1.前言
1.1 迅猛发展的短视频业务
短视频一般指长度在5分钟以内的视频内容。由于用户时间碎片化、移动互联网和智能手机的快速普及、制作门槛低等原因，短视频最近几年引起广泛关注。从2011年的萌芽，到2015年快手、美拍等异军突起，到2016年抖音、火山小视频等迅猛发展，短视频正在抢占越来越多的用户注意力和流量，重塑着用户的信息获取习惯。
截止目前，短视频月活用户已经达到了4亿左右，人均日观看时长超过了60min，覆盖用户类型广泛，粘性强，明显挤占了用户在社交、影音、游戏、新闻等应用上的花费的时间。
1.2 淘宝短视频现状
目前淘宝内的视频量已达2.6亿+。大量淘宝/天猫的商品头图展示从静态图片换成了短视频，全方位展示商品的使用方式和细节；大量买家秀采用了视频形式，给予用户更可靠更直观的购买参考；直播视频里的大主播，吸粉和带货能力惊人；达人视频制作精美、形式多样，给用户更愉悦的浏览体验。视频量和用户需求都急剧增大的现状，对视频推荐算法提出了更高的挑战。
本文主要简述近半年来，在哇哦视频和首页猜你喜欢视频这两个场景上，对视频推荐算法做的一些实践。
哇哦视频是针对时尚年轻、购买力中上的用户群的视频产品，涵盖了穿搭、美妆、美食、萌娃、萌宠、数码、健身等领域。投放内容池由数十万达人视频和数十万商品视频组成，全部经过质量筛选和人审，风格多样，制作精美，期望用户多逛多停留，进而引导下单。
猜你喜欢视频是云主题的重要组成部分，在猜你喜欢瀑布流中会根据用户偏好以一定频次投放视频。投放内容池主要是数百万商品视频，同样经过质量规则筛选，主要承担引导用户下单的功能。
在以上两个场景的瀑布流里，点击视频都会跳转到全屏承接页，在该页面可以完成浏览相关商品、进入达人页面、点赞、评论、转发、下滑继续浏览等动作。
1.3 视频推荐算法框架
视频推荐算法的大框架与商品推荐基本相似，都是由以下几部分组成：
- 召回，即根据用户近期行为，获取几千个左右的候选集。
- 排序，一般分初排和精排。初排即较粗略的排序模型，会对候选集进行初步打分，之后截断成为几百个。精排即复杂度较高的排序模型，可能是多个不同目标模型的融合，会对候选集进行较精细的打分，之后截断成为一百个左右。
- 业务策略，即基于用户体验的一些去重与打散策略。
本文将先介绍视频特征体系，然后按这个框架来分块介绍视频推荐，重点陈述视频推荐不同于商品推荐的部分。
2. 视频特征体系
我们构建的视频特征体系主要由id类特征、商品泛化特征、视频统计类特征、视频内容特征、标签特征等。
- id类特征，由视频id、作者id等组成。
- 商品泛化特征，主要来自于视频挂载的商品性质。例如，商品id、类目id、虚拟类目id、店铺id、品牌id、商品所属性别、商品所属购买力、商品标签等等。
- 视频统计类特征，即视频在不同场景、类目、作者等维度下，统计的播放率、平均播放时长、有效播放率等等指标。
- 视频内容特征，即关键帧图像特征、音频特征，可以对视频内容/风格进行更精细的刻画
- 视频标签特征，即基于多分类模型的、可扩展的网状型的标签体系结构，覆盖视频所属的体感类目与泛内容维度的相关标签，这些标签的组合就是对视频内容的浓缩描述。目前主要产出了服饰领域的标签体系，正在不断完善中。
3. 基于视频的召回
3.1 RankI2V Recall
淘宝视频的特点是，绝大多数视频是挂靠有相关商品的。因此，视频推荐的最初版召回，就是直接利用商品推荐中的i2i召回，扩展为i2i2v召回，即：以用户最近点击/收藏/购买/加购的商品集作为trigger item set，找到与其相似的candidate item set，再根据视频挂靠商品的关系，找到candidate video set，优先召回热度较高的video。同理，也可以将c2i扩展为c2i2v，seller2i扩展为seller2i2v等等。这个版本的优点是可以充分利用已有框架和数据，快速上线。但缺点也很明显：同个商品可能挂靠许多视频，无法评估这些视频对于特定用户的价值；对商品感兴趣不代表对相关视频感兴趣，这其中有很大的gap；用户对视频的行为信息完全没有加以利用，比如观看时长、点赞、关注等，而这些信息才是最有价值的。
因此，我们实现了RankI2V召回方式，直接从商品来召回视频。主要思路是：以全屏承接页播放日志构造sample，以停留时长作为label，结合trigger item、video相关商品、video本身的特征，使用gbdt模型，直接对item到video的关系进行打分。
1）构造样本：
- 在前述的i2i2v召回的基础上，可以从日志中获取每次用户观看视频时的trigger item、所观看video、以及观看时长
- 清洗掉异常数据后，以时长很短的观看作为负样本（相当于没有看），时长较长的播放时长作为正样本，实际播放时长作为正样本权重
- 重采样，保证对于同一个user和同一个trigger item，样本集中同时存在正样本和负样本
2）构造特征集，主要有三部分特征：
- trigger item的特征，如类目、价格、热度、动态评分等自然属性，以及其在全站的不同时间切片内的曝光点击指标，所属卖家、类目等维度的曝光点击指标等等
- video的特征，分别统计在全站/哇哦视频场景内的，按类目、发布者、不同时间维度的，曝光、点击、有效播放率、完播率、次均/人均播放时长等指标
- item与video的相似关系，如是否属于同一类目、是否属于同一卖家，该item与视频相关item的相似分数等等
3）model：
- 采用gbdt模型，pairwise loss来训练
在两个场景的线上实验中，RankI2V都显著优于初版中的基于商品的召回方式（i2i2v等）。实验数据如下：
在哇哦视频的瀑布流页上线，次均播放时长上涨接近10%，人均播放时长上涨超过5%，pctr上升超过5%，uctr上升显著，正向效果明显。
在全屏承接页上线，次均播放时长提高显著，人均播放时长提高显著，正向效果较明显（全屏页场景不关注ctr,只关注播放时长）
在猜你喜欢视频上线，ctr上涨接近10%，正向效果明显。
3.2 RankV2V Recall
以商品召回视频的优点在于，用户在商品上的行为丰富且多样，可以获取较好的trigger set。然而，对于视频而言更自然的方式是以视频来召回视频，毕竟用户在商品上的偏好，不一定与对视频的偏好一致。参考RankI2V的思路，我们也实现了RankV2V召回算法。
首先，为了获取trigger video和召回video的关系，先上线了一版基于全网视频播放日志、目标为有效观看时长的、以协同过滤计算的cf v2v召回模型。上线一段时间后，积累了足够的播放行为，以此开始训练rankv2v模型。主要思路是：以全屏承接页播放日志构造sample，以停留时长作为label，结合trigger video、召回video的特征，使用gbdt模型，对video到video的关系进行打分。
1）构造样本：
- 在前述的cf v2v召回的基础上，可以从日志中获取每次用户观看视频时的trigger video、所观看video、以及观看时长
- 清洗掉异常数据后，以时长很短的观看作为负样本（相当于没有看），时长较长的播放时长作为正样本，实际播放时长作为正样本权重
- 重采样，保证对于同一个user和同一个trigger video，样本集中同时存在正样本和负样本
2）构造特征集，主要有三部分特征：
- trigger video的特征，分别统计在全站/哇哦视频场景内的，按类目、发布者、不同时间维度的，曝光、点击、有效播放率、完播率、次均/人均播放时长等指标
- 召回video的特征，与trigger video类似
- trigger与召回video的相似关系，如是否属于同一类目、是否属于同一卖家等
3）model：
- 采用gbdt模型，pairwise loss来训练
线上实验中，RankV2V召回结果虽然数量上比RankI2V少一些（原因是用户在视频上的行为远少于在商品上的行为，因此trigger set小得多），但指标上明显优于RankI2V。随着视频在全网的透出量增加，用户的视频行为进一步丰富，可以预期rankV2V的性能也会随之上升。
在猜你喜欢视频上线，ctr大涨接近15%。其中单看rankV2V的点击率，比基准桶总体高了接近50%,正向效果显著。
3.3 Realtime-based Interest
相对于商品推荐而言，实时性对于视频推荐更为重要。尤其是全屏承接页这样的场景，用户一次只沉浸在一个视频中，一旦连续下滑两三个视频都无法抓住用户兴趣，就极易使其流失。针对这种心理，我们在全屏承接页上引入了以下四种实时trigger：
- 在瀑布流中，用户通过点击某视频进入全屏页，该视频强烈地体现了用户此刻的浏览意图，将这个video加入trigger set。
- 在瀑布流中点击的视频，同时具有挂靠商品信息。该商品大概率也是用户此刻感兴趣的商品，将这个item加入trigger set。
- 在全屏页下滑浏览进入下一页时，用户对于上一页推荐的视频已经产生过了播放、点赞、评论、关注等行为，可以体现用户当前浏览兴趣，以及对下一页展现结果的期望。将用户有过正向行为的video加入trigger set。这是实时性相对最强的一种方式。
- 基于实时日志收集用户在全网的视频播放行为（延迟为几十秒到几分钟），将有过正向行为的video加入trigger set。
经实验，最终的召回优先级定为：四种Realtime-based Interest召回方式相等，同时大于其他召回方式。
在全屏承接页上线，次均观看时长上升超过10%，人均观看时长上升接近15%，正向效果显著。
在哇哦视频瀑布流上线，pctr上升明显，uctr持平，次均停留时长上升明显，人均停留时长上升明显，正向效果明显。
从实验效果来看，沉浸式的全屏页效果显著高于瀑布流页，因为瀑布流一次展现的数量较多，用户选择余地较大，而全屏页一次一个展示，对于时刻命中用户兴趣要求更高。同时，在4种实时召回方式中，上述第3种召回方式的指标优于其他，说明时效性越强的召回效率越好，与我们最初的假设是一致的。
4. 视频排序
4.1 粗排模型
经过多路召回，系统可以获取用户潜在感兴趣的视频集合。同时为了进一步提高召回的精准性，需要将多路召回的视频统一排序，以精简召回的视频集合。这一过程通过精简特征的模型在BE多路召回后进行。
视频粗排模型以ctr或停留时长为目标，进行模型训练和预测。模型为pointwise或pairewise的GBDT。
- 以ctr为主要优化目标的GBDT模型，将用户对视频是否点击作为标签，pointwise方式训练。特征主要有上下文特征，用户类特征，视频属性类特征，视频的反馈统计特征等维度。其中视频反馈统计特征里，通过时间信息计算得到的点击率特征权重较高。
- 以停留时长为目标的视频粗排模型，将停留时长离散后作为训练为目标，pairewise方式训练，特征中添加更多停留时长类的统计特征。
实验效果
- 猜你喜欢视频接入ctr的GBDT模型替换ctr的LR模型，ctr提升超过10%
- 猜你喜欢沉浸页接入停留时长的GBDT模型，PV播放时长提升接近30%，UV播放时长提升超过30%。
- 哇哦视频全屏页接入停留时长的GBDT模型，次均播放时长提升接近10%，人均播放时长提升明显
4.2 精排模型
精排通过不同目标的模型对视频进行打分。精排相对粗排在特征上更加丰富完善，同时也将不同目标的同种模型，或同目标的不同模型组合，共同计算得分。
视频精排模型主要包含以ctr为目标的XFTRL与GBDT,以及以停留时长为目标的GBDT三种模型，最终得分综合了三种模型的预测。
- ctr优化目标的XFTRL模型，特征主要包含上下文维度特征，用户维度，商品维度，视频维度的ID类和离散属性类特征，以及这几种维度的组合交叉特征。其中，用户ID、视频ID，用户最近x天喜欢的类目IDtop3与视频所对应商品的类目ID进行组合形成的特征，在模型中有较好的效果。
- 以优化CTR为目标的GBDT模型，特征方面除了在粗排中已有的上下文特征，用户特征，视频属性特征，视频的反馈统计特征外，添加视频在全场景最近x天，分作者/类目的统计特征，同时对视频的反馈统计特征进行更多分天统计的特征补充。特征集中，场景内视频的ctr类权重较高，可见该模型偏向于推荐本场景内热度较高的视频。
- 以优化停留时长为目标的GBDT模型，特征相较CTR模型增加了视频停留时长最近x天，分作者/类目的统计特征，label为离散化的停留时长。特征集中，本场景视频的播放热度、视频作者的平均播放热度在模型中权重较高。
实验效果
- 猜你喜欢视频，ctr的XFTRL模型进行优化后，ctr提升明显。接入ranki2v后，提升接近10%，合计提升接近15%；
- 猜你喜欢视频ctr的GBDT模型优化后，ctr提升明显；
- 猜你喜欢视频接入停留时长的GBDT模型，停留时长增加超过10%
5. 业务策略
推荐系统在算法对点击率与停留时长优化的同时，也需要保证良好的用户体验与流量可调控。
5.1 体验优化
为了达到良好的用户体验，视频推荐做了丰富的体验优化。同时加入集中度，相似性，以及视频发现性三个维度作为体验优化观测指标，其中集中性与相似性主要衡量页内体验，视频发现性衡量页间体验。
页内rematch：每次请求在页面内对虚拟类目，叶子类目，视频标签进行rematch，保证页面内不会连续出现同一虚拟类目/叶子类目/标签下的视频。接入页面rematch后，pv略降，点击率提升，视频集中度和相似性提升明显，用户的观感多样化得到明显提升。
页间抑制：采集视频实时曝光与点击，将最近x天内未点击的虚拟类目/叶子类目/标签适当过滤。接入页间抑制后，pv与ctr基本持平，曝光发现性提升，同类视频多天曝光现象减少。
实时黑名单过滤：针对舆情反馈与自体验较差的视频，作者，标题加入黑名单，在线上实时过滤。接入后体验提升，相关舆情较少。
购买过滤：将用户已购商品同类目下的视频过滤。接入购买过滤后pv与ctr略跌，用户体验多样化得到进一步提升。
曝光过滤：由于真实曝光收集可能出现几分钟的延时，利用实时数据库记录了伪曝光日志，同时使用真实曝光和伪曝光共同对视频过滤。接入后ctr略跌，连续的重复曝光现象明显消除。
6. 结语
相对于商品推荐而言，视频推荐算法的发展空间还很大，比如目前尝试中的multi-tag classification，利用图像、音频特征的multimodal video embedding以及RealTime Exploration Interest的模型化。欢迎有兴趣的同学与我们多多交流、多加指正。