神经网络在快手短视频推荐中的应用

图神经网络在快手短视频推荐中的应用

本文讲解快手在短视频推荐领域的最新论文:

CIKM'21 《Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation 》

本文将从以下几个部分对上面论文进行讲解：

一：当前短视频推荐存在的问题

二：快手新提出的短视频推荐算法讲解

三：实验结果

01 当前短视频推荐存在的问题

问题1：现存的多模态模型很难在短视频场景下提取视频内容，因为短视频的平台具有连续、大流量的特性。另一方面，短视频中所表达的丰富故事，用户的评论等将有助于理解用户对其最大的偏好；

问题2：尽管短视频平台为用户提供了“喜欢”和“评论”按钮来与之互动，大多数用户仍然只是去浏览下一个视频，而不会留下反馈信息。没有明确的用户交互，很难判断用户是否真的喜欢她/他所观看的内容，甚至还会存在许多错误点击的情况。

虽然我们可以利用观看时间来推测用户的偏好，但仍然会有许多错误的正样本，这在很大程度上会影响着推荐算法的效果；

问题3：短视频的平均生命周期非常短。在我们对短视频用户行为进行数据分析，观察到短视频在发布后两天，用户互动数量就急剧减少了。此外，大多数用户行为都是由少数网红上传的短视频造成的。

具体地说，在我们的数据集中，用户点击次数少于10次的短视频约占85%，当我们使用50作为截止阈值时，这个数字会上升到96%。

这些长尾的短视频和博主很少被推荐，推荐系统底层的反馈环路进一步加剧了这种推荐偏差，这就是所谓的马修效应。

02 快手新提出的短视频推荐算法讲解

本次快手新提出的短视频推荐算法通过实验验证表明，能在不同程度上解决上面所提出的现推荐算法所存在的问题。新算法主要分成了三个阶段：

阶段一：Warm-up Propagation

阶段二：Graph Denoising

阶段三：Preference Refinement

阶段一：Warm-up Propagation：

首先，对短视频进行概念concept提取，如下图所示，与短视频相关联的字幕