SWaT: Statistical Modeling of Video Watch Time through User Behavior Analysis

随着短视频推荐成为主流社交媒体平台的核心产品，评估视频观看时间的重要性日益凸显。然而，建模视频观看时间面临着用户与视频交互的复杂性挑战，例如在观看推荐视频时不同的用户行为模式以及视频时间轴上观看概率的变化。尽管具有重要性和挑战性，现有的建模视频观看时间的文献大多集中在相对黑盒的机械增强的经典回归/分类损失上，没有以原则性的方式考虑用户行为。在本文中，我们首次采用用户为中心的视角来建模视频观看时间，从而提出了一个白盒统计框架，直接将用户在观看（短）视频时的各种行为假设转化为统计观看时间模型。这些行为假设是由我们对用户在视频观看中的行为模式的领域知识所描绘的。我们进一步采用分桶技术来应对用户在视频时间轴上的非平稳观看概率，这还有助于尊重视频长度的限制，促进观看时间的连续回归事件与其他二元分类事件之间的实际兼容性。我们在两个公开数据集上进行了广泛的测试，一个是大规模的离线工业数据集，另一个是短视频平台上数亿日活跃用户的在线A/B测试。在所有实验中，我们的模型与强有力的相关基线模型竞争，并展示了我们以用户为中心的视角和提出的框架的有效性。

本文旨在从用户角度出发，建立一个白盒统计框架来直接将各种用户行为假设转化为视频观看时间模型，以应对短视频推荐中用户行为复杂性带来的建模挑战。

本文提出了一种白盒统计框架，将用户行为假设转化为视频观看时间模型，并采用分桶技术来处理用户对视频的不稳定观看概率，从而提高模型的实用性和性能。

本文的亮点包括：1. 首次从用户角度出发建立视频观看时间模型；2. 提出了白盒统计框架，将用户行为假设转化为模型；3. 采用分桶技术处理用户对视频的不稳定观看概率；4. 在多个数据集和在线实验中验证了模型的有效性。

在相关研究方面，目前的研究主要集中在机械增强经典回归/分类损失函数方面，较少考虑用户行为。本文提出的白盒统计框架能够更好地将用户行为假设转化为模型，并在实验中表现出良好的性能。