自从 TikTok 上线的九年来,它改变了人们获取和吸收信息的方式,以及其他短视频平台如 Instagram 和 Snapchat。每个月,TikTok 在全球的活跃用户接近 16 亿。
不过,尽管这些平台已经成熟,但在一个基本功能上仍然存在不足:在正确的时间向正确的观众推荐正确的视频。德克萨斯大学麦库姆斯商学院的信息、风险与运营管理助理教授曹俊宇和冷妍指出。
在中国流行的音乐流媒体服务网易云音乐上,他们发现70%的视频在任何一天都没有被观看,而87%的用户没有与他们看到的任何视频互动。
利用来自网易的2019年数据,研究人员设计了一种新的方法来 学习用户对短视频的偏好,旨在提升推荐效果。 在与现有算法进行测试时,他们发现这种新方法能够显著提升观看时间。
他们的研究论文《具有最优性保证的个性化推荐的自适应数据获取在短视频平台上的应用》已发表在 管理科学 期刊上。
为什么当前的推荐方法表现得如此糟糕?研究人员列举了几个因素。
个人数据有限。 平台通常会看到任何给定用户和视频的反馈很少。由于每个人的互动很少,现有的推荐方法很难充分了解个别观众的兴趣。
错过未来。 观众的兴趣可能会迅速变化,受新闻、流行的表情包、假期和季节以及许多其他因素影响。很难预测未来哪些视频主题可能会受欢迎。
“内容在这些平台上变化得非常快,”曹说。“未来的内容可能与当前的内容大相径庭。”
这种不确定性给短视频平台带来了新的挑战,冷教授补充道。“短视频与电影或亚马逊上的产品有很大不同,平台推荐的内容比较稳定。”
预测不可预知的事物
研究人员同时解决了这两个问题。他们推测,他们的算法可能会基于季节性趋势(如圣诞假期)和新产品或电影进行一些预测。
他们还可以更好地对个体进行分组,采用研究人员称之为自适应获取树(AAT)的方法。
该算法可以根据观众的家乡、年龄和其他人口统计信息将他们分成特定组。它还可以将视频分为不同类别,比如舞蹈、喜剧和教育。
基于这些分组,算法会向用户推荐视频。接着,它会根据用户的观看时间收集他们喜欢和不喜欢的内容。
根据这些反馈,算法可以将用户分成更小的组。随着时间的推移,它会学习他们的偏好,从而为他们提供更个性化和高质量的视频推荐。
“我们同时进行这种分割与信息获取,因此我们能够更细致地了解不同用户的偏好,”曹说。
研究人员对数据进行模拟,将他们的AAT与现有的推荐算法进行了比较。他们的方法使观看时间提高了30%至100%。
研究人员表示,AAT模型不必局限于视频和社交媒体平台。算法分组、推荐和反馈的相同过程可以应用于搜索引擎、广告甚至内容管理。
他们已经在努力改进在线劳动平台的算法,例如Mechanical Turk,这是一个亚马逊平台,允许公司为特定任务招募工人。
“我们希望设计出能够向工人展示最符合他们专业和经验的任务的算法,”冷教授说。
“最终,目标是相同的:获取数据来更好地理解平台上的用户——无论他们是在 Mechanical Turk 上工作的人员,还是在短视频平台上的用户。”
更多信息: Junyu Cao 等,具有最优性保证的个性化推荐的自适应数据获取方法,管理科学(2025)。 DOI: 10.1287/mnsc.2022.01130
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.