自從 TikTok 上線的九年來(lái)，它改變了人們獲取和吸收信息的方式，以及其他短視頻平臺(tái)如 Instagram 和 Snapchat。每個(gè)月，TikTok 在全球的活躍用戶(hù)接近 16 億。

不過(guò)，盡管這些平臺(tái)已經(jīng)成熟，但在一個(gè)基本功能上仍然存在不足：在正確的時(shí)間向正確的觀眾推薦正確的視頻。德克薩斯大學(xué)麥庫(kù)姆斯商學(xué)院的信息、風(fēng)險(xiǎn)與運(yùn)營(yíng)管理助理教授曹俊宇和冷妍指出。

在中國(guó)流行的音樂(lè)流媒體服務(wù)網(wǎng)易云音樂(lè)上，他們發(fā)現(xiàn)70%的視頻在任何一天都沒(méi)有被觀看，而87%的用戶(hù)沒(méi)有與他們看到的任何視頻互動(dòng)。

利用來(lái)自網(wǎng)易的2019年數(shù)據(jù)，研究人員設(shè)計(jì)了一種新的方法來(lái) 學(xué)習(xí)用戶(hù)對(duì)短視頻的偏好，旨在提升推薦效果。 在與現(xiàn)有算法進(jìn)行測(cè)試時(shí)，他們發(fā)現(xiàn)這種新方法能夠顯著提升觀看時(shí)間。

他們的研究論文《具有最優(yōu)性保證的個(gè)性化推薦的自適應(yīng)數(shù)據(jù)獲取在短視頻平臺(tái)上的應(yīng)用》已發(fā)表在 管理科學(xué) 期刊上。

為什么當(dāng)前的推薦方法表現(xiàn)得如此糟糕？研究人員列舉了幾個(gè)因素。

個(gè)人數(shù)據(jù)有限。 平臺(tái)通常會(huì)看到任何給定用戶(hù)和視頻的反饋很少。由于每個(gè)人的互動(dòng)很少，現(xiàn)有的推薦方法很難充分了解個(gè)別觀眾的興趣。

錯(cuò)過(guò)未來(lái)。 觀眾的興趣可能會(huì)迅速變化，受新聞、流行的表情包、假期和季節(jié)以及許多其他因素影響。很難預(yù)測(cè)未來(lái)哪些視頻主題可能會(huì)受歡迎。

“內(nèi)容在這些平臺(tái)上變化得非�？欤辈苷f(shuō)�！拔磥�(lái)的內(nèi)容可能與當(dāng)前的內(nèi)容大相徑庭�！�

這種不確定性給短視頻平臺(tái)帶來(lái)了新的挑戰(zhàn)，冷教授補(bǔ)充道�！岸桃曨l與電影或亞馬遜上的產(chǎn)品有很大不同，平臺(tái)推薦的內(nèi)容比較穩(wěn)定。”

預(yù)測(cè)不可預(yù)知的事物

研究人員同時(shí)解決了這兩個(gè)問(wèn)題。他們推測(cè)，他們的算法可能會(huì)基于季節(jié)性趨勢(shì)（如圣誕假期）和新產(chǎn)品或電影進(jìn)行一些預(yù)測(cè)。

他們還可以更好地對(duì)個(gè)體進(jìn)行分組，采用研究人員稱(chēng)之為自適應(yīng)獲取樹(shù)（AAT）的方法。

該算法可以根據(jù)觀眾的家鄉(xiāng)、年齡和其他人口統(tǒng)計(jì)信息將他們分成特定組。它還可以將視頻分為不同類(lèi)別，比如舞蹈、喜劇和教育。

基于這些分組，算法會(huì)向用戶(hù)推薦視頻。接著，它會(huì)根據(jù)用戶(hù)的觀看時(shí)間收集他們喜歡和不喜歡的內(nèi)容。

根據(jù)這些反饋，算法可以將用戶(hù)分成更小的組。隨著時(shí)間的推移，它會(huì)學(xué)習(xí)他們的偏好，從而為他們提供更個(gè)性化和高質(zhì)量的視頻推薦。

“我們同時(shí)進(jìn)行這種分割與信息獲取，因此我們能夠更細(xì)致地了解不同用戶(hù)的偏好，”曹說(shuō)。

研究人員對(duì)數(shù)據(jù)進(jìn)行模擬，將他們的AAT與現(xiàn)有的推薦算法進(jìn)行了比較。他們的方法使觀看時(shí)間提高了30%至100%。

研究人員表示，AAT模型不必局限于視頻和社交媒體平臺(tái)。算法分組、推薦和反饋的相同過(guò)程可以應(yīng)用于搜索引擎、廣告甚至內(nèi)容管理。

他們已經(jīng)在努力改進(jìn)在線勞動(dòng)平臺(tái)的算法，例如Mechanical Turk，這是一個(gè)亞馬遜平臺(tái)，允許公司為特定任務(wù)招募工人。

“我們希望設(shè)計(jì)出能夠向工人展示最符合他們專(zhuān)業(yè)和經(jīng)驗(yàn)的任務(wù)的算法，”冷教授說(shuō)。

“最終，目標(biāo)是相同的：獲取數(shù)據(jù)來(lái)更好地理解平臺(tái)上的用戶(hù)——無(wú)論他們是在 Mechanical Turk 上工作的人員，還是在短視頻平臺(tái)上的用戶(hù)。”

更多信息： Junyu Cao 等，具有最優(yōu)性保證的個(gè)性化推薦的自適應(yīng)數(shù)據(jù)獲取方法，管理科學(xué)（2025）。 DOI: 10.1287/mnsc.2022.01130