工业短视频推荐系统中隐式负反馈的学习和优化
摘要：短视频推荐是当今工业信息系统中最重要的推荐应用之一。与其他推荐任务相比，巨大的反馈量是最典型的特点。具体而言，在短视频推荐中，最容易收集的用户反馈来自跳过行为，这导致了推荐模型面临两个关键挑战。首先，跳过行为反映了用户的隐含偏好，因此对于兴趣提取来说是具有挑战性的。其次，这种特殊的反馈涉及多个目标，如总观看时间，也非常具有挑战性。本文中，我们提出了在快手中的工业解决方案，每天为十亿级用户提供服务。具体而言，我们部署了一个具有反馈意识的编码模块，考虑了上下文的影响，很好地提取了用户偏好。我们进一步设计了一个多目标预测模块，能够很好地区分短视频推荐中不同模型目标之间的关系和差异。我们进行了广泛的在线A/B测试，并进行了详细和仔细的分析，验证了我们解决方案的有效性。
作者：Yunzhu Pan, Nian Li, Chen Gao, Jianxin Chang, Yanan Niu, Yang Song, Depeng Jin, Yong Li
论文ID：2308.13249
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-28