B站强推！伯克利大学博士后王树森亲授【推荐系统】，应该是你能刷到的最强教程了！ · P18 19.排序04：视频播放建模

• 视频排序与图文笔记不同，除了点击和交互指标外，还重点依赖播放时长和完播率这两个核心指标。 — ✓ “视频的排序依据还有播放时长和完播” (0:30)
• 直接对连续变量播放时长进行回归拟合效果不佳，实践中采用基于交叉熵损失的转换方法。 — ✓ “直接用回归拟合播放时长效果不好” (0:56)
• 播放时长建模的具体做法是：将全连接层输出z通过sigmoid变换得到p，构造目标y=t/(1+t)，最小化y与p的交叉熵损失。 — ✓ “做训练：最小化交叉熵损失” (3:47)
• 在推理阶段，不使用训练时的p值，而是直接将exp(z)作为对实际播放时长的预估结果。 — ✓ “做推理：把 exp(z) 作为播放时长的预估” (3:58)
• 视频完播率的建模主要有两种方法：回归方法和二元分类方法。 — ✓ “对于视频完播有两种建模的方法” (4:16)
• 回归方法中，以实际播放比例y为标签，让模型预估的完播率p去拟合y，最终输出如0.73表示预计播放73%。 — ✓ “线上预估完播率，模型输出 p = 0.73” (4:44)
• 二元分类方法需人工定义完播阈值（如80%），将超过阈值的样本标记为正样本，小于阈值的标记为负样本进行分类训练。 — ✓ “二元分类方法” (5:07)
• 直接使用原始完播率会导致长视频处于劣势，因为视频越长完播率天然越低。 — ✓ “从直觉上说，视频越长，完播率就越低” (6:03)
• 为解决公平性问题，需引入视频长度函数F对完播率进行调整，计算调整后的分数Pfinish = 预估完播率 / F(视频长度)。 — ✓ “pfinish = 预估完播率 / f(视频长度)” (6:49)
• 调整后的完播率Pfinish、播放时长预估以及点击互动指标共同构成融分公式，决定视频的最终排序。 — ✓ “把Pfinish作为容分公式中的一项” (7:10)

• 0:00 视频播放建模 / 王树森 / http://wangshusen.github.io / 小红书
• 0:11 图文 vs 视频
• 0:22 图文 vs 视频 / • 图文笔记排序的主要依据： / 点击、点赞、收藏、转发、评论……
• 0:34 图文 vs 视频 / • 图文笔记排序的主要依据： / 点击、点赞、收藏、转发、评论…… / • 视频排序的依据还有播放时长和完播。
• 0:56 图文 vs 视频 / • 图文笔记排序的主要依据： / 点击、点赞、收藏、转发、评论…… / • 视频排序的依据还有播放时长和完播。 / • 直接用回归拟合播放时长效果不好。建议用 YouTube 的时长建模 [1]。 / 参考文献： / 1. Paul Covington, Jay Adams, & Emre Sargin. Deep Neural Networks for YouTube Recommendations. In RecSys, 2016.
• 1:08 图文 vs 视频 / 图文笔记排序的主要依据： / 点击、点赞、收藏、转发、评论…… / 视频排序的依据还有播放时长和完播。 / 直接用回归拟合播放时长效果不好。建议用 YouTube 的时长建模 [1]。 / 参考文献： / 1. Paul Covington, Jay Adams, & Emre Sargin. Deep Neural Networks for YouTube Recommendations. In RecSys, 2016.
• 1:19 神经网络 / 用户特征 视频特征 统计特征 场景特征
• 1:31 全连接层 全连接层 全连接层 全连接层 / 神经网络 / 用户特征 视频特征 统计特征 场景特征
• 1:42 ... ... ... z / 全连接层 全连接层 全连接层 全连接层 / 神经网络 / 用户特征 视频特征 统计特征 场景特征
• 1:53 ... ... ... z p = exp(z) / 1+exp(z) / 全连接层 全连接层 全连接层 全连接层 / 神经网络 / 用户特征 视频特征 统计特征 场景特征

• 读了 1 张图，每张都有描述
• 图上文字 50 行
• 逐字稿 63 段 (455 / 455 s)
• 画面文字 35 行，带出现时间
• 抽帧间隔不超过 11.4 秒
• 没读到：comments not read

样例，第 1 张图 — A promotional image featuring a man in a grey t-shirt on the left against a red background. To his right is large white text reading '推荐系统' with 'Recommender system' below it, and a badge at the top saying '绝对B站NO.1'. The bottom text identifies the speaker as '主讲：王树森'. 图上文字开头： “绝对B站NO.1 推荐系统 Recommender system 主讲：王树森”