PulseAugur
中
实时 04:03:39
English(EN) Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction

新的HEGM模型改进了短视频推荐的观看时长预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种分层指数高斯混合（HEGM）模型，以改进短视频推荐的观看时长预测。该新模型解决了先前指数高斯混合网络（EGMN）中存在的方差崩溃和组件不活跃等局限性。HEGM提高了排名准确性和阈值事件预测能力，同时还改善了混合模型的稳定性和可解释性，这已通过生产环境A/B测试得到证实，该测试显示了统计学上显著的参与度提升。 AI

影响 该模型有望为短视频平台带来更准确、更稳定的推荐系统。

排序理由 该集群描述了一篇介绍特定应用新模型的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.IR (Information Retrieval) 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的HEGM模型改进了短视频推荐的观看时长预测

报道来源 [1]

  1. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Alexander D'yakonov ·

    用于观看时长分布预测的分层指数-高斯混合模型

    Accurate watch-time (WT) prediction is an important requirement for short-video recommendations. Yet WT distributions are near-zero-inflated, long-tailed and multimodal. The recent Exponential-Gaussian Mixture Network (EGMN) models the full conditional WT distribution rather than…

相关话题