中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)讀：為什么短視頻如此讓人上癮？其中很大一部分原因是實(shí)時(shí)推薦的功勞。通過消費(fèi)用戶在最近的幾分鐘內(nèi)或者一段時(shí)間內(nèi)瀏覽的內(nèi)容偏好，形成對(duì)該用戶的一個(gè)短暫的認(rèn)知，再通過這個(gè)認(rèn)知趕緊去內(nèi)容池中找到對(duì)應(yīng)的內(nèi)容推薦給用戶。然而，這個(gè)功能在長視頻領(lǐng)域中卻屢屢碰壁，這是為什么呢？

高實(shí)時(shí)推薦一般在短視頻領(lǐng)域使用比較廣泛，指的是算法模型通過消費(fèi)用戶在最近的幾分鐘內(nèi)或者一段時(shí)間內(nèi)瀏覽的內(nèi)容偏好，形成對(duì)該用戶的一個(gè)短暫的認(rèn)知，再通過這個(gè)認(rèn)知趕緊去內(nèi)容池中找到對(duì)應(yīng)的內(nèi)容推薦給用戶。這個(gè)系統(tǒng)反饋的時(shí)間也許是我上面提到的幾分鐘，或者是幾十秒。

而與之對(duì)應(yīng)的就是T+1的更新，T+1更新其實(shí)就是前一天推薦系統(tǒng)根據(jù)用戶歷史行為為每一個(gè)用戶計(jì)算好了一個(gè)推薦隊(duì)列放著，當(dāng)用戶開機(jī)后，客戶端主動(dòng)去請(qǐng)求這部分?jǐn)?shù)據(jù)，將內(nèi)容推給用戶。這部分?jǐn)?shù)據(jù)一天內(nèi)都是不會(huì)更新的。

在項(xiàng)目實(shí)現(xiàn)過程中，我們發(fā)現(xiàn)高實(shí)時(shí)推薦的CTR較T+1推薦CTR提升很多，于是大家開始慶祝，這個(gè)項(xiàng)目有效果，CTR提升很多！

但是，當(dāng)我們深入去想的話，在很高的CTR背后，是用戶在干什么呢？試想一下，假如他找到了自己的喜歡的電影，安安靜靜坐那兒看了，用戶還需要不斷地刷新頁面，讓客戶端不斷去請(qǐng)求算法，算法再去執(zhí)行召回-排序-去重-打散等等策略，占用服務(wù)器性能去為用戶推送內(nèi)容，然后用戶不厭其煩點(diǎn)擊，返回，點(diǎn)擊，返回。

高實(shí)時(shí)只不過將這一歷程從原來T+1更新的N天變成了N分鐘。

高CTR在這里，就似乎成了一個(gè)應(yīng)試指標(biāo)。成了像是一種政治正確的產(chǎn)物，是推薦系統(tǒng)對(duì)結(jié)果的不自信產(chǎn)生的一個(gè)額外的替補(bǔ)策略，但他又是必要的—為了項(xiàng)目最終數(shù)據(jù)效果好看，我們編制了一個(gè)美麗的謊言。為什么說是美麗的謊言呢？

一、決策路徑不適用

和短視頻不一樣的是，用戶決定是否看一部電影和決定是不是看一個(gè)短視頻的路徑是不一樣的。短視頻中，用戶決定看或者不看，根據(jù)抖音短視頻的一份報(bào)告，決策點(diǎn)通常在第5秒，用戶通過判斷前5秒的信息而決定手指是不是要向上滑動(dòng)，對(duì)于推薦系統(tǒng)來說，去嘗試實(shí)驗(yàn)的成本是低廉的，用戶決策的成本也十分低廉，于是，推薦算法完全可以指定feed流的刷新機(jī)制設(shè)置在用戶決定了看了幾部視頻、 跳過了幾部視頻之后，甚至，我們可以設(shè)定給不同的模型的用戶以不同的刷新機(jī)制–有的用戶興趣較多且隨時(shí)間、環(huán)境、熱點(diǎn)事件變動(dòng)，有的用戶興趣單一受時(shí)間影響較少，這就對(duì)推薦模型和策略產(chǎn)品經(jīng)理有了更高的要求了。

而用戶要看一部長視頻，不論是電視劇，還是電影，還是綜藝，他們的決策路徑可能是這樣的，要先了解，再查看，有可能再試看，或者搜索一下。用戶總面對(duì)自己即將付出可預(yù)見時(shí)間代價(jià)的事情的決策路徑，一般呈現(xiàn)線性函數(shù)遞增關(guān)系，即預(yù)期支付成本越高、決策周期越長。以我自己為例，我通常選片的路徑-先看看熱門影片top榜單有沒有自己喜歡的，在看看新片電影有沒有喜歡的，最后實(shí)在沒有再去看看分類入口找找有沒有。

這樣來看的話，高實(shí)時(shí)推薦的CTR的提升似乎是必然的結(jié)果，為什么這么說？

二、CTR提升是必然結(jié)果

CTR的計(jì)算方式是點(diǎn)擊/曝光，T+1頻次的曝光和高實(shí)時(shí)的曝光場(chǎng)景下每個(gè)內(nèi)容平均曝光次數(shù)為N1和N2，而T+1時(shí)間內(nèi)某個(gè)頁面的內(nèi)容曝光總次數(shù)為M，曝光總內(nèi)容數(shù)為X，我們假設(shè)用戶對(duì)某一個(gè)內(nèi)容點(diǎn)擊每次曝光時(shí)概率不變，為Z，這大概率也是不會(huì)變的。

CTR=N*X*Z/M，有了這些變量之后因素影響之后，我們?cè)偃タ纯从脩艨疵總€(gè)頁面的停留時(shí)間。假設(shè)用戶在頁面停留時(shí)間一致，這大概率也是一致的，即整個(gè)頁面內(nèi)容曝光的總次數(shù)M不變，平均每個(gè)內(nèi)容每次曝光被點(diǎn)擊的概率Z不變，變動(dòng)的只有N和X。

這樣看來，用戶在原有推薦邏輯較低的CTR可能只是被強(qiáng)行瀏覽了自己不想要看到的內(nèi)容而且不能刷新只能反復(fù)上下操作遙控器找片，單影片曝光次數(shù)N值增加了，這樣的無效曝光被系統(tǒng)抓取，而高CTR可能是用戶發(fā)現(xiàn)了內(nèi)容可以刷新之后，就在這樣的一個(gè)頁面開始了找片之旅，曝光的內(nèi)容基數(shù)變大了，但內(nèi)容平均曝光次數(shù)降為了1。

原來推薦20個(gè)內(nèi)容可能只能有2個(gè)內(nèi)容是用戶愿意點(diǎn)擊的，但這20個(gè)內(nèi)容確因?yàn)樗⑿聶C(jī)制同樣獲取M次數(shù)的曝光，確只獲取了2個(gè)點(diǎn)擊；而高實(shí)時(shí)推薦確在M次數(shù)的曝光前提下，為用戶推薦了60個(gè)內(nèi)容，其中確有6個(gè)內(nèi)容是用戶愿意點(diǎn)擊的。

堆內(nèi)容數(shù)量？這是推薦系統(tǒng)最擅長的事情，推薦系統(tǒng)利用高實(shí)時(shí)的優(yōu)勢(shì)，在單位時(shí)間內(nèi)為用戶推薦了多倍于X1場(chǎng)景的內(nèi)容數(shù)，其實(shí)每次刷新召回的內(nèi)容用戶感興趣的還是那么多，這么來看的話，CTR自然而然會(huì)升高了。

簡而言之，就是我們?cè)谟邢薜钠毓獯螖?shù)里，推了更多的內(nèi)容給用戶，將那些無效的曝光分給了更多的內(nèi)容，這才使得CTR提高了。但其實(shí)我們推送單位數(shù)量內(nèi)容的有效內(nèi)容率都是一樣的。當(dāng)然，這也只是我基于計(jì)算公式假設(shè)得出來的結(jié)果，其中設(shè)置M不變多少也是不十分科學(xué)的，但這樣的公式卻可以大體說明高實(shí)時(shí)推薦所帶來CTR提升的背后原因是什么。

三、不考慮內(nèi)容遍歷、場(chǎng)景適配的性能堆砌

長視頻和短視頻最核心的其中一個(gè)區(qū)別在于內(nèi)容池?cái)?shù)量的問題，短視頻領(lǐng)域因?yàn)閁GC的屬性，可以不斷生產(chǎn)內(nèi)容，而長視頻沒有這個(gè)優(yōu)勢(shì)，一個(gè)大型廠商電影電視劇的內(nèi)容數(shù)量一定是有限的，而且有長尾效應(yīng)的限制，用戶所消費(fèi)的內(nèi)容更加少之又少。

高實(shí)時(shí)推薦更加適用于短視頻領(lǐng)域的原因也有其中，場(chǎng)景變化更多的、內(nèi)容量更多，他保證了一個(gè)給一個(gè)用推薦的內(nèi)容永遠(yuǎn)不會(huì)高度重復(fù)，可以為他們?cè)诠嚿峡磁苘?、廁所里看段子、家里看小姐姐、公司摸魚時(shí)看學(xué)習(xí)小課堂的適配更多場(chǎng)景。

而長視頻，更多的觀影場(chǎng)景比較單一，要么在家和家人看劇，要么假期自己一個(gè)人好好看部電影，如果在單位時(shí)間為用戶消耗了太多的內(nèi)容，用戶選得煙花繚亂，那推薦系統(tǒng)可用的內(nèi)容資產(chǎn)將會(huì)逐漸變少，快速實(shí)現(xiàn)了遍歷，到山窮水盡之時(shí)，用戶會(huì)說，你怎么每天給我推同樣的內(nèi)容？我不需要。當(dāng)這個(gè)情況發(fā)生，我們又如何去做呢？

所以，或許我們?cè)陂L視頻推薦實(shí)現(xiàn)時(shí)，也得去考量一下我們有多少東西可以推給用戶，讓決策變得更加審慎、更加精細(xì)一點(diǎn)，而不是粗暴堆砌性能，滿足用戶一時(shí)的選片之歡，而消耗了自己未來的將要給用戶的資產(chǎn)吧。

四、總結(jié)

高實(shí)時(shí)推薦只不過是我們將用戶選片的場(chǎng)景從分類tab搬到了首頁推薦上，把本屬于分類TAB的點(diǎn)擊給了首頁推薦，把本該屬于單個(gè)內(nèi)容的重復(fù)曝光均攤給了推薦隊(duì)列里的每個(gè)內(nèi)容，從而夾帶私活。推薦系統(tǒng)干了自己擅長的事情獲得了CTR的替身，皆大歡喜。但似乎，推薦系統(tǒng)嘗試去解決的在準(zhǔn)確性的問題，也許始終沒有解決吧。

假如要我去衡量推薦算法在長視頻領(lǐng)域的優(yōu)劣程度，可能會(huì)說：每個(gè)用戶的終端曝光多少部電影后，用戶做了進(jìn)入觀影的決定。推薦算法或者人工運(yùn)營，需要去解決的可能更多的是去幫助用戶縮短決策路徑，是讓用戶在有限的開機(jī)幾分鐘內(nèi)的時(shí)間里、或者某個(gè)周末找片的過程中，更快更好地找到自己想看的片，然后舒舒服服的看一部電影，順便提高會(huì)員VIP的付費(fèi)比例。

影響內(nèi)容CTR的因素有很多，但內(nèi)容的基本面永遠(yuǎn)是核心要素 ，在長視頻推薦領(lǐng)域，無限制的實(shí)時(shí)動(dòng)態(tài)刷新，或者單純千篇一律的一天硬推一部分內(nèi)容，或許都是不可行的。前者只不過是用算法的優(yōu)勢(shì)幫助了用戶獲得了本不該屬于他的CTR，而后者確需要很精準(zhǔn)的策略才能替身CTR，同時(shí)，我們還要去考量諸如內(nèi)容遍歷、內(nèi)容召回率等等問題，綜合看，我們要去做什么呢，能做什么呢，或者不該做什么呢？

這其中的中和之道，也只能由策略產(chǎn)品經(jīng)理和算法工程師一步步去探索了。

本文由 @汪仔0741 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于 CC0 協(xié)議