视频是如何给你高效精准推送的

作者: jeromeliang, PCG 运用研究员

为了提高用户在视频 app 的内容消费人数,消费次数,消费时长,咱们需求定向精准的内容分发,让用户以较小的时刻本钱,较好的用户体会获取渠道可以供给的感爱好内容。因而,怎么高效精准地完成个性化内容分发是咱们面对的一个首要的应战。

为了提高用户在视频 app 的内容消费人数,消费次数,消费时长,咱们需求定向精准的内容分发,让用户以较小的时刻本钱,较好的用户体会获取渠道可以供给的感爱好内容。因而,怎么高效精准地完成个性化内容分发是咱们面对的一个首要的应战,。视频内容分发的首要场景如下图一所示,当时,长视频内容引荐体系通过召回,精排,重排等阶段从候选内容池子中实时回来每个用户在每次恳求最可能感爱好的内容。其间精排阶段起关键作用,它决议最终展现给用户的少量内容是否满足精确匹配用户实时的爱好。为了在精排阶段实时精准的猜测用户的爱好,咱们需求充沛的发掘用户在视频的爱好反应信号,并对依据数据特色进行建模,精确发掘躲藏在反应信号和用户感爱好内容之间的形式。为此,咱们搜集用户的隐式反应信号,并规划契合长视频特色的爱好网络。

视频用户的反应信号有显现反应信号和隐式反应信号两部分,因为点赞等显现反应信号极端稀少,咱们首要运用用户播映行为反应的隐式信号。现在现已搜集的播映反应信息首要有用户播映的视频专辑,播映时刻,播映总时长,播映次数,最新一集剧集的播映时长,依照退出播映器核算的播映总时长,观看的最大集数等。用户反应信号选用实时上报的方法,某个用户的反应信息如下图所示:

图中 ci 表明某个用户播映过的第 i 个视频专辑。Ci play feedback info 表明某个用户播映视频专辑 ci 的播映反应信息。Target_id 表明需求预估的视频专辑。

首要,每个视频专辑通过 embedding 层,将专辑 id 映射层低维稠密的专辑 embedding,用 ei 表明。然后累加专辑在播映序列中的方位编码 encoding,参加方位信息。用户对每个专辑的播映反应信息通过同享的 engagement network 输出 engagement weight 表征用户对该专辑的爱好爱好强度,并用 engagement weight activat ei,输出 di。

接着 Target embedding attente di 输出 content similar weight activate di 后输出 eout_i,最终 sum pooling 后输出低维稠密 embedding用来表达用户在看到候选的 target 专辑后的爱好。从物理意义上理解为,用户对内容爱好具有多峰特色,用户在看到不同内容表现出不同的爱好。爱好网络部分完成如下图所示:

接下来别离介绍 engagement 网络模块,position encoding 模块,attention 模块。

用来表明用户 engagement 信息的接连信号通过 log,sqrt 等非线性改换后 concat 原始信号输入到两层躲藏层的 engagement 网络,输出表达用户爱好强度的数值。部分源码完成如下图所示:

时间

2020-11-04 16:17


栏目

文化传媒传播


作者

admin


分享