召回、排序 • 特征： • 统计特征 • ⽤户画像：DEMO、⽤户对于标签的frequency 、recency • ⾼维组合特征 • Item based similarity(i2i) Common Algo Framework(对应的优酷的⽅法) Rank R