【短视频推荐算法】Deep Learning-based Short Video Recommendation and Prefetching for Mobile Commuting Users

一、 论文摘要

1、 移动短视频应用发展迅速，正在迅速占领人们的生活；

2、 该论文考虑了一个正在出现但却很常见的短视频应用场景:移动用户在高速公共交通工具上的日常通勤旅途中观看短视频。

目的：为了减少用户等待时间，提高用户体验质量，提出了一种基于深度学习的数据推荐和预取方案，该方案获取用户兴趣，并将用户喜欢的短视频内容推送到用户最可能连接的基站。

特点：使用主成分分析加缺失来降低初始结构的特征维数，以提高短视频推荐的速度，同时不降低推荐的准确性。通过实验评估，该论文提出的方案能有效推荐短视频和预测用户轨迹，召回率达到100%。

二、 介绍

随着4G/WiFi的覆盖和移动互联网技术的不断发展，斗音、快手等移动短视频应用迅速占领人们的工作和生活。截至2018年底，中国短视频用户数量已经达到6.48亿，日活跃用户数量以每年800%以上的速度增长。

短视频特点：

1. 内容类型上,长视频提供的往往是成系列的剧集/综艺/电影时间在40分钟以上。短视频提供的是信息流,时间在1分钟以下。内容产生上,长视频是平台提供,按、短视频是用户上传:活奇艺透过自己出品、购买版权等途径发布视频内容。抖音通过用上传后,算法精准匹配用户可能能感兴趣的视频。

2. 使用场景上,长视频需要整块时间观看,短视频可以在碎片化时间和整块时间观看,长视频常在电视电脑ipad观看,短视频在手机上观看。软件使用上,都可以转发平论点赞,长视频可以发弹幕,短视频可以关注创作者并浏览创作者的其他内容,长视频切换需要多步操作,短视频的切换是无缝衔接只需一步操作.

3. 广告上,长视频采用视频前广告植入,短视频采用精准匹配广告，会员上,长视频可以开通会员跳过广告及观看会员剧集,短视频(抖)的会员权益针对创作者

人们在零散时间观看短视频多，例如上下班时在公交地铁上，由于交通导致网络不稳定,基站切换频率高,出现卡顿现象，人们很反感已经5G时代还出现卡住的问题。勤旅行的路线是相当可预测的，这给我们提供了通过预先将用户感兴趣的短视频预取到下一个基站来减少用户等待的机会所以我们希望APP可以在wifi环境下,主动预缓存一些视频，这又引出一个问题,这些视频需要根据用户的喜好,更精准的缓存用户喜欢的视频内容。

总的目标是减少用户等待时间和提高推荐准确性

1、根据抖音数据改进方法,得到更高的推荐准确度

2、进而对移动通勤用户提出一种关于短视频挂荐和预缓存架构

从下图中可以看出，在爬行的233个抖音用户中，标记阳性样本的数量变化很大，从1到3940。由于78170的短视频总量，如果我们直接使用未标记的视频作为负样本，即使是最大标记喜欢的用户也是极其不平衡的，更不用说其他用户了。

1、 为了解决样本不平衡的问题并保持正负比例为1:3(用于视频推荐系统的经验正负比例)，我们提出了一种基于分类的平衡方案。

2、 对于预取方案，我们建议使用长短期记忆(LSTM)来预测用户的移动模式，并在LSTM参数和输入序列等方面调整模型以获得更高的预测精度。与递归神经网络(RNN)和门控递归单元(GRU)的比较表明，LSTM产生最