短视频平台的个性化推荐是怎样的？

短视频平台上的节日食谱推荐 #生活乐趣# #美食烹饪乐趣# #烹饪视频#

近年来短视频平台的热度与日俱增，火爆的抖音app甚至开启了全民抖音模式，使之融入进了我们的生活。在短视频平台上，我们除了可以看到一些幽默段子和新闻资讯视频，还可以获取很多有效信息，其中包含旅行攻略、美食教程、科普类视频、电影电视剧剪辑、书籍推荐、两性关系等等各种生活所需的内容。优质的内容、准确的推荐、活跃的用户都是其长盛不衰的关键。 1 短视频行业的发展 2005年yotube平台在美国注册上线，UGC短视频生产开始兴起，我国的短视频也进入了探索期。但当时大多数以社会热点为主，主要由优酷、土豆这些综合类视频网站驱动。2011年开始资本逐步的进入到短视频行业，快手、美拍、秒拍等平台陆续上线，短视频内容也开始呈现多元化、生活化。2016年是短视频发展的元年，随着冰桶挑战的火热，短视频APP进入爆发期，抖音、梨视频等短视频平台陆续上线。 目前，短视频行业发展已经高度成熟，同大多数移动互联网行业一样，短视频行业也由增量市场进入到了存量市场，保留存、提粘性已然是现在短视频行业的重点。短视频行业已从“短视频+x”逐步的发展到了“x+短视频”，短视频已经从平台，开始向各个领域蔓延，垂直领域正成短视频突破点。 随着垂直化、专业化内容的不断涌现，短视频将面向更加细分的用户群体。据数据统计，短视频平台平均每个用户每分钟会浏览7个左右的视频，用户对视频的容纳度并不高，这就要求短视频平台需要在很短的时间内挖掘出用户的兴趣，此时精准的个性化推荐将承担更重要的角色。 2 短视频平台的推荐算法 短视频平台的蓬勃发展固然离不开其背后推荐系统的支持。智能推荐系统自与用户见面以来，一直被广泛运用于电商、资讯、音乐等不同平台。针对不同的场景需求，智能推荐也需要以不同的算法来应对。 短视频的推荐算法实则与资讯大同小异。差别主要在于短视频能够提取的文本特征往往只是标题所包含的不超过几十字的内容，甚至还会有少数用户无标题的内容。再者其播放多是自动播放，点击率在这里就不再具备参考价值，取而代之的是用户的其他行为数据。这就要求在语义模型建模和用户行为收集时都有必要针对短视频平台所特有的特征有所调整。 短视频的个性化推荐主要分为兴趣个性化和地域推荐，后者是依据用户的地理位置信息作为推荐依据，从理论上讲，离当前用户物理距离最近的用户所发布的视频会被被优先看到。此外，短视频平台还有基于共同兴趣的好友推荐，以帮助用户建立更多的社交关系、发现更多感兴趣的内容，从而让短视频平台获得更高的用户忠诚度和用户粘性。 在推荐系统的运算过程中，用户行为数据会上报至推荐系统的算法层，经过多种算法如语义分析算法和用户协同算法的计算后会生成候选推荐结果集，再经由调度层的处理生成最终的推荐结果。算法层必不可少的模型为语义模型，用来进行文本的计算和特征提取。 3 推荐系统的语义模型 在推荐系统中效果较好的语义算法主要有LDA、Doc2vec、LSI等三种，分别适用于不同的文本长度和类型。 1.LDA（Latent Dirichlet Allocation，隐含狄利克雷分布）：一种概率主题模型。它可以将文档集中每篇文档的主题以概率分布的形式给出，从而通过分析一些文档抽取出它们的主题（分布）后，便可以根据主题（分布）进行主题聚类或文本分类。同时，它是一种典型的词袋模型，即一篇文档是由一组词构成，词与词之间没有先后顺序的关系。一篇文档可以包含多个主题，文档中每一个词都由其中的一个主题生成。 要想更深入的理解这一模型我们可以观察一下人类是怎么写作的。LDA的三位作者在原始论文中给了一个简单的例子。假设事先给定了这几个主题：Arts、Budgets、Children、Education，然后通过学习训练，获取每个主题Topic对应的词语。如下图所示： 然后以一定的概率选取上述某个主题，再以一定的概率选取那个主题下的某个单词，不断的重复这两步，最终生成如下图所示的一篇文章（其中不同颜色的词语分别对应上图中不同主题下的词）： 我们在看到一篇文章后，往往喜欢推测这篇文章是如何写成的，我们可能会认为作者先确定这篇文章的几个主题，然后围绕这几个主题遣词造句，表达成文。LDA要做的就是根据给定的一篇文档，反推其主题分布。通俗来讲，可以假定人类是根据上述文档生成过程写成了各种各样的文章，现在想让计算机利用LDA让计算机给我推测分析网络上各篇文章分别都写了些啥主题，且各篇文章中各个主题出现的概率大小（主题分布）是什么。而这些主题该如何表达计算机才能够识别呢？通过向量矩阵。把一段文本转成向量矩阵，这个向量矩阵里会包含各个角度主题的分布概率且能够被计算机识别。 2.Doc2vec：是由google的Quoc Le和Tomas Mikolov在2014年提出的一种非监督式算法，可以获得sentences、paragraphs、documents 的向量表达，是 word2vec 的拓展。Doc2vec学出来的向量可以通过计算距离来找sentences、paragraphs、documents 之间的相似性。当所有文档在一起训练时，就可以得到这篇内容里每个段落，句子的概率分布情况，之后再计算整篇文档的主题概率进行修正，这样就得到最终的向量表达。 3.LSI(Latent Semantic Indexing)：中文意译是潜在语义索引，即通过海量文献找出词汇之间的关系。潜在语义索引是一种用奇异值分解方法获得在文本中术语和概念之间关系的索引和获取方法。该方法的主要依据是在相同文章中的词语一般有类似的含义，可从一篇文章中提取术语关系，从而建立起主要概念内容。 LSI的基本思想是：文本中的词与词之间不是孤立的，且存在着某种潜在的语义关系。通过对样本数据的统计分析，让机器自动挖掘出这些潜在的语义关系，并把这些关系表示成计算机可以“理解”的模型。它可以消除词匹配过程中的同义和多义现象，并将传统的VSM降秩到一个低维的语义空间中，在该语义空间中计算文档的相似度等。虽然LSI有很多不足，比如SVD计算非常的耗时，尤其进行词和文本数比较大的文本处理，对于这样的高维度矩阵做奇异值分解是非常难。而对于处理一些规模较小文本时，如果想快速粗粒度的找出一些主题分布的关系，LSI则是更好的选择。 无论何种算法，当文本太短时效果相比较长文本肯定是有一定的差距，这在短视频领域是个常见的现象。例如一条“陈赫竟然和贾玲约会”的短视频，其内容是陈赫和贾玲共同出演了一个小品。但仅从文本的相似推荐，可能推荐出“陈赫离婚”“陈赫约会”“贾玲绯闻”“约会中需要注意的事”等等视频，而用户关注的可能仅仅是因为它是一个有趣的小品。因此这种情况，有两种处理方法： 1、将短视频的分类上报至系统，根据某一条短视频的语义推荐结果也只取固定分类的结果。比如系统返回了10条根据此短视频语义推荐的结果，其中5条是娱乐八卦、3条是小品、2条是生活常识，那么我们在召回层可以只召回来自于小品分类的3条短视频。 2、我们可以对短视频进行打标签。比如“陈赫竟然和贾玲约会”“这一条我们可以打上“陈赫”、“贾玲”、“小品”的标签，另外一条“陈赫和贾玲同台搭档真精彩”也同样可以打上这几个标签，标签随视频的标题一同上报至系统，那么在系统的物料库里，“陈赫竟然和贾玲约会”这条物料的文本就还有了“小品”等文字信息，那么在进行语义相似度计算时，同样拥有相似标签的相似标题视频自然会更大概率的被曝光出来。 4 如何选择语义模型 可见推荐算法能否做到真正智能，很大程度上取决于它选择的模型及收集的数据是否准确。作为基础的语义分析模型是其至关重要的一步，在选择模型时必须充分考虑所要分析的文本特征，以选用最为合适的一个。我们所做的便是使平台根据自身需求，可以自主地选择适合自己的语义算法。 通过不断的实验和商业场景的验证，我们发现：LSI在处理像短视频类的文字较短的文本时，性能更佳；而LDA和doc2vec更适合于长文本的语义建模，尤其是doc2vec在处理短文本时效果偏差较大，其更适合于5000字以上的如论文类、书籍类的长文本。因此，我们在短视频领域进行语义分析时往往选择的是LSI算法。 另外，在进行用户行为上报时短视频与电商、资讯有着明显区别的地方在于短视频往往是自动播放，即不存在用户点击的行为。用户对于不感兴趣的视频往往一划而过，所以用户的浏览时长、播放完成率及播放次数等指标成为了重要的行为收集点。因此，我们为平台提供可根据需求去自定义设置的后台。 综上所述，对于短视频平台来说，如何突破短文本语义分析的难点、以及如何根据其特有的用户行为数据去选择一套更加精确合适的推荐系统是至关重要的。不同平台对推荐算法的需求是不同的，因此我们提供可自由选择语义分析模型、可自定义设置后台的智能推荐系统。只有真正适合平台的智能推荐系统，才会达到最好的推荐效果。

声明：本文内容由脉脉用户自发贡献，部分内容可能整编自互联网，版权归原作者所有，脉脉不拥有其著作权，亦不承担相应法律责任。如果您发现有涉嫌抄袭的内容，请发邮件至maimai@taou.com，一经查实，将立刻删除涉嫌侵权内容。

网址：短视频平台的个性化推荐是怎样的？ https://www.yuejiaxmz.com/news/view/219513

相关内容

做短视频十大必备软件 短视频剪辑软件哪个好 短视频制作工具推荐
短视频平台，竞速“本地生活”赛道
2022录视频自带美颜的软件有哪些 好用的录视频软件推荐
本地生活+短视频营销＝巨大商机！短视频裂变推广工具为你助力！
短视频运营第二弹：如何快速组建高效短视频团队
教你制作美食短视频
美食类短视频：柴米油盐间的家国文化
生活类短视频怎么拍摄？VLOG视频剪辑技巧
剪辑短视频用什么软件好 可以剪辑短视频的APP前十名
卡盟 24 小时下单平台抖音：引领短视频社交新潮流

随便看看